OpenAI o1 übertrifft Ärzte bei der Diagnose komplexer Notfälle
Eine Studie mit Ärzten von Harvard und Stanford ergab, dass das LLM-Modell o1-preview Menschen bei der Diagnose klinischer Fälle übertraf, insbesondere bei begrenzten Informationen während der Triage in der Notaufnahme. Das Modell erreichte eine Genauigkeit von 78,3 % bei der Diagnose anhand von NEJM-Materialien.
Keine Diagnose, sondern eine Demonstration der Stärke: Wie OpenAI o1 das schwache Glied in der Triage aufdeckt und die Frage nach der Machtverteilung in der Notaufnahme aufwirft
[Das Wesentliche]: Was wirklich passiert
Am 30. April 2026 veröffentlichte die Zeitschrift Science eine Studie, die viele vorschnell als „KI schlägt Ärzte“ bezeichneten. Die Schlagzeile ist reißerisch, aber ungenau. Was tatsächlich geschah, ist subtiler und bedeutender: OpenAI o1-preview zeigte, dass es Fachärzte für Innere Medizin genau in dem Moment übertreffen kann, in dem der menschliche Geist am verwundbarsten ist – in den ersten Minuten nach der Ankunft eines Patienten in der Notaufnahme, wenn die Informationen äußerst knapp sind und die Kosten eines Fehlers maximal sind.
Forscher von Harvard, Stanford und dem Beth Israel Deaconess Medical Center führten sechs parallele Experimente durch. Das aussagekräftigste waren nicht akademische Vignetten, sondern 76 reale Fälle aus der Notaufnahme des Beth Israel in Boston. Das Modell erhielt genau dieselben Daten wie zwei behandelnde Ärzte: Text aus der elektronischen Patientenakte, Vitalparameter, ein paar Zeilen von der Triage-Krankenschwester. Keine Vorverarbeitung, keine Hinweise.
Während der Triage – wenn der Patient die Schwelle überschreitet – stellte o1 in 67,1 % der Fälle eine korrekte oder sehr nahe Diagnose. Der erste Arzt: 55,3 %, der zweite: 50 %. Die Lücke ist nicht nur statistisch signifikant. Sie bedeutet, dass das Modell in jedem sechsten Fall die richtige Antwort liefert, während beide Spezialisten irren.
Zeitplan und Kontext
Die Studie von Peter G. Brodeur und Kollegen, veröffentlicht am 30. April 2026, stützt sich auf eine Methodik, die sich von früheren Arbeiten abhebt. Erstens wurde zum ersten Mal ein direkter Vergleich von LLM und Ärzten anhand unstrukturierter, realer klinischer Daten durchgeführt – nicht anhand von Lehrbuchfällen, sondern anhand des Chaos, das die Krankenakte eines echten Patienten darstellt. Zweitens wussten die Gutachter nicht, wessen Antwort sie bewerteten – Mensch oder Maschine. Die Blindmethode war erfolgreich: Ein ärztlicher Gutachter erriet die Quelle nur in 15 % der Fälle, der andere in 3 %.
Dies ist wichtig, weil frühere KI-Studien in der Medizin oft genau dafür kritisiert wurden, dass ihnen eine „menschliche Basislinie“ fehlte und sie an sauberen Fällen weit entfernt von der realen klinischen Praxis evaluiert wurden. Brodeur und Kollegen schließen beide methodischen Lücken.
Der Kontext geht jedoch über eine einzelne Veröffentlichung hinaus. o1-preview, auf dem die meisten Experimente durchgeführt wurden, ist nicht mehr das neueste Modell. Zum Zeitpunkt der Veröffentlichung hatte OpenAI o3 veröffentlicht. Dies bedeutet, dass die Ergebnisse, die die medizinische Gemeinschaft im April 2026 schockierten, nicht den Höhepunkt der Fähigkeiten widerspiegeln, sondern einen Zwischenpunkt auf einer Flugbahn, die jeden Monat höher steigt.
Wer gewinnt und wer verliert
Gewinner:
OpenAI und andere Entwickler von Reasoning-Modellen. Die Studie in Science ist der Goldstandard der Validierung und öffnet die Tür für klinische Studien und möglicherweise FDA-Zulassung für KI-Ärzteassistenten. Der KI-Markt in der Notfallmedizin wird 2026 auf 4,2 Milliarden US-Dollar geschätzt, mit einem prognostizierten Wachstum auf 12,8 Milliarden US-Dollar bis 2032; die Studie von Brodeur et al. ist ein Katalysator, der dieses Wachstum beschleunigen könnte.
Patienten mit seltenen und komplexen Erkrankungen. Das Modell zeigte besondere Stärke genau dort, wo menschliche Ärzte mit kognitiven Verzerrungen konfrontiert sind: Ankereffekt, vorzeitiger Abschluss der diagnostischen Suche, Einfluss aktueller Erfahrungen. Für einen Patienten mit einer atypischen Präsentation eines Herzinfarkts oder Lupus, der sich als Lungenembolie tarnt, ist ein KI-Assistent kein Luxus, sondern eine Versicherung gegen eine verpasste Diagnose.
Medizinische Startups, die LLM-basierte Entscheidungsunterstützungssysteme entwickeln. Die Veröffentlichung gibt ihnen ein Argument für den Dialog mit der Krankenhausverwaltung: „Möchten Sie die Fehlerrate bei Diagnosen reduzieren? Hier ist Science.“
Verlierer:
Ärzte in der Notaufnahme – aber nicht als Berufsstand, sondern als Träger des alten Entscheidungsmodells. Die Studie zeigte, dass die größte Lücke während der Triage auftritt – genau dort, wo der Arzt schnell und mit minimalen Informationen entscheiden muss. Dies bedeutet nicht, dass KI den Arzt ersetzen wird. Aber es bedeutet, dass ein Arzt, der ohne KI-Assistenten arbeitet, bald wie ein Arzt angesehen wird, der sich nicht die Hände wäscht.
Entwickler von KI-Lösungen, die keine Reasoning-Architektur verwenden. GPT-4o, parallel zu o1 getestet, zeigte sowohl bei der Triage als auch beim ersten Arztkontakt deutlich schwächere Ergebnisse. Die Lücke zwischen den Modellgenerationen (o1-preview übertraf GPT-4 um 16 Prozentpunkte bei NEJM-CPC-Fällen) bedeutet, dass Unternehmen, die in die vorherige Generation von LLMs für klinische Anwendungen investiert haben, dringend ihren Stack aufrüsten müssen.
Skeptiker, die behaupteten, KI sei zu klinischem Denken nicht fähig. Das Modell erzielte 89 % bei Aufgaben zum Management von Behandlungsentscheidungen gegenüber 34 % für Ärzte mit Zugang zu Suchmaschinen. Dies ist nicht nur „Raten der Antwort“, sondern eine Demonstration der Fähigkeit, widersprüchliche Informationen abzuwägen und Entscheidungen unter Unsicherheit zu treffen.
Was die Medien auslassen
Nicht offensichtliche Erkenntnis: Die Hauptsensations der Studie ist nicht die Diagnose, sondern das Management von Behandlungsentscheidungen.
Alle Schlagzeilen schreien von „Diagnose in der Notaufnahme“ und „67 % Genauigkeit bei der Triage“. Aber die schockierendste Zahl in der Arbeit ist 89 % gegenüber 34 % bei Aufgaben zum Management von Behandlungsentscheidungen. Was ist das? Es ist nicht „eine Diagnose stellen“. Es ist „was als nächstes tun“: ob man ein Antibiotikum verschreiben soll, wie man ein Gespräch am Lebensende führt, was das Behandlungsziel im Kontext des Patienten ist.
Thomas Buckley, ein Doktorand an der HMS, der an der Studie beteiligt war, erklärt: Management von Behandlungsentscheidungen ist schwieriger als diagnostisches Denken, weil es nicht nur objektive Fallmerkmale, sondern auch subjektive Faktoren berücksichtigt – Kontext, Patientenpräferenzen, prognostische Unsicherheit. Die Tatsache, dass ein Reasoning-Modell Ärzte genau darin übertrifft – nicht nur beim Auflisten von Symptomen – deutet darauf hin, dass KI beginnt, Terrain zu erobern, das traditionell als „menschlich“ galt: Entscheidungsfindung unter unvollständigen Informationen unter Einbeziehung von Werturteilen.
Zweite Erkenntnis: Das Modell versagte bei „nicht zu übersehenden Diagnosen“ – und das sind gute Nachrichten.
Eines der am wenigsten diskutierten, aber kritisch wichtigen Ergebnisse: o1-preview übertraf Ärzte nicht statistisch signifikant bei der Identifizierung von „nicht zu übersehenden“ Diagnosen – jenen Zuständen, die den Patienten innerhalb von Stunden töten, wenn sie übersehen werden. Im Experiment mit NEJM-Healer-Fällen erzielte das Modell bei 78 von 80 Bewertungen die volle Punktzahl, aber bei der Sicherheit – der Identifizierung dieser nicht zu übersehenden Bedrohungen – unterschied es sich nicht von Ärzten.
Dies ist ein entscheidender Schutz gegen Techno-Optimismus. Das Modell erweitert die Differentialdiagnose, findet seltene Krankheiten, übertrifft aber den Menschen nicht beim Herausfiltern der gefährlichsten und dringendsten Zustände. Und genau das ist die Hauptaufgabe eines Arztes in der Notaufnahme, wie Kristen Panthagani, eine Notfallmedizinerin, zu Recht anmerkt: „Mein primäres Ziel ist es nicht, die endgültige Diagnose zu erraten, sondern festzustellen, ob Sie eine Erkrankung haben, die Sie töten könnte.“
Prognose: Nächste 30 Tage und 90 Tage
30 Tage (bis Mitte Juni 2026):
OpenAI wird voraussichtlich die Ergebnisse von Tests mit o3 auf derselben Testbatterie wie in der veröffentlichten Studie bekannt geben. Da o3 bereits verfügbar ist und Forscher es in den Einschränkungen erwähnen, ist dies eine Frage von Wochen. Wenn o3 eine signifikante Verbesserung bei nicht zu übersehenden Diagnosen zeigt, wird sich der Ton der Diskussion von „KI hilft, ersetzt aber nicht“ zu „wann beginnen die klinischen Studien?“ verschieben.
Parallel dazu werden mehrere große Krankenhaussysteme – wahrscheinlich Mass General Brigham und Mount Sinai – den Start prospektiver Studien zu KI-Assistenten in Notaufnahmen ankündigen. David Reich, Chief Clinical Officer am Mount Sinai, hat die Studie bereits als „idealen Aufruf zum Handeln“ bezeichnet.
90 Tage (bis Mitte August 2026):
Der wichtigste Katalysator wird die Veröffentlichung paralleler Studien derselben Gruppe zu multimodalen Modellen sein. Arjun Manrai berichtete, dass das Team bereits KI an Bildern testet und „rasche Fortschritte“ sieht. Wenn ein multimodales Modell, das nicht nur Text, sondern auch Röntgenbilder analysieren kann, eine vergleichbare oder überlegene Leistung bei nicht zu übersehenden Diagnosen zeigt, wird sich die Diskussion von „Zweitmeinung“ zu „Behandlungsstandard“ verschieben.
Gleichzeitig werden Berufsverbände (American College of Emergency Physicians, Society of Hospital Medicine) beginnen, vorläufige Richtlinien für die Integration von KI in klinische Arbeitsabläufe zu veröffentlichen. Und die Schlüsselfrage wird nicht sein „Ersetzt KI den Arzt?“, sondern „Wer haftet, wenn ein Arzt die Empfehlung des Modells überstimmt und der Patient zu Schaden kommt?“ Wie Adam Rodman anmerkte, „gibt es derzeit kein formelles Rechenschaftssystem für KI-Diagnosen.“ Bis zum Ende des Sommers wird dieses rechtliche Vakuum das Hauptthema auf medizinischen Konferenzen sein.
— Editorial Team
