KI schlägt Arzt – echt jetzt!

Noch vor wenigen Jahren galten KI-Systeme in der Medizin vor allem als Assistenzwerkzeuge für die Dokumentation, die Bildanalyse, die Literaturrecherche und mehr. Inzwischen zeigen Studien jedoch eine Entwicklung, die selbst erfahrene Ärzte überrascht: Large Language Models (LLMs) wie GPT-5, Grok 4 oder OpenAI o1 erreichen in diagnostischen und klinischen Denkaufgaben teilweise bessere Ergebnisse als menschliche Ärzte.

Starke Ergebnisse bei schwierigen Diagnosen

Ein Blick in die Literatur: Die wohl spektakulärste Studie stammt von Brodeur et al. und wurde kürzlich in Science veröffentlicht. Die Autoren untersuchten die Leistungsfähigkeit moderner LLMs anhand komplexer klinischer Fallkonferenzen, wie sie als Goldstandard medizinischer Denkprozesse gelten. Sie haben die Performance solcher Modelle direkt mit Hunderten Ärzten verglichen.

Im Zentrum stand das OpenAI-Modell „o1-preview“, das in mehreren experimentellen Settings getestet wurde. Besonders bemerkenswert war die Leistung bei den „Clinicopathological Conferences“ des New England Journal of Medicine (NEJM). Dabei handelt es sich um detaillierte Besprechungen realer Patientenfälle, die diagnostisch besonders schwierig, ungewöhnlich oder lehrreich sind.

Hier konnte das Modell in 78,3 Prozent der Fälle die korrekte Diagnose in mögliche Differenzialdiagnosen aufnehmen. In mehr als der Hälfte der Fälle stand die richtige Diagnose sogar an erster Stelle. Wurden „nahezu richtige“ Diagnosen mitberücksichtigt, lag die Trefferquote bei fast 98 Prozent.

KI schlägt Ärzte

Noch eindrucksvoller war der direkte Vergleich mit Ärzten. In mehreren Testreihen übertraf das Modell sowohl Assistenz- als auch Fachärzte – teilweise deutlich. Bei komplexen Fragen erreichte o1-preview Medianwerte von 89 Prozent, während Ärzte mit konventionellen Ressourcen lediglich auf etwa 34 Prozent kamen. Selbst Ärzte mit Zugriff auf GPT-4 schnitten deutlich schlechter ab als das neue Modell.

Im Zentrum stand das OpenAI-Modell „o1-preview“, das in mehreren experimentellen Settings getestet wurde. Besonders bemerkenswert war die Leistung bei den „Clinicopathological Conferences“ des New England Journal of Medicine (NEJM). Dabei handelt es sich um detaillierte Besprechungen realer Patientenfälle, die diagnostisch besonders schwierig, ungewöhnlich oder lehrreich sind.

Hier konnte das Modell in 78,3 Prozent der Fälle die korrekte Diagnose in mögliche Differenzialdiagnosen aufnehmen. In mehr als der Hälfte der Fälle stand die richtige Diagnose sogar an erster Stelle. Wurden „nahezu richtige“ Diagnosen mitberücksichtigt, lag die Trefferquote bei fast 98 Prozent.

KI schlägt Ärzte

Noch eindrucksvoller war der direkte Vergleich mit Ärzten. In mehreren Testreihen übertraf das Modell sowohl Assistenz- als auch Fachärzte – teilweise deutlich. Bei komplexen Fragen erreichte o1-preview Medianwerte von 89 Prozent, während Ärzte mit konventionellen Ressourcen lediglich auf etwa 34 Prozent kamen. Selbst Ärzte mit Zugriff auf GPT-4 schnitten deutlich schlechter ab als das neue Modell… .

Fazit: Medizin vor dem Umbruch

Zwar zeigen aktuelle Studien weiterhin mögliche Schwächen der KI, etwa bei der Differenzialdiagnostik oder beim Umgang mit Unsicherheit. Doch die Dynamik erinnert an viele technologische Umbrüche der Vergangenheit: Zunächst unterstützen die Systeme Menschen, anschließend übernehmen sie schrittweise immer mehr Aufgaben selbstständig.

Vielleicht werden Patienten und Krankenkassen schon bald verlangen, dass Diagnosen und Therapieentscheidungen zusätzlich von einer KI überprüft werden. Denkbar wäre auch, dass KI-Systeme in Zeiten knapper Ressourcen und starker Fehlsteuerungen bereits vor dem Arztkontakt die Anamnese erheben, erste Tests anordnen oder in der Notaufnahme eine Vortriage übernehmen.

Was heute noch experimentell klingt, könnte schneller Realität werden als viele erwarten: In der Zentralen Notaufnahme des Heidekreis-Klinikum Walsrode beispielsweise führt symptoX künftig KI-gestützt und sprachbasiert die Patientenaufnahme durch, inklusive Triage. Der Arzt wird dadurch wohl kaum verschwinden. Seine Rolle könnte sich jedoch deutlich verändern: weniger klassische Diagnostik, mehr Kontrolle, Einordnung und Verantwortung für automatisierte Systeme.

Lesen Sie hier bei Interesse den gesamten Beitrag