Studien zu KI in der Medizin gibt es inzwischen viele. Ihr Fazit lautet meist, dass KI Ärzte unterstützt, aber nicht ersetzt. Zwei Arbeiten rütteln jetzt ordentlich an diesem Dogma.
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.
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.
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.
Besonders relevant für die Praxis war eine Untersuchung in der Notaufnahme eines großen universitären Zentrums in Boston. Dort erhielten KI-Modelle und erfahrene Internisten dieselben unstrukturierten Patientendaten und mussten Differenzialdiagnosen formulieren. Die Gutachter wussten dabei nicht, ob die Antwort von einem Menschen oder einer KI stammte. Das Ergebnis war bemerkenswert: Insgesamt schnitt das Modell o1 besser ab als zwei erfahrene Oberärzte. Besonders groß war der Vorsprung in der frühen Triagephase – also genau dann, wenn nur wenige Informationen vorliegen und Entscheidungen unter Zeitdruck getroffen werden müssen.
Doch was bedeuten die Resultate? Über Jahrzehnte galt klinisches Denken als Domäne menschlicher Expertise. Viele Experten gingen davon aus, dass KI zwar Routineaufgaben automatisieren könne, die eigentliche diagnostische Herausforderung jedoch eine menschliche Fähigkeit bleibt.
Die neuen Modelle stellen solche Annahmen ernsthaft infrage. Moderne LLMs verfügen offenbar über eine enorme Fähigkeit, große Mengen medizinischen Wissens mit klinischen Kontextinformationen zu verknüpfen. Sie können Symptome, Laborwerte, Bildbefunde und Verlaufsinformationen in Sekundenschnelle synthetisieren und dabei Wahrscheinlichkeiten implizit gewichten. Interessanterweise zeigte sich der größte Vorsprung der KI gerade in Situationen hoher diagnostischer Unsicherheit. Das widerspricht der bisherigen Annahme, dass Maschinen vor allem bei klar definierten Aufgaben überlegen sind.
Doch fast zeitgleich ist eine weitere große Untersuchung in JAMA Network Open erschienen, die ein etwas anderes Bild zeichnet. Rao et al. haben 21 moderne Sprachmodelle anhand standardisierter Fallvignetten unter die Lupe genommen. Sie entwickelten einen neuen Bewertungsmaßstab namens „PrIME-LLM“. Dieser sollte nicht nur Enddiagnosen einschließen, sondern den gesamten klinischen Denkprozess abbilden – von der Differenzialdiagnose über die Diagnostik bis hin zum Management.
Auch hier erreichten die besten Modelle beeindruckende Werte. Grok 4, GPT-5 und andere „Reasoning-Modelle“ schnitten besonders gut ab. Die Gesamtgenauigkeit vieler Systeme lag zwischen 81 und 90 Prozent. Doch im Detail zeigte sich ein entscheidender Schwachpunkt: Während endgültige Diagnosen oft korrekt waren, hatten nahezu alle Modelle erhebliche Probleme damit, plausible Alternativen zu entwickeln. Die Fehlerraten in der Differenzialdiagnostik lag teilweise bei über 80 Prozent. Also schwächelt die KI dann doch, wenn es ernst wird?
Ganz so einfach ist die Sachlage nicht, denn methodisch bleibt anzumerken: Die Studie aus JAMA Network Open verglich verschiedene LLMs miteinander. Die Autoren haben ihre Ergebnisse nicht mit menschlichen Ärzten evaluiert. Wie gut Kollegen aus Fleisch und Blut abgeschnitten hätten, bleibt ungewiss.
Hinzu kommt: Für ihre Arbeit haben die Forscher wichtige Zusatzfunktionen vieler KIs wie die Websuche, die Echtzeit-Recherche, Leitlinienzugriffe oder agentische Tools inaktiviert. Die Modelle arbeiteten im Wesentlichen als reine LLMs ohne externe Unterstützung. Auch spezielle Reasoning- oder Retrieval-Funktionen wurden teilweise nicht aktiviert.
Alles in allem sollte das abgespeckte Setting LLMs vergleichbar machen, was aber mit realen Anwendungsszenarien wenig zu tun hat.
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.
Quellen
Brodeur et al.: Performance of a large language model on the reasoning tasks of a physician. Science, 2026. doi: 10.1126/science.adz4433.
Rao et al.: Large Language Model Performance and Clinical Reasoning Tasks. JAMA Netw. Open, 2026. doi: 10.1001/jamanetworkopen.2026.4003.
Bildquelle: Adobe Firefly
