Ich höre immer wieder dieselbe Geschichte: Jemand bekommt vom Labor ein PDF mit der Blutchemie zurück, öffnet ChatGPT, hängt die Datei an und tippt „Erkläre das“. Eine Minute später liefert das Modell eine selbstbewusste Antwort – mal nützlich, mal völlig daneben. In beiden Fällen geht der Patient mit dem Gefühl, „alles verstanden“ zu haben.
Dieses Szenario beunruhigt mich – und zwar nicht, weil ich beruflich eine medizinische KI baue. Es beunruhigt mich, weil mein akademischer Hintergrund in der Kognitionswissenschaft und der Architektur von Sprachmodellen liegt und ich genau verstehe, was diese Systeme nicht können. ChatGPT ist ein hervorragendes Allzweck-Werkzeug. Doch zwischen „hervorragend“ und „geeignet, um Ihre Laborwerte zu deuten“ liegt ein Abgrund, in den gebildete, umsichtige Menschen täglich stürzen.
In diesem Artikel möchte ich Ihnen – ohne Panikmache, ohne Hype und ohne Marketing – zeigen, wie Allzweck-Sprachmodelle tatsächlich funktionieren, warum sie gerade im medizinischen Kontext an ihre Grenzen stoßen und in welchen Szenarien sie dennoch wirklich nützlich sind. Unterwegs erkläre ich, was wir bei Wizey anders machen und warum.
Die kurze, untechnische Fassung, falls Sie sonst nichts lesen: Ein Allzweck-Modell wie ChatGPT ist ein belesener Generalist – sein Wissen ist kilometerbreit und nur zentimetertief, zusammengesetzt aus allem, was es gelesen hat, von begutachteten Fachartikeln bis zu Reddit-Threads. Es kann „hoher Cholesterinspiegel“ glänzend mit „Herzerkrankung“ verknüpfen, weil es diese Wörter millionenfach zusammen gesehen hat – doch das ist eine statistische Korrelation, keine physiologische Kausalkette. Ein spezialisiertes medizinisches System verhält sich eher wie ein Spezialist: Es arbeitet mit einer strukturierten Landkarte medizinischer Zusammenhänge – der Idee hinter einem medizinischen Wissensgraphen – statt mit einem flachen Meer aus Text. Und es ist darauf ausgelegt, die letzte Meile abzudecken: den Schritt von der reinen Information zur konkreten nächsten Handlung – welche ein, zwei Werte tatsächlich eine Besprechung wert sind, zu welchem Facharzt Sie sollten und was Sie beim Termin fragen sollten. ChatGPT bleibt selbst dann, wenn die Fakten stimmen, fast immer bei einem pauschalen „Fragen Sie Ihren Arzt“.
Allzweck-LLM vs. spezialisierte medizinische KI: die architektonische Kluft
ChatGPT ist ein großes Allzweck-Sprachmodell (LLM), das darauf trainiert ist, auf einem riesigen Korpus an Internettext das nächste Token vorherzusagen. Es weiß über alles ein wenig – von Borschtsch-Rezepten bis zur Quantenchromodynamik. Aus architektonischer Sicht ist die Medizin einfach eine Domäne unter vielen. Nichts am Aufbau des Modells stellt klinisches Denken in den Vordergrund.
Eine spezialisierte medizinische KI ist anders aufgebaut. Sie ist kein einzelnes Modell – sie ist eine Pipeline: Dokumentenerkennung (OCR), striktes Parsing jedes Laborwerts in ein strukturiertes Objekt, Abgleich mit Referenzbereichen und Einheitenkonventionen und erst dann ein Analysemodul, das die Daten mit klinischen Leitlinien vergleicht. In der letzten Stufe nutzen wir Retrieval-Augmented Generation (RAG), die Technik, die erstmals im klassischen Aufsatz von Lewis et al. (2020) beschrieben wurde. RAG bedeutet, dass das Modell nicht „aus dem Kopf“ antwortet – es ruft relevante Fragmente aus einer geprüften Wissensbasis ab und schließt daraus.
Der entscheidende Unterschied: Ein Allzweck-Modell generiert eine Antwort; ein spezialisiertes medizinisches System ruft ab und gleicht mit strukturierten Daten ab. Das erste kann kreativ und falsch sein. Das zweite ist verpflichtet, genau und vorhersehbar zu sein. In der Medizin ist Kreativität ein Anti-Pattern.
Lost in the Middle: das eigentliche Problem, nicht ein „zu kleines Kontextfenster“
Einer der hartnäckigsten Mythen über ChatGPT lautet, es „komme mit langen Laborbefunden nicht zurecht, weil sein Kontextfenster zu klein sei“. Im Jahr 2026 stimmt das schlicht nicht mehr. Spitzenmodelle der GPT-Klasse unterstützen heute Kontextfenster von rund 1 Million Token; die Claude-Modelle der Opus-Klasse von Anthropic und Gemini 3.x von Google arbeiten ebenfalls im Bereich von einer Million Token. Ein fünfseitiges Labor-PDF passt mit enormem Spielraum hinein.
Das eigentliche Problem hat einen Namen: Lost in the Middle. Es wurde ausführlich von Liu et al. (2023, Stanford) beschrieben. Wenn Sie einem LLM einen langen Kontext geben, ist das Modell hervorragend darin, Informationen vom Anfang und vom Ende zu extrahieren, doch in der Mitte „sackt“ seine Genauigkeit ab. Trägt man die Genauigkeit über die Position auf, sieht die Kurve aus wie ein U – hoch an den Rändern, ein Tal in der Mitte. Das gilt selbst für Modelle mit Kontextfenstern von einer Million Token.
Was bedeutet das für Ihre Laborwerte? Wenn ein fünfseitiges PDF einen kritischen Marker – sagen wir ein erhöhtes C-reaktives Protein – auf der dritten Seite platziert, genau in der Mitte des Prompts, hat ein Allzweck-Modell eine deutlich höhere Wahrscheinlichkeit, ihn beim Schlussfolgern schlicht nicht zu „sehen“. Nicht, dass es seine Existenz vergisst – es gewichtet ihn im Endergebnis zu gering. Bei einem kreativen Text fällt das nicht auf. Bei der Blutchemie ist es eine übersehene systemische Entzündung.
In unserem System umgehen wir diesen Effekt architektonisch. Die Daten werden zunächst in eine strikte Tabelle extrahiert, und nur diese Tabelle wird an das Analysemodul übergeben. Lost in the Middle verhält sich bei einer strukturierten Tabelle mit 30 Zeilen völlig anders als bei fünf Seiten frei fließendem Text.
Und da die häufigste Nutzerfrage lautet „Wie viele Marker kann ich eigentlich auf einmal hochladen?“, will ich konkret werden. Wizey verarbeitet regelmäßig PDFs mit 80, 100, sogar 150+ Markern aus einem einzigen Besuch – Blutchemie, Hormone, großes Blutbild, Gerinnung, Lipidprofil und Immunstatus auf einmal. Jede Zahl geht in die Analyse ein, und das Analysemodul sucht über alle Gruppen hinweg parallel nach Zusammenhängen: wie das TSH mit dem Cholesterin korreliert, wie das Ferritin im Licht des C-reaktiven Proteins zu lesen ist, wie die Glukose mit Triglyceriden und Insulin zusammenspielt, wie eine Veränderung des Kreatinins über zwei Jahre mit dem Verlauf des Blutdrucks zusammenwirkt. Ein Allzweck-LLM baut dieses Netz aus Zusammenhängen nicht auf – es kann Dutzende unabhängiger Parameter physisch nicht gleichzeitig im Blick behalten und ohne strukturierte Repräsentation quervergleichen.
Halluzinationen: warum die Medizin der schlechteste Bereich dafür ist
Große Sprachmodelle halluzinieren – sie erzeugen selbstbewusst formulierte Informationen, die weder in ihren Trainingsdaten noch in der Realität existieren. Das ist kein Fehler, sondern eine direkte Folge davon, wie die probabilistische Vorhersage von Token funktioniert. Das Modell ist auf Plausibilität optimiert, nicht auf Wahrheit.
Bei den meisten Aufgaben ist das vertretbar. Erfindet ChatGPT eine nicht existierende Funktion in einer obskuren Programmbibliothek, bekommt der Programmierer einen Compiler-Fehler und behebt ihn. Datiert es einen Film falsch, kommt niemand zu Schaden.
In der Medizin sind die Kosten andere. Ein Bot kann selbstbewusst einen Referenzbereich „abrufen“, den es gar nicht gibt. Er kann einen Zusammenhang zwischen zwei Markern nahelegen, der nie in der Literatur aufgetaucht ist. Er kann ein Medikament nennen, das ein Symptom lindert, und dabei eine Gegenanzeige weglassen, die das Modell „nicht bedacht“ hat. Und all das wird im selben ruhigen, selbstbewussten Ton geliefert wie eine Frage nach der Hauptstadt Frankreichs.
Spezialisierte Systeme lösen das mit strengen Leitplanken: Das Analysemodul argumentiert nur innerhalb vorab geladener klinischer Leitlinien. Gibt es keine Regel, antwortet das System „unzureichende Daten“, statt eine zu erfinden.
Datenschutz: was mit Ihrem PDF passiert, nachdem Sie es in ChatGPT hochgeladen haben
Das ist der Teil, an den fast niemand denkt. Wenn Sie einen Laborbefund in ein kostenloses oder Plus-Konto von ChatGPT hochladen – was geschieht dann tatsächlich mit dieser Datei?
Gemäß der aktuellen Richtlinie von OpenAI können Unterhaltungen in Endkundenprodukten (ChatGPT Free, Plus, Pro) standardmäßig zur Verbesserung der Modelle verwendet werden. Sie können in den Dateneinstellungen manuell widersprechen oder den Temporary Chat nutzen – die meisten Nutzer tun das jedoch nicht. Bei Business-Tarifen (Team, Enterprise, API) werden die Daten standardmäßig nicht für das Training verwendet, doch der typische Endnutzer hat keinen dieser Tarife.
Ein Laborbefund enthält meist: Ihren vollständigen Namen, das Geburtsdatum, manchmal eine Adresse, eine Versicherungs- oder Policennummer, den Namen des Labors und des anfordernden Arztes. Nach dem US-amerikanischen HIPAA und der EU-DSGVO sind das besondere Kategorien personenbezogener Gesundheitsdaten (in den USA Protected Health Information, PHI, genannt; nach Artikel 9 DSGVO „besondere Kategorien personenbezogener Daten“). Krankenhäuser, Kliniken und HIPAA-regulierte Dienste sind verpflichtet, solche Daten im Rahmen von Business Associate Agreements zu behandeln; ein Chatprodukt für Endkunden hat keine solche Verpflichtung gegenüber einer Privatperson, die ihre eigene Datei hochlädt. Formal verstößt der Patient gegen kein Gesetz – Sie üben die Kontrolle über Ihre eigenen Daten aus –, aber Sie haben zugleich keinerlei Einblick, was als Nächstes geschieht.
Ich plädiere nicht für Paranoia. Die meisten Menschen laden ihre Laborwerte hoch, und das Leben geht weiter. Aber wenn Ihnen der Schutz medizinischer Daten auch nur ein wenig am Herzen liegt, ist das ein echtes Argument dafür, Dienste zu nutzen, die in einer geschützten Umgebung laufen und in verständlicher Sprache beschreiben, was sie mit Ihren Dateien tun.
Wann Allzweck-KI besonders gefährlich ist
Die mit Abstand gefährlichste Situation ist nicht ein einzelner Marker – es ist der Fall, in dem Sie den Zusammenhang zwischen Dutzenden Parametern sehen und den klinischen Kontext verstehen müssen. Ein paar typische Fallen:
- Große Panels (15+ Marker auf einmal). Lost in the Middle setzt ein: Das Modell kommentiert selbstbewusst die erste und die letzte Zeile und übersieht dabei die subtilen, aber wichtigen Verschiebungen in der Mitte.
- Tumormarker. Die Intuition „über dem Bereich = schlecht, innerhalb = gut“ versagt völlig. Viele Tumormarker steigen bei gutartigen Prozessen, und viele Patienten mit gesicherten Tumoren haben Werte im Normalbereich. Allzweck-Modelle neigen zu schablonenhaften Antworten, die entweder grundlos Angst machen oder fälschlich beruhigen.
- Ferritin isoliert von einer Entzündung betrachtet. Eine klassische Falle: ChatGPT sieht ein erhöhtes Ferritin und sagt „Sie haben zu viel Eisen, essen Sie weniger rotes Fleisch“. Doch Ferritin ist ein Akute-Phase-Protein, und seine Erhöhung spiegelt oft eine systemische Entzündung wider statt der Eisenspeicher. Ohne gleichzeitig das C-reaktive Protein und das Blutbild zu betrachten, ist die Deutung „Eisenüberladung“ ein Fehler.
- Laborwerte bei Kindern. Referenzbereiche verschieben sich bei Kindern von Lebensmonat zu Lebensmonat. Allzweck-Modelle „mischen“ regelmäßig Erwachsenenbereiche hinein, und Eltern erhalten entweder falschen Alarm oder falsche Beruhigung.
Vergleich anhand der Kriterien, die zählen
Das vollständige Bild, verdichtet in einer Tabelle:
| Kriterium | ChatGPT (Allzweck) | Spezialisierte medizinische KI (Wizey) |
|---|---|---|
| Architektur | Ein großes LLM, generative Antwort | Pipeline: OCR → Parsing → RAG über klinische Leitlinien |
| Genauigkeit der Zahlenextraktion | Mittel, lässt zur Dokumentmitte nach (Lost in the Middle) | Garantiert – jeder Marker wird in ein strukturiertes Objekt geparst |
| Schutz vor Halluzinationen | Minimal, Antwort auf Plausibilität optimiert | Strenge Leitplanken, Antwort durch Protokolle begrenzt |
| Verarbeitete Datenmenge | Lässt bei großen Panels nach | Stabil bei 100+ Markern pro Besuch |
| Erkennen von Zusammenhängen | Allgemeine Muster, ohne Gewähr | Systematischer Abgleich über alle Gruppen hinweg |
| Mehrjährige Verläufe | Wird zwischen Sitzungen nicht verfolgt | Trends und Vergleich von Besuch zu Besuch |
| Fachärztliche Zuordnung | Pauschal („gehen Sie zum Arzt“) | Auf Basis konkreter klinischer Algorithmen |
| Datenschutz für Nutzer | Daten können in Trainingsdaten gelangen, Server weltweit | Geschützte Umgebung, transparenter Umgang mit Daten |
| Idealer Anwendungsfall | Begriffe erklären, Übersetzen, allgemeine Fragen | Laborwerte deuten, Vorbereitung auf den Arztbesuch, Verläufe verfolgen |
Schritt-für-Schritt-Algorithmus für Patienten mit frischen Laborwerten
Die Kurzfassung: Googeln Sie Marker nicht einzeln, und fügen Sie nicht alles in den erstbesten Chatbot ein. Gehen Sie systematisch vor.
- „Keine Panik.“ Ein Referenzbereich ist die Spanne, die etwa 95 % der scheinbar gesunden Menschen erfasst. Per Definition liegen rund 5 % der Gesunden außerhalb. Ein Wert außerhalb des Bereichs ist ein Anlass zur Abklärung, keine Diagnose.
- Führen Sie Ihre Daten an einem Ort zusammen. Wenn Sie Ergebnisse aus mehreren Jahren haben, ist das Gold wert. Viele der wichtigsten Signale stecken in den Verläufen, nicht in Absolutwerten.
- Nutzen Sie ein Werkzeug, das keine Daten verliert. Das kann ein spezialisierter Dienst sein oder eine strukturierte Tabelle – wichtig ist, dass jede Zahl berücksichtigt wird.
- Suchen Sie nach Syndromen, nicht nach einzelnen Zahlen. Glukose + HbA1c + Triglyceride + HDL sagen zusammen weit mehr über den Stoffwechsel aus als jeder Einzelwert für sich.
- Finden Sie den richtigen Facharzt. Oft ist der größte Gewinn einer guten Laborauswertung die Erkenntnis, ob Sie zum Hausarzt, zum Endokrinologen oder zum Hämatologen sollten. Das spart Wochen an Nerven und Geld.
- Kommen Sie vorbereitet zum Termin. Formulieren Sie konkrete Fragen. Ein Arzt kann leichter auf „Könnte mein TSH zusammen mit diesem freien T4 auf eine subklinische Hypothyreose hindeuten?“ reagieren als auf „Bitte bringen Sie diese schlechten Werte in Ordnung.“
Wann ChatGPT im medizinischen Kontext wirklich nützlich ist
Ich möchte nicht, dass dieser Artikel einseitig wirkt. Allzweck-LLMs sind in der Medizin durchaus nützlich – nur nicht dort, wo sie am häufigsten eingesetzt werden. Ein paar Szenarien, in denen ich sie selbst nutze:
- Begriffe erklären. Was die BSG ist, der Unterschied zwischen direktem und indirektem Bilirubin, was „Eosinophilie“ bedeutet – ChatGPT erklärt Konzepte sauber.
- Übersetzen medizinischer Berichte aus anderen Sprachen, mit Hinweisen zum Kontext.
- Eine Fragenliste entwerfen für den Arzt, auf Basis von Symptomen und allgemeinem Kontext.
- Orientierung in einem unbekannten Bereich der Medizin – zu erfahren, dass es ein solches Fachgebiet gibt, wie Behandlungsansätze aussehen, welche Suchbegriffe für die vertiefte Lektüre taugen.
- Hilfe beim Lesen wissenschaftlicher Fachartikel, wenn Sie ohnehin schon tiefer in ein Thema einsteigen.
Was es schlecht kann: konkrete Laborwerte deuten, Diagnosen stellen, Verläufe über mehrere Besuche beurteilen und Medikamente empfehlen. Dabei geht es um Datenpräzision, nicht um das Erklären von Konzepten. Die bekannte Studie Kung et al. (2023, PLOS Digital Health) – jene, in der „ChatGPT das USMLE bestand“ – berichtete tatsächlich von einer grenzwertigen Leistung (rund 60 %), und die Autoren betonen selbst, dass das Beantworten von Fallvignetten nicht dasselbe ist wie klinisches Denken. Eine KI kann wie ein Kliniker argumentieren; die Verantwortung eines Klinikers trägt sie nicht. Das sind zwei verschiedene Dinge.
Mini-FAQ
Kann eine spezialisierte medizinische KI trotzdem Fehler machen? Ja. Jede KI ist ein Werkzeug zur Entscheidungsunterstützung, kein Orakel. Doch die Gefahr, dass sie einen Wert aus Ihrem Befund übersieht oder eine nicht existierende Diagnose erfindet, wird in einem gut konzipierten System durch striktes Parsing und eine durch klinische Leitlinien begrenzte Suche minimiert.
Wozu brauche ich eine KI, wenn mein Arzt die Werte ohnehin ansieht? Damit Sie mit strukturierten Daten und konkreten Fragen kommen. Die Zeit beim Termin ist begrenzt, und wenn die ersten 15 Minuten für das Abschreiben Ihrer Zahlen draufgehen, bleibt für die Analyse fast nichts übrig.
Wie viele Marker kann Wizey auf einmal analysieren? In der Praxis 100+ pro Besuch. Blutchemie, Hormone, Blutbild, Gerinnung und Lipidprofil zusammen. Das Analysemodul sucht parallel über alle Gruppen hinweg nach Zusammenhängen, ohne eine Zahl fallen zu lassen.
Kann ich alte Laborwerte von vor mehreren Jahren hochladen? Das ist das Nützlichste, was Sie tun können. In der Medizin geht es um Dynamik. Niemand kann Hunderte Zahlen aus fünf Jahren im Kopf behalten; ein guter Dienst erstellt die Verläufe sofort.
Wenn ich ein fortgeschrittener Nutzer bin – kann ich ChatGPT für Laborwerte verwenden? Ja, aber vorsichtig. Denken Sie an Lost in the Middle und an Halluzinationen, überprüfen Sie numerische Grenzwerte anhand von Referenzen und laden Sie keine sensiblen Dokumente in einen Endkundentarif hoch, ohne die Datenschutzerklärung verstanden zu haben.
Fazit
Die KI hat verändert, wie wir uns mit unserer eigenen Gesundheit befassen, und im Großen und Ganzen ist das gut so. Aber ein Allzweck-Sprachmodell und eine spezialisierte medizinische KI sind zwei verschiedene Werkzeuge. Von der Architektur her sind sie gleich „intelligent“, doch sie sind für unterschiedliche Aufgaben gebaut.
Wenn Sie ein Werkzeug ausprobieren möchten, das speziell für das Deuten von Laborwerten entwickelt wurde – eines, das alles ernst nimmt, was ich oben beschrieben habe –, dann ist genau das der Grund, warum wir Wizey gebaut haben. Kein Versprechen, irgendetwas zu „heilen“. Nur die Garantie, dass keine Zahl aus Ihrem Befund verloren geht und dass Sie jede Schlussfolgerung, die es liefert, mit Zuversicht zu Ihrem Arzt mitnehmen können.
