Harvard-Studie: Ein OpenAI-Modell übertraf Ärztinnen und Ärzte bei der frühen Notaufnahme-Diagnose

Die stärkste Leistung der KI zeigte sich, als am meisten auf dem Spiel stand

Eine diese Woche in Science veröffentlichte, von Harvard geleitete Studie fügt der Debatte darüber, wie künstliche Intelligenz in der Medizin eingesetzt werden könnte, einen wichtigen Datenpunkt hinzu. In einem der am genauesten beobachteten Experimente der Arbeit verglichen Forschende Diagnosen von OpenAI-Modellen mit denen zweier internistischer Oberärztinnen und Oberärzte anhand realer Notaufnahmefälle am Beth Israel Deaconess Medical Center. Laut der Studie schnitt das o1-Modell von OpenAI an jedem diagnostischen Kontrollpunkt gleich gut oder besser als die menschlichen Ärztinnen und Ärzte ab, mit dem deutlichsten Vorteil bei der ersten Triage in der Notaufnahme.

Das ist deshalb relevant, weil die Triage der Moment ist, in dem Kliniker am wenigsten Informationen und die geringste Zeit haben. Die Studie sagte, dass die Unterschiede besonders an diesem ersten Kontaktpunkt ausgeprägt waren, wenn Ärztinnen, Ärzte und Krankenhäuser versuchen, die wahrscheinlichste Ursache für den Zustand einer Patientin oder eines Patienten zu identifizieren, bevor umfassendere Abklärungen vorliegen. In diesem frühen Stadium berichteten die Forschenden, dass o1 in 67 % der Fälle die exakte oder eine sehr nahe Diagnose lieferte, verglichen mit 55 % bei einer Oberärztin bzw. einem Oberarzt und 50 % bei der anderen bzw. dem anderen.

Wie der Vergleich aufgebaut war

Das Forschungsteam wurde von Ärztinnen, Ärzten und Informatikerinnen und Informatikern der Harvard Medical School und von Beth Israel Deaconess geleitet. Im in der Quelle hervorgehobenen Notaufnahme-Experiment konzentrierte sich das Team auf 76 Patientinnen und Patienten, die in der Beth-Israel-Notaufnahme aufgenommen wurden. Die von zwei OpenAI-Modellen, o1 und 4o, erzeugten Diagnosen wurden mit den Diagnosen zweier internistischer Oberärztinnen und Oberärzte verglichen.

Diese Ergebnisse wurden anschließend von zwei weiteren Oberärztinnen und Oberärzten bewertet, die nicht wussten, welche Diagnosen von Menschen und welche von den KI-Systemen stammten. Diese Verblindung ist wichtig, weil sie das Risiko verringert, dass Gutachter eine Quelle allein aufgrund von Erwartungen statt aufgrund der Qualität bevorzugen.

Die Forschenden betonten außerdem, dass sie die Patientendaten vor der Übergabe an die Modelle nicht vorverarbeitet haben. Stattdessen erhielten die KI-Systeme dieselben Informationen, die zum Zeitpunkt der jeweiligen Diagnose im elektronischen Krankenakt verfügbar waren. Dieser Punkt trifft direkt einen wiederkehrenden Kritikpunkt in der medizinischen KI-Forschung: Modelle können nur dann beeindruckend wirken, wenn sie mit bereinigten, vereinfachten oder ungewöhnlich vollständigen Eingaben gefüttert werden. Hier lautet die Aussage des Forschungsteams, dass die Modelle mit demselben groben, unvollständigen klinischen Bild getestet wurden, das auch in der Praxis verfügbar ist.

Was die Ergebnisse bedeuten und was nicht

Das Schlagzeilenergebnis ist bemerkenswert, sollte aber mit Vorsicht interpretiert werden. Das Quellenmaterial beschreibt eine Studie zur diagnostischen Leistung, keinen Test, der Ärztinnen und Ärzte ersetzen soll. Ein genauerer diagnostischer Vorschlag bei der Triage ist nicht dasselbe wie die eigenständige Versorgung von Patientinnen und Patienten, die Kommunikation von Risiken, das Anordnen von Behandlungen oder die Verantwortung für Ergebnisse. Die Notfallmedizin hängt von all diesen Funktionen ab, und der TechCrunch-Bericht stellt ausdrücklich fest, dass die Studie nicht behauptete, Ärztinnen und Ärzte seien bereit, ersetzt zu werden.

Dennoch stärkt die Studie das Argument, dass große Sprachmodelle zu sehr nützlichen Entscheidungsunterstützungswerkzeugen in der Akutversorgung werden könnten, insbesondere in Momenten, in denen Informationen knapp und Zeitdruck hoch ist. Wenn ein Modell helfen kann, ein diagnostisches Feld früher einzugrenzen, könnte es die Geschwindigkeit von Eskalation, Tests oder der Einbindung von Fachärzten verbessern. Es könnte auch als Kontrolle gegen übersehene Möglichkeiten dienen, wenn Kliniker unter hoher kognitiver Belastung arbeiten.

Einer der Hauptautoren der Studie, Arjun Manrai von der Harvard Medical School, sagte in der Pressemitteilung der Hochschule, dass das Team die KI gegen eine breite Reihe von Benchmarks getestet habe und festgestellt habe, dass sie sowohl frühere Modelle als auch die in der Arbeit verwendeten ärztlichen Baselines übertraf. Innerhalb der Grenzen des vorliegenden Quellentextes ist das die klarste Aussage zur eigenen Interpretation der Forschenden: nicht nur, dass die KI konkurrenzfähig war, sondern dass ein Modell in diesem Studiendesign einen neuen internen Maßstab gesetzt hat.

Warum die Triage das entscheidende Schlachtfeld ist

Die Triage ist für KI-Systeme ein besonders aufschlussreiches Umfeld, weil sie Unsicherheit verdichtet. Kliniker haben oft nur eine kurze Notiz, eine erste Symptomgruppe und die Aufgabe zu entscheiden, was auf keinen Fall übersehen werden darf. Genau mit diesem Informationsmuster sind große Sprachmodelle konzipiert: fragmentierter Text, unvollständiger Kontext und die Notwendigkeit, Möglichkeiten schnell zu priorisieren.

Das Studienergebnis legt nahe, dass dies ein besonders günstiger Anwendungsfall für fortgeschrittene Modelle sein könnte. Je unvollständiger die Akte ist, desto wertvoller kann ein System sein, wenn es zuverlässig die wahrscheinlichsten oder gefährlichsten Erklärungen identifiziert. Die Tatsache, dass der Abstand beim ersten Kontaktpunkt am größten war, deutet darauf hin, dass KI-Unterstützung an der Front des Versorgungsprozesses besonders nützlich sein könnte und nicht erst dann, wenn vollständige Akten, Bildgebung und Laborwerte vorliegen.

Das beseitigt jedoch nicht die Notwendigkeit zur Vorsicht. Der klinische Einsatz würde weiterhin Fragen nach der Validierung in unterschiedlichen Krankenhäusern, der ärztlichen Aufsicht, der Integration in Arbeitsabläufe und danach aufwerfen, was geschieht, wenn Modellempfehlungen falsch, unvollständig oder übermäßig selbstsicher sind. Diese Fragen werden durch eine einzelne Studie, selbst eine hochkarätige, nicht gelöst.

Wie es weitergeht

Die unmittelbare Bedeutung der Arbeit besteht darin, dass sie Krankenhäusern, Aufsichtsbehörden und Führungskräften im Gesundheitswesen stärkere Belege dafür liefert, dass modernste Sprachmodelle eine ernsthafte Evaluation im klinischen Umfeld verdienen. Der realistischste Weg in der nahen Zukunft ist nicht autonome Diagnose, sondern überwachter Einsatz in bestehenden Behandlungsteams.

Wenn weitere Studien ähnliche Leistungen über breitere Patientengruppen und Einrichtungen hinweg bestätigen, könnten Krankenhäuser KI-gestützte Triage-Hilfe weniger als experimentelle Neuheit und mehr als praktische Ebene diagnostischer Unterstützung betrachten. Das hätte Auswirkungen auf Personalplanung, medizinische Ausbildung, Haftungsrahmen und das Design von elektronischen Patientenaktensystemen.

Vorläufig fällt die Studie auf, weil sie die Diskussion von hypothetischem Potenzial zu einem messbaren Vergleich in realen Notaufnahmefällen verschiebt. In der Medizin ist das eine bedeutende Schwelle. Die Frage ist nicht länger, ob KI plausible klinische Sprache erzeugen kann. Es geht darum, ob Gesundheitssysteme bereit sind, Werkzeuge verantwortungsvoll zu nutzen, die unter bestimmten Umständen die richtige Diagnose früher erkennen können als erfahrene Ärztinnen und Ärzte.

Dieser Artikel basiert auf der Berichterstattung von TechCrunch. Den Originalartikel lesen.