KI-Assistenz und ärztliche Entscheidungsfindung: Was eine internationale RCT-Studie zeigt – und was nicht

Große Sprachmodelle finden zunehmend Eingang in klinische Arbeitsabläufe – als Recherchehilfe, als Sparringspartner bei Differenzialdiagnosen, teilweise als Dokumentationsassistenz. Die Frage, wie stark solche Systeme tatsächlich auf ärztliche Entscheidungen wirken, ist bislang jedoch selten mit belastbarem Studiendesign untersucht worden. Eine kürzlich vorab veröffentlichte randomisierte kontrollierte Studie in npj Digital Medicine liefert dazu nun konkrete Zahlen – und wirft zugleich Fragen auf, die für die Praxis in Deutschland relevant sind.

Das Studiendesign

Die multinationale Studie wurde in Indonesien, Kenia und den Niederlanden durchgeführt – drei Länder mit deutlich unterschiedlichem Versorgungsniveau. 249 Ärztinnen und Ärzte wurden per einfacher Randomisierung entweder einer Kontrollgruppe oder einer Interventionsgruppe mit Zugang zu GPT-4o zugeteilt. Bemerkenswert ist die Ausgestaltung der Kontrollbedingung: Diese Gruppe hatte weder Internetzugang noch Zugriff auf klinische Leitlinien. Gemessen wurde also nicht "KI versus üblicher Praxisalltag mit Leitlinien und Fachliteratur", sondern "KI versus keinerlei externe Unterstützung".

Die Ergebnisse

Der Effekt der LLM-Unterstützung war in allen drei Ländern positiv und statistisch signifikant – fiel aber unterschiedlich stark aus:

Kenia: +18 Prozentpunkte (95%-KI: 12,7–23,2; p < 0,001)
Indonesien: +10,7 Prozentpunkte (95%-KI: 5,7–15,7; p < 0,001)
Niederlande: +7,2 Prozentpunkte (95%-KI: 3,7–10,7; p < 0,001)

Die Autorinnen und Autoren interpretieren dieses Muster als Hinweis darauf, dass LLM-Zugang dazu beitragen könnte, Qualitätsunterschiede in der Versorgung zwischen wirtschaftlich unterschiedlich ausgestatteten Gesundheitssystemen zu verringern – dort, wo der Zugang zu aktuellem Fachwissen sonst eingeschränkter ist, scheint der Grenznutzen einer KI-Assistenz größer zu sein.

Was die Studie nicht zeigt

Für die Einordnung in den deutschen Praxisalltag sind zwei Einschränkungen entscheidend, die die Autorinnen und Autoren selbst benennen:

Erstens wurden Schäden nicht erfasst ("Harms were not assessed"). Die Studie misst Leistungsverbesserung, nicht Fehlerarten, Fehldiagnosen durch fehlerhafte KI-Ausgaben oder Automatisierungsbias. Wer aus den Ergebnissen ableiten möchte, LLM-Einsatz sei per se risikoarm, überinterpretiert die Datenlage. Die Frage, ob und wie stark sich Ärztinnen und Ärzte bei wiederholter Nutzung auf KI-Vorschläge verlassen, ohne diese kritisch zu prüfen, bleibt offen.

Zweitens fand die Untersuchung unter kontrollierten Testbedingungen statt, nicht im realen Klinik- oder Praxisbetrieb. Die Kontrollgruppe war zudem in einer Weise eingeschränkt, die dem tatsächlichen Arbeitsalltag in Deutschland nicht entspricht: Hierzulande haben Ärztinnen und Ärzte in aller Regel Zugriff auf Leitlinien, UpToDate, Fachdatenbanken oder Kolleginnen und Kollegen zur Rücksprache. Der beobachtete Effekt beschreibt also in erster Linie den Unterschied zwischen "gar keiner Unterstützung" und "LLM-Unterstützung" – nicht zwischen etablierter Leitlinienarbeit und KI-Assistenz. Der vergleichsweise kleinere Effekt in den Niederlanden (7,2 Prozentpunkte) deutet zumindest an, dass der Zusatznutzen in einem gut ausgestatteten Gesundheitssystem geringer ausfällt als in ressourcenärmeren Settings.

Praktische Konsequenzen für Praxis und Klinik

Für den Einsatz von LLM-gestützten Tools im deutschen Versorgungsalltag lassen sich aus der Studie folgende Punkte ableiten:

KI als Ergänzung, nicht als Ersatz für Leitlinienarbeit. Der gemessene Nutzen entstand im Vergleich zu keiner Unterstützung. Er sagt nichts darüber aus, ob ein LLM einen bestehenden, leitliniengestützten Workflow tatsächlich verbessert.
Dokumentation und Nachvollziehbarkeit sicherstellen. Da Fehler und Schadenspotenziale nicht Teil der Untersuchung waren, sollte jede KI-gestützte Einschätzung im Praxisalltag als Vorschlag behandelt und die finale Entscheidung ärztlich verantwortet und dokumentiert werden.
Kritische Prüfung institutionalisieren. Gerade weil größere Effekte in Kontexten mit weniger Alternativressourcen auftraten, besteht die Gefahr, dass Zeitdruck im deutschen Praxisalltag zu unreflektierter Übernahme von KI-Vorschlägen führt. Feste Prüfschritte – etwa der Abgleich mit der aktuellen Leitlinie bei unklaren Fällen – bleiben sinnvoll.
Weitere Evidenz abwarten, bevor Prozesse grundlegend umgestellt werden. Die Studie ist ein erster methodisch belastbarer Baustein, aber kein Beleg für Sicherheit im Feldeinsatz. Für regulatorische oder qualitätssichernde Entscheidungen in der eigenen Praxis lohnt sich der Blick auf Folgestudien, die auch Fehlerraten und Überverlässigkeit systematisch erfassen.

Die Studie liefert damit einen wichtigen, aber begrenzten Baustein: Sie zeigt, dass LLM-Zugang unter bestimmten Bedingungen messbar zu besseren klinischen Entscheidungen führen kann. Sie beantwortet jedoch nicht die Frage, die für den sicheren Einsatz im deutschen Versorgungsalltag am wichtigsten ist – nämlich, wie sich Abhängigkeit von und Vertrauen in KI-Systeme über Zeit auf die Fehlerquote auswirken.