KI schlägt Ärztinnen und Ärzte bei der Diagnose? Was die Studien zeigen

Schlagzeilen wie "KI ist besser als der Arzt" machen regelmäßig die Runde, und anders als bei vielen Hypethemen steht dahinter inzwischen belastbare Forschung. Mehrere kontrollierte Studien zeigen, dass moderne Sprachmodelle in diagnostischen Testfällen sehr stark abschneiden, in Teilen besser als erfahrene Ärztinnen und Ärzte. Der eigentlich überraschende Befund ist aber ein anderer, und er sagt mehr über die Zusammenarbeit von Mensch und Maschine aus als über einen Wettkampf. Dieser Beitrag ordnet ein, was wirklich gemessen wurde.

Kurz gefasst

• In einer randomisierten Studie erreichte GPT-4 allein bei anspruchsvollen Diagnosefällen rund 90 Prozent, während Ärztinnen und Ärzte bei etwa drei Vierteln lagen, mit und ohne KI-Unterstützung.
• Das eigentlich Verblüffende: Das Modell allein war besser als das Team aus Arzt und Modell. Der Zugang zur KI verbesserte die ärztliche Leistung kaum.
• Der Grund lag weniger an der KI als an der Nutzung. Viele behandelten das Werkzeug wie eine Suchmaschine und übergingen seine Vorschläge.
• Diagnostisches Reasoning im Testfall ist nicht dasselbe wie Medizin in der realen Versorgung mit Anamnese, Untersuchung und Verantwortung.
• Neuere Reasoning-Modelle bestätigen den Trend. Die zentrale Aufgabe ist jetzt, die Zusammenarbeit von Mensch und KI zu lernen, nicht der Ersatz.

Was die Studien tatsächlich gemessen haben

Den größten Widerhall fand eine randomisierte Studie eines Verbunds aus den Universitäten Stanford, Minnesota, Virginia und dem Beth Israel Deaconess Medical Center, veröffentlicht in JAMA Network Open. Fünfzig in den USA zugelassene Ärztinnen und Ärzte aus Familienmedizin, Innerer Medizin und Notfallmedizin bearbeiteten anspruchsvolle, reale und unveröffentlichte Fälle. Eine Gruppe nutzte GPT-4 zusätzlich zu den üblichen Hilfsmitteln, die andere arbeitete nur mit konventionellen Quellen.

Das Ergebnis: GPT-4 allein erreichte bei der diagnostischen Beurteilung rund 90 Prozent, während die Ärztinnen und Ärzte bei etwa 74 bis 76 Prozent lagen, weitgehend unabhängig davon, ob sie KI nutzen durften oder nicht. Eine zweite Untersuchung des Beth Israel Deaconess Medical Center in JAMA Internal Medicine kam mit einem etablierten Bewertungsinstrument für klinisches Reasoning zu einem ähnlichen Bild: Das Modell schnitt in der strukturierten Beurteilung besser ab als Assistenz- und Fachärztinnen und Fachärzte. Eine 2026 in Science veröffentlichte Arbeit bestätigt die Richtung und berichtet, dass ein neueres Reasoning-Modell ärztliche Vergleichswerte über mehrere Experimente hinweg erreicht oder übertrifft.

Der eigentlich überraschende Befund

Die spannendste Erkenntnis ist nicht die Zahl, sondern ein Widerspruch: Das Modell allein war besser als das Team aus Ärztin oder Arzt und Modell. Der bloße Zugang zur KI hob die diagnostische Leistung kaum an.

Die Auswertung der Gesprächsprotokolle lieferte eine plausible Erklärung. Viele Teilnehmende waren mit den Fähigkeiten der Systeme noch wenig vertraut und behandelten den Chatbot wie eine Suchmaschine, statt ihm die vollständige Fallgeschichte zu geben. Hinzu kam ein menschlicher Faktor: Wer von der eigenen Einschätzung überzeugt war, übernahm abweichende Vorschläge der KI seltener. Die Hürde lag also weniger in der Leistungsfähigkeit der Technik als in der Art, wie Menschen sie einsetzen. Das ist eine wichtige Botschaft, denn sie verschiebt den Fokus von der Frage, ob KI gut genug ist, hin zu der Frage, wie Fachleute lernen, sie wirkungsvoll zu nutzen.

Warum Diagnose im Test nicht Medizin in der Praxis ist

So beeindruckend die Zahlen sind, sie betreffen einen klar umrissenen Ausschnitt ärztlicher Arbeit. Die Studien prüften das diagnostische Reasoning anhand aufbereiteter Fallvignetten, also strukturierter Textbeschreibungen. Einer der beteiligten Forscher brachte es sinngemäß auf den Punkt: Ein Modell könne eine Diagnose stellen, aber jeder, der Medizin praktiziere, wisse, dass dazu noch sehr viel mehr gehöre.

In der realen Versorgung beginnt vieles vor der Diagnose und reicht weit darüber hinaus. Dazu zählen das ärztliche Gespräch und die Anamnese, die körperliche Untersuchung, das Einordnen widersprüchlicher Informationen, die Kommunikation mit verunsicherten Patientinnen und Patienten, das Abwägen von Therapieoptionen und die Verantwortung für die Entscheidung. Diese Dimensionen lassen sich in einer Textvignette nicht abbilden. Die Studien zeigen daher, dass Sprachmodelle hervorragend mit gut strukturierten Informationen umgehen können, nicht aber, dass sie die ärztliche Tätigkeit als Ganzes ersetzen.

Was das für die Praxis bedeutet

Die naheliegende Konsequenz ist nicht Ersatz, sondern Ergänzung. KI kann als eine Art Verstärker wirken, etwa als schnelle Zweitmeinung, als Korrektiv gegen vorschnelle Festlegungen oder als Ideengeber für seltene Differenzialdiagnosen. Der entscheidende Hebel ist jedoch die Kompetenz im Umgang mit dem Werkzeug. Die Daten legen nahe, dass nicht der bloße Zugang zur KI den Unterschied macht, sondern die geübte Zusammenarbeit mit ihr.

Für die ambulante Praxis, ärztlich wie heilkundlich, heißt das zweierlei. Erstens lohnt es sich, den Umgang mit diesen Systemen aktiv zu erlernen, statt sie nur als bessere Suchmaschine zu verwenden. Zweitens bleibt die fachliche Letztverantwortung beim Menschen. Wie die beteiligten Forscherinnen und Forscher betonen, braucht es eine sorgfältige Bewertung des realen Nutzens, damit aus einem vielversprechenden Werkzeug tatsächlich bessere Versorgung wird und nicht neue Fehlerquellen entstehen.

Häufige Fragen

Schlägt KI wirklich Ärztinnen und Ärzte bei der Diagnose? In kontrollierten Testfällen ja. In einer randomisierten Studie erreichte GPT-4 allein bei anspruchsvollen Fällen rund 90 Prozent, während Ärztinnen und Ärzte bei etwa drei Vierteln lagen. Diese Werte beziehen sich auf diagnostisches Reasoning anhand von Fallbeschreibungen, nicht auf die gesamte Versorgung realer Patientinnen und Patienten.

Ersetzt KI bald den Arzt oder die Ärztin? Danach sieht es nicht aus. Die Studien messen einen Ausschnitt, das diagnostische Reasoning. Anamnese, körperliche Untersuchung, Kommunikation, Therapieentscheidung und Verantwortung bleiben menschliche Aufgaben. Realistisch ist KI eine Unterstützung, kein Ersatz.

Warum waren Ärztinnen und Ärzte mit KI nicht besser als ohne? Weil das Werkzeug oft nicht optimal genutzt wurde. Viele behandelten den Chatbot wie eine Suchmaschine und übergaben nicht die volle Fallgeschichte, andere übergingen abweichende Vorschläge aus Überzeugung von der eigenen Einschätzung. Die geübte Zusammenarbeit ist der entscheidende Faktor.

Wie zuverlässig sind diese Studien? Es handelt sich um randomisierte und peer-reviewte Untersuchungen aus renommierten Häusern, veröffentlicht unter anderem in JAMA Network Open, JAMA Internal Medicine und Science. Ihre Aussagekraft ist hoch für die getestete Diagnostik, aber bewusst auf dieses Setting begrenzt.

Quellen

1. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning. JAMA Network Open, 2024. Bericht: Stanford Medicine. https://medicine.stanford.edu/news/current-news/standard-news/GPT-diagnostic-reasoning.html
2. Cabral S, Restrepo D, Kanjee Z, et al. Clinical Reasoning of a Generative Artificial Intelligence Model Compared With Physicians. JAMA Internal Medicine, 2024. Bericht: Beth Israel Deaconess Medical Center. https://www.bidmc.org/about-bidmc/news/2024/04/chatbot-outperformed-physicians-in-clinical-reasoning-in-head-to-head-study
3. Brodeur PG, et al. Performance of a large language model on the reasoning tasks of a physician. Science, 2026. https://www.science.org/doi/10.1126/science.adz4433
4. AI in healthcare: New research shows promise and limitations of physicians working with GPT-4. ScienceDaily, 2024. https://www.sciencedaily.com/releases/2024/10/241028164534.htm

Redaktioneller Fachbeitrag für medizinische Fachkreise. Dieser Beitrag dient der fachlichen Information und der Einordnung aktueller Forschung. Er ersetzt keine eigene fachliche Bewertung im Einzelfall. Stand: 17.06.2026.