Ein LLM‑Chatbot zur Erleichterung des Übergangs von der Primär- zur Fachversorgung: eine randomisierte kontrollierte Studie

Warum ein digitaler Helfer im Wartezimmer wichtig ist

Wer schon einmal stundenlang auf einen überlasteten Krankenhaus‑Facharzt gewartet hat, kennt das Gefühl eines stark gehetzten Schlussgesprächs. Diese Studie stellt eine einfache Frage mit großen Folgen: Könnte ein künstlicher Intelligenz‑Chatbot vor dem Termin mit Patienten sprechen, deren Geschichte erfassen und den Spezialisten eine klare Zusammenfassung übergeben – Zeit sparen und zugleich die menschliche Seite der Versorgung verbessern? In zwei großen chinesischen Krankenhäusern prüften Forschende einen patientenseitigen großen Sprachmodell‑Assistenten (LLM) namens PreA, um herauszufinden, ob ein solcher digitaler Helfer überfüllte Ambulanzbereiche glatter und persönlicher machen kann, besonders in ressourcenknappen Umgebungen.

Das Problem überfüllter Ambulanzen

Gesundheitssysteme weltweit kämpfen mit alternden Bevölkerungen, multimorbiden Patientengruppen und ungleichmäßigem Zugang zur Primärversorgung. In China überspringen viele Patienten die lokalen Praxen und gehen direkt in große Krankenhäuser, was die Fachambulanzen mit Erstvorstellungen überflutet. Fachärztinnen und Fachärzte treffen oft auf Patienten ohne vorherige Überweisungsunterlagen, müssen die gesamte Krankengeschichte vor Ort rekonstruieren und haben dafür nur wenige Minuten. Das Ergebnis sind lange Wartezeiten, kurze persönliche Termine und hoher Stress für Ärztinnen, Ärzte und Patienten. Einfache Maßnahmen wie von Pflegekräften durchgeführte Triage helfen zwar, doch haben Pflegende selten Zeit oder Ausbildung, um für jeden Fall detaillierte Anamnesen zu erheben.

Wie der Chatbot gemeinsam mit der Gemeinschaft entwickelt wurde

Das Team entwickelte PreA als konversationellen Assistenten, der speziell die Lücke zwischen dem Eintreffen eines Patienten im Krankenhaus und dem Gespräch mit einem Spezialisten schließen soll. Anstatt das System hauptsächlich mit unstrukturierten lokalen Transkripten zu trainieren — die gehetzte Gewohnheiten und Verzerrungen kodieren können — nutzten die Forschenden einen Mitgestaltungsprozess. Patienten, Angehörige, Gemeindegesundheitsarbeiter, Pflegekräfte, Hausärztinnen und Hausärzte, Spezialisten und Krankenhausleiter halfen dabei zu bestimmen, wie der Chatbot Fragen stellen sollte, welche Informationen er sammeln und wie seine Zusammenfassungen aussehen sollten. Der Chatbot läuft auf dem Mobiltelefon, unterstützt Text und Sprache, verwendet einfache Sprache für Menschen mit eingeschränkter Gesundheitskompetenz und ermöglicht Familienmitgliedern Zugang, die älteren oder kranken Angehörigen bei der Versorgung helfen.

Der digitale Assistent im Praxistest

Um zu prüfen, ob PreA in der realen Welt funktioniert, führte das Team eine randomisierte kontrollierte Studie in 24 Fachbereichen zweier großer Krankenhäuser in Westchina durch. Mehr als 2.000 Erwachsene, die fachärztliche Versorgung suchten, wurden einer von drei Gruppen zugewiesen: alleinige Nutzung von PreA vor dem Termin; Nutzung von PreA mit Unterstützung durch Personal; oder übliche Versorgung ohne Chatbot. In den PreA‑Gruppen unterhielten sich die Patienten etwa dreieinhalb Minuten mit dem System, das anschließend einen strukturierten Überweisungsbericht zu ihren Hauptbeschwerden, der Vorgeschichte, wahrscheinlichen Diagnosen und empfohlenen Tests erzeugte. Die Spezialisten überprüften diesen Bericht kurz und empfingen dann die Patienten wie üblich. Die Konsultationen in der nur‑PreA‑Gruppe waren 28,7 % kürzer als in der Gruppe mit üblicher Versorgung, dennoch sahen Ärztinnen und Ärzte pro Schicht mehr Patienten, ohne dass sich die Wartezeiten verlängerten. Auffallend ist, dass die Ergebnisse ebenso stark waren, wenn Patienten den Chatbot ohne Unterstützung nutzten, was auf Skalierbarkeit in belebten Ambulanzen hindeutet.

Fühlten sich schnellere Termine noch menschlich an?

Kürzere Termine befürchten oft kältere, mechanischere Versorgung. Hier trat das Gegenteil ein. Patienten und Angehörige, die PreA nutzten, berichteten, dass Gespräche mit ihren Ärztinnen und Ärzten leichter verliefen, dass die Ärztinnen und Ärzte aufmerksamer und respektvoller wirkten und dass sie zufriedener mit dem Termin waren und eher bereit, solche Hilfsmittel wieder zu verwenden. Spezialisten bewerteten die Überweisungsberichte des Chatbots als weitaus hilfreicher für die Koordination der Versorgung als die spärlichen Notizen, die sie sonst erhalten. Unabhängige Fachleute hielten PreA‑Zusammenfassungen für vollständiger und klinisch relevanter als viele ärztliche Notizen, teils weil die routinemäßige Dokumentation in belasteten Kliniken oft Lücken aufweist. Eine Analyse der eigenen ärztlichen Notizen zeigte jedoch keine Hinweise darauf, dass Ärztinnen und Ärzte die KI‑Vorschläge einfach kopierten oder blind übernahmen, was Bedenken mindert, dass Automationsbias Entscheidungen unbemerkt lenken könnte.

Warum die Trainingsweise der KI wichtig ist

Die Forschenden untersuchten auch eine grundlegendere Frage: Sollte medizinische KI einfach die lokale Praxis spiegeln, oder helfen, sie zu verbessern? Sie verglichen das mitgestaltete PreA mit einer Version, die zusätzlich an Hunderten realer primärärztlicher Gespräche aus denselben Regionen weiter feinabgestimmt wurde. Diese datengetunte Version schnitt schlechter ab. Sie reproduzierte lokale Abkürzungen, übersprang wichtige Fragen, verpasste notwendige Tests und nahm manchmal einen unfreundlichen Ton an – im Wesentlichen wurden bestehende Schwächen hochskaliert. Dagegen lieferte das mitgestaltete Modell, das an Leitlinien bewährter Praxis und Prioritäten der Gemeinschaft ausgerichtet war, qualitativ höherwertige Anamnesen, Diagnosen und Testempfehlungen in simulierten Fällen. Dieser Gegensatz legt nahe, dass die Einbindung lokaler Interessengruppen zur Steuerung des Modellverhaltens sicherer und gerechter sein kann als das bloße Füttern eines Algorithmus mit rohen lokalen Dialogen.

Was das für Patienten und Gesundheitssysteme bedeutet

Für Patientinnen und Patienten lautet die Quintessenz: Ein kurzes Gespräch mit einem KI‑Assistenten vor dem Arztbesuch kann den eigentlichen Termin klarer, ruhiger und fokussierter auf das machen, was ihnen am wichtigsten ist. Für überlastete Gesundheitssysteme deutet PreA auf einen Weg hin, knappe Facharztzeit zurückzugewinnen, ohne die menschliche Verbindung, die das Zentrum der Medizin ausmacht, aufzugeben. Anstatt Kliniker zu ersetzen, übernimmt der Chatbot die routinemäßige Erhebung von Informationen und Dokumentation, sodass Ärztinnen und Ärzte sich aufs Zuhören, Erklären und auf nuancierte Entscheidungen konzentrieren können. Zwar sind größere und vielfältigere Studien noch nötig, doch weist diese Studie in eine Zukunft, in der sorgfältig mitgestaltete Chatbots als vorderer Orientierungspunkt dienen – Patienten durch komplexe Krankenhäuser leiten und Kliniker dabei unterstützen, patientenzentriertere Versorgung zu leisten, selbst wenn jede Minute zählt.

Zitation: Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med 32, 934–942 (2026). https://doi.org/10.1038/s41591-025-04176-7

Schlüsselwörter: KI im Gesundheitswesen, Patienten‑Chatbots, Klinikablauf, Überweisungen in der Primärversorgung, medizinische Mitgestaltung