Große Sprachmodelle übertreffen Ärzte bei der Notfalldiagnose
Eine neue Studie unter Beteiligung von Harvard und Stanford ergab, dass die Vorschauversion von OpenAIs o1-Modell Ärzte bei der Diagnose auf Basis begrenzter Notaufnahmedaten deutlich übertraf. Die größte Genauigkeitslücke zeigte sich genau dann, wenn die wenigsten Informationen verfügbar waren.
Seit einigen Tagen verfolge ich das Summen in der medizinischen Fachwelt und der IT-Branche über eine in Science veröffentlichte Studie. Harvard und Stanford haben erneut den Fehdehandschuh hingeworfen: Ihre gemeinsame Forschung zeigt, dass das große Sprachmodell o1-preview von OpenAI genauer diagnostiziert als Ärzte. Besonders bei der Triage in der Notaufnahme, wo die Informationen minimal und die Kosten eines Fehlers lebensbedrohlich sind.
Doch Nachrichtenzusammenfassungen streifen wie üblich nur die Oberfläche. Sie berichten die Tatsache des „Hardware-Sieges“, verpassen aber die tektonischen Verschiebungen, die dieser Sieg im Medizinrecht, in Krankenhausfinanzen und in der ärztlichen Hierarchie auslöst. Als Berater für Health-Tech-Startups sehe ich hinter den Genauigkeitsgrafiken nicht den Triumph der Technologie, sondern den Anfang vom Ende der „klinischen Intuition“ als rechtliches Argument.
[Der Kern]: Was wirklich passiert
Formal geht es um Zahlen: 67,1 % Genauigkeit für KI gegenüber 55,3 % und 50 % für praktizierende Ärzte in der Triage-Phase. Aber der Punkt sind nicht die Zahlen. Der Punkt ist, dass KI den Menschen nicht bei „sterilen“ Lehrbuchwissensaufgaben geschlagen hat, sondern bei „chaotischen“ realen Daten – unstrukturierten Notizen aus elektronischen Patientenakten (EPA).
Das bedeutet, dass das Modell gelernt hat, das Signal aus dem Rauschen zu extrahieren, das von den Ärzten selbst erzeugt wird (verwirrende Notizen, Tippfehler, widersprüchliche Daten). Früher dachten wir, KI bräuchte perfekt gekennzeichnete Datensätze. Es stellt sich heraus, dass das rohe Chaos eines echten Krankenhauses ein ausreichendes Nährmedium ist. o1-preview arbeitet wie ein idealer Assistenzarzt, der die gesamte Krankengeschichte in einer Sekunde liest und nicht unter kognitiven Verzerrungen nach einer anstrengenden Nachtschicht leidet.
Zeitstrahl und Kontext
Dies ist kein Blitz aus heiterem Himmel. Es ist eine methodische Belagerung, die 1959 begann, als Computer erstmals bei klinischen Diagnoseaufgaben getestet wurden.
- 2021–2024: Modelle wie GPT-4 lagen Ärzten bei klinischen Denkaufgaben (Management Reasoning) bereits im Nacken, wurden damals aber mit Referenztools wie Google verglichen, und KI gewann mit großem Vorsprung (89 % vs. 34 %).
- 2025: OpenAI veröffentlicht die o1-Reihe mit „Chain of Thought“. Dies ist ein Wendepunkt: Das Modell hörte auf, das nächste Token zu erraten, und begann, den Denkprozess eines Diagnostikers nachzuahmen – zu zweifeln, Hypothesen zu erwägen, sich selbst zu überprüfen.
- April–Mai 2026: Veröffentlichung in Science und groß angelegte Tests am Beth Israel Deaconess. Die Lücke wurde statistisch unbestreitbar. Und was für den Beruf am beunruhigendsten ist: Die Gutachter, die die Diagnosetexte bewerteten, konnten in 83,6 % bzw. 94,4 % der Fälle nicht unterscheiden, ob eine Schlussfolgerung von einem Arzt oder einer Maschine stammte.
Wer gewinnt und wer verliert
Verliert: der altmodische Kliniker. Dies ist keine Redewendung. Die Studie ergab, dass die Qualitätslücke besonders groß beim „Management Reasoning“ ist – der Wahl von Behandlungstaktiken, Antibiotika, Behandlungszielen. Dies galt einst als der Gipfel der Fähigkeiten, der Erfahrung und subjektives Urteilsvermögen vereint. Jetzt ist es ein Algorithmus.
Gewinnt: mittleres medizinisches Personal. Der am meisten unterschätzte Nutznießer. Krankenschwestern in der Notaufnahme spüren oft intuitiv, dass ein Patient „kritisch“ ist, haben aber nicht die Autorität, einen Arzt in Frage zu stellen. Jetzt haben sie ein Werkzeug, das in 67 % der Fälle formal genauer diagnostiziert als ein Arzt. Dies ist eine Waffe im Machtkampf innerhalb der Abteilung. Das Modell reduziert Ängste: Wenn das Personal einst befürchtete, dass KI sie ersetzen würde, nimmt diese Angst nach der tatsächlichen Implementierung ab – weil klar wird, dass KI menschliche Aufsicht und Interpretation erfordert.
Verliert: die Versicherungsbranche in ihrer jetzigen Form. Wenn KI bei der Triage mit hoher Genauigkeit die Notwendigkeit eines Krankenhausaufenthalts vorhersagen kann, untergräbt dies das Geschäftsmodell vieler US-amerikanischer Versicherungsunternehmen, die von der Verweigerung der Zahlung für „ungerechtfertigte“ Krankenhausaufenthalte profitieren. Die Deckung zu verweigern, wenn ein Algorithmus, der einem Arzt überlegen ist, einen Krankenhausaufenthalt empfohlen hat, wäre rechtlich selbstmörderisch.
Was die Medien auslassen
Alle Hochglanzartikel haben das Problem der „nicht zu übersehenden Diagnosen“ umgangen. Dies ist ein Geheimnis, das nur aufmerksamen Lesern wissenschaftlicher Zeitschriften bekannt ist.
In genau denselben Experimenten, in denen KI bei der Genauigkeit glänzte, zeigte sie keine statistisch signifikante Überlegenheit gegenüber Ärzten bei der Identifizierung lebensbedrohlicher Zustände. Das Modell ist großartig darin, eine breite Differentialdiagnose zu erstellen, es erkennt seltene Krankheiten, aber wenn es um die klassische „Maske“ eines Herzinfarkts oder einer Sepsis geht, schneiden Ärzte genauso gut ab. KI verhindert nicht so sehr Katastrophen, sondern verhindert „diagnostisches Umherirren“ bei komplexen und seltenen Fällen. Aber für PR-Zwecke ist es vorteilhafter, den durchschnittlichen Gesamtgenauigkeitsprozentsatz zu zeigen, als zuzugeben, dass es bei der kritischen Sicherheit fast keinen Unterschied gibt. Dies ist eine entscheidende Nuance, die in Klagen gegen Krankenhäuser, die blind dem Algorithmus vertrauen, auftauchen wird.
Prognose: Nächste 30 Tage und 90 Tage
Nächste 30 Tage. Wir werden eine Welle von Aussagen von C-Level-Führungskräften großer US-amerikanischer Krankenhausketten über „Partnerschaft“ und nicht über Ersatz sehen. Niemand will Konflikte mit medizinischen Verbänden. Aber die Rechtsabteilungen der Krankenhäuser haben bereits damit begonnen, Protokolle umzuschreiben. Die Implementierung von KI als „zweite Meinung“ wird nicht aus Bequemlichkeit, sondern zur Reduzierung des Kunstfehlerrisikos obligatorisch. Wenn KI verfügbar ist und ein Arzt bei der Triage eine falsche Diagnose stellt, gilt dies als Fahrlässigkeit. Das Argument „Ich wusste es nicht“ verschwindet.
90 Tage. Hier beginnt das K.o.-Spiel. Die Studie wurde mit der Vorschauversion von o1-preview durchgeführt, die bereits veraltet ist. OpenAI hat o3 veröffentlicht, das meilenweit überlegen ist. Die Genauigkeitslücke wird von den derzeitigen ~12 % auf 20–25 % anwachsen. Dies wird die erste ernsthafte Krise auslösen.
Darüber hinaus werden wir mit dem „Leiden-Effekt“ konfrontiert. In den Niederlanden scheiterte der Versuch, ein ML-Tool in der realen Notaufnahme zu implementieren, nicht an der Genauigkeit, sondern am Fehlen einer EPA-Integration und klarer Protokolle für das Handeln auf KI-Signale. Administratoren werden erkennen, dass der Kauf eines OpenAI-Abonnements nur 1 % des Problems ausmacht. Die Hauptsumme von 50 Millionen Dollar (oder mehr) muss für die Überholung der Krankenhaus-IT-Infrastruktur ausgegeben werden, die derzeit ein Flickwerk aus Software der 90er Jahre ist. Ohne dies bleibt jede noch so intelligente KI nur eine hübsche Demo auf einer TED-Konferenz, kein lebensrettendes Werkzeug.
— Editorial Team
