KI-gestützte Generierung elektronischer Patientenakten

Zu wenig Zeit für die Patientenakte: ein bekanntes Problem in der Arztpraxis

Ärztliches Fachpersonal steht täglich vor derselben Herausforderung: Die elektronische Patientenakte enthält viele Informationen, die Zeit für eine gründliche Durchsicht fehlt. Wichtige Details können dabei übersehen werden, mit möglichen Folgen für die Behandlungsqualität. T2med, 2012 von dem Allgemeinmediziner Dr. Hans Joachim von der Burchard in Kiel gegründet, hat sich auf die Entwicklung von Praxissoftware spezialisiert und sieht in diesem Zeitproblem einen konkreten Ansatzpunkt für den Einsatz von KI.

Um dem Problem zu begegnen, verfolgt T2med das Ziel, eine KI-gestützte Entscheidungshilfe zu entwickeln, die Patientenakten automatisch zusammenfasst und relevante Informationen schnell verfügbar macht. Für das Training eines solchen Modells werden jedoch geeignete Patientendaten benötigt. Die zentrale Herausforderung besteht darin, dass Patientendaten lokal in den Arztpraxen liegen und diese aus Datenschutzgründen nicht ohne Weiteres verlassen dürfen. Das Ziel der vorliegenden Machbarkeitsstudie war daher die Erzeugung synthetischer Patientendaten. Dabei werden künstlich generierte Patientenakten erstellt, die echten Daten strukturell ähneln, aber keine realen Personen abbilden.

So erzeugt die KI eine vollständige synthetische Patientenakte

Der erste gemeinsame Workshop fand am 18. Juni 2025 bei T2med in Kiel statt. Dort wurde gemeinsam erarbeitet, welcher Anwendungsfall für eine Machbarkeitsstudie relevant und geeignet ist. Das Team von KI.SH, bestehend aus Josef Küstner, Dominik Hirsch und Thorleif Harder entwickelt auf dieser Basis in zehn Wochen einen Lösungsansatz. Das Ergebnis ist eine mehrstufige KI-Pipeline, die automatisiert synthetische Patientenakten erzeugt.

Die Pipeline funktioniert in fünf Schritten:

1. Patient Generator – erstellt auf Basis von Zensusdaten und realen Krankheitsstatistiken synthetische Patienten.
2. Story Generator – generiert eine plausible Krankheitsgeschichte aus Sicht einer Hausarztpraxis.
3. Visit Generator –gibt eine Liste von Arztbesuchen aus.
4. Grounded Visit Generator – passt die Besuche strukturell und inhaltlich an reale Daten an
5. Evaluator & Improver – prüft die erzeugte Akte auf Fehler und überarbeitet sie so lange, bis das Sprachmodell keine Mängel mehr findet.

Am Ende steht eine synthetische Patientenakte. Die Pipeline nutzt dazu Large Language Models (LLMs), die in der Praxis bereits vielfältig eingesetzt werden, und integriert sie in einen strukturierten, automatisierten Prozess. Um sicherzustellen, dass die erzeugten Daten realen klinischen Dokumenten möglichst nahekommen, werden medizinische Referenzdokumente in den Generierungsprozess eingebunden (Grounding).

Ärzte bewerten, was die KI erzeugt hat – Human in the Loop

Um den Datengenerierungsprozess weiter zu verbessern, werden die erzeugen Daten durch einen Hausarzt annotiert, um die Qualität der generierten Inhalte zu bewerten und Domänenwissen in die Pipeline einfließen zu lassen. Jede generierte Patientenakte wurde als eigenes Annotationsobjekt angelegt. Der beteiligte Hausarzt konnte einzelne Textpassagen kommentieren und quantitative Scores auf einer Skala von 1 bis 5 vergeben, etwa für inhaltliche Korrektheit und logische Konsistenz. Das Feedback floss direkt zurück in die Pipeline und verbessert so die generierten Inhalte.

Was die Studie zeigt – und was noch zu lösen bleibt

Die Pipeline läuft und liefert ordentliche Ergebnisse. Ein einzelner synthetischer Patient lässt sich zu sehr geringen Kosten erzeugen, ein erheblicher Unterschied zu dem Aufwand, den eine manuelle Erstellung durch Ärzte bedeuten würde.

Gleichzeitig benennt das Projektteam die Grenzen der Machbarkeitsstudie: Die Daten sind vollständig synthetisch, die Validierung erfolgt zirkulär durch dasselbe Sprachmodell, das auch die Generierung übernimmt. Die Stichprobe für die Arzt-Evaluation war klein, und Skalierungskosten – etwa für LLM-APIs und LabelStudio-Lizenzen – fallen mit zunehmender Menge durchaus ins Gewicht. Gerrit Collienne, Verantwortlicher für die KI-Features von T2med, brachte es auf den Punkt: „Die Machbarkeitsstudie ist eine sehr gute Basis, aber wie schließt man die Lücke zwischen synthetischen und echten Daten im großen Stil? Das ist eine unserer zukünftigen Herausforderungen."

Ausblick: Von der Pipeline zur KI-Zusammenfassung im Praxisalltag

Die entwickelte, prototypische Pipeline kann zukünftig in das T2med-Ökosystem integriert werden. Sämtliche Ergebnisse sowie der erstellte Code des KI.SH-Teams wird für die weitere Umsetzung zur Verfügung gestellt. Diese Weiterentwicklung kann folgende Aspekte umfassen: ein Vergleich verschiedener Sprachmodelle, die Anbindung externer Datenbanken wie einer Medikamentendatenbank, kürzere Laufzeiten sowie automatisiert berechenbare Metriken, die einen objektiven Vergleich synthetischer und echter Daten ermöglichen.

Denkbar sind darüber hinaus weitere Funktionen: Unterstützung bei Anträgen, Abrechnungshilfe oder Diagnoseunterstützung.

Das konkrete Ziel, eine KI-gestützte Zusammenfassung der elektronischen Patientenakte für den Praxisalltag zu entwickeln, wird als möglich eingestuft. Und mit der Machbarkeitsstudie ist bereits ein zentraler Schritt in die Umsetzung gemacht worden. Peter von der Burchard, Geschäftsführender Gesellschafter der T2med GmbH & Co. KG fasste das Ergebnis der Zusammenarbeit mit dem KI.SH-Team treffend zusammen: „Das hat uns sehr nach vorne gebracht und gezeigt, was funktioniert und wie wir mit KI weiterarbeiten können."

Für Unternehmen und öffentliche Institutionen, die mit sensiblen personenbezogenen Daten arbeiten, zeigt das Kieler Projekt einen konkreten Weg, wie qualitativ hochwertige, synthetische Daten hierfür erzeugt werden können.