Anamnese & Dokumentation
Einleitung
Digitale Lösungen in Arztpraxen ermöglichen die effiziente Verwaltung von Patientendaten, Anamnesen, Schulung und Dokumentation.
Patientenaufnahme und Anamnese: Patienten können mit Tools wie Idana und Simpleprax ihre Anamnesebögen vorab digital ausfüllen, wobei Simpleprax auch die digitale Unterschrift und Verwaltung administrativer Dokumente ermöglicht.
Patientenschulung: Digitale Plattformen wie Simpleprax, medudoc und MAIA bieten aktuelle, rechtlich abgesicherte Bildungsressourcen an, wobei medudoc durch Videos und eine personalisierte Herangehensweise punktuell ist.
Dokumentation: Die digitale Erfassung von Patientendaten, Behandlungsverläufen, Abrechnungen durch elektronische Signaturen sichert die rechtliche Konformität.
Daten-Synchronisation: Daten aus digitalen Anamnesen können über Schnittstellen wie GDT, VDDS, oder FHIR in Echtzeit mit Patientenakten synchronisiert werden, für eine Integration in verschiedene IT-Systeme.
Formularmanagement: Simpleprax bietet die Möglichkeit, Dokumentvorlagen anzupassen und spezifische Formulare zu erstellen.
Prozessautomatisierung: Software für digitale Anamnese automatisiert die Übertragung von Formularen, um die Abläufe in der Praxis zu optimieren.
Nachsorge und Qualitätssicherung: MAIA unterstützt spezifische Nachsorgemodule, und strukturierte Patientenbefragungen wie ePRO dienen der Qualitätssicherung.
Anamnesewerkzeuge
| Anbieter | Webseite | Beschreibung |
|---|---|---|
| Starc | Starc | PatientInnen können aus mehr als 12 Sprachen wählen und digitale Anamnesebögen per PC, Smartphone oder Tablet vorab ausfüllen. Teilen des Anamnesebogens per QR-Code oder Internetseite möglich. |
| Idana | Idana | Eine von Ärzten entwickelte Software zur digitalen Anamnese von zu Hause oder in der Praxis. Unterstützt Smartphones, Tablets und Computer. Integriert sich in Praxisverwaltungssysteme und bietet Funktionen wie Patientenaufklärung und Formularmanagement. |
| CGM | AmbulApps | Digitale Lösungen für Anamnese und Dokumentation in der Praxis. Ermöglicht PatientInnen, relevante Informationen über ein integriertes Patientenportal vorab zu übermitteln. |
| MAIA.tools | MAIA.tools | Plattform für digitale Anamnese, Patientenaufklärung und Nachsorge. Unterstützt ePRO (electronic Patient-Reported Outcomes). Patienten können Anamnesebögen online ausfüllen. |
| Simpleprax | Simpleprax | Unterstützt digitale Anamnese, Verwaltung und Aufklärungsdokumente. Daten werden in Echtzeit mit der Patientenakte synchronisiert. Kooperation mit Thieme und Meducoc. |
| Dr. QEN | Dr. QEN | Kontaktlose und papierlose Kommunikation mit Patienten. Digitale Anamnese und Dokumentenverwaltung per Smartphone oder QR-Code. Online-Terminbuchung möglich. |
| Infoskop | Infoskop | Digitale Anamnese von zu Hause oder vor Ort, digitaler Check-in und Dokumentenverwaltung. DSGVO-konformes Mailsystem und Videosprechstunde integriert. |
| mediDOK eForms | mediDOK eForms | Digitales Ausfüllen von Formularen, Anamnese- und Aufklärungsbögen online ausfüllbar. Daten können direkt ins Praxisarchiv übernommen werden. Integration in PVS abhängig vom System. |
| myMedax | myMedax | Digitale Fragebogen-Software für Tablet und Browser. Erfassung von Anamnese, Befragung und Aufklärung. Eigener Fragebogeneditor für individuelle Formulare. |
| AnaBoard | AnaBoard | Plattform für digitale Anamnese und Patientenaufklärung. Gewinner digiPraxis KVWL 2020 in der Kategorie Online-Terminbuchung und Videosprechstunde. |
| Nelly | Nelly | Plattform für digitale Patientenkommunikation. Funktionen wie Terminvereinbarung, Erinnerungen, Aufklärung und digitale Anamnese durch Online-Formulare. |
| Docyet | Docyet | KI-gestützte digitale Anamnese mit medizinischer Ersteinschätzung. Automatische Triage und Vorschläge für mögliche Differentialdiagnosen. |
| Bingli | Bingli | KI-gestützte Patientenanamnese mit intelligenten medizinischen Fragebögen. Anamnese zu Hause oder per Spracheingabe möglich. Unterstützung mehrerer Sprachen und Telemedizin. |
Der Dienst „MedInThePocket“ ist eine digitale Plattform zur Erstellung, Verwaltung und Weitergabe medizinischer Behandlungsprotokolle. Die von Ärzten entwickelte Lösung der MedInThePocket richtet sich an Gesundheitseinrichtungen, niedergelassene Ärzte und Fachgesellschaften. Ziel ist es, Versorgungsprozesse zu standardisieren, evidenzbasierte Empfehlungen zu integrieren und den Zugriff auf klinische Protokolle im Alltag zu erleichtern. Durch die Vernetzung verschiedener Akteure entlang des Behandlungspfads soll eine konsistente und qualitätsgesicherte Patientenversorgung unterstützt werden.
Dokumentation
| Anbieter | Webseite | Beschreibung |
|---|---|---|
| medudoc | medudoc | Bietet eine digitale Plattform für Patientenaufklärung mit personalisierten Videos. Patienten können sich vorab über geplante Eingriffe informieren. |
| Dragon Medical One | Dragon Medical One | Eine cloudbasierte Spracherkennungssoftware für medizinische Dokumentation per Spracheingabe. Nutzt KI und Deep Learning, um sich an das Vokabular der Praxis anzupassen. |
| voice4medicine (Dragon Medical) | voice4medicine | Eine Spracherkennungslösung für den medizinischen Bereich, die auf Dragon Medical basiert und die Dokumentation durch Spracheingabe erleichtert. |
| Eudaria | Eudaria | KI-basierte Software, die während der Sprechstunde automatisch dokumentiert. Nutzt die neuesten Entwicklungen im Bereich der großen Sprachmodelle (LLMs). |
| Schicksma.online | Schicksma.online | Mit der Software können Patientendaten wie Laborbefunde, Arztbriefe und Privatrechnungen verschlüsselt direkt online an Patienten gesendet werden. |
| CGM one Doku-Assistent | CGM one Doku-Assistent | Ein Dokumentationsassistent von CompuGroup Medical, der die medizinische Dokumentation erleichtert. |
| HCQS | HCQS | SMASS/SmED ist eine webbasierte Software zur schnellen und sicheren Einschätzung von Alltagsbeschwerden und medizinischem Versorgungsbedarf. Unterstützt Gesprächsführung und Dokumentation. |
| Thieme Compliance | Thieme Compliance | Bietet Lösungen für Patientenaufklärung und -information, einschließlich digitaler Aufklärungsbögen, die bereits zuhause ausgefüllt werden können. |
| Noa (Jameda GmbH) | Noa | Nimmt das Arzt-Patienten-Gespräch auf, dokumentiert den Verlauf und erstellt am Ende einen Bericht. Integration in ePA und PVS. |
| voize GmbH | voize | Pflegekräfte können die Dokumentation frei am Smartphone einsprechen. Die Software erstellt automatisch die passenden Pflegeberichte und überträgt diese ins Dokumentationssystem. |
| Noteless AS | noteless.com/de | Noteless erstellt klinische Notizen aus Patientengesprächen zum Einfügen in die Patientenakte. |
| tomedo® | tomedo® Spracherkennung | KI-basierte Spracherkennungssoftware für medizinische Dokumentation, nahtlos in die tomedo® Praxissoftware integriert. Ermöglicht Diktat von Anamnesen, Diagnosen und Berichten mit einem medizinischen Vokabular von über 10.000 Fachbegriffen, anpassbar an Dialekte und offline nutzbar. |
Medicstream ist eine Plattform, die Ärzten und Behandlungsteams ermöglicht, Patienten vor oder nach Gesprächen individuelle Informationen zu Erkrankungen und Behandlungen bereitzustellen. Über personalisierte Videoclips und digitale Inhalte, wie Kurse oder Apps, können Ärzte maßgeschneiderte „Infoboxen“ erstellen, die Patienten zeit- und ortsunabhängig nutzen können. Die Plattform entlastet Arzt-Patienten-Gespräche, indem sie Grundaufklärung digital vermittelt, und ist intuitiv ohne Vorkenntnisse nutzbar.
Scriberr ist eine selbst-hostbare, vollständig offline arbeitende Audio-Transkriptionsanwendung. Sie nutzt KI-Modelle (NVIDIA Parakeet/Canary oder OpenAI Whisper), die lokal auf dem eigenen Gerät ausgeführt werden. Die Software bietet Funktionen wie automatische Zusammenfassungen, KI-Chat mit Transkripten, integrierten Recorder, YouTube-Transkription, Hardware-Beschleunigung (CUDA/CPU) und verarbeitet Audiodaten lokal ohne Cloud-Übertragung.
ClioAssist® ist eine von der ClioAssist GmbH in Berlin entwickelte klinische KI-Plattform zur Unterstützung medizinischer Anamnese und automatisierter Dokumentation. Das System führt strukturierte, mehrsprachige Patientengespräche durch, erkennt medizinische Inhalte präzise, erstellt automatisch Befundberichte, Arztbriefe und weitere Dokumente und ermöglicht Ambient Listening für Sprechstunden. Als On-Premise-Lösung läuft die KI lokal in der Einrichtung, um maximale Datensouveränität, DSGVO-Konformität und vollständige Vermeidung von Cloud-Verarbeitung zu gewährleisten. Ziel ist die Entlastung von Ärzt:innen von administrativen Routineaufgaben – bis zu 70 % Zeitersparnis –, um mehr Kapazität für die direkte Patientenversorgung zu schaffen. Die Plattform richtet sich an Praxen, MVZs, Kliniken und Krankenhäuser, wurde in Deutschland entwickelt und entstand unter der Leitung von Dr. Linghui Luo.
Triagewerkzeuge
Der Patienten-Navi, ein digitales Tool der Kassenärztlichen Bundesvereinigung (KBV), das Hilfesuchenden eine Selbsteinschätzung ihrer medizinischen Beschwerden ermöglicht. Über einen Chatbot beantworten Nutzer Fragen zu ihren Symptomen, woraufhin die Software „Strukturierte medizinische Ersteinschätzung in Deutschland“ (SmED) Warnhinweise prüft und Empfehlungen zur Dringlichkeit und Versorgungsstufe (z. B. Arztpraxis, 116117 oder 112) gibt. Das Angebot ist anonym, ohne Anmeldung nutzbar und unterstützt die Entlastung des ärztlichen Bereitschaftsdienstes, indem es Patienten orientiert und bei Bedarf an weitere Dienste vermittelt.
Infermedica, ein polnisches Unternehmen, bietet für den deutschen Markt KI-gestützte Symptom-Checker und virtuelle Triage-Dienste an (symptomate.com). Diese helfen Patienten, Symptome zu bewerten und Diagnosen zu erhalten, während Gesundheitsdienstleister effizienter triagieren können. Anpassbar an deutsche Standards, unterstützt Infermedica Krankenkassen und Kliniken bei der Digitalisierung, entlastet Personal und passt zur elektronischen Patientenakte (ePA).
XUND bietet eine KI-gestützte „Patient Interaction Suite“, die den gesamten Patientenweg von Prävention über Diagnose bis zur Nachsorge digitalisiert. Zu den Kernangeboten zählen vier Module: „Symptom Check“ zur Identifikation möglicher Ursachen von Symptomen, „Illness Check“ zur Bewertung spezifischer Krankheitsvermutungen, „Health Check“ für präventive Risikoanalysen und „Patient Monitoring“ für automatisierte Nachsorge. Diese Lösungen sind als API-first-Medizinprodukte konzipiert, die sich flexibel in bestehende Systeme integrieren lassen und über 520 Krankheiten sowie 21.000 Symptomvarianten abdecken. Zusatzfunktionen wie „Medical Content“ mit Selbsthilfetipps, „Data Insights“ für detaillierte Analysen und „Ecosystem Management“ zur Verknüpfung mit Gesundheitsdienstleistern ergänzen das Angebot. XUND richtet sich an Gesundheitsdienstleister, Versicherungen und Pharmaunternehmen, ist als Klasse-IIa-Medizinprodukt nach MDR zertifiziert und fördert eine präzise, zugängliche Gesundheitsversorgung. XUND wird primär für den europäischen Markt angeboten, mit einem starken Fokus auf den deutschsprachigen Raum (Österreich, Deutschland, Schweiz), da das Unternehmen seinen Sitz in Wien hat.
Das Forschungsprojekt DokPro ist ein modulares KI-System, das Notaufnahmen entlastet, indem es die Erstanamnese automatisiert. Patienten kommunizieren in einer Kabine mit einem Avatar, der Vitalparameter wie Herzfrequenz und Blutsauerstoff misst und gezielte Fragen stellt. Das System erstellt einen detaillierten PDF-Bericht, der automatisch ins Krankenhausinformationssystem (KIS) übertragen wird.
Forschung
Die Studie „Bug Wars: Artificial Intelligence Strikes Back in Sepsis Management“, veröffentlicht in der Fachzeitschrift Diagnostics im Jahr 2025, untersucht systematisch den Einsatz von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in der Sepsisbehandlung. Ziel der Übersichtsarbeit war es, aktuelle Modelle zur frühzeitigen Sepsiserkennung, zur personalisierten Antibiotikatherapie sowie zur Vorhersage von Resistenzen zu analysieren. Anhand von 129 Studien aus den Jahren 2019 bis 2025 zeigt die Untersuchung, dass KI-gestützte Systeme – wie DeepAISE, InSight oder NAVOY Sepsis – herkömmlichen Methoden häufig überlegen sind, insbesondere bei der Frühwarnung und Therapieoptimierung. Trotz vielversprechender Ergebnisse wird betont, dass die meisten KI-Modelle bislang auf Einzelzentren beschränkt sind und oft mangelhafte Interpretierbarkeit sowie unzureichende Integration in klinische Abläufe aufweisen. Die Autoren fordern daher dringend eine multizentrische Validierung, verbesserte ethische Standards und anwenderfreundliche Implementierungen, um das volle Potenzial von KI in der Sepsisversorgung auszuschöpfen. (Barkas 2025)
Die Studie „Artificial Intelligence (AI) and Emergency Medicine: Balancing Opportunities and Challenges“ von Félix Amiot und Benoit Potier beleuchtet die Chancen und Risiken des Einsatzes von Künstlicher Intelligenz, insbesondere großer Sprachmodelle, in der Notfallmedizin. Sie beschreibt aktuelle Anwendungsmöglichkeiten wie optimierte Triage, Ressourcenmanagement und Unterstützung bei Diagnosen, weist jedoch auch auf zentrale Herausforderungen wie Halluzinationen, Datenbias, mangelnde Interpretierbarkeit und ungeklärte Haftungsfragen hin. Die Autoren betonen die Notwendigkeit von erklärbarer KI (XAI), diversifizierten Trainingsdaten, regelmäßigen Audits und klaren regulatorischen Rahmen, um Sicherheit, Fairness und Vertrauen in Notfallsituationen zu gewährleisten. (Amiot und Potier 2025)
Die Studie „Comparing Machine Learning and Nurse Predictions for Hospital Admissions in a Multisite Emergency Care System“ untersuchte prospektiv, wie genau Triage-Pflegekräfte im Vergleich zu einem auf strukturierten Daten und Freitext basierenden Ensemble-Machine-Learning-Modell Krankenhausaufnahmen aus der Notaufnahme vorhersagen können. An sechs Krankenhäusern des Mount Sinai Health Systems wurden über einen Zeitraum von zwei Monaten 46.912 Patientenfälle analysiert, bei denen sowohl eine binäre Vorhersage der Pflegekraft als auch eine Modellprognose vorlagen. Das ML-Modell erreichte mit einer AUC von 0,894 und einer Genauigkeit von 85,4 % bessere Werte als die Pflegekräfte (AUC 0,753, Genauigkeit 81,6 %). Die Kombination beider Vorhersagen führte zu keiner weiteren Leistungssteigerung. Die Ergebnisse legen nahe, dass KI-gestützte Prognosen auf Basis von Triagedaten präziser sind als menschliche Einschätzungen und für ein frühzeitiges Aufnahmemanagement genutzt werden könnten. (Nover u. a. 2025)
Die Studie mit dem Titel „Large Language Model–Based Assessment of Clinical Reasoning Documentation in the Electronic Health Record“ untersucht die Entwicklung und Validierung von KI-Modellen, darunter große Sprachmodelle (LLMs), zur Bewertung der klinischen Entscheidungsdokumentation in elektronischen Gesundheitsakten an zwei Institutionen. Dabei wurden verschiedene Methoden wie Named Entity Recognition und Logik-basierte sowie LLM-Modelle eingesetzt, um die Qualität der Dokumentation klinischen Denkens anhand von standardisierten Bewertungskriterien zu klassifizieren. Die Modelle zeigten gute Leistung und Übertragbarkeit zwischen den Einrichtungen, was darauf hindeutet, dass LLMs das Feedback an Klinikpersonal verbessern und die Dokumentationsqualität steigern können. Die Studie stellt einen ersten multizentrischen Nachweis für den Einsatz von LLMs zur klinischen Dokumentationsbewertung dar und hat Bedeutung für die Verbesserung von klinischen Arbeitsabläufen. (Feldman u. a. 2024)
Aufklärung
Der ArztAvatar ist ein Werkzeug für Ärzte, das auf künstlicher Intelligenz basiert und die Kommunikation zwischen Arzt und Patient optimiert. Es ermöglicht die Erstellung eines digitalen Avatars, der Patienten in verschiedenen Sprachen und rund um die Uhr Informationen zu Behandlungen, Terminen oder medizinischen Fragen liefert. Durch die einfache Integration in Praxis-Websites oder Apps verbessert es die Patientenbindung und entlastet das Praxispersonal.
Weiteres
„Large language models as medical code selectors: a benchmark using the International Classification of Primary Care“ untersucht die Leistungsfähigkeit von großen Sprachmodellen bei der automatischen Zuordnung von ICPC‑2‑Codes zu klinischen Ausdrücken auf Basis der Ergebnisse einer semantischen Suche. Die Autor*innen evaluieren 33 Modelle anhand eines Datensatzes mit 437 brasilianisch‑portugiesischen klinischen Ausdrücken und zeigen, dass viele der getesteten Modelle F1‑Scores über 0,8 erreichen und damit das Potenzial für eine (teil-)automatisierte Kodierung in der Primärversorgung besitzen.
Die Arbeit mit dem Titel „A prospective clinical feasibility study of a conversational diagnostic AI in an ambulatory primary care clinic“ (arXiv:2603.08448v2) stellt eine prospektive Machbarkeitsstudie vor, die in Zusammenarbeit zwischen dem Beth Israel Deaconess Medical Center und Google durchgeführt wurde. Das System Articulate Medical Intelligence Explorer (AMIE), ein auf großen Sprachmodellen basierender konversationeller diagnostischer KI, führte bei 100 erwachsenen Patienten vor ambulanten dringenden Termin in einer akademischen Primärversorgungspraxis textbasierte Anamnesegespräche durch und präsentierte mögliche Diagnosen zur späteren Besprechung mit dem behandelnden Arzt. Keine der Interaktionen erforderte eine sicherheitsbedingte Unterbrechung durch menschliche Aufsicht. Patienten zeigten hohe Zufriedenheit und eine signifikant positivere Einstellung gegenüber KI nach der Nutzung. Die Differentialdiagnosen von AMIE umfassten die spätere bestätigte Diagnose in 90 % der Fälle (Top-3-Genauigkeit 75 %). Blinde Bewertungen ergaben vergleichbare Qualität von Differentialdiagnosen und Behandlungsplänen im Vergleich zu Primärärzten, wobei Ärzte bei Praktikabilität und Kosteneffizienz der Pläne überlegen waren. Die Studie belegt damit erste Machbarkeit, Sicherheit und Akzeptanz eines solchen Systems in realen klinischen Abläufen.
Der Artikel „Implementing Accurx for Total Triage Enhancing Care Navigation and Patient Experience“ von Rahul Mittal et al., veröffentlicht am 13. Februar 2025 in Cureus, untersucht die Einführung des Accurx-Total-Triage-Systems im Bilston Urban Village Medical Center in Wolverhampton. Die retrospektive Studie analysiert über 13 Monate (August 2023 bis September 2024) die Auswirkungen auf Anrufwartezeiten, Ressourcennutzung sowie die Zufriedenheit von Patienten und Mitarbeitern. Die Ergebnisse zeigen eine Reduktion der durchschnittlichen Anrufwartezeiten um 35 %, eine verbesserte Erreichbarkeit innerhalb von fünf bzw. zehn Minuten sowie eine mehrheitlich positive Bewertung der Benutzerfreundlichkeit durch 58 % der befragten Patienten. Gleichzeitig werden Herausforderungen wie Navigationsschwierigkeiten bei älteren oder technikunerfahrenen Nutzern und zeitweise Verzögerungen in Spitzenzeiten identifiziert. Die Autoren bewerten das digitale Triage-System insgesamt als wirksames Instrument zur Entlastung der Primärversorgung im NHS, empfehlen jedoch weitere Optimierungen hinsichtlich Zugänglichkeit und Schulung.
Der Titel des Dokuments lautet „Symphony for Medical Coding: A Next-Generation Agentic System for Scalable and Explainable Medical Coding“ und behandelt ein neues System zur automatisierten medizinischen Kodierung. Es beschreibt einen agentischen, ontologie-basierten Ansatz, der klinische Freitexte in standardisierte Codes übersetzt und dabei für jede Vorhersage nachvollziehbare Belegstellen aus dem Text liefert. Das Papier berichtet Ergebnisse auf öffentlichen und realen Datensätzen aus den USA und dem Vereinigten Königreich und ordnet das System als flexibel, skalierbar und für den praktischen Einsatz geeignet ein.
Die Studie „Concordance Between Electronic Clinical Documentation and Physicians’ Observed Behavior“ (JAMA Network Open, 2019) untersucht, wie gut elektronische Arztdokumentationen mit tatsächlich beobachteten Untersuchungen von Notfallärzten übereinstimmen. In einer Beobachtungsstudie mit 9 Assistenzärzten und 180 Patientenkontakten zeigte sich, dass nur 38,5 % der dokumentierten Angaben zum „Review of Systems“ und 53,2 % der dokumentierten körperlichen Untersuchungsbefunde durch direkte Beobachtung oder Audioaufnahmen bestätigt werden konnten. Die Ergebnisse deuten darauf hin, dass ein erheblicher Teil der klinischen Dokumentation nicht vollständig mit dem tatsächlich durchgeführten Vorgehen übereinstimmt, wobei die Autoren betonen, dass weitere Forschung nötig ist, um Ausmaß und Ursachen dieser Diskrepanzen genauer zu verstehen.
Der Artikel „The Implementation of an Electronic Medical Record in a German Hospital and the Change in Completeness of Documentation: Longitudinal Document Analysis“ untersucht sachlich und objektiv den Einfluss der Einführung elektronischer Patientenakten (EMR) auf die Vollständigkeit der klinischen Dokumentation in einem deutschen Krankenhaus. Die Studie zeigt, dass die durchschnittliche Dokumentationsvollständigkeit nach Einführung der EMR signifikant zunimmt, jedoch mit unterschiedlichen Effekten auf einzelne Datenfelder. Während Angaben wie Körpergröße, Gewicht und Ernährung häufiger vollständig dokumentiert werden, nimmt die Vollständigkeit bei Diagnosen, Schmerzangaben und Ausscheidungen ab. Die Ergebnisse verdeutlichen, dass EMR-Systeme sowohl Verbesserungen als auch Verschlechterungen der Dokumentationsqualität bewirken können und dass technische sowie organisatorische Faktoren diese Veränderungen beeinflussen.
Der Artikel „Clinical Documentation in the 21st Century“ von Kuhn et al. (2015) analysiert die Entwicklung und Herausforderungen der klinischen Dokumentation im digitalen Zeitalter. Im Mittelpunkt steht die zunehmende Bedeutung elektronischer Gesundheitsakten (EHR), die sowohl Effizienzgewinne als auch neue Probleme wie „Note Bloat“, erhöhte Dokumentationslast und Risiken durch Copy-Paste-Praktiken mit sich bringen. Die Autoren betonen, dass das primäre Ziel klinischer Dokumentation die Unterstützung der Patientenversorgung durch klare, präzise und informationsreiche Kommunikation sein sollte. Gleichzeitig zeigen sie, dass externe Anforderungen – insbesondere Abrechnungsvorgaben und regulatorische Anforderungen – häufig zu übermäßiger und wenig hilfreicher Dokumentation führen. Zentrale Empfehlungen umfassen die Förderung prägnanter, narrativer Dokumentation, die sinnvolle Nutzung strukturierter Daten sowie die Weiterentwicklung von EHR-Systemen, sodass sie klinische Entscheidungsprozesse unterstützen statt behindern. Zudem wird eine stärkere Einbindung von Patienten sowie die Verbesserung von Standards, Schulungen und Systemdesign gefordert, um die Qualität und Nutzbarkeit der Dokumentation langfristig zu steigern.
„Physician Note Composition Patterns and Time on the EHR Across Specialty Types“ analysiert in einer großen Querschnittsstudie mit über 215.000 Ärztinnen und Ärzten, wie unterschiedliche Dokumentationsstrategien in elektronischen Patientenakten (EHR) den Zeitaufwand beeinflussen. Die Ergebnisse zeigen, dass insbesondere Diktat- und Spracherkennungssysteme mit deutlich geringerem Dokumentationsaufwand verbunden sind, während Copy-Paste und manuelle Eingaben zu höherem Zeitverbrauch und mehr Arbeit außerhalb der regulären Arbeitszeiten führen.
Der Beitrag „Making ChatGPT better for clinicians“ beschreibt die Einführung von ChatGPT for Clinicians, einer speziell für medizinisches Fachpersonal entwickelten Version von ChatGPT. Diese soll klinische Arbeitsabläufe wie Dokumentation, Literaturrecherche und Fallanalysen unterstützen und wird verifizierten Fachkräften in den USA kostenfrei bereitgestellt. Ziel ist es, die zunehmende Belastung im Gesundheitssystem zu reduzieren und mehr Zeit für die Patientenversorgung zu schaffen. Zentrale Funktionen umfassen fortschrittliche KI-Modelle für komplexe klinische Fragestellungen, strukturierte Workflows, evidenzbasierte Suche mit Zitaten sowie automatisierte Literaturanalysen. Ergänzend wird mit HealthBench Professional ein Benchmark eingeführt, der reale klinische Chat-Anwendungen bewertet und die Leistungsfähigkeit von KI-Systemen im medizinischen Kontext misst. Die Entwicklung erfolgte in enger Zusammenarbeit mit Ärzten und basiert auf umfangreicher Evaluation von über 700.000 Modellantworten. Ergebnisse zeigen, dass die eingesetzten Modelle in vielen Fällen mit oder besser als menschliche Ärzte abschneiden, insbesondere bei Dokumentation und Recherche. Gleichzeitig wird betont, dass die KI ärztliche Expertise nicht ersetzt, sondern unterstützt. Die globale Ausweitung des Angebots ist geplant, abhängig von regulatorischen Rahmenbedingungen.
Der Artikel „PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments“ beschreibt einen neuen Benchmark zur Bewertung von KI-Agenten im klinischen Alltag. Im Fokus steht die Fähigkeit großer Sprachmodelle, komplexe, mehrstufige Aufgaben in realistischen elektronischen Patientenakten (EHR) zu bewältigen. Dabei zeigt sich, dass selbst die besten Modelle aktuell nur etwa 46 % der Aufgaben erfolgreich lösen, was eine deutliche Lücke zur praktischen klinischen Anwendbarkeit offenbart.
Der Text erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit und stellt keine Rechtsberatung dar. Anmerkungen können in der rechten Seitenleiste mit Hypothes.is sozialem Annotierungswerkzeug oder am unteren Ende einer Seite mit GitHub Giscus Diskussionen hinterlassen werden.