Die Interpretationslücke

Klinische Labore in Deutschland erzeugen rund neun Millionen Befunde pro Tag [1]. Ich komme immer wieder auf diese Zahl zurück, denn sie verbirgt eine merkwürdige Umkehrung: Der Teil der Labormedizin, den wir automatisiert haben, ist der Teil, der früher harte Arbeit war. Der Teil, den wir manuell belassen haben, ist der Teil, der immer am wichtigsten war.

Ein Ergebnis ist eine Zahl. Was die behandelnde Ärztin oder der behandelnde Arzt braucht, ist ein Satz: „Dieses Muster bedeutet bei diesem Patienten höchstwahrscheinlich X; als Nächstes Y tun.“ In der Praxis liegt der klinische Kontext, der für die Empfehlung des nächsten Schritts nötig ist, dem Labor nicht immer vor; eine bessere Integration mit Patientendaten wird entscheidend sein. Dieser Satz wird noch immer so geschrieben wie 1990: von einer von wenigen erfahrenen Fachpersonen, Fall für Fall, meist am Ende des Tages.

Und die Warteschlange vor diesen Spezialistinnen und Spezialisten wächst. Histopathologische Anforderungen steigen um vier bis fünf Prozent pro Jahr [2]. Zugleich ergab der Zensus des Royal College of Pathologists 2025, dass 78 Prozent der Pathologinnen und Pathologen die Personalausstattung für unzureichend halten und 47 Prozent über fünfzig sind [3]. Die Renten-Arithmetik kann jeder selbst durchrechnen.

Der unbequeme Teil: Die Automatisierung hat die Bedingungen für diesen Engpass mitgeschaffen. Sobald ein weiteres Ergebnis billig und routinemäßig produziert wird, steigen die Testvolumina mit. Jedes zusätzliche Panel erzeugt zusätzlichen Bedarf an Urteilsvermögen, dem einzigen Posten auf dem Anforderungsschein, den kein Analysegerät liefert. Steigende Volumina sind nicht die ganze kausale Geschichte; alternde Bevölkerungen und breitere Testmenüs tragen ihren Teil bei. Dennoch: Die Messung hat skaliert, die Interpretation nicht, und die Lücke dazwischen wächst seit Jahrzehnten still an.

Die Experten-Basislinie ist breiter, als wir zugeben

Wann immer jemand KI-Unterstützung für die Interpretation vorschlägt, lautet der erste Einwand immer gleich: Kann sie mit der Fachperson mithalten?

Berechtigte Frage, falsche Basislinie. Man sehe sich an, was die Qualitätssicherungsprogramme des Fachs selbst immer wieder finden, und zwar seit über zwanzig Jahren. In einer britischen EQA-Übung 2026 interpretierten rund 300 Labore dieselben Cortisolwerte. Bei einem eindeutig niedrigen Morgencortisol von 122 nmol/L wählten 68 Prozent den Code, den die NICE-Leitlinie erwartet. Rund ein Drittel also nicht. Bei einem intermediären Wert um 307 nmol/L wurde es schlimmer: Die häufigste Interpretation war gar nicht die Antwort der Leitlinie [4]. Lim und Kollegen dokumentierten dasselbe Phänomen bereits 2004, mit Kommentaren zu identischen Fällen, die von exzellent bis, in ihren Worten, gefährlich reichten [5]. Zwei Jahrzehnte Abstand, derselbe Befund. Das ist eine dauerhafte Eigenschaft des Systems und nicht nur ein schlechtes Jahr.

Nichts davon bedeutet, dass Labore nachlässig sind. Es bedeutet, dass manuelle Interpretation im großen Maßstab naturgemäß eine Streuung erzeugt, und die Streuung ist breiter, als wir denken. Plebani et al. etwa verorten rund ein Viertel aller Laborfehler in der postanalytischen Phase [6], und die Interpretation liegt mitten darin.

Die eigentliche Frage ist also nicht, ob eine Maschine mit einer fehlerlosen Fachperson mithalten kann. Diese Fachperson ist eine Fiktion. Die Frage ist, ob maschinell entworfene, fachärztlich signierte Interpretation die dokumentierte Streuung der aktuellen Praxis schlägt.

Und eine aussagekräftige Interpretation ist den Einsatz wert: Wenn Laborärztinnen und Laborärzte einen schriftlichen Kommentar hinzufügen, berichten Klinikerinnen und Kliniker in rund 80 Prozent der Fälle von Zeitersparnis und in rund 70 Prozent davon, dass eine Fehldiagnose vermieden wurde [7].

Warum statischer Text die Varianz nicht löst

Labore sind gegenüber der Arbeitslast nicht naiv, und kaum jemand schreibt jeden Kommentar von Grund auf neu. Der Standard-Workaround ist die Textbausteinbibliothek: mehrere hundert vorgefertigte Kommentare, jeder mit einbetonierten Referenzwerten und Leitlinienformulierungen, tausendfach wiederverwendet.

So betrachtet überrascht ein Teil der in der EQA beobachteten Divergenz nicht mehr. Dreihundert Labore, dreihundert langsam alternde private Bibliotheken. Diese Konstellation kann nicht die ganze Erklärung für die Varianz sein, aber sie ist ein struktureller Beitrag, und sie ist der Teil, den wir tatsächlich beheben können.

Statische Bibliotheken frieren Denken ein: Sie fixieren Referenzwerte und Leitlinienwortlaut zum Zeitpunkt des Schreibens, und nichts lässt sie verfallen, wenn die Medizin sich weiterbewegt. Die Lösung muss die Architektur umkehren: Die Interpretation wird beim Lesen des Ergebnisses erzeugt, gegen die Leitlinie und die Referenzwerte, wie sie an diesem Tag gelten, für diesen Patienten, und nicht aus einem veralteten Zwischenspeicher geholt.

Entwerfen und signieren

Der vorgeschlagene Workflow sähe so aus: Der Fall geht mit seinen Ergebnissen und dem klinischen Kontext hinein. Das System schreibt eine erste Interpretation, strukturiert, wie eine Fachperson sie strukturieren würde, verankert in aktuellen Leitlinien, mit sichtbarer Evidenz hinter jeder Aussage. Die Fachperson liest sie, korrigiert, was zu korrigieren ist, und signiert.

Eine Grenze ist hier klinisch wie rechtlich entscheidend: Dieses System trifft keine autonome Diagnose- oder Therapieentscheidung. Es erzeugt einen evidenzverknüpften Entwurf, den eine Fachperson prüft, ändert und signiert. Die klinische Entscheidung, und die Verantwortung, die damit einhergeht, wandert nie.

Ein berechtigter Einwand lautet, das füge nur einen Schritt hinzu. Tut es nicht, denn Schreiben und Prüfen sind verschiedene Arten von Arbeit. Wer je den Bericht einer Kollegin oder eines Kollegen begutachtet hat, kennt das Gefühl: Den Text zu produzieren kostet einen Abend, den Fehler im Text eines anderen zu finden Minuten. Eine Interpretation zu erzeugen heißt, Leitlinie, Referenzbereiche, Muster und Formulierung gleichzeitig zu jonglieren. Eine zu verifizieren heißt, auf einen konkreten Vorschlag zu reagieren. Fachleute sind schnell im Zweiten und brennen am Ersten aus.

Ob die Maschine die Schreibhälfte tragen kann, ist eine eigene Frage. Die jüngste Evidenz ist ermutigend: Erhält ein großes Sprachmodell die tatsächlichen Laborergebnisse, verbessert sich seine diagnostische Genauigkeit, in einer Auswertung um bis zu 30 Prozent [8]. Ein pathologiespezifischer Copilot erreichte 90,5 Prozent bei diagnostischen Fragen mit klinischem Kontext, wo ein Allzweckmodell 63,5 schaffte [9]. Eine Studie in The Oncologist fand dieses Jahr, dass ChatGPT mehr Therapieoptionen vorschlug als ein menschliches molekulares Tumorboard, Median drei gegen eins, in weniger als der Hälfte der Zeit; die Schlussfolgerung der Autoren selbst war, dass die Zukunft ein Hybrid aus Fachperson und Maschine ist [10]. Eine wachsende Evidenzbasis spricht für Machbarkeit, doch für jeden vorgesehenen Workflow dürfte eine prospektive Validierung nötig sein.

Konkret würde ein fairer Test von Entwerfen-und-Signieren den vollständigen Workflow messen, nicht das Modell: Zeit pro Interpretation; Übereinstimmung mit aktuellen Leitlinien gegenüber der Textbaustein-Basislinie; Rate klinisch bedeutsamer Fehler, die gleich oder niedriger sein muss; Rate substanzieller menschlicher Korrekturen, die real sein und real bleiben sollte; und Wachsamkeit der Prüfenden über die Zeit, denn der Fehlermodus, den man fürchten sollte, ist nicht Woche eins, sondern Monat sechs. Halten diese Zahlen nicht, verdient die Idee keinen Einsatz, was auch immer die Benchmark-Werte sagen.

Diese letzte Kennzahl zählt am meisten. Eine Studie zu KI-generierten infektiologischen Konsilen fand weniger als zwei von fünf Antworten vollständig unbedenklich. Das Detail, das uns mehr beunruhigen sollte: Am ehesten winkten die erfahrensten Fachleute fehlerhafte Antworten durch [11]. Flüssige Entwürfe laden zum Abstempeln ein, und Erfahrung macht es offenbar leichter, nicht schwerer, über einen selbstbewussten Fehler hinwegzulesen.

„Human in the loop“ ist also der Anfang der Sicherheit, nicht ihr Ende. Ein erfolgreiches und regelkonformes System muss echte Prüfung leicht machen und nachlässige Prüfung unbequem. Zeigen, welche Leitlinienpassage jede Aussage stützt. Zeigen, welche Referenzwerte verwendet wurden. „Unsicher“ laut aussprechen, statt es in flüssige Prosa zu glätten. Wird die Signatur je zur Formalität, ist die ganze Konstruktion gescheitert, was auch immer die Genauigkeitsstatistik sagt.

Eine aktuelle große US-Studie untersuchte entstehende Sicherheitsmuster an der Schnittstelle von Klinikern und KI und hob die Vorteile spezialisierter Modelle gegenüber Allzweck-LLMs hervor [12]. Ist der Workflow gut konstruiert, kann kombiniertes menschliches und maschinelles Urteil zu konsistenteren klinischen Entscheidungen führen.

Den Entwurf skalieren, das Urteil bewahren

Bewährt sich die Architektur hier, wird die interessante Frage, wie weit das Muster trägt: Eine Fachperson, die eine Synthese schreibt, auf die sich andere verlassen, beschreibt mehr als einen Beruf im Krankenhaus. Aber das ist ein Fall für einen anderen Artikel, mit eigener Evidenz. Wie sich Allzweck-Chatbots heute bei klinischen Fragen verhalten, zeigt unser Vergleich zu ChatGPT im klinischen Einsatz.

Dieser endet, wo er begann. Wir haben Maschinen gebaut, die neun Millionen Mal am Tag „Wie lautet die Zahl?“ beantworten, und wir beobachten, was passiert, wenn „Was bedeutet sie?“ einer schrumpfenden Gruppe von Menschen überlassen bleibt, die mit alternden Bibliotheken vorgefertigter Texte arbeitet.

Wir können das besser.

FAQ: KI und Laborbefund-Interpretation

Kann KI Laborbefunde interpretieren?

Große Sprachmodelle können brauchbare Befundentwürfe schreiben, und die Genauigkeit steigt, wenn das Modell die tatsächlichen Laborwerte erhält, in einer Auswertung um bis zu 30 Prozent [8]. Der Entwurf ist keine Diagnose: Eine Fachärztin oder ein Facharzt muss ihn prüfen, korrigieren und freigeben, bevor er die behandelnde Ärztin oder den Arzt erreicht.

Was bedeutet Entwurf-und-Freigabe (draft and sign) in der Labormedizin?

Ein Arbeitsablauf, bei dem ein KI-System die erste Interpretation eines Befunds schreibt, verankert in aktuellen Leitlinien und mit sichtbarer Evidenz, und eine Laborspezialistin oder ein Laborspezialist sie prüft und unterschreibt. Die klinische Entscheidung und die Verantwortung bleiben beim Menschen.

Warum reichen Textbausteinbibliotheken nicht aus?

Statische Textbausteine frieren Referenzwerte und Leitlinienformulierungen zum Zeitpunkt des Schreibens ein, und jedes Labor pflegt seine eigenen. Externe Qualitätssicherungsprogramme finden immer wieder große Unterschiede zwischen Laboren, die denselben Fall interpretieren.

Macht ein Mensch in der Schleife die KI-Interpretation sicher?

Nur wenn die Prüfung echt ist. In einer Studie zu KI-generierten infektiologischen Konsilen winkten gerade erfahrene Spezialisten fehlerhafte Antworten am ehesten durch [11]. Ein sicheres System macht die Prüfung leicht und das Durchwinken unbequem, etwa indem es die Leitlinienstelle hinter jeder Aussage zeigt.