Eine neue Studie zeigt, dass allgemeine Sprachmodelle spezialisierte Medizin-KI in der Prognosequalität erreichen und dabei ohne sensible Krankenhausinterna auskommen.
Künstliche Intelligenz im Krankenhaus steht und fällt mit einem Problem: Trainingsdaten. Wer ein KI-Modell entwickeln will, das Laborwerte interpretiert, Wiederaufnahmen vorhersagt oder Risikopatienten frühzeitig identifiziert, braucht Millionen von Patientendatensätzen, die datenschutzrechtlich hoch sensibel sind und die Krankenhäuser in der Regel nicht ohne Weiteres teilen können oder wollen. Eine neue Studie aus dem npj Digital Medicine (2026), an der Forschende der Charité Berlin, des MIT und der Stanford University beteiligt sind, deutet nun auf einen möglichen Ausweg hin.
Der Ansatz: Medizinische Codes in Alltagssprache übersetzen
Das Forschungsteam um Stefan Hegselmann verfolgte einen verblüffend einfachen Ansatz. Statt spezialisierte KI-Modelle auf geheimen Patientendaten zu trainieren, wandeln sie elektronische Patientenakten schlicht in lesbaren Text um. ICD-Codes, Laborwerte und Medikationseinträge werden durch ihre natürlichsprachlichen Beschreibungen ersetzt, sodass aus dem Kürzel „E11.9″ etwa „Diabetes mellitus Typ 2″ wird. Diese Textlisten verarbeitet anschließend ein allgemeines Large Language Model (LLM), das auf allgemeinen Textdaten trainiert wurde, ganz ohne Zugriff auf private medizinische Krankenhausinformationen.
Das Ergebnis ist bemerkenswert: Das LLM-basierte System erreichte in 15 klinischen Vorhersageaufgaben, darunter ungeplante Wiederaufnahmen, Länge des Krankenhausaufenthalts, Neudiagnosen und Laborwertprognosen, dieselbe Vorhersagegenauigkeit wie CLMBR-T-Base, ein hochspezialisiertes Medizin-KI-Modell, das auf Daten von 2,57 Millionen Patienten trainiert wurde.
Kein aufwendiges Data Sharing mehr nötig
Bislang mussten Krankenhäuser entweder teure Lizenzmodelle einkaufen oder aufwendige Data-Sharing-Projekte mit anderen Einrichtungen initiieren, um KI im Krankenhaus produktiv einzusetzen. Der neue Ansatz braucht das nicht. Ein LLM ist bereits vortrainiert, das Krankenhaus muss lediglich seine eigenen Kodierungen in Klartext übersetzen und die Klassifikationsmodelle mit einem vergleichsweise kleinen Satz an lokalen Daten anpassen. Damit entfällt die aufwendige Suche nach geeigneten Datenpartnern und die Notwendigkeit, ein medizinisches Spezialmodell von Grund auf zu trainieren.
Übertragbarkeit als zentraler Vorteil für Klinikverbünde
Spezialisierte EHR-Modelle erlernen die Kodierlogik eines einzelnen Hauses oder Klinikverbundes. Wechseln Patienten den Versorger oder unterscheiden sich die Kodierstandards, versagen viele Systeme. Das zeigt sich eindrücklich in der externen Validierung der Studie: Im UK-Biobank-Datensatz, einer britischen Kohorte mit völlig anderem medizinischem Vokabular, konnte das spezialisierte Modell nur 16 Prozent der medizinischen Codes überhaupt verarbeiten. Das LLM-System deckte nahezu alle Codes ab und erzielte dabei einen leicht besseren Gesamtwert, wobei die Verbesserungen bei 6 von 25 Aufgaben statistisch signifikant waren und bei den übrigen kein messbarer Unterschied bestand. Für Klinikverbünde und Häuser mit unterschiedlichen Krankenhausinformationssystemen ist die deutlich breitere Codeabdeckung ein erheblicher praktischer Vorteil.
Stärke bei seltenen Krankheitsbildern und kleinen Fallzahlen
Gerade in Spezialabteilungen fehlen oft Tausende von Beispielfällen, um KI-Modelle belastbar zu trainieren. Die Studie zeigt, dass LLM-basierte Systeme bereits bei sehr wenigen Trainingsbeispielen stabile und gute Ergebnisse liefern. Das macht KI im Krankenhaus auch für Indikationen interessant, für die bisher schlicht zu wenig Daten vorlagen.
Rechen- und Zeitaufwand bleiben eine Hürde
Die Studie benennt die Grenzen offen. Der größte Haken ist der Rechenaufwand: Während das spezialisierte Medizinmodell den gesamten Testdatensatz in rund sechs Minuten prozessierte, benötigte das LLM dafür knapp 22 Stunden. Für zeitkritische Anwendungen, die eine schnelle Antwort erfordern, ist das in der aktuellen Form nicht geeignet. Hier sind technische Weiterentwicklungen, etwa durch kompaktere Modellarchitekturen oder Hardwarebeschleunigung, notwendig. Zudem ist der Ansatz bislang nur für strukturierte Daten wie Codes und Laborwerte validiert. Die Integration unstrukturierter Quellen wie Arztbriefe, Pflegeberichte oder Bildbefunde steht noch aus.
Ein Paradigmenwechsel, der strategische Aufmerksamkeit verdient
Die Studie ist kein Versprechen für ein marktreifes Produkt. Sie ist aber ein klar messbarer Beleg dafür, dass der Weg zu klinisch nützlicher KI im Krankenhaus nicht zwingend über den Aufbau riesiger, datenschutzkritischer Trainingsdatenpools führen muss. Krankenhausmanager, die KI strategisch einplanen, sollten diesen Ansatz im Auge behalten: Er verspricht niedrigere Einstiegshürden, breitere Einsetzbarkeit und weniger Abhängigkeit von Data-Sharing-Kooperationen. Die Frage ist nicht mehr ob, sondern wie schnell LLMs auch im klinischen Alltag wirklich skalierbar werden.
KI im Krankenhaus ohne Patientendaten: Was Large Language Models jetzt schon können
Eine neue Studie zeigt, dass allgemeine Sprachmodelle spezialisierte Medizin-KI in mehreren klinischen Vorhersageaufgaben erreichen oder übertreffen – und dabei ohne sensible Krankenhausinterna auskommen.
Künstliche Intelligenz im Krankenhaus steht und fällt mit einem Problem: Trainingsdaten. Wer ein KI-Modell entwickeln will, das Laborwerte interpretiert, Wiederaufnahmen vorhersagt oder Risikopatienten frühzeitig identifiziert, braucht Millionen von Patientendatensätzen, die datenschutzrechtlich hoch sensibel sind und die Krankenhäuser in der Regel nicht ohne Weiteres teilen können oder wollen. Eine neue Studie aus dem npj Digital Medicine (2026), an der Forschende des Berlin Institute of Health at Charité und des MIT beteiligt sind, deutet nun auf einen möglichen Ausweg hin.
Der Ansatz: Medizinische Codes in Alltagssprache übersetzen
Das Forschungsteam um Stefan Hegselmann verfolgte einen verblüffend einfachen Ansatz. Statt spezialisierte KI-Modelle auf geheimen Patientendaten zu trainieren, wandeln sie elektronische Patientenakten in strukturierten, maschinenlesbaren Markdown-Text um. ICD-Codes, Laborwerte und Medikationseinträge werden durch ihre natürlichsprachlichen Beschreibungen ersetzt, sodass aus dem Kürzel „E11.9″ etwa „Diabetes mellitus Typ 2″ wird. Diese Textdokumente verarbeitet anschließend ein allgemeines Large Language Model (LLM), das auf allgemeinen Textdaten trainiert wurde, ganz ohne Zugriff auf private medizinische Krankenhausinformationen. Die so erzeugten Embeddings – also hochdimensionale Zahlendarstellungen der Patientenakten – dienen dann als Eingabe für einen einfachen logistischen Regressionsklassifikator, der lokal mit einem vergleichsweise kleinen Satz an Beispieldaten trainiert wird. Ein aufwendiges Feinabstimmen des LLM selbst ist dabei nicht erforderlich.
Das Ergebnis ist bemerkenswert: Das LLM-basierte System erzielte im EHRSHOT-Benchmark über 15 klinische Vorhersageaufgaben hinweg – darunter ungeplante Wiederaufnahmen, Länge des Krankenhausaufenthalts, Neudiagnosen und Laborwertprognosen – in mehreren Aufgabengruppen eine vergleichbare oder überlegene Leistung gegenüber CLMBR-T-Base, einem hochspezialisierten Medizin-KI-Modell, das auf Daten von 2,57 Millionen Patienten trainiert wurde. Dabei zeigte sich ein differenziertes Bild: Bei Laborwertprognosen und der Erkennung von Neudiagnosen übertraf das beste LLM-Modell den Spezialisten, während es bei operativen Kennzahlen wie ICU-Verlegungen im Durchschnitt hinter ihm zurückblieb.
Kein aufwendiges Data Sharing mehr nötig
Bislang mussten Krankenhäuser entweder teure Lizenzmodelle einkaufen oder aufwendige Data-Sharing-Projekte mit anderen Einrichtungen initiieren, um KI im Krankenhaus produktiv einzusetzen. Der neue Ansatz braucht das nicht. Ein LLM ist bereits vortrainiert; das Krankenhaus muss lediglich seine eigenen Kodierungen in Klartext übersetzen und einen schlanken Klassifikator mit einem vergleichsweise kleinen Satz an lokalen Beispieldaten trainieren. Damit entfällt die aufwendige Suche nach geeigneten Datenpartnern und die Notwendigkeit, ein medizinisches Spezialmodell von Grund auf zu trainieren.
Übertragbarkeit als zentraler Vorteil für Klinikverbünde
Spezialisierte EHR-Modelle erlernen die Kodierlogik eines einzelnen Hauses oder Klinikverbundes. Wechseln Patienten den Versorger oder unterscheiden sich die Kodierstandards, versagen viele Systeme. Das zeigt sich eindrücklich in der externen Validierung der Studie: Im UK-Biobank-Datensatz, einer britischen Kohorte mit völlig anderem medizinischem Vokabular, konnte das spezialisierte Modell einen Großteil der medizinischen Codes nicht verarbeiten, da sie außerhalb seines trainierten Vokabulars lagen – trotz erheblichen manuellen Aufwands bei der Code-Zuordnung. Das LLM-System benötigte hingegen lediglich eine Übersetzung der klinischen Konzepte in natürliche Sprache und deckte nahezu alle Codes ab. Auf dem UK-Biobank-Datensatz erzielte das beste LLM-Modell dabei über alle Aufgabengruppen hinweg einen leicht besseren Gesamtwert als das spezialisierte Modell. Für Klinikverbünde und Häuser mit unterschiedlichen Krankenhausinformationssystemen ist die deutlich breitere Codeabdeckung ein erheblicher praktischer Vorteil.
Stärke bei seltenen Krankheitsbildern und kleinen Fallzahlen
Gerade in Spezialabteilungen fehlen oft Tausende von Beispielfällen, um KI-Modelle belastbar zu trainieren. Die Studie zeigt, dass LLM-basierte Systeme bereits bei sehr wenigen Trainingsbeispielen stabile und gute Ergebnisse liefern. Das macht KI im Krankenhaus auch für Indikationen interessant, für die bisher schlicht zu wenig Daten vorlagen.
Rechen- und Zeitaufwand bleiben eine Hürde
Die Studie benennt die Grenzen offen. Der größte Haken ist der Rechenaufwand: Das spezialisierte Medizinmodell prozessiert Datensätze erheblich schneller als das LLM – die Autoren berichten von einem Faktor, der die LLM-basierte Verarbeitung für zeitkritische Echtzeit-Anwendungen in der aktuellen Form ungeeignet macht. Hier sind technische Weiterentwicklungen notwendig, etwa durch kompaktere Modellarchitekturen oder Hardwarebeschleunigung. Zudem ist der Ansatz bislang nur für strukturierte Daten wie Codes und Laborwerte validiert. Die Integration unstrukturierter Quellen wie Arztbriefe, Pflegeberichte oder Bildbefunde steht noch aus.
Ein Paradigmenwechsel, der strategische Aufmerksamkeit verdient
Die Studie ist kein Versprechen für ein marktreifes Produkt. Sie ist aber ein klar messbarer Beleg dafür, dass der Weg zu klinisch nützlicher KI im Krankenhaus nicht zwingend über den Aufbau riesiger, datenschutzkritischer Trainingsdatenpools führen muss. Krankenhausmanager, die KI strategisch einplanen, sollten diesen Ansatz im Auge behalten: Er verspricht niedrigere Einstiegshürden, breitere Einsetzbarkeit und weniger Abhängigkeit von Data-Sharing-Kooperationen. Die Frage ist nicht mehr ob, sondern wie schnell LLMs auch im klinischen Alltag wirklich skalierbar werden.
Quelle: Hegselmann et al. (2026): „Large language models are powerful electronic health record encoders.“ npj Digital Medicine. DOI: 10.1038/s41746-026-02915-9
Hinweis: Dieser Beitrag wurde mit Unterstützung von Künstlicher Intelligenz verfasst. Die redaktionelle Bearbeitung umfasst keinen detaillierten 1:1-Abgleich der Inhalte.
