Wissenschaft: KI übertrifft erstmals Ärzte in klinischer Entscheidungsfindung bei echten Notfällen
Eine Studie in Science zeigte, dass das große Sprachmodell o1 von OpenAI zertifizierte Ärzte in der Diagnose übertraf, insbesondere bei der Notfalltriage mit unvollständigen Daten. In einem Doppelblindtest mit echten Patientengeschichten war die KI genauer, und Ärzte konnten ihre Schlussfolgerungen nicht von menschlichen unterscheiden.
Der Artikel in Science vom 30. April 2026 ist nicht nur ein Benchmark. Er ist ein rechtlicher Präzedenzfall, verpackt in ein wissenschaftliches Protokoll. Die Gruppe von Broder und Manrai hat nicht nur bewiesen, dass eine Maschine besser diagnostiziert als ein Arzt; sie schuf eine Evidenzbasis, die innerhalb von 5–7 Jahren die Standards für Kunstfehler in der Medizin ändern wird – und ironischerweise den Einsatz von KI durch Ärzte nicht zu einem Recht, sondern zu einer Pflicht macht.
Der Kern: Was wirklich passiert
Die in Science veröffentlichte Studie verglich OpenAI o1 mit Hunderten von praktizierenden Ärzten in einem Blindtest an echten Notfällen des Beth Israel Deaconess Medical Center. Das Ergebnis: In der Triage-Phase, wenn die Daten minimal sind, lag die Genauigkeit des Modells bei 67,1 % gegenüber 55,3 % und 50,0 % für zwei behandelnde Ärzte. Die Prüfer rieten nur in 15 % der Fälle richtig, ob die Schlussfolgerung von einem Menschen oder einer Maschine stammte.
Aber der Schlüssel liegt nicht einmal in den Zahlen. Das o1-preview-Modell erzielte 89 % bei Grey-Matters-Tests für Managementtaktiken, während Ärzte mit Zugang zu GPT-4 41 % und Ärzte mit Standardwerkzeugen 34 % erreichten. Das bedeutet, dass ein lebender Spezialist zwischen Patient und Algorithmus das Ergebnis nicht verbesserte, sondern verschlechterte. Der menschliche Faktor – Überheblichkeit, kognitive Verzerrungen, Müdigkeit – wirkte nicht als Filter, sondern als Hindernis.
Zeitstrahl und Kontext
Der Weg zu dieser Veröffentlichung dauerte 65 Jahre. 1959 veröffentlichten Ledley und Lusted einen Artikel in Science, der vorschlug, komplexe klinische Fälle als Goldstandard für die Bewertung medizinischer Computersysteme zu verwenden. Seitdem wurde jede Technologie – von naiven Bayes-Klassifikatoren bis zu Symptom-Checkern – an NEJM-Aufgaben getestet.
Bis 2023 verloren Maschinen so offensichtlich gegen Ärzte, dass menschliche Kontrollgruppen unnötig waren. GPT-4 zeigte erstmals Ergebnisse, die einen Vergleich mit Menschen erforderten. 2025 veröffentlichte OpenAI o1-preview – ein Modell mit schrittweisem logischem Denken (Chain-of-Thought) – und Anfang 2026 das vollständige o1. Forscher der Harvard University schafften es, Experimente in dem engen Fenster zwischen der Veröffentlichung des Modells und seiner Veralterung durchzuführen: Heute testen Labore bereits o3 und GPT-5.3 mit multimodalen Fähigkeiten.
Ein wichtiges chronologisches Detail: Das Manuskript wurde im April angenommen, und im Mai diskutiert die Welt darüber eine technologische Generation zu spät. Was wir jetzt lesen, sind die gestrigen Nachrichten der Branche.
Wer gewinnt und wer verliert
Gewinner:
OpenAI. Die Studie wurde in Science veröffentlicht, nicht in einer engen medizinischen Fachzeitschrift. Das verschafft dem Unternehmen nicht nur einen klinischen, sondern einen Reputationsvorteil: Die Erzählung „das Modell denkt wie ein Arzt“ wird zu „denkt besser als ein Arzt“. Die geschätzte Bewertung von OpenAI nach Abschluss seiner Finanzierungsrunde im Mai 2026 nähert sich 400 Milliarden US-Dollar, und jede solche Veröffentlichung erhöht den Multiplikator um 0,2–0,3x.
Medizinische Startups, die „Zweitmeinung als Dienstleistung“ anbieten. Vor der Veröffentlichung war ihr Produkt ein optionales Werkzeug. Jetzt haben sie ein Zitat aus Science, in dem KI ohne Arzt einen Arzt mit Internetzugang übertrifft. Das eröffnet einen B2B-Verkaufsmarkt an Krankenhäuser im Wert von 8,4 Milliarden US-Dollar.
Patienten mit seltenen und komplexen Diagnosen. Das Modell enthielt bei CPC-Fällen die korrekte Diagnose in 78,3 % der Fälle in der Differenzialliste, und mit „nahen“ Diagnosen in 97,9 %. Das bedeutet, dass eine Zweitmeinung von KI 14 US-Dollar pro Inferenz kosten könnte, statt 2.500 US-Dollar für eine Konsultation an der Mayo Clinic.
Verlierer:
Ärzte der Grundversorgung und Notfallmedizin. Die Studie baut systematisch die defensive These „KI ist ein Assistent, kein Ersatz“ ab. Wenn die Maschine den Menschen gerade unter Bedingungen unvollständiger Informationen übertrifft – dem Hauptargument für menschliche Intuition –, dann verschiebt sich der Wert des Arztes vom Diagnostiker zum Kommunikator und Verfahrensoperator. Das reduziert den Marktwert kognitiver Arbeit in der Medizin über einen Zeithorizont von 10 Jahren.
Entwickler traditioneller CDS-Systeme. Das Ergebnis von 34 % für Ärzte mit Standardwerkzeugen gegenüber 89 % für o1-preview ist ein Todesurteil für Wissensdatenbanken wie UpToDate und Isabel Healthcare, wenn sie nicht innerhalb der nächsten 18 Monate Reasoning-Modelle in ihre Schnittstelle integrieren.
Hersteller spezialisierter medizinischer Software. Wenn ein Allzweckmodell Experten auf eigenem Terrain übertrifft, verlieren Nischenlösungen ihren Zweck. Warum Software für 120.000 US-Dollar pro Jahr kaufen, wenn ein API-Abonnement für 800 US-Dollar pro Monat ein besseres Ergebnis liefert?
Was die Medien nicht sagen
Erstens: Die Autoren der Studie haben Interessenkonflikte, die in den Schlagzeilen nicht genannt werden. Adam Rodman ist Gastforscher bei Google DeepMind. Eric Horvitz arbeitet bei Microsoft. Das diskreditiert die Ergebnisse nicht, erklärt aber, warum die Studie speziell OpenAI o1 und nicht konkurrierende Modelle getestet hat. Keine Veröffentlichung dieses Niveaus ist neutral.
Zweitens: Das Modell zeigte keine Überlegenheit bei der wichtigsten Metrik – der Identifizierung von „Diagnosen, die nicht übersehen werden dürfen“. In NEJM-Healer-Tests identifizierte o1-preview lebensbedrohliche Zustände mit einem Median von 0,92, aber der Unterschied zu Ärzten war statistisch nicht signifikant. Das ist eine Zeitbombe: KI mag insgesamt genauer sein, aber wenn sie Meningitis oder Aortendissektion genauso oft übersieht wie ein Mensch, schafft ihr Einsatz in der Notfallmedizin ein Risiko katastrophaler Fehler.
Drittens: Die Inferenzkosten. Die Forscher erwähnen, dass die Verarbeitung eines CPC-Falls auf o1-preview je nach Komplexität zwischen 3,20 und 42,10 US-Dollar kostet. Wenn eine Notaufnahme 200 Patienten pro Tag sieht, würde der Einsatz des Modells für jeden 640–8.420 US-Dollar pro Tag oder 230.000–3 Millionen US-Dollar pro Jahr kosten. Das ist vergleichbar mit dem Gehalt von ein oder zwei Ärzten, und Krankenhausverwalter werden genau das berechnen.
Viertens: Die Studie testete Text, aber Medizin ist multimodal. Ein redaktioneller Kommentar in Science weist direkt darauf hin, dass GPT-5.3 und Gemini 3.1 Pro bereits Text, Bilder, Audio und Video verarbeiten. Das bedeutet, dass die nächste Veröffentlichung – wahrscheinlich in 6–8 Monaten – zeigen wird, dass multimodale Modelle Ärzte bei Aufgaben übertreffen, die die Interpretation von Bildern und körperlichen Untersuchungsdaten erfordern. Broders Ergebnisse sind die Untergrenze der KI-Fähigkeiten, nicht die Obergrenze.
Prognose: Nächste 30 Tage und 90 Tage
30 Tage (bis 5. Juni 2026):
Krankenversicherungen, darunter UnitedHealth Group und Aetna, werden mit internen Tests von LLM-Zweitmeinungen beginnen. Ziel: herauszufinden, ob Kosten für unnötige Facharztkonsultationen gesenkt werden können. Pilotprojekte werden in 3–5 großen Netzwerken starten, jedes mit einem Budget von 2–4 Millionen US-Dollar.
JAMA und NEJM werden Leitartikel veröffentlichen, die zur Vorsicht mahnen. Die Rhetorik wird sein: „beeindruckende Ergebnisse, aber prospektive Studien sind nötig“. Dies ist eine standardmäßige defensive Reaktion des medizinischen Establishments, das KI als Bedrohung seines Expertenmonopols sieht.
OpenAI und Google werden die Verhandlungen mit der FDA über einen regulatorischen Rahmen für SaMD (Software as a Medical Device) auf Basis von Reasoning-Modellen intensivieren. Die Frage ist nicht, ob solche Systeme zugelassen werden, sondern welche Risikoklasse sie erhalten – II oder III. Das bestimmt die Markteintrittskosten: 2 Millionen US-Dollar gegenüber 15 Millionen US-Dollar für klinische Studien.
90 Tage (bis 5. August 2026):
Die ersten Preprints mit multimodalen Modellen in klinischen Aufgaben werden erscheinen. Es wird erwartet, dass GPT-5.3 mit Zugang zu CT-Scans und Audioaufnahmen von Atemgeräuschen Pneumologen bei der Diagnose interstitieller Lungenerkrankungen übertrifft.
Eine leise Integration von LLM-Zweitmeinungen wird in den Notaufnahmen von fünf führenden US-amerikanischen akademischen Zentren beginnen. Formal als Forschungsprotokolle, aber effektiv als Arbeitswerkzeug. Ärzte werden es nutzen wie heute UpToDate, aber ohne es den Patienten zu offenbaren.
Der entscheidende rechtliche Präzedenzfall ist noch nicht eingetreten, aber seine Konturen sind bereits sichtbar. Die erste Klage, in der ein Anwalt einen Arzt fragt: „Warum haben Sie keine KI-Zweitmeinung verwendet, wenn veröffentlichte Daten in Science deren Überlegenheit in der Notfalldiagnose zeigen?“, wird den Behandlungsstandard schneller ändern als jede klinische Leitlinie. Broders und Manrais Studie wird ein zitiertes Dokument vor Gericht werden – nicht als wissenschaftliche Arbeit, sondern als Beweis dafür, dass sich der Behandlungsstandard weiterentwickelt hat.
— Editorial Team
