OpenAI o1 übertrifft Ärzte bei der Diagnose komplexer Notfallfälle
Eine Studie von Harvard und Stanford, veröffentlicht in Science, ergab, dass das neueste LLM-Modell von OpenAI, o1, 78,3 % der komplexen klinischen Fälle korrekt diagnostiziert und damit Ärzte übertrifft. Die KI zeigt den größten Vorteil während der ersten Triage mit minimalen Patienteninformationen.
Als jemand, der das Rennen der medizinischen Algorithmen in den letzten sieben Jahren aus der Industrie heraus verfolgt hat, sage ich Folgendes: Harvard und Stanford haben mehr als nur eine Studie veröffentlicht. Sie haben ein Manifest über das Ende der ‚goldenen Ära‘ der ärztlichen Intuition in der Notfallmedizin veröffentlicht. Der Artikel in Science ist eine elegant formulierte Kapitulation des Menschen vor der Maschine im chaotischsten Teil des Krankenhauses, aber unter dieser Kapitulation verbirgt sich ein Deal, der das Medicare-Budget neu gestalten wird.
Der Kern: Was wirklich passiert
Der Laie sieht die Zahl 78,3 % und denkt: ‚Der Roboter diagnostiziert besser als der Arzt.‘ Das ist eine oberflächliche Sichtweise. Die eigentliche Revolution ist, dass OpenAI o1 nicht durch Wissen gewinnt, sondern durch Widerstandsfähigkeit gegenüber ‚Informationsrauschen‘.
Wenn ein Patient mit Bauchschmerzen in der Notaufnahme ankommt, hat er keine saubere, lehrbuchreife Entlassungszusammenfassung. Es gibt ein Durcheinander von zusammenhanglosen Beschwerden, Panikattacken und verschwommenen Laborergebnissen. In diesem Moment aktiviert der menschliche Arzt ‚Verfügbarkeitsheuristiken‘: Er sieht einen adipösen Patienten mit Schmerzen – denkt an Gallenblase; sieht einen Migranten – scannt unbewusst nach Tuberkulose. Dies sind kognitive Verzerrungen, die durch tausende Stunden Praxis in Neuronen eingebrannt sind.
o1-preview unterliegt im Gegensatz zu uns keinen ‚affektiven Heuristiken‘. Die Studie zeigte, dass die KI zum Zeitpunkt der Triage, wenn die Informationen am spärlichsten sind, eine Genauigkeit von 67,1 % erreichte, verglichen mit 50–55 % bei behandelnden Ärzten. Das ist nicht nur eine Lücke von 12–17 Prozentpunkten. Es ist der Beweis, dass das LLM die ‚Stille‘ in den Daten besser verarbeitet als Menschen. Es versucht nicht, das Bild mit Stereotypen zu füllen, wenn Daten fehlen. Es berechnet Wahrscheinlichkeiten, während der Arzt zu raten beginnt.
Zeitplan und Kontext
Dieser Durchbruch geschah nicht im luftleeren Raum. Im Jahr 2023 lachten alle über GPT-4, weil es bei einfachen klinischen Szenarien versagte und die Reihenfolge der Maßnahmen bei der Wiederbelebung verwechselte. Damals schien es, dass ‚Denken‘ der heilige Gral der Menschheit sei.
Wichtige Meilensteine, die zu diesem Moment führten:
- September 2024: OpenAI veröffentlicht o1-preview. Insider wissen, dass es zunächst an Mathematikaufgaben und Programmierung getestet wurde, aber Adam Rodmans Team am Beth Israel Deaconess erkannte sofort das Potenzial von Chain-of-Thought für die Medizin.
- Herbst 2024 – Winter 2025: Ein stilles Rennen zwischen Google DeepMind (mit ihrem Med-PaLM) und OpenAI, um als Erster in einer Zeitschrift wie Science zu veröffentlichen. Harvard erhält Zugang zu rohen EHR-Daten ohne Vorverarbeitung – ein großes Risiko.
- April 2026: Veröffentlichung in Science. Der Hauptschock war nicht, dass das Modell bei der Diagnoseauswahl gewann, sondern dass es bei der Aufgabe ‚klinisches Management‘ (Grey Matters) einen Median von 89 % erreichte, während Ärzte mit Zugang zu Google und GPT-4 mickrige 34–41 % erzielten. Das bedeutet, dass KI Krankenhausressourcen besser verwaltet als Menschen.
Wer gewinnt und wer verliert
Gewinner:
- Versicherungsgesellschaften (UnitedHealth Group, Elevance Health): Die Hauptnutznießer. o1 zeigte, dass es unter Informationsknappheit hervorragend arbeiten kann. Das bedeutet, dass der Algorithmus am ‚Eintrittspunkt‘ des Systems platziert werden kann, um unnötige Krankenhauseinweisungen zu reduzieren. Wenn KI sagt, dass ein Patient mit Brustschmerzen kein Troponin und kein EKG alle 15 Minuten braucht, sondern nur ein Antazidum und nach Hause, wären die Einsparungen Milliarden USD pro Jahr.
- Triage-Pflegekräfte: Ihre Rolle wird paradoxerweise zunehmen. Sie werden zu den ‚Händen der KI‘ am Krankenbett und erhalten überdurchschnittliche Gehälter für ihre Fähigkeit, die Eingaben der Maschine zu überprüfen.
- Medizinische Wrapper-Startups: Dutzende Unternehmen werden beginnen, ‚o1 für Radiologie‘, ‚o1 für Pathologie‘ zu verkaufen, auch wenn es sich im Kern nur um einen API-Aufruf handelt.
Verlierer:
- Ultraschall- und Funktionsdiagnostiker in der Notaufnahme: Wenn o1 aus einer spärlichen Anamnese genauer diagnostiziert als ein Arzt nach einer Untersuchung, warum sollte man 300 $ für eine erweiterte Untersuchung zahlen, wenn man 0,03 $ pro Token zahlen kann?
- US-amerikanisches Residency-System: Warum 7 Jahre für die Ausbildung eines Internisten aufwenden, wenn sein klinisches Denken nach dem Abschluss schlechter ist als das eines Modells, das 3 Monate auf einem GPU-Cluster trainiert wurde? Assistenzärzte in der Studie zeigten auf der R-IDEA-Skala miserable Ergebnisse (perfekte Punktzahl in nur 16 von 80 Fällen, gegenüber 78 für o1). Das demoralisiert das gesamte medizinische Ausbildungssystem, das auf dem Prinzip der Lehre basiert.
Was die Medien nicht sagen
Kommen wir zum unangenehmsten Teil. Alle schreiben über ‚Blindtests‘, bei denen Ärzte menschlichen Text nicht von Maschinentext unterscheiden konnten (Wahrscheinlichkeit der richtigen Zuordnung 15 % und 3 %). Aber niemand sagt, dass dies den Zusammenbruch der diagnostischen Reproduzierbarkeit bedeutet.
Die zweite Erkenntnis betrifft die ‚Vergessenskurve‘. Die Studie zeigte, dass das Modell eine einmalige Momentaufnahme einer Situation (Triage) gut verarbeitet, aber echte Notfallmedizin ist ein dynamischer Prozess. Das Modell verfolgt den Patienten nicht in Echtzeit; es sieht keine Veränderung der Hautfarbe oder eine Verschlechterung der Atemnot. Es arbeitet mit einer textuellen Momentaufnahme. Deshalb zeigte o1 bei kritischen ‚Nicht-zu-übersehen‘-Diagnosen keine signifikante Überlegenheit gegenüber Menschen. Die Maschine ist großartig darin, ‚Was? Wo? Wann?‘ zu spielen, aber schlecht darin, den Puls eines sterbenden Patienten zu fühlen.
Prognose: Nächste 30 und 90 Tage
Erste 30 Tage (bis Mitte Juni 2026):
Es wird beginnen, was ich eine ‚Epidemie von Demoversionen‘ nenne. Jedes selbstachtende US-amerikanische medizinische Zentrum wird eine Pressemitteilung über eine Partnerschaft mit OpenAI oder Microsoft zur Pilotierung einer ‚KI-Zweitmeinung‘ herausgeben. Aber eine echte Implementierung wird nicht stattfinden. Jede Rechtsabteilung eines Krankenhauses wird Einwände erheben: Wer geht ins Gefängnis, wenn o1 eine Aortendissektion übersieht? Die FDA schweigt vorerst. Erwarten Sie auch eine Welle der Kritik von der American Medical Association (AMA), die darauf besteht, dass ‚Dateninterpretation‘ nicht dasselbe ist wie ‚Diagnose‘.
Nächste 90 Tage (bis September 2026):
Der entscheidende Wandel wird die multimodale Integration sein. Derzeit arbeitet das Modell nur mit Text, aber OpenAI hat bereits o3 veröffentlicht. Ich erwarte Leaks oder Preprints, bei denen das Modell nicht nur den Beschwerdetext, sondern auch tragbare Ultraschallbilder und Atemgeräusche erhält. Sobald o3 seine Überlegenheit bei der multimodalen Datenerfassung beweist, werden große Netzwerke wie Kaiser Permanente beginnen, es nicht als ‚Assistenten‘, sondern als primären Triage-Filter in Notaufnahmen zu integrieren. Investitionen in NLP-Lösungen für die Notaufnahme werden auf null fallen, weil niemand mit dem 800-Pfund-Gorilla von Microsoft/OpenAI konkurrieren will. Der Markt für klinische Denkskripte und Tests für Ärzte wird einfach zerstört.
— Editorial Team
