Welche Klinik-KI-Anwendungen 2026 evidenzbasiert sind — und welche nicht

Anfang Mai 2026, im Besprechungs-Raum einer Misch-Klinik im Nordwesten. Auf dem Tisch liegen drei Anbieter-Pitch-Decks aus der laufenden Marktsondierung. Auf jedem Deckblatt steht das Wort „evidenzbasiert“. Nirgendwo steht, in welchem Studientyp gegen welchen Vergleichs-Arm gemessen wurde. Die ärztliche Direktorin hat im laufenden Quartal zwölf solche Decks gesehen und fünf Ablehnungs-Schreiben aufgesetzt. Sie weiß, dass der Begriff „Evidenz“ im Anbieter-Vokabular alles bedeuten kann — von einem randomisierten Drei-Arm-RCT bis zu einer monozentrischen Selbst-Berichts-Erhebung. Im Folgenden werden sechs gerade gegenüber deutschen Kliniken häufig pitchbare KI-Anwendungs-Klassen in vier Evidenz-Stufen einsortiert: randomisierte kontrollierte Studie (RCT), prospektive Beobachtung, retrospektive Beobachtung, Anbieter-Whitepaper. Die Sortierung ist kein Anbieter-Ranking, sondern eine Studientyp-Lese-Hilfe — der Lese-Kompass, den die Marketing-Folie nicht mitliefert.

Eine randomisierte kontrollierte Studie weist einer KI-Anwendung Patient:innen oder Behandelnde nach Zufalls-Mechanismus zu und vergleicht den Verlauf gegen einen Kontroll-Arm. Eine prospektive Beobachtung verfolgt eine Gruppe von Behandelnden oder Fällen vor- und nach der Einführung, ohne Randomisierung. Eine retrospektive Beobachtung wertet historische Daten nach Einführung aus, in der Regel ohne saubere Vergleichs-Gruppe. Ein Anbieter-Whitepaper berichtet über eine Implementierungs-Erfahrung in einem oder wenigen Häusern, in der Regel ohne veröffentlichte Methodik. Ein Stanford-HAI-Bericht 2024 ordnet die Lage ein: weniger als fünfzehn Prozent der publizierten klinischen KI-Studien sind randomisiert; ein deutlicher Anteil ist retrospektiv. Der Befund ist Reviewer-Sicht, kein eigener Endpunkt; er deckt sich aber mit der Anbieter-Pitch-Realität in deutschen Kliniken. Wer die vier Stufen ineinander verrechnet, hat den Begriff „Evidenz“ in der eigenen Lektüre eingeebnet — und er trägt nicht mehr, was er trägt, wenn man ihn unterschiedet.

Bildanalyse und Ambient-Sprach-Doku tragen RCT-Evidenz

Die KI-Bildanalyse in der Radiologie und Pathologie trägt 2026 die methodisch reifste Studienlage. Reviews in Lancet Digital Health 2024–2025 synthetisieren mehrere prospektive RCTs in Teil-Anwendungen — Mammographie-Triage, diabetische Retinopathie, Schlaganfall-Bild-Pre-Read — und finden je nach Indikation entweder Effekt oder Nicht-Effekt auf Sensitivität und Bearbeitungs-Zeit. Wichtig für die Lese-Disziplin: aggregations-Studien aggregieren Studien unterschiedlicher Methodik und sind nicht eins zu eins auf das eigene Haus übertragbar. Was sie tragen, ist die Tatsache, dass die Klasse überhaupt im RCT-Format gemessen wurde — das ist die Mindest-Voraussetzung für eine Pitch-Behauptung der Stufe „evidenzbasiert“.

Die zweite Klasse mit echter RCT-Evidenz ist die Ambient-Sprach-Dokumentation — Verfahren, die das Arzt-Patienten-Gespräch automatisch in einen Doku-Entwurf übersetzen. Tierney und Kolleg:innen (NEJM AI, 2024) publizierten einen Drei-Arm-RCT mit 18 ärztlichen Behandelnden in der Primärversorgung; die Studie fand eine Reduktion der Doku-Zeit pro Visite, jedoch keinen signifikanten Effekt auf Patient-Outcomes. Die Stichprobe ist klein, die Studie monozentrisch, der Setting ambulant statt klinisch. Eine Anschluss-Kohorte von Garcia und Kolleg:innen (JAMA Network Open, 2024) mit 68 Behandelnden bestätigt die Reduktion der subjektiven Doku-Last, ohne randomisierten Vergleichs-Arm. Was über das Klinik-Setting hinausgeht, gilt mit Vorbehalt: die Lese-Disziplin verlangt, den Studientyp und die Stichprobe in der eigenen Lektion mitzuführen, nicht erst beim Pilot-Eintritt.

Die übrigen vier Klassen — vom Prospektiv-Befund bis zum Anbieter-Whitepaper

Auf der zweiten Stufe — prospektive Beobachtung ohne Randomisierung — steht eine zweite Erhebungs-Linie für die Ambient-Sprach-Doku. Die Doku-Last-Messung pre/post Einführung in mehreren US-Klinik-Netzwerken ist in der Sinsky-Linie in JAMA 2025 mehrfach prospektiv beobachtet. Diese Erhebungen sind keine RCTs; sie hängen am Selbst-Berichts-Endpunkt der Behandelnden, und sie spielen im US-Krankenhaus-Kontext mit anderer Doku-Vorgabe als im deutschen Krankenhaus. Sie tragen die Aussage „Doku-Last sinkt subjektiv messbar nach Einführung“ — sie tragen nicht die stärkere Aussage „Doku-Qualität bleibt unberührt“. Für den deutschsprachigen Klinik-Kontext liefert das Universitätsklinikum Freiburg eine prospektive Pilot-Erhebung zu KI-Sprachmodellen für Arztbriefe (September 2024) mit einer Verwendbarkeits-Quote von 93,1 Prozent in der Pilot-Phase — monozentrisch, ohne externe Validierung; das Ergebnis trägt eine Pilot-Aussage, keine Generalisierung. Beide Erhebungs-Stränge stehen in der Lese-Disziplin auf der zweiten Stufe: prospektiv, ohne Randomisierung; sie tragen das Wort „evidenzbasiert“ in einer schwächeren, redlich beschreibbaren Form.

Auf der dritten Stufe — retrospektive Beobachtung — steht die KI-Codierung. Die automatische Zuordnung von Diagnosis Related Groups (DRG) und OPS-Codes zur Aufnahme- und Entlass-Doku trägt 2026 überwiegend retrospektive Evidenz. Reviews in npj Digital Medicine 2024 sammeln retrospektive Kohorten an meist anbieter-validierten Datensätzen; externe Validierung an häuser-fremden Datensätzen ist die Ausnahme. Eine analoge Lage zeigt die prädiktive Belegungsplanung: Modelle, die Aufnahme-Risiko und Verweildauer aus historischen Krankenhaus-Datensätzen schätzen, sind in Nature Medicine 2024–2025 (Rajkomar-Folgearbeiten u. a.) mit guter Performance auf historischen Daten publiziert; prospektive Implementierungs-Studien an deutschen Häusern, die den Effekt auf tatsächliche Belegungs-Entscheidungen messen, sind selten. Re-Training auf hauseigenen Daten ist in der Regel notwendig; das begünstigt eine Pilot-Pilot-Pilot-Sequenz statt einer prospektiven Klinik-Outcome-Messung.

Auf der vierten Stufe — überwiegend Anbieter-Whitepapers — stehen zwei Klassen mit hoher Pitch-Aktivität in deutschen Kliniken. Die KI-gestützte Aufnahme-Triage in der Klinik-Aufnahme — Verfahren, die Anfragen, Vorbefunde und Indikations-Prüfung im ersten Kontakt automatisiert zusammenstellen — trägt 2026 in der publizierten Literatur überwiegend retrospektive Modell-Performance, kaum prospektive Klinik-Studien mit Outcome-Endpunkten. Anbieter-Whitepapers berichten Pilot-Erfahrungen aus einzelnen Häusern; eine systematische Lese-Disziplin trennt die Pilot-Aussage vom verallgemeinerten Befund. Ähnlich liegt der Fall in der Reha-Bericht-Generierung im deutschsprachigen Klinik-Kontext: über die Freiburger Pilot-Erhebung hinaus existieren in der publizierten Literatur 2024–2025 kaum prospektive Klinik-RCTs. Eine Mayo-Clinic-Implementations-Linie 2024 stellt die Beobachtung als Reviewer-Sicht zusammen; sie ist kein primärer Endpunkt, aber sie deckt sich mit der ECRI-Sicht: in mehreren Anwendungs-Klassen mit ausgeprägter Marktsondierung fehlt die prospektive Evidenz noch. Das ist kein Veto gegen die Anschaffung — es ist ein Argument für eine Pilot-Phase, die genau diese Lücke füllt.

Die sechs Klassen verteilen sich also nicht in einer einheitlichen Studien-Reife, sondern in einem Spektrum, das von der Bildanalyse und der Sprach-Doku am oberen Ende bis zur Reha-Bericht-Generierung am unteren Ende reicht. Diese Verteilung schließt eine KI-Anwendung mit schwacher publizierter Studienlage nicht aus. Sie ist ein Argument dafür, die Studientyp-Frage in die Pitch-Lektüre einzubauen — und die Pilot-Phase im eigenen Haus so zu gestalten, dass sie den Studientyp trägt, der in der publizierten Literatur fehlt. Eine Klasse, deren Anbieter-Whitepapers retrospektive Beobachtung zeigen, hat im eigenen Pilot-Plan eine prospektive Verlaufs-Messung mit Vergleichs-Arm zu erbringen — nicht weil das Anbieter-Whitepaper unzureichend wäre, sondern weil die Differenz zwischen retrospektiv und prospektiv erst in dieser Anschluss-Erhebung auftaucht. Wer das umgeht, kauft die Pitch-Behauptung als Endpunkt, nicht als Ausgangspunkt.

Die Anbieter-Pitch-Folie wird die Sortierung selten von sich aus mitliefern. Eine zweite Lese-Pflicht steckt im Begriff der Übertragbarkeit: eine Studie an US-Primärversorgung trägt nicht ohne Prüfung in eine deutsche Aufnahme-Schicht; eine Mammographie-RCT trägt nicht in die Reha-Bericht-Generierung. Die Frage ist nicht, ob eine Klasse überhaupt in einem RCT vermessen wurde, sondern ob das Setting der Studie der eigenen Anwendungs-Frage überhaupt nahe kommt. Eine Klasse mit RCT-Evidenz an einer fremden Indikation steht in der Pitch-Lektüre kaum besser als eine Klasse mit prospektiver Beobachtung an der eigenen Indikation — das ist der Punkt, an dem die Stufen-Sortierung um eine zweite, indikations-bezogene Prüfung ergänzt werden muss. Beide Prüfungen zusammen ergeben die Lese-Hilfe, die im Anbieter-Material schuldig bleibt.

Eine nüchterne Beobachtung am Rand: kaum eine Pitch-Folie unterscheidet vor der Frage der Studienlage und der Frage der Übertragbarkeit. Wer beide Fragen vor dem Pilot-Beschluss in die eigene Anbieter-Lektüre schreibt, hat in der Verhandlung mehr in der Hand als die Anbieter-Folie selbst hätte zugestehen wollen. Was am 30. November 2026 in der Beschaffungs-Begründung tragen muss, ist im Mai 2026 schon zur Hälfte gelesen — der Rest entsteht in der nächsten Pitch-Schicht am Mittwoch-Vormittag, und nicht in der Antrags-Schicht im Oktober. Die Stufen-Sortierung ist eine Lese-Disziplin, kein Anschaffungs-Verbot. Ihre Funktion ist, dem Wort „evidenzbasiert“ den semantischen Spielraum zurückzugeben, den die Pitch-Folie an es ausgegeben hat.

Evidenzbasiert ist eine Studientyp-Frage, keine Marketing-Frage. Wer die Stufen unterscheidet, hält in der Anbieter-Lektüre die Distanz, die der Begriff in der Pitch-Folie eingebaut hat. Wer sie nicht unterscheidet, kauft auf einem Wort, das ohne Stufen alles bedeuten kann.