KI für Ärzte: Die Revolution der digitalen Medizin in Deutschland 2025

Die Medizin steht vor einem fundamentalen Wandel. Künstliche Intelligenz (KI) revolutioniert nicht nur die Art, wie Diagnosen gestellt werden, sondern transformiert das gesamte Gesundheitswesen von Grund auf. In Deutschland nutzen bereits 78 Prozent der Ärzte KI als große Chance für die Medizin, während 15 Prozent aller Praxen bereits KI-Technologien implementiert haben. Diese Entwicklung markiert den Beginn einer neuen Ära, in der menschliche Expertise und maschinelle Intelligenz Hand in Hand arbeiten, um die Patientenversorgung zu verbessern und gleichzeitig die Arbeitsbelastung der Ärzte zu reduzieren.

Der aktuelle Stand der KI-Adoption im deutschen Gesundheitswesen

Das deutsche Gesundheitswesen befindet sich in einer Phase des digitalen Aufbruchs. Die Zahlen sprechen eine deutliche Sprache: 78 Prozent der deutschen Ärzte betrachten Künstliche Intelligenz als große Chance für die Medizin. Diese bemerkenswerte Akzeptanz zeigt, dass die Ärzteschaft die transformative Kraft der KI erkannt hat und bereit ist, diese Technologie in ihre tägliche Praxis zu integrieren.

In der praktischen Umsetzung zeigt sich jedoch ein differenzierteres Bild. Während 12 Prozent der Ärzte in ambulanten Praxen und Medizinischen Versorgungszentren KI-Systeme zur Unterstützung der Diagnostik einsetzen, nutzen 8 Prozent diese Technologien für administrative Aufgaben wie Workflow-Optimierung und Praxismanagement. Insgesamt haben etwa 15 Prozent aller Arztpraxen in Deutschland KI-Technologie in mindestens einem Funktionsbereich integriert – das entspricht fast jeder siebten Praxis.

Besonders bemerkenswert ist die Entwicklung in deutschen Krankenhäusern, wo 18 Prozent der Ärzte aktiv KI-Systeme in ihrer klinischen Praxis verwenden. Diese Zahl hat sich seit 2022, als nur 9 Prozent der Krankenhausärzte KI-Technologien einsetzten, verdoppelt. Diese Beschleunigung der KI-Adoption in Krankenhäusern spiegelt die bessere technische Infrastruktur und die größeren Ressourcen wider, die in institutionellen Umgebungen für die Implementierung komplexer KI-Systeme zur Verfügung stehen.

Im internationalen Vergleich nimmt Deutschland eine mittlere Position ein. In den USA nutzen bereits 66 Prozent der Ärzte KI-Tools in ihrer Praxis – ein dramatischer Anstieg von nur 38 Prozent im Jahr 2023. Innerhalb Europas liegt Deutschland mit 13 Prozent der Ärzte, die KI für die Krankheitsdiagnose nutzen, gleichauf mit Spanien und Frankreich, die jeweils 11 Prozent erreichen.

Klinische Anwendungen: Von der Diagnostik zur personalisierten Medizin

Die vielversprechendste und bereits am weitesten entwickelte Anwendung von KI in der Medizin liegt im Bereich der diagnostischen Unterstützung, insbesondere in der medizinischen Bildgebung. KI-Technologien werden bereits heute umfassend in der Radiologie zur Optimierung der Bildqualität, Verkürzung der Aufnahmezeit und Bilddatenanalyse eingesetzt. Die Fähigkeit von KI-Algorithmen, Muster in radiologischen Bildern mit einer Geschwindigkeit und Konsistenz zu identifizieren, die häufig die menschlichen Fähigkeiten übertrifft, hat die medizinische Bildgebung zur Speerspitze der KI-Integration in der klinischen Medizin gemacht.

Ein eindrucksvolles Beispiel für die diagnostischen Fähigkeiten der KI stammt aus der Prostatakrebs-Diagnostik. Forscher des Deutschen Krebsforschungszentrums entwickelten ein KI-System, das klinisch signifikanten Prostatakrebs in MRT-Bildern mit 92 Prozent Genauigkeit erkennen kann – verglichen mit 88 Prozent Genauigkeit bei menschlichen Radiologen, die dieselben Fälle bewerteten. Dieses Beispiel ist besonders bedeutsam, da es zeigt, dass KI-Systeme nicht nur die menschliche Leistung erreichen, sondern in spezifischen diagnostischen Aufgaben sogar übertreffen können.

Die Anwendung von KI in der Früherkennung von Krankheiten erstreckt sich weit über die Onkologie hinaus auf neurologische Erkrankungen. KI-Systeme können Daten aus MRT-Scans und anderen diagnostischen Tests analysieren, um Veränderungen in der Gehirnstruktur zu identifizieren, die auf den Beginn neurodegenerativer Erkrankungen wie Alzheimer oder Parkinson hinweisen könnten. Diese Fähigkeit zur Früherkennung ist klinisch von entscheidender Bedeutung, da sie therapeutische Interventionen ermöglicht, wenn sie am wahrscheinlichsten wirksam sind, um das Fortschreiten der Krankheit zu verlangsamen.

In der radiologischen Praxis dient KI mehreren Funktionen, die kollektiv die Effizienz des diagnostischen Workflows verbessern. Ein besonders überzeugendes Beispiel ist die Langzeitüberwachung von Patienten mit chronischen Erkrankungen, bei der KI-Systeme automatisch Veränderungen in der Läsionsgröße erkennen, indem sie aktuelle Bildgebungsstudien mit früheren Baseline-Studien vergleichen. Bei chronischen Erkrankungen wie Multipler Sklerose, Alzheimer und Lungenkrebs durchlaufen Patienten typischerweise zahlreiche Bildgebungsstudien in kurzen Zeiträumen, und der manuelle Vergleich aktueller Bilder mit früheren Baseline-Bildern zur Bewertung des Krankheitsverlaufs ist zeitaufwändig und häufig fehleranfällig.

Administrative Effizienz: KI als Lösung für die Dokumentationslast

Eine der vielversprechendsten und bereits weit verbreiteten Anwendungen von KI in der medizinischen Praxis ist die Automatisierung administrativer und Dokumentationsaufgaben. Ärzte verbringen derzeit einen erheblichen Teil ihrer Arbeitszeit mit dokumentationsbezogenen Aktivitäten – Forschungsergebnisse zeigen, dass Ärzte mehr als ein Drittel ihrer Arbeitszeit mit Dokumentationsaufgaben verbringen. Diese administrative Belastung wird zunehmend als wesentlicher Beitragsfaktor für Burnout und Unzufriedenheit in der medizinischen Praxis erkannt.

Die erfolgreichste und am weitesten verbreitete KI-Anwendung zur Reduzierung der administrativen Belastung sind Ambient-Dokumentationssysteme, manchmal auch als KI-Schreiber bezeichnet. Diese Systeme nutzen natürliche Sprachverarbeitung und maschinelles Lernen, um klinische Begegnungen zwischen Ärzten und Patienten automatisch zu transkribieren und zu dokumentieren. Die Systeme erfassen das Audio klinischer Gespräche, verarbeiten die gesprochene Sprache, um klinisch relevante Informationen zu extrahieren, und generieren automatisch Entwürfe klinischer Dokumentation, die eine ärztliche Überprüfung und Validierung erfordern, bevor sie in die elektronische Patientenakte aufgenommen werden.

Forschungsergebnisse aus großen Gesundheitssystemen in den USA liefern überzeugende Belege für die Auswirkungen von Ambient-Dokumentationstechnologien auf das Wohlbefinden der Ärzte und die Dynamik der Patientenversorgung. Eine Studie von Forschern der Mass General Brigham und Emory Healthcare mit mehr als 1.400 Ärzten und fortgeschrittenen Pflegekräften zeigte, dass Ambient-Dokumentationstechnologien eine absolute Reduktion der Burnout-Prävalenz um 21,2 Prozent bei Ärzten der Mass General Brigham nach 84 Tagen der Nutzung bewirkten. Emory Healthcare beobachtete einen absoluten Anstieg des dokumentationsbezogenen Wohlbefindens um 30,7 Prozent bei ihren Ärzten nach 60 Tagen der Technologienutzung.

Ein besonders wichtiger Befund aus der Ambient-Dokumentationsforschung der Yale School of Medicine zeigte, dass die Nutzung dieser Technologien die Wahrscheinlichkeit von Arzt-Burnout um 74 Prozent nach nur einem Monat der Nutzung reduzierte. Diese dramatische Verbesserung der Burnout-Metriken ging mit bedeutsamen Veränderungen in der Zeitverteilung der Ärzte während der klinischen Praxis einher. Ärzte, die Ambient-Dokumentationstechnologien nutzten, berichteten, dass ihre Abende und Wochenenden für den persönlichen Gebrauch zurückgegeben wurden, da die Dokumentationslast, die zuvor die klinische Arbeit bis weit in die Abendstunden verlängerte, durch Automatisierung erheblich reduziert wurde.

Deutsche Gesundheitsorganisationen haben das Potenzial der Dokumentationsautomatisierung zur Bewältigung spezifischer nationaler Herausforderungen erkannt. Das Berliner Unternehmen Smart Reporting, gegründet vom Radiologen Wieland Sommer, veranschaulicht die praktische Umsetzung von KI-gestützten Dokumentationssystemen, die für den deutschen Gesundheitskontext optimiert sind. Das Smart Reporting-Softwaresystem reduziert die Dokumentationszeit um bis zu 90 Prozent durch den Einsatz sprachgesteuerter Vorlagen und strukturierter Berichterstattungsrahmen. Über die Zeitersparnis für Radiologen hinaus reduziert das System die Zeit, die überweisende Ärzte für die Interpretation radiologischer Berichte benötigen, um 30 Prozent.

Auswirkungen auf das Wohlbefinden der Ärzte und Burnout-Prävention

Die Integration von KI in die medizinische Praxis hat sich als eine der wirksamsten Interventionen zur Bewältigung des schwerwiegenden und weit verbreiteten Problems des Arzt-Burnouts erwiesen, das die zeitgenössische Gesundheitsversorgung charakterisiert. Arzt-Burnout betrifft mehr als die Hälfte der deutschen Ärzte und stellt eine kritische Herausforderung für die Gesundheitsversorgung dar mit tiefgreifenden Auswirkungen sowohl auf das Wohlbefinden der Anbieter als auch auf die Patientensicherheit.

Die statistische Landschaft des Arzt-Burnouts in Deutschland spiegelt international beobachtete Muster wider. Unter deutschen Ärzten kämpfen 37 Prozent darum, eine Work-Life-Balance zu erreichen, während 67 Prozent berichten, dass ihre Gesundheitseinrichtungen wesentlich mehr tun könnten, um diese Balance zu unterstützen. Zusätzlich berichten 33 Prozent der Arztpraxen über den Verlust mindestens eines Arztes aufgrund von Burnout in den letzten Jahren. Diese Zahlen zeigen, dass Burnout kein isoliertes Phänomen ist, das einzelne Praktiker betrifft, sondern vielmehr eine systemische Herausforderung, die die Stabilität der Gesundheitsversorgung in allen Institutionen beeinträchtigt.

Deutsche Ärzte berichten, dass sie zwischen drei und vier Stunden täglich für administrative Aufgaben aufwenden, die nicht mit der direkten medizinischen Versorgung zusammenhängen. Diese Zeitverpflichtung stellt einen erheblichen Teil des Arbeitstages dar und trägt direkt zum Gefühl beruflicher Frustration und reduzierter Bedeutung in der klinischen Arbeit bei. Die administrative Belastung verhindert sinnvolle Patienteninteraktion und trägt zur Erosion der beruflichen Zufriedenheit bei, die die moderne klinische Praxis charakterisiert.

Der Optimismus unter deutschen Ärzten bezüglich der Fähigkeit der KI, Burnout zu bewältigen, ist erheblich und weit verbreitet. 78 Prozent der deutschen Ärzte äußern Vertrauen, dass KI die klinische Effizienz durch Reduzierung der Zeit verbessern könnte, die für Dokumentation und nicht-klinische Aufgaben aufgewendet wird. Unter der Teilgruppe von Ärzten, die administrative Aufgaben speziell als ihren primären Burnout-Faktor identifizierten, artikulieren 21 Prozent Hoffnung in KI-basierte Lösungen als potenzielle Möglichkeit zur Linderung dieser Belastung.

Der Mechanismus, durch den KI Burnout reduziert, erstreckt sich über einfache Zeitersparnis hinaus auf tiefere Veränderungen in der Natur der klinischen Arbeit und die Wiederherstellung sinnvoller Patienteninteraktion. Leitende Ärzte in großen Gesundheitsorganisationen berichten, dass sie durch den Einsatz von Ambient-KI-Dokumentationssystemen etwa eine Stunde weniger pro Tag am Computer verbringen – Zeit, die von der Dokumentation zurückgewonnen und der Patientenversorgung und persönlichen Erholung zurückgegeben wird.

Patientenvertrauen und die Arzt-Patienten-Beziehung im KI-Zeitalter

Die Integration von KI in die klinische Praxis schafft komplexe Auswirkungen auf die Arzt-Patienten-Beziehung und das Patientenvertrauen in die medizinische Versorgung. Während die technischen Fähigkeiten von KI-Systemen weiter voranschreiten, stellen die psychologischen und relationalen Dimensionen der KI-Integration erhebliche Herausforderungen dar, die eine sorgfältige Navigation durch Gesundheitsdienstleister und -systeme erfordern.

Eine Studie von Psychologen der Universität Würzburg untersuchte, wie Patienten Ärzte wahrnehmen und bewerten, die KI in ihrer klinischen Praxis nutzen. Die Studie umfasste mehr als 1.200 Forschungsteilnehmer, die Arztanzeigen bewerteten, die sich nur darin unterschieden, ob sie die Nutzung von KI durch den Arzt erwähnten. Die Ergebnisse offenbarten ein besorgniserregendes Muster: Wenn Anzeigen darauf hinwiesen, dass Ärzte KI in ihrer Arbeit verwendeten, bewerteten Forschungsteilnehmer diese Ärzte als weniger kompetent, vertrauenswürdig und empathisch im Vergleich zu Ärzten, die nicht als KI-Nutzer beschrieben wurden.

Am auffälligsten war der Befund, dass selbst wenn KI als ausschließlich für administrative Funktionen verwendet beschrieben wurde, die nicht mit klinischer Entscheidungsfindung zusammenhängen, die bloße Erwähnung der KI-Nutzung mit reduzierter Patientenbereitschaft verbunden war, Termine mit dem betreffenden Arzt zu vereinbaren. Dies deutet darauf hin, dass die Patientenskepsis gegenüber KI im Gesundheitswesen nicht eng auf Bedenken über algorithmische Entscheidungsfindung in Diagnose oder Behandlung ausgerichtet ist, sondern vielmehr breitere Bedenken über die Angemessenheit künstlicher Systeme in der medizinischen Praxis widerspiegelt.

Die Forscher, die dieses Phänomen untersuchten, schlugen vor, dass das reduzierte Vertrauen und die wahrgenommene Kompetenz aus der Patientenbesorgnis stammen, dass Ärzte KI-Empfehlungen unkritisch befolgen könnten, ohne angemessenes klinisches Urteilsvermögen anzuwenden. Die Auswirkungen dieser Forschung für Gesundheitssysteme, die KI implementieren, sind tiefgreifend und etwas paradox. Während KI-Systeme nachweislich Arzt-Burnout reduzieren und eine engagiertere Patientenversorgung ermöglichen, kann die Bereitstellung von KI gleichzeitig das Patientenvertrauen durch Patientenpsychologie untergraben, wenn die Implementierung nicht sorgfältig kommuniziert wird.

Regulatorischer Rahmen und Compliance-Anforderungen

Die regulatorische Landschaft für KI im Gesundheitswesen hat mit der Umsetzung des EU-Gesetzes über Künstliche Intelligenz, das im August 2024 in Kraft trat, eine grundlegende Transformation erfahren. Dieser umfassende regulatorische Rahmen stellt den ersten großen legislativen Versuch weltweit dar, KI spezifisch über alle Anwendungen hinweg zu regulieren, mit besonderen Auswirkungen auf Gesundheitsanwendungen. Das KI-Gesetz etabliert einen risikobasierten regulatorischen Ansatz, der KI-Systeme nach ihrem Potenzial, Schäden zu verursachen, kategorisiert, wobei medizinische Anwendungen typischerweise als Hochrisikosysteme klassifiziert werden, die strengen regulatorischen Anforderungen unterliegen.

Unter dem KI-Gesetz-Rahmen müssen Hochrisiko-KI-Systeme – zu denen Systeme gehören, die wesentlich zur medizinischen Entscheidungsfindung beitragen – umfassende Risikobewertungen durchlaufen, die zeigen, dass Datenschutz- und Sicherheitsmaßnahmen rigorose Standards erfüllen. Medizinische KI-Produkte müssen gleichzeitig mit mehreren regulatorischen Rahmen konform sein, einschließlich der Medizinprodukteverordnung (MDR), die Medizinprodukte regelt, der In-vitro-Diagnostika-Verordnung (IVDR), die diagnostische Tests regelt, den Hochrisikoanforderungen des KI-Gesetzes und der Datenschutz-Grundverordnung (DSGVO), die die Verarbeitung personenbezogener Daten regelt.

Die DSGVO stellt spezifische Anforderungen für die Verarbeitung von Gesundheitsdaten auf, die eine besondere Kategorie personenbezogener Informationen darstellen, die erhöhten Schutzstandards unterliegen. Gesundheitsorganisationen, die KI-Systeme einsetzen, müssen gültige Rechtsgrundlagen für die Datenverarbeitung etablieren, typischerweise unter Erfordernis expliziter Patienteneinwilligung für die Nutzung von Gesundheitsdaten beim Training und der Validierung von KI-Systemen. Diese Anforderung für informierte Einwilligung ist besonders wichtig, wenn Patientendaten, die für klinische Versorgungszwecke gesammelt wurden, für KI-Modelltraining oder -optimierung umgewidmet werden.

Etwa 35 Prozent der deutschen Ärzte äußern Bedenken darüber, ob Regulierungsbehörden die Vertraulichkeit von Gesundheitsdaten, die in KI-Systemen verwendet werden, angemessen schützen können. Diese Besorgnis ist nicht unbegründet, da die Zentralisierung großer Gesundheitsdatensätze, die für KI-Training erforderlich sind, potenzielle Schwachstellen schafft und berechtigte Fragen zur Datensicherheits-Governance aufwirft. Gesundheitsorganisationen, die KI-Systeme implementieren, müssen daher transparente Kommunikation mit Ärzten und Patienten darüber priorisieren, wie Gesundheitsdaten geschützt werden, wer Zugang zu Daten hat und welche Sicherheitsmaßnahmen unbefugten Zugang verhindern.

Mindverse Studio: Die DSGVO-konforme KI-Lösung für das Gesundheitswesen

In diesem komplexen regulatorischen Umfeld positioniert sich Mindverse Studio als die ideale Lösung für Gesundheitsorganisationen, die KI-Technologien sicher und compliant implementieren möchten. Als umfassender, DSGVO-konformer Arbeitsplatz im Herzen der deutschen KI-Plattform Mindverse bietet Studio Teams und einzelnen Nutzern eine sichere Möglichkeit, mit über 300 Large Language Models zu chatten, maßgeschneiderte Assistenten zu entwerfen, Drag-and-Drop-Logik-Workflows zu orchestrieren, private Engines zu erstellen, strukturierte Wissensdatenbanken zu verbinden und Multi-Rollen-Zugriff zu verwalten – alles gehostet und verschlüsselt auf deutschen Servern, um Ihre Daten privat zu halten, während Forschung, Content-Erstellung, Bildgenerierung und Automatisierung von einem einzigen intuitiven Dashboard aus beschleunigt werden.

Für Ärzte und Gesundheitsorganisationen, die die Vorteile der KI nutzen möchten, ohne Kompromisse bei Datenschutz und Compliance einzugehen, bietet Mindverse Studio die perfekte Balance zwischen Innovation und Sicherheit. Die Plattform erfüllt alle Anforderungen der DSGVO und des neuen EU-KI-Gesetzes, während sie gleichzeitig die Flexibilität und Leistungsfähigkeit bietet, die moderne medizinische Praxis benötigt.

Bias, Gerechtigkeit und die Herausforderung fairer KI im Gesundheitswesen

Eine der schwerwiegendsten und persistentesten Herausforderungen bei der Bereitstellung von KI-Systemen im Gesundheitswesen betrifft algorithmische Verzerrung und das Risiko, dass KI-Systeme bestehende Gesundheitsdisparitäten, die zeitgenössische Gesundheitssysteme charakterisieren, perpetuieren oder verstärken. Bias in KI-Systemen entsteht aus mehreren Quellen, einschließlich nicht-repräsentativer Trainingsdaten, unbewusster Vorurteile von Entwicklungsteams und systematischer Unterrepräsentation von Minderheitenpopulationen in Datensätzen, die zum Training von KI-Modellen verwendet werden.

Dokumentierte Beispiele algorithmischer Verzerrung in medizinischen KI-Systemen liefern konkrete Belege für diese Besorgnis. In der Dermatologie zeigen KI-Systeme, die zur Erkennung von Hautkrebs trainiert wurden, erheblich reduzierte diagnostische Genauigkeit bei der Bewertung von Personen mit dunklerer Hautpigmentierung – eine Disparität, die aus Trainingsdatensätzen resultiert, die überwiegend Bilder von Hautläsionen bei Personen mit hellerer Haut enthielten. Diese Leistungsdisparität hat direkte klinische Konsequenzen, da Personen mit dunklerer Hautpigmentierung weniger genaue KI-gestützte Diagnostik und potenziell verzögerte Diagnose schwerwiegender kutaner Malignome erhalten.

Die Mechanismen, durch die Bias in KI-Systeme eingebettet wird, sind systemisch und vielschichtig. Bias in Trainingsdaten stellt die häufigste Quelle dar, bei der Unterrepräsentation bestimmter Populationen zu verminderter Modellleistung bei diesen Populationen führt. Zusätzliche Quellen von Bias umfassen Selektionsbias im Datensammelprozess, bei dem bestimmte Populationen systematisch von der Datensammlung ausgeschlossen werden; Messbias, bei dem sich klinische Bewertungsstandards zwischen Populationen unterscheiden; und Bestätigungsbias in der Modellinterpretation, bei dem Entwickler und Kliniker unbewusst bereits bestehende Annahmen über Krankheitsmanifestation und Behandlungsreaktion bestätigen.

Die Bewältigung algorithmischer Verzerrung erfordert vielschichtige Ansätze, die auf mehreren Systemebenen operieren. Auf der Datenebene ist die Sicherstellung repräsentativer Trainingsdatensätze, die diverse Populationen umfassen, fundamental, wird jedoch derzeit nur in einer Minderheit von Gesundheits-KI-Systemen erreicht. Die Entwicklung inklusiver und diverser KI-Entwicklungsteams bringt verschiedene Perspektiven in das Algorithmusdesign ein und kann potenzielle Quellen von Bias identifizieren, bevor Systeme klinisch eingesetzt werden. Partizipative Designansätze, die betroffene Populationen in die KI-Systementwicklung und -bewertung einbeziehen, stellen sicher, dass Systeme auf die Bedürfnisse und Bedenken diverser Patientenpopulationen eingehen.

Diagnostische Leistung und die Grenzen aktueller KI-Modelle

Während KI beeindruckende diagnostische Fähigkeiten in spezifischen Anwendungen demonstriert hat, offenbart die Gesamtdiagnoseleistung generativer KI-Modelle in Gesundheitskontexten wichtige Einschränkungen, die Erwartungen über die Rolle der KI in der klinischen Praxis informieren müssen. Eine umfassende Meta-Analyse, die 83 Studien zur diagnostischen Leistung in generativen KI-Modellen untersuchte, ergab eine Gesamtdiagnosegenauigkeit von 52,1 Prozent.

Die Meta-Analyse zeigte, dass generative KI-Modelle insgesamt keinen statistisch signifikanten Leistungsunterschied im Vergleich zu Ärzten zeigten, wobei die Genauigkeit der Ärzte 9,9 Prozent höher war als bei KI-Modellen (obwohl dieser Unterschied keine statistische Signifikanz erreichte). Beim Vergleich der generativen KI-Leistung mit Nicht-Experten-Ärzten war der Leistungsunterschied vernachlässigbar, wobei Nicht-Experten-Ärzte nur 0,6 Prozent höhere Genauigkeit als KI-Modelle erreichten – ein Unterschied, der nicht statistisch signifikant war. Beim Vergleich generativer KI-Modelle mit Experten-Ärzten in spezifischen Domänen entstand jedoch eine statistisch signifikante Leistungslücke, wobei Experten-Ärzte insgesamt 15,8 Prozent höhere diagnostische Genauigkeit als generative KI-Modelle zeigten.

Dieses Ergebnismuster zeigt, dass generative KI-Modelle ungefähre Parität mit Nicht-Spezialisten-Ärzten bei vielen diagnostischen Aufgaben erreicht haben, aber gegenüber erfahrenen Spezialisten mit tiefem Domänenwissen unterlegen bleiben. Bestimmte fortgeschrittene KI-Modelle, einschließlich GPT-4, GPT-4o, Gemini 1.5 Pro, Claude 3 Opus und Llama 3 70B, zeigten diagnostische Genauigkeit vergleichbar mit Experten-Ärzten bei spezifischen diagnostischen Aufgaben, ohne signifikante Leistungsunterschiede. Andere Modelle zeigten jedoch erhebliche Unterlegenheit gegenüber Experten-Ärzten, was auf beträchtliche Variabilität in der KI-Diagnosefähigkeit je nach spezifischem Modell und der bewerteten diagnost