KI-Spracherkennung in der Klinik: das Wer-hat-was-gesagt-Problem

Ein Aufnahmegespräch in der Inneren, halb elf. Die Patientin ist 84, ihre Tochter sitzt daneben und hilft, wo das Hörgerät nicht reicht. Auf die Frage nach Herzbeschwerden antwortet die Tochter: „Brustschmerzen hatte sie nie.“ Die Patientin nickt und murmelt etwas über ihr Knie. Im Nebenraum läuft ein Monitor, auf dem Flur ruft jemand nach der Physiotherapie.

Für einen Menschen ist die Szene banal. Für ein Spracherkennungssystem ist sie die schwerste Aufgabe, die es gibt: mehrere Sprecher:innen, Überlappungen, Nebengeräusche, Distanz zum Mikrofon — und eine Aussage, deren klinische Bedeutung davon abhängt, wer sie gemacht hat. „Kein Brustschmerz“, von der Patientin selbst berichtet, ist eine Anamnese-Angabe. Dieselben Worte, fälschlich der Ärztin zugeordnet, werden zum Befund.

Das Diktat ist gelöst. Das Gespräch nicht.

Die Zahlen dazu sind seit Jahren stabil und werden in Anbieterpräsentationen selten gezeigt. Eine systematische Übersichtsarbeit zu klinischer Spracherkennung fand Wortfehlerraten von unter 9 Prozent bei kontrolliertem Diktat — und über 50 Prozent in konversationellen Mehrsprecher-Szenarien [1]. Beim internationalen DIHARD-III-Wettbewerb, der Sprecherzuordnung auf schwierigem Real-Audio misst, erreichte das beste System eine Diarisierungsfehlerrate von knapp 17 Prozent [2] — grob gesagt: jede sechste Sekunde Sprache wird der falschen Person zugeordnet oder verpasst. Und die Fehlerrate wächst mit der Zahl der Beteiligten: In Benchmark-Messungen verdoppelt sie sich nahezu, wenn statt zwei Personen vier im Raum sprechen [3]. Genau das ist die Realität eines Aufnahmegesprächs mit Angehörigen.

Dazu kommt, was Kliniken akustisch ausmacht. In Meeting-Korpora sind rund 12 Prozent der Sprechzeit überlappt, kurze Bestätigungen („mhm“) sogar zu etwa 70 Prozent [4]. Masken dämpfen genau die Frequenzbänder, aus denen Systeme Stimmen unterscheiden [5]. Und ein Stresstest einer kompletten Pipeline aus Spracherkennung und Sprachmodell zeigte 2026: Bei Stimmengewirr im Hintergrund stieg der Anteil klinisch unsicherer Ausgaben von 13,6 auf 91,5 Prozent [6].

Warum die Fehlerklasse klinisch zählt

Die Forschung zu KI-Scribes hat die Folgen inzwischen gut vermessen. Eine Analyse von fünf kommerziellen Plattformen fand im Durchschnitt knapp 14 Transkriptfehler pro Gespräch; rund drei Viertel aller Fehler in den fertigen Notizen waren Auslassungen [7]. Eine Arbeit in npj Digital Medicine benennt die Sprecherverwechslung als eigene Fehlerklasse: Patientenaussagen landen im Mund der Ärztin — und umgekehrt [8]. Wer solche Systeme evaluiert, fragt heute meist nach Halluzinationen. Die häufigeren Fehler sind das Fehlende und das Vertauschte.

Zwei Wege, das Problem anzugehen

Der klassische Weg verbessert die Stimmerkennung selbst: bessere akustische Signaturen, bessere Segmentierung. Er stößt in echten Räumen an Grenzen, die physikalisch sind — Distanz, Hall, ähnliche Stimmen, Überlappung.

Der zweite Weg nutzt den Inhalt. Wer sagt „Wo tut es denn weh?“, ist mit hoher Wahrscheinlichkeit nicht die Patientin. Ein Google-Forschungsteam zeigte bereits 2019 an Arzt-Patient-Gesprächen, was diese Zusatzinformation wert ist: Die wortbezogene Sprecherfehlerrate fiel von 15,8 auf 2,2 Prozent, wenn das System linguistische Signale mitnutzte [9]. Neuere Arbeiten mit großen Sprachmodellen als Korrekturschicht halbieren die Sprecherfehler noch einmal [10].

Bei aiomics ist die Gesprächsdokumentation für das Aufnahmegespräch in Produktion — bewusst eng geschnitten auf genau dieses Szenario. Die Sprecherzuordnung stützt sich dabei nicht allein auf den Klang der Stimme, sondern bezieht den Inhalt des Gesagten ein — wer nach Beschwerden fragt, spricht erkennbar anders als wer sie schildert. Jedes Transkriptsegment trägt Sprecherzuordnung, Zeitstempel und eine Konfidenzangabe; Segmente, deren Zuordnung unsicher bleibt, werden markiert statt still übernommen. Verneinungen — „keine Allergie“, „nie Brustschmerz“ — werden mit dem Originalzitat angezeigt, weil eine vertauschte Verneinung die Bedeutung umkehrt; genau diese Fehlerklasse wird gesondert gemessen. Und weil die Raumakustik oft der begrenzende Faktor ist, gehört die Mikrofonsituation zur Einführungsentscheidung: Nahbesprechungsmikrofone sparen in Benchmarks mehrere Fehlerpunkte gegenüber dem Raummikrofon, Mehrkanal-Verarbeitung senkte im CHiME-Wettbewerb die Wortfehlerrate um fast 20 Punkte [11] — und wo die Räume es erfordern, stellen wir Mehr-Mikrofon-Geräte bereit.

Das Ergebnis ist ein Entwurf mit Zeitstempeln, Konfidenzangaben und satzgenauen Verweisen ins Transkript. Bewertet wird er von der Ärztin. Verarbeitet wird ausschließlich auf selbst gehosteter Infrastruktur in der EU; Audio wird standardmäßig nach 72 Stunden gelöscht, mit Nachweis.

Die regulatorische Linie ist absehbar

In Schweden hat die Arzneimittelbehörde 2026 begonnen, Anbieter von KI-Gesprächsdokumentation zu inspizieren, und im Fall des schwedischen Anbieters Tandem Health nach dessen eigener Zusammenfassung vorläufig festgehalten: Ein KI-Scribe, dessen Ausgaben Grundlage von Versorgungsentscheidungen werden, ist mindestens ein Medizinprodukt der Klasse IIa [12]. Tandem hat für Kodier-Assistent und Scribe inzwischen nach eigenen Angaben entsprechende Zertifizierungen erreicht. In Deutschland existiert bislang keine vergleichbare Behördenposition; die maßgebliche Regel 11 der MDR und die europäische Leitlinie MDCG 2019-11 zeigen aber in dieselbe Richtung [13]. Es ist zu erwarten, dass diese Klassifizierungslinie auch den deutschen Markt erreicht — und einzelne Anbieter bereiten sich bereits darauf vor. Wir gehören dazu: Für unsere Gesprächsdokumentation ist eine Zertifizierung nach Klasse IIa in Vorbereitung.

Woran Sie jedes System messen sollten

1. Lassen Sie sich die Sprecherzuordnung in einem Mehrpersonen-Szenario mit Angehörigen zeigen; das Zweiergespräch der Demo ist der leichteste Fall.
2. Fragen Sie, wie das System unsichere Zuordnungen behandelt: Markiert es sie, oder entscheidet es still?
3. Fragen Sie nach der Behandlung von Verneinungen — der Fehlerklasse mit dem höchsten Schadenpotenzial.
4. Fragen Sie, wo Audio verarbeitet und wann es nachweisbar gelöscht wird.
5. Fragen Sie nach der Medizinprodukte-Einordnung und ihrer Begründung — nicht nur nach dem Ergebnis.

Wenn Sie das Wer-hat-was-gesagt-Problem in Ihrem Haus einmal an echten Szenarien durchspielen wollen, schreiben Sie uns. Laufende Einordnungen zu klinischer KI liefert unser Newsletter Visite.

Quellen

1. Systematische Übersichtsarbeit zu klinischer Spracherkennung. BMC Medical Informatics and Decision Making. 2025;25:236.
2. DIHARD III Challenge — offizielle Ergebnisse. dihardchallenge.github.io/dihard3/results.
3. NVIDIA Sortformer Modellkarte, CALLHOME-Benchmarks (2–4 Sprecher). huggingface.co/nvidia/diar_sortformer_4spk-v1.
4. Çetin Ö, Shriberg E. Analysis of overlaps in meetings. Interspeech 2006.
5. Studien zu Maskeneffekten auf Sprachsignal und Sprechererkennung. PMC9003118; PMC10225750.
6. Stress testing ASR-LLM clinical documentation pipelines under acoustic noise. arXiv:2606.05909, 2026.
7. Fehleranalyse über fünf Ambient-Dokumentationsplattformen: Transkript- und Notizfehler. Mayo Clinic Proceedings: Digital Health, 2025.
8. Sprecherverwechslung als dokumentierte Fehlerklasse in KI-Scribe-Dokumentation. npj Digital Medicine. 2025;8:569.
9. El Shafey L, Soltau H, Shafran I. Joint speech recognition and speaker diarization via sequence transduction. Interspeech 2019.
10. Wang Q et al. DiarizationLM. arXiv:2401.03506, 2024.
11. CHiME-6 Challenge. Watanabe S et al. arXiv:2004.09249, 2020; pyannote-Benchmarks, github.com/pyannote/pyannote-audio.
12. Tandem Health. Zusammenfassung der vorläufigen Inspektionsergebnisse der schwedischen Arzneimittelbehörde (Dnr 6.6.3-2025-109474). Unternehmensmitteilung, Mai 2026; Läkartidningen, 04.03.2026.
13. MDCG 2019-11 Rev. 1 (17.06.2025); Verordnung (EU) 2017/745, Anhang VIII, Regel 11.

Quellen abgerufen im Juli 2026.