Der Laborbefund einer Vorsorgeuntersuchung umfasst 40 Werte, von denen der Patient keinen einzigen einordnen kann. Ein lokal betriebenes KI-Sprachmodell verknüpft sie, findet die Zusammenhänge zwischen den Auffälligkeiten und macht daraus einen Plan, den der Patient versteht. Die Bewertung bleibt dabei beim Arzt, die KI unterstützt und entlastet ihn.

 

Der Laborendbefund kommt als Tabelle mit Pfeilen, 40 Zeilen lang, ein paar davon markiert, dazu die Norm in der Nebenspalte. Für den Patienten bleibt davon die Ahnung, dass irgendetwas nicht stimmt, und die Frage, was er nun tun soll. Der behandelnde Arzt hat in der Regelsprechstunde 7 bis 10 Minuten und beantwortet die drei dringendsten Punkte. Der Rest der Tabelle bleibt ungenutzt, obwohl er Informationen enthält, die zusammengehören. Genau dort setzt ein Sprachmodell an, das auf einem Rechner in der Praxis läuft und die Daten nicht aus dem Haus lässt. Patienten erhalten die Informationen, die Sie brauchen und verstehen, der Arzt wird entlastet und ganz nebenbei erhalten Patienten die Chance ihren Körper sehr viel besser zu verstehen.

 

Aus vierzig Einzelwerten wird ein Zusammenhang

Der folgende Fall stammt aus einer realen Aufbereitung im privaten Umfeld des Autors, Personen und identifizierende Angaben sind verändert. Ein Patient Anfang fünfzig legt einen Laborendbefund vor. Auffällig sind ein Homocystein von 18,8 µmol/l bei einer Norm unter 10, eine Folsäure von 5,1 ng/ml bei einem Grenzwert von 5,4 und ein Gesamt-Vitamin-B12 von 233 pg/ml, wo Werte über 400 wünschenswert sind. Drei einzelne Zeilen mit drei einzelnen Pfeilen. Für Laien ist das kaum verständlich, also wird der Arzt befragt, was am besten zu tun ist. Allerdings haben Mediziner in Praxen kaum Zeit sich umfassend mit relativ unauffälligen Blutergebnissen zu beschäftigen, so wichtig das auch sein mag.

KI-Lösungen können hier helfen, ohne Ärzte zu ersetzen. Ein Modell behandelt Untersuchungsergebnisse als eine Gruppe. Homocystein ist ein Zwischenprodukt des Eiweißstoffwechsels, das der Körper mit Hilfe von Folsäure und Vitamin B12 abbaut, und fehlt eines von beiden, steigt der Wert. Aus drei Auffälligkeiten wird damit in diesem Beispiel ein einziges Bild mit einer klaren Richtung, und aus dieser Richtung folgt eine Maßnahme, die beide Vitamine gemeinsam anhebt, statt eines davon einzeln. Das erfolgt natürlich nach Absprache mit dem Arzt, aber der Zusammenhang wird im Vorfeld durch die KI erklärt, der Arzt wird entlastet.

 

Interessanter ist der Widerspruch, der in derselben Tabelle in diesem Fall steckt. Neben dem grenzwertigen Gesamt-B12 von 233 findet sich ein Holotranscobalamin von 135,4 pmol/l, also die aktive, für die Zelle verfügbare Form des Vitamins, und dieser Wert liegt bei einem Grenzwert von 50 komfortabel im grünen Bereich. Ein reiner Blick auf das Gesamt-B12 führt an dieser Stelle zu einer überflüssigen B12-Kur. Der aktive Wert sagt, dass die Versorgung ankommt und der erhöhte Homocystein-Spiegel überwiegend an der knappen Folsäure hängt. Ein Modell, das beide Zeilen nebeneinanderlegt, stolpert über diesen Widerspruch, ein Patient mit einer Tabelle nicht. Auch hier wird der Arzt entlastet und der Patient erhält die Informationen, die er braucht.

Vom Wert zur Handlung, und zwar zu einer bezahlbaren

Der eigentliche Nutzen zeigt sich im nächsten Schritt, denn eine erklärte Tabelle mit Untersuchungsergebnissen ändert für sich genommen nichts. Aus den Werten, der bestehenden Medikation und den Lebensumständen wächst aber eine Einkaufsliste zum Mitnehmen in die Drogerie, mit Produktnamen, Dosierung, Einnahmezeitpunkt und Preis. Für den genannten Patienten und seine Partnerin summierte sie sich auf rund 100 Euro, aufgeteilt nach Person und mit der Angabe, welche Positionen nötig sind und welche optional bleiben. Solche Einkäufe können dabei auch bei Partnern oder der Praxis erfolgen, und zwar mit perfekt passenden Präparaten, keine Zufallskäufe aus dem Drogeriemarkt.

 

Die folgenden Punkte aus dieser Liste zeigen, was ein Modell leistet, das den ganzen Fall kennt und nicht nur eine einzelne Zeile.

 

• Wechselwirkung mit der Dauermedikation: Der Patient nimmt in diesem Beispiel Rosuvastatin. Statine senken den körpereigenen Coenzym-Q10-Spiegel, was Müdigkeit und Muskelbeschwerden begünstigt. Auf der Liste steht deshalb Ubiquinol 100 mg als optionale Position, einzunehmen zu einer fetthaltigen Mahlzeit. Das kann auch der Arzt raten, aber die KI macht das im Vorfeld schon.
• Folgewirkung einer laufenden Therapie: Derselbe Patient nimmt hochdosiertes Vitamin D. Vitamin K2 in der Form MK7 sorgt dafür, dass das dadurch vermehrt aufgenommene Kalzium in den Knochen wandert. Die Liste nennt 200 µg einmal wöchentlich am selben Tag wie das Vitamin D. Auch hier erklärt die KI warum das notwendig ist.
• Eine Falle, die den nächsten Laborbefund problematisch gestaltet: Viele B12-Kombipräparate enthalten Biotin, und Biotin verfälscht eine ganze Reihe von Laborbestimmungen, darunter Schilddrüsen- und Herzmarker. Auf der Liste steht deshalb als Warnkasten, dass auf der Zutatenliste kein Biotin stehen darf. KI kann daher auch warnen, was Patienten besser nicht tun sollten, schon gar nicht, ohne ihren Arzt zu befragen, dann aber gezielt.

 

Bei der Partnerin lag der Fall anders und zeigt, wie stark die Lebensumstände in eine Empfehlung hineinspielen. Sie isst nichts vor 14 Uhr, verträgt Brausetabletten schlecht und nimmt ein Eisenpräparat. Vitamin C vervielfacht die Eisenaufnahme, wirkt dabei aber nur bei gleichzeitiger Einnahme. Auf ihrer Liste steht deshalb eine Filmtablette Vitamin C um 14 Uhr zusammen mit dem Eisen, ausdrücklich keine Brausetablette. Dieselbe Empfehlung zu einer anderen Uhrzeit bleibt wirkungslos, und genau solche Einzelheiten gehen im Gespräch zwischen Tür und Angel verloren. Die KI übersieht so etwas nicht und kann auch auf persönliche Umstände genauer eingehen., Übrigens erkennt eine KI auch die Entwicklung der Blutwerte aus älteren Untersuchungen, kann Trends einordnen und bei der Einholung weiterer Werte unterstützen.

 

Im Beispiel war das Fettsäureprofil zusätzlich verschoben, das Verhältnis von Arachidonsäure zu EPA lag bei 13,12 statt bei einem Zielwert um 3. Da sie keinen Fisch isst, führte der Weg über Algenöl als einzige rein pflanzliche Quelle der direkt wirksamen Omega-3-Formen, ergänzt um geschrotete Leinsamen, Leinöl und den Wechsel des Küchenöls von Sonnenblumen- auf Rapsöl. Das sind Maßnahmen, die in der Küche stattfinden und fast nichts kosten, und sie stehen in derselben Liste wie die Präparate, denn für den Patienten gehört beides zusammen. Der Arzt hat damit nur am Rande etwas zu tun.

 

Zur Liste gehört ein zweiter Teil, der genauso wichtig ist. Er nennt die Produkte, die nichts bringen oder schaden, und begründet das jeweils in einem Satz, im geschilderten Fall mehrere Positionen. Ein Patient, der im Drogeriemarkt vor 30 Präparaten steht, braucht diese Abgrenzung dringender als eine weitere Empfehlung.

Wenn die Befunde aus fünf Häusern kommen

Die Aufgabe wird anspruchsvoller, sobald mehrere Vorbehandler beteiligt sind. Eine 73-jährige Patientin mit Gangstörung und Muskelzuckungen stellt sich nacheinander an fünf Kliniken vor und sammelt dabei über 100 Seiten Arztbriefe. Ein Zentrum diagnostiziert eine spät beginnende Multiple Sklerose und beginnt eine Basistherapie, ein anderes benennt die Erkrankung ausdrücklich nicht als MS. Die Patientin hält beide Briefe in der Hand und versteht keinen davon.

 

Das Sprachmodell liest die Ergebnisse in wenigen Minuten und legt die Aussagen der 5 Häuser nebeneinander. Dabei treten Punkte hervor, die beim Lesen nacheinander untergehen. Die im September 2025 erschienene Revision der internationalen Diagnosekriterien verlangt bei Patienten ab 50 Jahren mit Gefäßrisikofaktoren zum Beispiel drei Zusatznachweise, bevor die Diagnose gestellt wird, und von diesen dreien ist bei der Patientin hier einer erfüllt, einer in zwei Untersuchungen widerlegt und einer nie erhoben. Aus einem Stapel Papier entwickelt sich damit eine konkrete Frage für das nächste Arztgespräch. Beide profitieren wieder, Arzt und vor allem der Patient.

 

Dieselbe Aufbereitung lieferte die wichtigste Warnung des Projekts. Die Zusammenstellung, mit der das Modell arbeitete, stammte aus einer verdichteten Fallakte statt aus den Originalseiten und war unvollständig, weshalb längst erfolgte Untersuchungen als angeblich versäumt in der Auswertung landeten, darunter eine transösophageale Echokardiographie und eine Nervenleitmessung. Erst die Volltextsuche in den Originalbriefen räumte den Irrtum aus. Die Qualität der Vorlage entscheidet über die Qualität des Ergebnisses, und diese Erfahrung gehört an den Anfang jeder Einführung.

 

Die Rückfrage, die die Bewertung dreht

Ein dritter Fall zeigt eine Eigenschaft, die im Sprechzimmer schwer zu leisten ist. Eine 72-jährige Patientin hat einen auffälligen Stuhltest und ein Vitamin B12 von 303 ng/l. Die erste Bewertung geht von einer laufenden Substitution aus und wertet den niedrigen Spiegel trotz Einnahme als Hinweis auf eine Aufnahmestörung, woraus eine Abklärung über mehrere Termine folgt.

 

Die Auflösung steckt in einer einzigen Rückfrage nach der Einnahmefrequenz. Die Patientin nimmt das Präparat einmal im Monat. Bei oralen B12-Präparaten gelangt rund 1 Prozent über passive Diffusion in den Körper, aus 1.000 µg monatlich werden damit ungefähr 10 µg gegenüber einem Tagesbedarf im Bereich von 4 µg. Der niedrige Spiegel erklärt sich vollständig über die Dosierung, die Abklärung erübrigt sich, und die Lösung besteht darin, dieselbe Tablette täglich zu nehmen. Ein Modell fragt bei jeder Präparatangabe nach Dosis, Frequenz und Dauer, ohne diese Frage im vollen Wartezimmer zu vergessen.

 

Für jeden Termin die passende Unterlage

Eine vierte Anwendung betrifft die Vorbereitung von Facharztterminen. Eine Patientin mit gesicherter Endometriose hat innerhalb von 10 Tagen drei Termine in unterschiedlichen Fachrichtungen, Urologie, Gynäkologie und Hals-Nasen-Ohren-Heilkunde. Ihre Unterlagen bestehen aus Laborbefunden, dem Bericht eines Endometriosezentrums und 12 Monaten Korrespondenz.

 

Das Modell baute daraus drei getrennte Gesprächsunterlagen, jede mit dem Material, das an diesem Termin gebraucht wird. Der Urologe bekam die Blasensymptomatik mit dem zeitlichen Verlauf und den bereits erfolgten Untersuchungen, die Gynäkologie den Befund aus dem Zentrum mit den offenen Empfehlungen, die HNO-Abteilung die Vorgeschichte der Rhinitis mit der Medikation. Jede Unterlage endet mit drei bis fünf Fragen, die an diesem Termin geklärt werden sollen.

 

Der Gewinn liegt auf beiden Seiten des Schreibtischs. Der Arzt bekommt eine geordnete Vorgeschichte statt einer Tüte mit Kopien, und die Patientin verliert die Hälfte der Sprechzeit nicht mehr mit dem Erzählen des Verlaufs. Der Aufwand für die Erstellung lag bei wenigen Minuten Rechenzeit plus einer Durchsicht.

 

Die vier Stufen bauen aufeinander auf

Die vier beschriebenen Anwendungen bilden eine Reihenfolge, und der Aufwand steigt mit jeder Stufe.

 

• Erklären: Ein einzelner Befund wird in verständliche Sprache übersetzt. Das Original bleibt maßgeblich und liegt daneben, das Fehlerrisiko ist am geringsten.
• Einordnen: Laborwerte bekommen Normbereich, Abweichung und einen Satz zur Bedeutung. Die Normbereiche stammen aus dem Laborbericht selbst, denn Labore verwenden unterschiedliche Referenzintervalle.
• Verknüpfen: Mehrere Werte und mehrere Befunde werden zueinander in Beziehung gesetzt. Hier entstehen die Erkenntnisse, die eine Einzelbetrachtung nicht liefert, und hier beginnt die Pflicht zur ärztlichen Prüfung. Gleichzeitig kann der Arzt schneller und gezielter zu Diagnosen kommen, unterstützt durch passende Studien und Publikationen, die eine KI sehr schnell findet.
• Ableiten: Aus dem Bild folgen Empfehlungen, Fragen und Vorschläge für weitere Untersuchungen. Diese Stufe verlässt niemals die Praxis ohne ärztliche Freigabe, entlastet aber Ärzte, beruhigt Patienten, vermeidet doppelte Untersuchungen und hilft dabei ein gesamtes Bild zu erhalten.

 

Eine Praxis, die auf Stufe 1 beginnt und dort 6 Monate bleibt, hat mehr gewonnen als eine, die sofort auf Stufe 4 springt. Die Erfahrung aus 200 Patienten der Münchner Untersuchung stammt genau von dieser ersten Stufe. Der Nutzen der ersten Stufe ist mit der Verkürzung der Lesedauer von 7 auf 2 Minuten bereits messbar, das Risiko dagegen gering, denn das Original bleibt maßgeblich.

 

Ein zweiter Durchgang findet, was der erste übersieht

Ein einzelnes Modell liefert eine glatte, in sich schlüssige Antwort, auch bei dünner Grundlage. Es meldet keinen Zweifel, denn es kennt keinen, und diese Eigenschaft ist bei einem Befund mit 40 Werten gefährlicher als bei einer einzelnen Frage. Der wirksamste Gegenzug besteht darin, dieselbe Aufgabe mehrfach zu stellen und die Ergebnisse gegeneinanderzuhalten, im beschriebenen Fall über mehrere Durchgänge, die durch verschiedene KI-Agenten durchgeführt wird.

 

In der Aufbereitung des oben genannten Falls liefen vier Durchgänge mit unterschiedlicher fachlicher Blickrichtung über dasselbe Material. Danach folgte ein fünfter mit dem ausdrücklichen Auftrag, die Aussagen der vier zu widerlegen, mit der Standardannahme, jede Angabe sei falsch, bis eine Primärquelle sie belegt. Dieser Durchgang nahm 25 fachliche Aussagen auseinander und wies 11 davon als zahlenmäßig falsch aus, darunter eine Häufigkeitsangabe, die den Wert für eine gesicherte Erkrankung auf die Erstmanifestation übertrug. Das kann ein Arzt zeitlich kaum leisten.

 

Für die Praxis bedeutet das keinen doppelten Aufwand, denn alle Durchgänge laufen ohne menschliches Zutun und benötigen auf einer Workstation mit 2 Grafikkarten zu je 24 GB nur wenige Minuten. Die Zeit fällt erst dort an, wo die Fassungen voneinander abweichen, und genau diese Stellen sind die, an denen sich das Hinsehen lohnt. Ein Bericht, in dem zwei unabhängige Durchgänge übereinstimmen, braucht weniger Prüfung als einer, bei dem sie sich widersprechen.

 

Dieselbe Anordnung fängt eine zweite Schwäche ab. Eine Recherche gab eine Quellenadresse aus, die es nicht gibt, und die betroffene Fachdomain beantwortete jeden erfundenen Pfad mit dem Status HTTP 200. Erst ein Prüfdurchgang, der jede genannte Adresse selbst aufruft und zusätzlich eine bewusst falsche zur Kontrolle mitschickt, deckt solche Stellen auf. Ärzte und Patienten müssen daher verstehen, wie KI funktioniert und die Ergebnisse sollten verifiziert und in jedem Fall fachlich abgeklärt werden.

 

Warum der Betrieb im eigenen Haus die Voraussetzung ist

Alle drei Fälle haben eines gemeinsam, denn sie verarbeiten Gesundheitsdaten. Solche Daten zählen nach Artikel 9 DSGVO zu den besonderen Kategorien, ihre Verarbeitung ist grundsätzlich untersagt und nur über eng gefasste Ausnahmen zulässig, zu denen die Einwilligung des Betroffenen und die Versorgung durch Berufsgeheimnisträger gehören. Ein Cloud-Dienst außerhalb der eigenen Kontrolle bringt einen Begründungsaufwand mit sich, den eine Praxis mit fünf Mitarbeitern kaum stemmt.

 

Der eigene Serverraum löst das Problem grundlegend, denn die Befunddaten verlassen die Praxis zu keinem Zeitpunkt und ein Vertrag zur Auftragsverarbeitung wird nicht notwendig. Die Anforderungen an die Technik sind dabei überschaubar geworden. Modelle mit sieben bis vierzehn Milliarden Parametern arbeiten auf einem aktuellen Notebook mit 32 GB Arbeitsspeicher, größere Modelle der Klasse Llama-3-70b laufen quantisiert auf zwei handelsüblichen Grafikkarten mit je 24 GB Speicher.

 

Kliniken gehen diesen Weg bereits. Das Universitätsklinikum Hamburg-Eppendorf betreibt mit ARGO ein selbst entwickeltes Sprachmodell für Arztbriefe, trainiert auf der de-identifizierten Dokumentation von über sieben Millionen Behandlungsfällen und durchgehend auf eigener Infrastruktur. Die zugehörige Spracherkennung Orpheus läuft seit Anfang 2025 zusätzlich an vier Universitätskliniken, mehr als 30 Krankenhäusern und über 200 ambulanten Einrichtungen [1].

 

Die Messwerte aus zwei Untersuchungen

Der Nutzen für den Patienten ist inzwischen beziffert. Ein Forschungsteam der Technischen Universität München gab 200 Krebspatienten ihren CT-Befund, eine Gruppe im Original und die andere in einer automatisch vereinfachten Fassung, erzeugt von einem quelloffenen Modell auf klinikeigenen Rechnern. Die Lesedauer sank von sieben auf zwei Minuten, und 80 Prozent der Patienten bewerteten die aufbereitete Fassung als verständlich gegenüber 9 Prozent beim Original [2].

 

Für die Frage nach dem lokalen Betrieb liefert eine Arbeit aus Bonn die entscheidende Zahl. Annemarie Katharina Proff und Kollegen ließen 60 Radiologiebefunde von einem kommerziellen und zwei frei verfügbaren Modellen vereinfachen. Bei der Verständlichkeit gab es zwischen GPT-4o und dem offenen Llama-3-70b keinen statistisch bedeutsamen Unterschied, denn 21 medizinische Laien bewerteten beide Fassungen mit 4,4 und 4,3 von 5 Punkten gegenüber 1,5 für das Original [3].

 

Dieselbe Arbeit nennt den Preis dieser Freiheit, und der gehört dazu. Beide offenen Modelle produzierten mehr sachliche Fehler als GPT-4o. In der Münchner Untersuchung enthielten sechs Prozent der vereinfachten Befunde einen inhaltlichen Fehler, in sieben Prozent fehlte eine Information aus dem Original. Jeder Text ging dort vor der Übergabe an den Patienten durch die Kontrolle von geschultem Fachpersonal, und genau diese Kontrolle bleibt die Bedingung für den Einsatz.

 

Der Gewinn für die Praxis

Für den Patienten selbst liegt der Nutzen im Verstehen des eigenen CT- oder Laborbefundes. Er geht mit einem Papier nach Hause, das er in 2 statt in 7 Minuten liest, und mit einer Liste von 5 Fragen für den nächsten Termin. Die Rückfragen per Telefon in der Woche danach werden weniger, und die Fragen, die dann noch kommen, setzen am Inhalt anstatt an der Übersetzung von Fachbegriffen.

 

Für die Praxis verschiebt sich der Aufwand an die richtige Stelle. Die Aufbereitung selbst läuft ohne ärztliche Beteiligung, die ärztliche Zeit fließt in die Prüfung des Ergebnisses. Bei einer Erstvorstellung mit 100 Seiten Vorgeschichte ist der Unterschied erheblich, denn eine geordnete Zeitleiste mit markierten Widersprüchen liest sich in wenigen Minuten, ein Aktenordner nicht.

 

Für den behandelnden Arzt wächst aus den 100 Seiten eine Vorstrukturierung, die auf Auffälligkeiten zeigt. Ein Modell, das die Befunde aus 5 Häusern nebeneinanderlegt, findet die abweichende Angabe in Sekunden. Die Bewertung dieser Angabe bleibt ärztliche Aufgabe, das Suchen danach nicht.

 

In der ästhetischen Praxis kommen eigene Anwendungen hinzu. Ein Aufklärungsgespräch vor einem Eingriff lässt sich als schriftliche Zusammenfassung nachreichen, in der Sprache des Patienten und mit den im Gespräch behandelten Punkten, was die Dokumentationspflicht nach Paragraf 630f BGB inhaltlich unterstützt. Vorbefunde aus Dermatologie und plastischer Chirurgie kommen häufig aus mehreren Häusern und in unterschiedlicher Form, und eine chronologische Zusammenführung schafft die Grundlage für die Beratung. Der Verlauf über mehrere Sitzungen wird als zusammenhängender Text lesbar, ohne dass jemand die Einträge einzeln aus der Karteikarte zusammensucht.

 

Die Grenzen gehören ins Gespräch

Sprachmodelle erfinden. Der Fachbegriff lautet Konfabulation und meint eine Ausgabe, die formal einwandfrei aussieht und inhaltlich frei erfunden ist. Die oben beschriebene Anordnung aus 5 gegeneinander arbeitenden Durchgängen senkt das Risiko erheblich, sie beseitigt es nicht. Bei jeder Aussage, die eine Handlung nach sich zieht, bleibt der Blick in die Primärquelle die einzige belastbare Absicherung, im geschilderten Fall also in die Originalseiten und nicht in die Zusammenfassung.

Die Fehlerraten aus den Studien verschwinden nicht durch bessere Modelle. 6 Prozent inhaltliche Fehler bedeuten bei 100 aufbereiteten Befunden 6 fehlerhafte Papiere, und die Konsequenz daraus lautet, dass geschultes Personal jede Ausgabe vor der Weitergabe prüft. Diese Prüfung gehört als benannter Arbeitsschritt in den Ablauf, mit Zuständigkeit und dokumentierter Freigabe.

 

Die Auswertung von MRT- oder CT-Aufnahmen zur Diagnosestellung bleibt außen vor und verlangt zugelassene Systeme nach der Medizinprodukteverordnung MDR. Ein Sprachmodell arbeitet am Text des Befundes und an den Zahlen der Tabelle. Ergänzend setzt der EU AI Act Termine, denn für KI als Sicherheitskomponente eines regulierten Produkts gilt der 2. August 2028, für eigenständige Hochrisiko-Systeme der 2. Dezember 2027 (https://www.johner-institut.de/blog/regulatory-affairs/ai-act-eu-ki-verordnung). Ein Modell, das vorhandene Befunde umformuliert und keine diagnostische Aussage erzeugt, fällt nach heutiger Auslegung nicht unter die Medizinprodukte-Definition.

 

Der Einstieg

Der Anfang gelingt ohne Investitionsentscheidung, mit einem Notebook mit 32 GB Arbeitsspeicher, einer frei verfügbaren Laufzeitumgebung wie Ollama oder LM Studio und anonymisierten Testbefunden aus der eigenen Ablage. Die Übersetzung eines Befundes in Patientensprache liefert den schnellsten sichtbaren Nutzen und hat die niedrigste Fallhöhe, denn das Original bleibt maßgeblich und liegt daneben.

 

Der zweite Schritt ergänzt die Bewertung der Laborwerte gegen ihren Normbereich. Wichtig ist dabei, dass die Normbereiche aus dem PDF des Laborberichts stammen und nicht aus dem Modellwissen, denn Labore verwenden unterschiedliche Referenzintervalle für denselben Parameter. Erst der dritte Schritt bringt die Verknüpfung mehrerer Befunde und die Ableitung von Empfehlungen, wie im geschilderten Fall des Patienten mit dem Homocystein von 18,8 µmol/l, und dieser Schritt verlangt die ärztliche Prüfung, die von Anfang an mitgeplant gehört.

 

Eine Beobachtung aus der eigenen Arbeit passt in keine Herstellerunterlage. Der Ertrag hängt weniger vom gewählten Modell ab als von der Vollständigkeit dessen, was man ihm vorlegt. Ein Modell der 70-Milliarden-Klasse mit einer lückenhaften Vorlage liefert eine überzeugend formulierte, falsche Auswertung, ein kleineres Modell mit vollständigen Originalunterlagen eine brauchbare. Die Arbeit steckt im Zusammentragen, und dort liegt auch der Hebel für die Qualität.

 

Korrespondenzadresse:

Thomas Joos

Erbach 1

DE-74206 Bad Wimpfen

thomas(at)hof-erbach.de

 

Referenzen:

1. Deutsches Ärzteblatt (https://www.aerzteblatt.de/news/uniklinikum-hamburg-eppendorf-setzt-ki-sprachmodell-fuer-arztbriefe-ein-ff98a50d-b277-427e-9e17-57f624eb3015))
2. Radiology 2025 (https://healthcare-in-europe.com/de/news/ki-vereinfacht-ct-befunde-fuer-patienten.html).
3. Proff AK, Salam B, Hayawi M et. al. Simplifying radiology reports with large language models: privacy-compliant open- versus closed-weight models. Eur Radiol. 2026; 36(7): 6097-6106.

 

 

Über den Autor:

Mit über hundert Fachbüchern, einer ständigen Trainerrolle bei LinkedIn Learning und regelmäßigen Beiträgen in den größten deutschsprachigen IT-Medien zählt Thomas Joos zu den meistgelesenen IT-Autoren im DACH-Raum. Seine Artikel erscheinen in c’t, iX, Computerwoche, PC-Welt, kes, ComputerWeekly und Security-Insider sowie über die dpa. Seine Kunden kommen aus dem Mittelstand, von Konzernen und von Hyperscalern, darunter Microsoft, HPE, AWS und Google, für die er als Berater und Whitepaper-Autor arbeitet. Parallel berät er auf Ministerialebene mehrere Bundesländer und übernimmt internationale Projekte in EMEA und im Nahen Osten.