KI-gestützte Patientenanalyse und Genauigkeit: warum geprüfte Daten mehr zählen als flüssige Ausgaben

Bei der Analyse von Patientendaten ist nicht das fließendste Ergebnis das genaueste. aiomics prüft mit dem Mehr-Agenten-Verfahren Integros jede Aussage gegen das Quelldokument und macht Widersprüche zwischen den Quellen sichtbar, statt sie zu einer überzeugend formulierten Aggregation zu glätten. Der Genauigkeitsunterschied zwischen einer modernen KI-gestützten Patientenanalyse und älteren Verfahren liegt deshalb weniger im Modell als in der Verifikation — und „Genauigkeit“ meint dabei die Richtigkeit der strukturierten Daten; die Frage diagnostischer Treffsicherheit liegt davon getrennt und bleibt ärztliche Aufgabe.

Die Frage „was ist genauer“ wird im Markt oft falsch gestellt — als ginge es um ein Rennen zwischen Mensch und Maschine bei der Diagnose. Im Verwaltungsalltag entscheidet sich Genauigkeit anderswo: bei der Frage, ob aus widersprüchlichen Vorbefunden ein richtiger oder ein nur plausibler Datensatz entsteht. Ein einzeln durchlaufendes Sprachmodell neigt zum Zweiten. In einer Auswertung KI-generierter Notaufnahme-Zusammenfassungen enthielten 42 Prozent der Texte Halluzinationen und 47 Prozent ließen klinisch relevante Informationen aus (Studie zu LLM-Notaufnahme-Zusammenfassungen, PMC, 2025). Die Untersuchung bewertet ein einzelnes Modell in einer eng umrissenen Aufgabe und ist kein Urteil über jede Architektur. Sie zeigt aber das Risiko: Je flüssiger die Ausgabe, desto leichter wird ein Fehler übersehen.

Wovon Genauigkeit bei der Patientenanalyse wirklich abhängt

Drei Wege stehen sich gegenüber, und jeder hat eine eigene Schwachstelle. Die manuelle Aktendurchsicht ist gründlich, aber langsam; unter Müdigkeit und Mengendruck übersieht auch eine erfahrene Ärztin den dritten widersprüchlichen Befund in einer 22-seitigen Akte. Die naive KI-Extraktion ist schnell, übernimmt Widersprüche aber ungeprüft und kleidet sie in glatte Sprache — der Fehler wird dadurch nicht kleiner, nur unauffälliger. Der dritte Weg prüft, bevor er zusammenfasst. Bei aiomics entwerfen im Verfahren Integros zwei Modelle unabhängig, ein gegnerisch arbeitendes Prüfmodell hält jede Behauptung gegen das Original und verwirft, was ohne Beleg bleibt, ein Arbiter löst die verbleibenden Konflikte.

Wie das praktisch aussieht, zeigt ein alltäglicher Fall. Ein Akut-Bericht nennt eine Arthrose im linken Knie, ein zweiter Bericht aus einer anderen Einrichtung spricht vom rechten Knie. Eine naive Aggregation macht daraus „Arthrose beidseits“ — eine flüssige, plausible und falsche Aussage, auf der dann Therapieplanung, Bericht und Erlös aufsetzen. Ein geprüftes Verfahren behandelt das als zwei getrennte Quellenangaben, markiert die Abweichung und führt jede Angabe auf ihr Quelldokument zurück. Wo eine Auswurffraktion in zwei Befunden unterschiedlich angegeben ist, erscheint die Abweichung markiert; eine Medikation, die in einer Quelle fehlt, wird als offen ausgewiesen. Genauigkeit entsteht damit aus der Architektur — daraus, dass die Herkunft jeder Angabe nachvollziehbar bleibt und Konsistenz über Glättung steht.

Wer Genauigkeit belegen will, braucht eine unabhängige Messung. Die meisten Anbieter berufen sich auf interne Tests mit selbst gewählten Endpunkten. aiomics wird im EviDoc-Programm der AG Clinical Implementation Science in Digital Health der Charité unabhängig wissenschaftlich bewertet — als Untersuchungsgegenstand, nicht als Auftraggeber. Eine solche externe Bewertung ist eine andere Klasse von Beleg als eine Anbieter-Studie; sie ist die ehrlichste verfügbare Antwort auf die Genauigkeitsfrage.

Ist KI-Patientenanalyse genauer als die manuelle Aktendurchsicht?

Für Vollständigkeit und Konsistenz über viele Quellen hinweg findet ein geprüftes Verfahren Lücken und Widersprüche, die eine einzelne Person unter Zeitdruck übersieht — und es tut das in einem Bruchteil der Zeit. Das ersetzt die ärztliche Beurteilung nicht: Das Ergebnis ist ein Vorschlag, der geprüft wird, kein Urteil. Wichtig ist die Abgrenzung: Es geht um die Genauigkeit der Daten — ob die richtigen Befunde vollständig, konsistent und belegt erfasst sind. Die diagnostische Bewertung bleibt davon unberührt und in ärztlicher Hand. Eine Software, die diese Grenze achtet, ist genau dort am stärksten, wo die manuelle Durchsicht am schwächsten ist: bei großen, heterogenen, widersprüchlichen Quelllagen — etwa bei einer Aufnahme aus zehn externen Einweisungsdokumenten, die niemand in der verfügbaren Zeit vollständig gegeneinander prüfen kann.

aiomics setzt die Genauigkeit deshalb an den Eingang: Was bei Aufnahme und Dokumentation geprüft strukturiert wird, steht später für Bericht, Codierung und Falldialog auf einer verlässlichen Grundlage. Das Verfahren selbst ist ein nachbaubares Konstruktionsprinzip; den dauerhaften Unterschied macht die Tiefe, mit der es in die Quellsysteme eines Hauses eingebettet ist. Die ärztliche Entscheidung bleibt beim Menschen — Proposed by AI, verified by You.

Die Genauigkeitsdebatte verengt sich im Markt zu oft auf die Frage, welches Modell besser klingt. Die belastbarere Frage ist, welches Verfahren den Widerspruch nicht verschluckt. Eine Klinik, die ihre Daten verlässlich machen will, sucht das prüfbarste Ergebnis; Flüssigkeit allein ist kein Qualitätsmaß.

Genauigkeit in der Patientenanalyse ist eine Frage der Nachprüfbarkeit, nicht des Tons. Wo zwei Quellen sich widersprechen, ist die sichtbare Abweichung die ehrlichste Antwort; die glatte Zusammenfassung verbirgt nur, was eigentlich geprüft gehört.