In dieser Woche geht es einmal nicht um KI, sondern um die zweite Dauerbaustelle für die Zukunft der medizinischen Information. Eine Bestandsaufnahme der Telematikinfrastruktur – Stand Ende September 2026.

E-Rezept, elektronische Patientenakte und digitale Kommunikation sind inzwischen im Versorgungsalltag angekommen. Gleichzeitig kämpfen Arztpraxen weiterhin mit technischen Störungen, umständlicher Software und wiederkehrenden Umstellungen.

Lange galt die Telematikinfrastruktur (TI) vielen Ärztinnen und Ärzten vor allem als Synonym für Konnektoren, Kartenterminals, Fehlermeldungen und zusätzlichen administrativen Aufwand. Dieses Bild beginnt sich zu verändern. 2026 sind zentrale TI-Anwendungen tatsächlich im Versorgungsalltag angekommen. E-Rezept, Kommunikation im Medizinwesen (KIM) und die elektronische Patientenakte (ePA) werden inzwischen in großer Breite genutzt. Von einer störungsfreien digitalen Infrastruktur kann allerdings noch keine Rede sein.

Der TI-Atlas 2026 der gematik zeichnet erwartungsgemäß ein vergleichsweise positives Bild. Knapp 70 % der Arztpraxen arbeiten demnach bereits intensiv mit der ePA, in Krankenhäusern nutzt etwa die Hälfte die Akte kontinuierlich. Unter den regelmäßig ePA-nutzenden Praxen berichten 54 %, dass sie Patientinnen und Patienten mithilfe der ePA beziehungsweise der elektronischen Medikationsliste (eML) bereits besser behandeln konnten [1].

Besonders deutlich wird der potenzielle Nutzen bei der Arzneimitteltherapiesicherheit. Mehr als 90 % der Apotheken, die regelmäßig auf die eML zugreifen, haben nach Angaben des TI-Atlas bereits mindestens einmal ein potenzielles Medikationsrisiko erkannt [1]. Wichtig ist allerdings: Dies sind Befragungsdaten und keine kontrollierten Daten zu klinischen Endpunkten.

Auch der Informationsaustausch scheint sich zu verbessern. 70 % der befragten Arztpraxen und 85 % der Krankenhäuser bewerten den Austausch von Gesundheitsdaten inzwischen positiver als zuvor [1]. Damit beginnt sich eines der zentralen Versprechen der TI – medizinische Informationen sektorenübergreifend verfügbar zu machen – zumindest teilweise einzulösen.

Die Technik bleibt die Achillesferse

Der Blick aus den Praxen fällt jedoch deutlich weniger euphorisch aus. Eine KBV-Befragung von rund 4.500 Praxen zeigte Anfang 2026 zwar, dass 80 % bereits Dokumente in die ePA eingestellt hatten. Gleichzeitig berichteten fast 60 % der Befragten, in den vorausgegangenen Wochen mindestens einmal keinen Zugriff auf eine Patientenakte gehabt zu haben. Bei 53 % war der Zugriff zeitweise sehr langsam, mehr als ein Drittel konnte zeitweise keine Dokumente einstellen. Bei 27 % war seit Einführung der ePA mindestens einmal das Praxisverwaltungssystem abgestürzt [2].

Dass Digitalisierung nicht automatisch Entlastung bedeutet, zeigt auch das PVS-Monitoring des Zentralinstituts für die kassenärztliche Versorgung (Zi). Die Daten aus der Befragung 2025 zeigen weiterhin eine verbreitete Unzufriedenheit mit Praxisverwaltungssystemen. Fehler bei TI-Anwendungen und insbesondere beim E-Rezept werden als relevanter Belastungsfaktor beschrieben. Rund ein Drittel der Praxen erwog einen Wechsel des PVS [3].

Auch in der ÄrzteZeitung berichten digital affine Praktiker von einem paradoxen Effekt: Gut integrierte Anwendungen können Prozesse deutlich vereinfachen. Instabile TI-Verbindungen, schlecht implementierte Schnittstellen oder notwendige Techniker-Einsätze können diesen Gewinn jedoch schnell wieder zunichtemachen [4]. Entscheidend ist deshalb zunehmend nicht mehr allein, ob eine TI-Anwendung verfügbar ist, sondern wie gut sie in das jeweilige PVS und den Praxisworkflow integriert wurde.

Immerhin deutet sich auch bei der technischen Zuverlässigkeit eine Verbesserung an. Im TI-Atlas 2026 bewerten 69 % der Arztpraxen die TI inzwischen als stabil. Gegenüber dem Vorjahr entspricht dies einem deutlichen Anstieg [1]. Einen Anteil daran dürfte das TI-Gateway haben, das klassische Konnektorstrukturen schrittweise ablösen soll. Insbesondere Krankenhäuser berichten nach der Umstellung häufiger über stabilere Verbindungen und schnellere Reaktionszeiten.

Die Entwicklung weist damit bereits in Richtung TI 2.0. Im Juni 2026 haben die Gesellschafter der gematik die Erarbeitung eines Fahrplans zur grundlegenden Modernisierung beschlossen. Statt vieler separat betriebener technischer Strukturen sollen zentrale Dienste künftig stärker auf einer gemeinsamen Plattformarchitektur aufbauen. Vorgesehen sind unter anderem Open-Source-Komponenten, cloudbasierte Betriebsmodelle, digitale Identitäten und weniger spezielle Hardware in den Einrichtungen [5].

Das ist allerdings noch Zukunftsmusik: Der Übergang zur TI 2.0 hat begonnen, die neue Architektur ist aber längst noch nicht flächendeckende Realität.

Wie anspruchsvoll der Betrieb einer solchen Infrastruktur bleibt, zeigt aktuell die Umstellung der Kryptografie von RSA auf ECC. Praxen sollen ihre Konnektoren bis zum 30. September 2026 entsprechend aktualisieren. Ab dem 1. Oktober werden neue elektronische Gesundheitskarten ausgegeben, die ausschließlich das modernere ECC-Verfahren unterstützen [6]. Die Migration erhöht langfristig das Sicherheitsniveau, bringt kurzfristig jedoch erneut Updatebedarf und potenzielle Störungen mit sich.

Fazit: Nach dem Spiel ist vor dem Spiel

2026 lässt sich die Telematikinfrastruktur kaum noch als gescheitertes Digitalprojekt abtun. E-Rezept, ePA und KIM werden millionenfach genutzt, und erstmals lässt sich auch ein konkreter medizinischer Nutzen erkennen. Gleichzeitig ist die Kritik aus den Praxen keineswegs überholt.

Der Gesamtzustand ähnelt von daher Ende September 2026 dem der deutschen Fußballnationalmannschaft. Die Veränderungen der letzten Monate geben schon ein wenig Anlass zum Optimismus. Doch die aktuellen Ergebnisse machen weder die Nationalmannschaft noch die Telematikinfrastruktur zu Anwärtern auf einen internationalen Titel. Da wartet noch eine Menge Arbeit.

Text: Reinhard Merz
Bild: openAI für arztCME

Quellen:

1. gematik. TI-Atlas 2026: Digitalisierung im Gesundheitswesen. 2026.
2. Kassenärztliche Bundesvereinigung. Umfrage zeigt: Praxen setzen die ePA aktiv ein – Technische Umsetzung muss weiter verbessert werden. 5. Februar 2026.
3. Zentralinstitut für die kassenärztliche Versorgung. Unzufriedenheit mit Praxissoftware nach wie vor weit verbreitet. 15. Januar 2026.
4. ÄrzteZeitung. Wo drückt Ärzten bei der Digitalisierung am meisten der Schuh, Herr Eckert? 10. März 2026.
5. gematik. Gesellschafter beschließen nächste Schritte zur Weiterentwicklung der Telematikinfrastruktur. 19. Juni 2026.
6. Kassenärztliche Bundesvereinigung. Konnektoren: Update bis 30. September einspielen. 27. August 2026.

Der Beitrag Telematikinfrastruktur: 2026 als Jahr des Umbruchs? erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Im Podcast „JAMA+ AI Conversations“ diskutiert JAMA+ AI-Chefredakteur Roy Perlis mit dem Kardiologen und Digital-Health-Pionier Eric Topol. Der sieht das Potenzial von KI weniger in Chatbots oder automatisierten Arztbriefen, sondern in der Möglichkeit, Erkrankungen Jahre vor ihrem Auftreten vorherzusagen.  

Für Eric Topol liegt das vielleicht größte Potenzial künstlicher Intelligenz in der Medizin nicht darin, bestehende Prozesse effizienter zu machen. Vielmehr könne KI dazu beitragen, das zu schaffen, was alle schon lange wollen: Die Medizin von einer reaktiven zu einer präventiven Disziplin weiterzuentwickeln.

Bislang werden viele chronische Erkrankungen erst behandelt, wenn klinische Symptome oder manifeste Organschäden vorliegen. Multimodale KI-Modelle könnten dagegen künftig sehr unterschiedliche Informationen – elektronische Patientenakten, Laborwerte, Bildgebung, Proteomdaten, immunologische Marker und Umweltfaktoren – zusammenführen und daraus individuelle Krankheitsrisiken ableiten.

Topols Vision geht dabei deutlich über die heute etablierten Risikoscores hinaus. Perspektivisch könnten Algorithmen nicht nur abschätzen, ob für einen Menschen ein erhöhtes Risiko beispielsweise für einen Herzinfarkt oder eine neurodegenerative Erkrankung besteht. Sondern auch, wann mit ersten klinischen Manifestationen zu rechnen ist. Und der entscheidende Schritt wäre die Verknüpfung dieser Vorhersage mit gezielten präventiven Interventionen.

Eine Rolle könnten dabei sogenannte Organ-, Zell- oder Immun-Clocks spielen. Anders als derzeit kommerziell angebotene epigenetische Tests sollen sie Veränderungen spezifischer Organsysteme abbilden. Grundlage sind unter anderem hochdimensionale Proteomdaten, deren Auswertung durch KI erst praktikabel wird. Topol betont allerdings ausdrücklich, dass sich viele dieser Ansätze noch in der Entwicklung befinden und derzeit nicht für die klinische Routine zur Verfügung stehen.

Gleichzeitig kritisiert Topol eine aus seiner Sicht widersprüchliche Entwicklung: Einige KI-Anwendungen mit vergleichsweise guter klinischer Evidenz – wie KI-unterstützte Mammografiesysteme – würden bislang nur zögerlich implementiert, während generative KI-Systeme und Chatbots mit deutlich dünnerer Evidenzbasis innerhalb kurzer Zeit breite Anwendung gefunden hätten.

Die vielleicht weitreichendste Botschaft des Gesprächs lautet: Die spektakulärste Anwendung künstlicher Intelligenz in der Medizin muss nicht der medizinische Chatbot sein. Wesentlich bedeutsamer könnte die Fähigkeit werden, bislang verborgene Muster in großen Mengen individueller Gesundheitsdaten zu erkennen.

Ob diese Vision Realität wird, hängt allerdings nicht allein von leistungsfähigeren Algorithmen ab. Topols zentrale Forderung zieht sich durch das gesamte Gespräch: Medizinische KI braucht dieselben Maßstäbe wie andere medizinische Interventionen – robuste klinische Validierung, nachgewiesenen Nutzen und eine Implementierung, die letztlich den Patienten zugutekommt.

Text: Reinhard Merz
Bild: openAI für arztCME

Quelle: Perlis R. From Aging to AI and Beyond: A Conversation With Eric Topol. JAMA. Published online September 10, 2026. doi:10.1001/jama.2026.13053

Der Beitrag KI und die Medizin des Alterns erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Die Qualität medizinischer KI lässt sich nicht allein daran messen, wie intelligent ein Sprachmodell wirkt. Entscheidend ist, ob sich seine Aussagen nachvollziehen, überprüfen und gegebenenfalls widerlegen lassen. Die SEIG-Loop macht’s möglich.

Large Language Models (LLMs) sind in der medizinischen Versorgung längst angekommen. Sie formulieren Arztbriefe, fassen komplexe Patientenakten zusammen, erstellen Informationsmaterialien oder unterstützen bei Literaturrecherchen. Gerade in der Psychiatrie zeigt sich jedoch besonders deutlich, wo die Grenzen dieser Systeme liegen: Sprachlich überzeugende Antworten sind nicht automatisch klinisch korrekt.

Darauf weisen Martin P. Paulus und John Torous in einem aktuellen Viewpoint in JAMA Psychiatry hin. LLMs können Informationen erfinden, relevante Details auslassen oder widersprüchliche Befunde zu einer scheinbar schlüssigen Geschichte zusammenfügen. Die Autoren plädieren deshalb dafür, KI nicht als autonomen klinischen Akteur, sondern als klinisches Instrument zu verstehen. Die Verantwortung für Diagnostik und Therapie bleibt beim qualifizierten Behandler.

Vier Schritte für einen sichereren Umgang mit LLMs

Als praktisches Konzept schlagen Paulus und Torous den sogenannten SEIG-Loop vor. Das Akronym steht für Specify – Elicit – Interrogate – Ground.

1. Specify – Aufgabe präzisieren:
   Vor jeder Anfrage sollte festgelegt werden, welche Aufgabe die KI übernehmen soll, für wen die Antwort bestimmt ist, welche Quellen verwendet werden dürfen und welche Entscheidungen ausdrücklich nicht delegiert werden.
2. Elicit – strukturierte Antworten verlangen:
   Das Modell sollte Fakten, Schlussfolgerungen, fehlende Informationen und Unsicherheiten klar voneinander trennen. Gerade diese Differenzierung kann verhindern, dass Vermutungen unbemerkt als gesicherte Tatsachen übernommen werden.
3. Interrogate – die erste Antwort hinterfragen:
   Statt das initiale Ergebnis einfach zu akzeptieren, sollte die KI gezielt nach alternativen Erklärungen, möglichen Verzerrungen und Gegenargumenten gefragt werden: Welche Befunde sprechen gegen die vorgeschlagene Interpretation? Welche zusätzlichen Informationen könnten die Einschätzung verändern?
4. Ground – Aussagen an Quellen rückbinden:
   Faktische Aussagen müssen auf konkrete Quellen zurückgeführt werden – beispielsweise Befundberichte, Untersuchungszeitpunkte, Scores oder Medikationsdaten. Fehlt ein Beleg, sollte dies ausdrücklich gekennzeichnet werden. Damit verändert sich die Rolle des LLM: vom vermeintlichen „Antwortgenerator“ zum kontrollierten Hypothesengenerator.

Entscheidend ist nach Ansicht der Autoren die Qualität der Interaktion zwischen Arzt und System: Wurden Fakten und Interpretation getrennt? Wurden fehlende Informationen erkannt? Ist die Unsicherheit sichtbar? Und wurde erkannt, wann eine Entscheidung nicht an eine KI delegiert werden darf?

Aussagen wie „unzureichende Evidenz in der Akte“, „direkte erneute Untersuchung erforderlich“ oder „das Modell sollte für diese Entscheidung nicht eingesetzt werden“ sind in diesem Verständnis Zeichen eines kompetenten Umgangs mit KI.

Klinische Verantwortung bleibt undelegierbar

Besonders klare Grenzen ziehen Paulus und Torous bei Entscheidungen mit unmittelbaren Konsequenzen für Patientinnen und Patienten. Diagnostische Gesamtbewertung, Einschätzung des Suizidrisikos, Änderungen einer Medikation oder Entscheidungen über unfreiwillige Behandlungen müssen in der Verantwortung qualifizierter Ärztinnen und Ärzte bleiben. KI kann Informationen strukturieren, Optionen vorbereiten und auf offene Fragen hinweisen – sie ersetzt jedoch keine klinische Verantwortlichkeit.

Gleichzeitig genügt es nicht, die Verantwortung allein beim einzelnen Anwender abzuladen. Gesundheitseinrichtungen benötigen validierte Anwendungsfälle, freigegebene Templates, Versionskontrollen, Auditmöglichkeiten und systematische Verfahren zum Umgang mit Fehlern, Halluzinationen, Auslassungen und Bias. Für die klinische Praxis könnte genau diese Haltung entscheidend werden: Nicht der perfekte Prompt macht KI sicher – sondern ein Arbeitsprozess, der Fehler sichtbar macht, bevor sie die Patientenversorgung beeinflussen.

Text: Reinhard Merz
Bild: openAI für arztCME

Quelle:
Paulus MP, Torous J. LLMs as Clinical Instruments—Toward Verifiable Reasoning. JAMA Psychiatry 2026. doi:10.1001/jamapsychiatry.2026.2211.

Der Beitrag SEIG-Loop: So kann KI zum klinischen Partner werden erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Warum wir neu darüber sprechen müssen, wie Forschung bewertet wird

Wer in der Medizin wissenschaftlich arbeitet, kennt das Spiel: Es zählt nicht nur, was erforscht wurde, sondern vor allem, wo es erschienen ist. Eine Publikation in einem renommierten Journal gilt noch immer als Karrierewährung. Impact Factor, h-Index, Zitationszahlen und Journal-Rankings prägen Berufungen, Drittmittelanträge, wissenschaftliche Reputation und nicht selten auch die Auswahl von Referenten für Kongresse oder Fortbildungen. Publish or perish.

Doch diese Form der Bewertung steht zunehmend in der Kritik. Denn sie sagt oft mehr über das Publikationssystem aus als über die Qualität einer konkreten wissenschaftlichen Leistung. Genau hier setzt CoARA an – die „Coalition for Advancing Research Assessment“. CoARA ist ein internationales Bündnis von Forschungsorganisationen, Hochschulen, Förderern und wissenschaftlichen Einrichtungen, das sich für eine Reform der Forschungsbewertung einsetzt. Im Kern geht es um eine einfache, aber weitreichende Frage: Wie können wissenschaftliche Leistungen fairer, transparenter und sinnvoller beurteilt werden?

Das Problem: Wir bewerten oft das Journal, nicht die Forschung

Der Journal Impact Factor ist ursprünglich eine Kennzahl für Zeitschriften. Er beschreibt, wie häufig Artikel eines Journals im Durchschnitt zitiert werden. Für die Bewertung einzelner Wissenschaftler ist er jedoch ungeeignet. Ein guter Artikel kann in einem weniger prominenten Journal erscheinen. Ein schwacher Artikel kann in einem sehr angesehenen Journal stehen. Trotzdem wirkt der Name des Journals häufig wie ein Qualitätssiegel.

Auch der h-Index ist nur begrenzt hilfreich. Er misst, wie viele Publikationen einer Person wie häufig zitiert wurden. Das klingt personenbezogener als der Impact Factor, bleibt aber problematisch: Der h-Index bevorzugt lange Karrieren, große Fächer, zitationsstarke Themen und etablierte Netzwerke. Er berücksichtigt kaum, ob jemand Erstautor, Letztautor oder einer von vielen Mitautoren war. Und er sagt wenig über methodische Qualität, klinische Relevanz, Reproduzierbarkeit oder Nutzen für die Versorgung.

Noch grundsätzlicher ist die Frage: Warum haben einige wenige große Verlage eine so starke Position im wissenschaftlichen System? Medizinische Forschung wird häufig öffentlich oder gemeinnützig finanziert. Die Autoren werden in der Regel nicht vom Verlag bezahlt. Peer Review erfolgt meist ehrenamtlich. Und dennoch können Verlage hohe Gebühren für den Zugang oder für Open-Access-Publikationen verlangen. In manchen Fällen dürfen Autoren nicht einmal eigene Abbildungen ohne Genehmigung in späteren Lehr- oder Fortbildungsmaterialien verwenden. Das ist mehr als ein Ärgernis. Es verweist auf ein strukturelles Problem des heutigen Publikationssystems.

CoARA: Mehr Qualität, weniger Scheingenauigkeit

CoARA will wissenschaftliche Bewertung nicht abschaffen. Im Gegenteil: Forschung soll sorgfältiger, verantwortlicher und stärker nach ihren tatsächlichen Inhalten beurteilt werden. Der zentrale Gedanke lautet: Wissenschaftliche Qualität lässt sich nicht auf eine Zahl reduzieren. Stattdessen sollen unterschiedliche Beiträge zur Wissenschaft berücksichtigt werden. Dazu gehören nicht nur Journalartikel, sondern beispielsweise Studiendesign, Daten, Software, Leitlinienarbeit, Replikationsstudien, negative Ergebnisse, Wissenschaftskommunikation, Lehre, Mentoring, klinische Umsetzung und Beiträge zu Open Science.

Für die Medizin ist das besonders wichtig. Ein methodisch solides Register, eine gute Versorgungsstudie, ein praxisnahes Fortbildungsformat oder ein Beitrag zu einer Leitlinie kann für Patienten relevanter sein als eine hoch zitierte Publikation zu einem Modethema. Trotzdem werden solche Leistungen im klassischen Bewertungssystem oft schlechter sichtbar. CoARA setzt deshalb auf eine Bewertung, bei der qualitative Begutachtung eine stärkere Rolle spielt und quantitative Indikatoren nur unterstützend eingesetzt werden. Metriken sollen nicht verschwinden. Aber sie dürfen das Denken nicht ersetzen.

CoARA ist kein Open-Access- oder Urheberrechtsabkommen

An dieser Stelle ist eine wichtige Abgrenzung notwendig. CoARA regelt nicht, wie Verlage ihre Lizenzverträge gestalten, welche Publikationsgebühren sie verlangen oder ob Autoren eigene Abbildungen später wiederverwenden dürfen. CoARA ist in erster Linie eine Initiative zur Reform der Forschungsbewertung.Trotzdem hängen beide Themen eng zusammen.

Solange wissenschaftliche Karrieren stark davon abhängen, in bestimmten hochrangigen Journals zu publizieren, haben Wissenschaftler nur begrenzte Freiheit bei der Wahl des Publikationswegs. Wenn dagegen die Qualität und Bedeutung einer wissenschaftlichen Leistung stärker zählen als der Name des Journals, können auch Open-Science-Modelle, offene Daten und alternative Publikationsformen attraktiver werden. Für den unmittelbaren Zugang zu Forschungsergebnissen und den Erhalt von Nutzungsrechten sind andere Initiativen und Open-Access-Strategien zuständig. CoARA schafft dafür jedoch einen wichtigen Bewertungsrahmen: Wissenschaftler sollen nicht länger Nachteile haben, wenn sie sich für offenere Publikationswege entscheiden.

Öffentlich finanzierte Forschung darf nicht privat eingeschlossen werden

Damit bleibt die Frage des Zugangs zu wissenschaftlichen Ergebnissen bestehen. Wenn Forschung mit öffentlichen Mitteln finanziert wurde, sollte sie für Wissenschaft, Ärzte, Studierende und Öffentlichkeit möglichst frei zugänglich sein. Es ist schwer zu rechtfertigen, dass öffentlich finanzierte Forschung hinter Bezahlschranken verschwindet oder dass Autoren Rechte an eigenen Texten, Tabellen und Abbildungen so weitgehend abgeben müssen, dass spätere wissenschaftliche Nutzung genehmigungspflichtig wird. Open Access allein löst dieses Problem allerdings nicht vollständig. In vielen Fällen wurde die Paywall lediglich verschoben: Früher zahlten Bibliotheken für den Zugang, heute zahlen Institutionen oder Förderer teilweise erhebliche Publikationsgebühren. Das verbessert zwar den freien Zugang zum einzelnen Artikel, verändert aber nicht zwangsläufig die wirtschaftliche Struktur des Publikationsmarktes. Deshalb braucht es neben Open Access auch Rechteerhalt. Autoren sollten das Recht behalten, eigene wissenschaftliche Inhalte für Forschung, Lehre, Fortbildung, Leitlinienarbeit und Wissenstransfer weiterzuverwenden. Und öffentlich geförderte Forschung sollte nicht dauerhaft exklusiv in geschlossenen Publikationssystemen eingeschlossen werden.

Warum das auch die ärztliche Fortbildung betrifft

Auf den ersten Blick scheint CoARA vor allem ein Thema für Universitäten, Förderorganisationen und Berufungskommissionen zu sein. Doch die Grundfrage reicht weiter: Nach welchen Kriterien entscheiden wir eigentlich, wem wir wissenschaftliche Autorität zuschreiben? Auch in der ärztlichen Fortbildung spielen Reputation, Publikationslisten und institutionelle Zugehörigkeit eine Rolle. Das ist verständlich, aber nicht ausreichend. Für gute Fortbildung kommt es auf mehr an: fachliche Erfahrung, methodische Sorgfalt, didaktische Qualität, Unabhängigkeit, Aktualität, Transparenz und die Fähigkeit, wissenschaftliche Evidenz in klinisch relevante Handlungsperspektiven zu übersetzen. Ein Autor mit hohem h-Index ist nicht automatisch ein guter Fortbildungsautor. Eine Publikation in einem Journal mit hohem Impact Factor ist nicht automatisch klinisch relevant. Und eine weniger spektakuläre Studie kann für die Versorgungspraxis wichtiger sein als eine viel zitierte Grundlagenarbeit. Gerade deshalb passt die Debatte um die Reform der Forschungsbewertung gut in die medizinische Fortbildungslandschaft. Sie erinnert daran, dass wissenschaftliche Autorität nicht einfach aus Kennzahlen abgeleitet werden sollte.

Was nun?

Für Hochschulen, Kliniken, Förderer, Fachgesellschaften und Fortbildungsanbieter ergeben sich aus der CoARA-Debatte einige praktische Konsequenzen.

• Erstens: Journal Impact Factors sollten nicht als Ersatzmaß für die Qualität einzelner Personen oder Arbeiten verwendet werden. Wer wissenschaftliche Leistungen beurteilt, sollte die Inhalte, den individuellen Beitrag und den jeweiligen Kontext berücksichtigen.
• Zweitens: Bewertungsverfahren sollten breiter werden. Neben Publikationen zählen auch offene Daten, Replikationen, Leitlinienarbeit, Register, Versorgungsforschung, Lehrleistungen, Wissenstransfer und Beiträge zur wissenschaftlichen Infrastruktur.
• Drittens: Wissenschaftler sollten ihre wichtigsten Beiträge erläutern können. Narrative Lebensläufe und kurze Darstellungen der eigenen wissenschaftlichen Rolle können aussagekräftiger sein als lange Publikationslisten.
• Viertens: Bibliotheken und Forschungseinrichtungen sollten gegenüber Verlagen stärker auf Transparenz, faire Kosten und Rechteerhalt drängen. Es ist schwer vermittelbar, wenn öffentlich finanzierte Inhalte mehrfach bezahlt werden – durch Forschungsgelder, unbezahlte Autorenschaft und Peer Review, Bibliotheksetats und zusätzliche Publikationsgebühren.
• Fünftens: Auch medizinische Fortbildungsanbieter sollten ihre eigenen Qualitätskriterien regelmäßig hinterfragen. Entscheidend ist nicht allein, wo jemand publiziert hat, sondern ob Inhalte unabhängig, aktuell, methodisch sauber und für die Versorgung relevant sind.

CoARA ist keine technische Spezialdebatte der Wissenschaftsverwaltung. Es geht um eine Grundfrage: Wie erkennen und honorieren wir wissenschaftliche Qualität? Gerade in der Medizin ist diese Frage zentral. Denn wissenschaftliche Bewertung beeinflusst Karrieren, Forschungsschwerpunkte, Leitlinien und Fortbildung – und damit mittelbar auch die Patientenversorgung.

Text: Redaktion arztCME
Bild: OpenAI für arztCME

Der Beitrag Kennen Sie CoARA? erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

KI verändert die medizinische Wissensvermittlung – vom Symptom-Chatbot bis zum synthetischen Patienten im Lernvideo. Zwei aktuelle Veröffentlichungen zeigen Potenzial und Grenzen.

Generative KI verändert zunehmend, wie medizinische Informationen vermittelt werden. Patientinnen und Patienten lassen sich Symptome von Chatbots einordnen, während in der medizinischen Aus- und Fortbildung bereits synthetische Patienten, simulierte Gespräche und KI-generierte Lernvideos erprobt werden. Zwei aktuelle Beiträge zeigen, wie schnell sich diese Entwicklung vollzieht – und wo ihre Grenzen liegen.

KI als medizinischer Gesprächspartner für Patienten. Wie weit allgemein verfügbare Systeme inzwischen sind, zeigt ein aktueller Test (8/2026) der Stiftung Warentest. Fünf verbreitete KI-Chatbots sollten anhand typischer Symptome Verdachtsdiagnosen stellen und Empfehlungen zum weiteren Vorgehen geben. ChatGPT erkannte alle fünf untersuchten Krankheitsbilder korrekt und gab konkrete Handlungshinweise; Claude und DeepSeek lieferten überwiegend zutreffende Ergebnisse. Dennoch empfiehlt Stiftung Warentest die Systeme nur eingeschränkt – unter anderem wegen möglicher Fehleinschätzungen, unvollständiger Nutzereingaben und Datenschutzproblemen. Das Beispiel macht deutlich: KI kann medizinisches Wissen bereits erstaunlich überzeugend vermitteln. Ob daraus eine verlässliche medizinische Entscheidung wird, ist jedoch eine andere Frage.

Der nächste Schritt: KI-generierte Lernvideos. Genau diese Entwicklung erreicht nun auch die medizinische Bildung. Ein 2026 veröffentlichtes Scoping Review von P. F. Impito untersucht den Einsatz KI-generierter Videos in der medizinischen Aus- und Fortbildung. Von 970 identifizierten Arbeiten erfüllten acht die Einschlusskriterien. Die bisherigen Studien berichten unter anderem positive Effekte auf Wissenserhalt, Kompetenzerwerb und Engagement der Lernenden. Dabei geht es nicht nur um automatisch produzierte Erklärvideos. KI kann synthetische Patienten, klinische Fallsituationen, Gesprächssimulationen oder prozedurale Demonstrationen erzeugen. Solche Szenarien lassen sich standardisieren, wiederholen und grundsätzlich auch an unterschiedliche Lernziele anpassen.

Einige der untersuchten Anwendungen waren hinsichtlich ihrer Lehrwirkung mit menschlich produzierten Videos oder klassischen Simulationsformaten vergleichbar. Als Vorteile werden insbesondere Skalierbarkeit, geringere Produktionskosten und flexible Nutzung genannt. Der Autor des Reviews betont jedoch deutliche Grenzen. Medizinische Genauigkeit, Realismus der Avatare, emotionale Authentizität und die Übereinstimmung mit aktuellen Leitlinien müssen zuverlässig gewährleistet sein. Zudem ist die Evidenzbasis mit acht heterogenen Studien noch klein; belastbare Langzeitdaten fehlen. Für die medizinische Fortbildung liegt das Potenzial deshalb weniger darin, bestehende Videos lediglich billiger durch KI produzieren zu lassen. Interessanter sind neue Formate: synthetische Patienten, variierende Fallsimulationen oder individualisierte audiovisuelle Lernangebote.

Fazit: Je leistungsfähiger die Technik wird, desto wichtiger werden dabei medizinische Redaktion, didaktische Konzeption und fachliche Validierung

Quelle: Impito PF. Artificial Intelligence Generated Videos as Supportive Tools in Medical Education: A Scoping Review. Journal of Medical Education and Curricular Development. 2026.

Text: Redaktion arztCME

Bild: OpenAI für arztCME

Der Beitrag KI in der medizinischen Wissensvermittlung: Vom Chatbot zum Lernvideo erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Ein aktueller Sicherheitsvorfall bei OpenAI zeigt, wie weit solche Systeme dabei unerwartet gehen können. Forschende warnen zugleich vor koordinierten KI-Schwärmen, die Desinformation skalieren und auch medizinische Debatten gezielt beeinflussen könnten.

Wie schnell aus einem theoretischen Risiko ein realer Sicherheitsvorfall werden kann, zeigte sich im Juli 2026 bei OpenAI. Während einer internen Prüfung ihrer Cyberfähigkeiten überwanden mehrere KI-Modelle die Begrenzungen einer isolierten Testumgebung, verschafften sich Zugang zum offenen Internet und drangen in die Systeme der KI-Plattform Hugging Face ein. Dabei nutzten sie unter anderem eine bislang unbekannte Sicherheitslücke und gestohlene Zugangsdaten. OpenAI bezeichnete den Vorgang als „beispiellosen Cybervorfall“. Die häufig verwendete Formulierung, die KI habe sich „verselbstständigt“, ist dennoch erklärungsbedürftig. Die Modelle entwickelten kein eigenes Angriffsziel. Sie sollten in einem bewusst weitgehend ungeschützten Test komplexe Sicherheitsaufgaben lösen und gingen dabei unerwartet weit: Um an die Lösungen zu gelangen, fanden sie selbstständig einen Weg aus der Testumgebung und griffen auf fremde Systeme zu. Gerade das macht den Fall bedeutsam. Ein eng definiertes Ziel genügte, um eine lange Kette nicht vorgesehener Handlungen auszulösen.

Generative KI beantwortet Fragen und erstellt Texte. KI-Agenten gehen einen Schritt weiter: Sie erhalten ein Ziel, planen eigenständig mehrere Arbeitsschritte, greifen auf Programme oder Datenbanken zu und passen ihr Vorgehen an neue Informationen an. Mehrere Agenten können dabei zusammenarbeiten. Genau diese Verbindung aus Autonomie, Geschwindigkeit und nahezu unbegrenzter Skalierbarkeit macht die Technologie zugleich interessant und riskant.

Ein internationales Autorenteam um Daniel Thilo Schroeder warnte in einem 2026 in Science veröffentlichten Beitrag vor sogenannten bösartigen KI-Schwärmen. Gemeint sind große Gruppen koordinierter Agenten, die in sozialen Netzwerken eigenständig Inhalte erzeugen, künstliche Identitäten aufbauen und ihre Botschaften fortlaufend optimieren könnten [1]. Anders als herkömmliche Social Bots wären solche Systeme nicht darauf beschränkt, vorbereitete Beiträge zu verbreiten. Sie könnten auf Reaktionen eingehen, unterschiedliche Rollen übernehmen und gezielt Vertrauen aufbauen. Die eigentliche Gefahr liegt dabei möglicherweise weniger in einer einzelnen Falschmeldung als in der Erzeugung eines scheinbaren gesellschaftlichen Konsenses. Wenn zahlreiche vermeintlich unabhängige Nutzer dieselbe Behauptung vertreten, wirkt sie glaubwürdiger. Ein Agentenschwarm könnte so den Eindruck erzeugen, eine bestimmte Meinung werde von sehr vielen Menschen geteilt, obwohl hinter den Accounts nur ein einzelner Auftraggeber steht.

Für medizinische Themen ist dieses Szenario besonders relevant. Gesundheitsentscheidungen sind komplex, häufig emotional belastet und für Patienten nur schwer vollständig zu überprüfen. Agenten könnten in Foren, Kommentarspalten oder sozialen Netzwerken unterschiedliche Rollen übernehmen: Ein Account berichtet von einer angeblichen Nebenwirkung, ein zweiter liefert vermeintliche wissenschaftliche Belege, ein dritter unterstellt Ärzten oder Behörden wirtschaftliche Interessen. Die Beiträge müssten nicht vollständig erfunden sein. Oft reicht es, seltene Risiken hervorzuheben, Einzelfälle zu verallgemeinern und wissenschaftliche Unsicherheit als Beleg für eine Vertuschung darzustellen. Hinzu kommt, dass Menschen KI-generierte Inhalte nicht zuverlässig erkennen. Eine in den Begleitmaterialien zitierte Metaanalyse zur Erkennung von Deepfakes kommt zu dem Ergebnis, dass die Trefferquote kaum besser als Zufall sein kann. Auch KI-Schreibassistenten können durch eine einseitige Auswahl und Formulierung von Argumenten die Einstellungen ihrer Nutzer schrittweise beeinflussen. Noch problematischer wäre es, wenn Agenten nicht nur Menschen, sondern auch die Informationsgrundlage zukünftiger KI-Systeme manipulieren. Große Mengen automatisch erzeugter Webseiten, Patientenberichte oder pseudowissenschaftlicher Texte könnten von Suchmaschinen und Sprachmodellen erfasst werden. Durch gegenseitige Verlinkung und Wiederholung entstünde der Eindruck einer breiten Quellenbasis, obwohl die Inhalte aus derselben gesteuerten Kampagne stammen.

Dabei ist eine nüchterne Einordnung wichtig. Der Science-Beitrag belegt nicht, dass vollständig autonome KI-Schwärme bereits in großem Maßstab eingesetzt werden. Er beschreibt vielmehr ein plausibles Bedrohungsszenario. Viele technische Einzelbausteine existieren jedoch schon heute: KI-generierte Texte und Bilder, automatisierte Accounts, personalisierte Ansprache sowie Agenten, die planen, Werkzeuge verwenden und Aufgaben untereinander verteilen.

Für Ärztinnen und Ärzte bedeutet dies vor allem, dass viele übereinstimmende Beiträge nicht automatisch viele unabhängige Quellen darstellen. Medizinische Aussagen sollten weiterhin auf Leitlinien, Originalpublikationen und nachvollziehbare Fachquellen zurückgeführt werden. Im Patientengespräch könnte es künftig zudem häufiger notwendig werden, nicht nur eine einzelne Falschinformation zu korrigieren, sondern ein ganzes scheinbar geschlossenes Informationssystem aus Videos, Erfahrungsberichten und vermeintlichen Expertenaussagen einzuordnen.

Literatur

1. Schroeder DT, Cha M, Baronchelli A, et al. How malicious AI swarms can threaten democracy: The fusion of agentic AI and LLMs marks a new frontier in information warfare. Science. 2026;391:354. doi:10.1126/science.adz1697.

Text: Redaktion arztCME

Bild: OpenAI für arztCME

Der Beitrag Wie gefährlich sind KI-Agenten? erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Gesundheitssysteme stehen unter Druck. Nicht nur in Deutschland. Eine Pharmafirma hat in einer repräsentativen Umfrage untersucht, wie die Bürger Europas damit umzugehen gedenken.

Nur 56 Prozent der Befragten sind demnach mit der aktuellen Versorgung zufrieden, 42 Prozent sehen ihre Erwartungen nicht erfüllt. Deutschland liegt mit 63 Prozent über dem europäischen Durchschnitt, immerhin. Zwei Drittel nennen Fachkräftemangel und lange Wartezeiten als größte Herausforderung. Hinzu kommen Defizite bei Bezahlbarkeit, Prävention und psychischer Gesundheit.

Das war zu erwarten, spannender ist der Blick nach vorn. Die Menschen reagieren mit wachsender Eigeninitiative. 78 Prozent sind überzeugt, ihr Wohlergehen selbst im Griff zu haben. Acht von zehn nutzen mindestens ein Hilfsmittel, um ihre Gesundheit zu beobachten. Doch dieses Empowerment hat Grenzen: Nur 22 Prozent trauen sich zu, die Vielzahl verfügbarer Informationen sicher einzuordnen, während sich 46 Prozent davon überfordert fühlen. Besonders betroffen sind Menschen mit schlechter psychischer Gesundheit.

In diesem Spannungsfeld gewinnt KI rasch an Bedeutung. Bereits 55 Prozent setzen sie im Gesundheitskontext ein. Die Mehrheit würde eine medizinische Beratung durch KI erwägen, und nahezu jeder Zweite vertraut KI-generierten Diagnosen bereits oder wäre dazu bereit. KI wird damit zum Instrument der Selbstinformation und Entscheidungsunterstützung – gerade dort, wo professionelle Beratung nicht zeitnah erreichbar ist.

Ein Ersatz für medizinische Fachkräfte ist sie dennoch nicht. Für 77 Prozent bleiben Hausärzte und andere Gesundheitsdienstleister die wichtigste Einflussquelle bei Gesundheitsentscheidungen. Auch Apotheken behalten ihre Rolle als niedrigschwellige Anlaufstellen. Zwar würden 62 Prozent einer reinen Online-Apotheke zumindest teilweise vertrauen, vollständig auf eine digitale Lösung setzen jedoch nur 13 Prozent.

Glaubt man den Daten, ist in Zukunft ein hybrides Versorgungsmodell gefragt: KI ermöglicht schnellen Zugang zu Informationen und unterstützt Entscheidungen. Ärzte, Apotheker und Pflegekräfte ordnen Ergebnisse ein, erkennen Risiken und übernehmen Verantwortung. Der zentrale Rohstoff dieser Transformation bleibt Vertrauen.

Quelle: STADA Health Report 2026

Text: Reinhard Merz
Bild: OpenAI für arztCME

Der Beitrag KI trifft Versorgungskrise: Patienten werden selbstständiger erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Für Hausärzte verändert sich der Erstkontakt: Neben den Beschwerden muss oft auch eine bereits vorgeprägte KI-Diagnose eingeordnet werden.

„ChatGPT meint, das könnte eine Autoimmunerkrankung sein.“ Solche Sätze dürften in Hausarztpraxen häufiger werden. Anders als bei einer klassischen Internetsuche erhalten Patienten von KI-Systemen keine Liste von Treffern, sondern eine zusammenhängende, individuell formulierte Antwort. Das wirkt verständlich, persönlich und oft erstaunlich überzeugend. Gerade der Hausarzt ist davon besonders betroffen. Er ist für viele Patienten die erste medizinische Anlaufstelle und muss aus unspezifischen Beschwerden, Vorerkrankungen, Medikamenten und psychosozialem Kontext ein stimmiges Gesamtbild entwickeln. Die KI kennt dagegen nur das, was der Nutzer eingegeben hat. Wichtige Informationen können fehlen, falsch gewichtet oder missverständlich formuliert sein.

Die Nutzung von KI ist nicht grundsätzlich problematisch. Patienten können ihre Beschwerden zeitlich ordnen, Fachbegriffe nachschlagen und Fragen für das Gespräch vorbereiten. Das kann die Anamnese erleichtern. Schwierig wird es, wenn aus einer möglichen Differenzialdiagnose eine vermeintliche Gewissheit wird. Sprachmodelle formulieren flüssig und plausibel, ohne dass ihre Aussagen medizinisch zuverlässig sein müssen. Die sprachliche Qualität kann so eine Sicherheit vortäuschen, die diagnostisch nicht besteht. Für den Hausarzt entsteht dann eine doppelte Aufgabe: Er muss die Beschwerden abklären und zugleich eine bereits entstandene Deutung korrigieren oder relativieren.

Die KI-Antwort als Teil der Anamnese? Ein pauschaler Hinweis, man solle „nicht alles aus dem Internet glauben“, hilft meist wenig. Sinnvoller ist es, die KI-Nutzung sachlich in die Anamnese einzubeziehen:

• Was genau wurde eingegeben?
• Welche Diagnose oder Aussage hat besonders beunruhigt?
• Welche Untersuchungen oder Behandlungen erwartet der Patient?
• Wurden aufgrund der Antwort bereits Medikamente verändert oder Arztkontakte verschoben?

Diese Fragen zeigen schnell, ob die KI lediglich zur Vorbereitung genutzt wurde oder das Verhalten des Patienten bereits beeinflusst hat. Besondere Aufmerksamkeit ist erforderlich, wenn Patienten Medikamente abgesetzt, Dosierungen verändert oder vermeintlich harmlose Beschwerden selbst behandelt haben. Ebenso problematisch kann es sein, wenn ein Chatbot durch beruhigende Formulierungen einen notwendigen Arztbesuch verzögert hat. Die hausärztliche Kompetenz liegt nicht im bloßen Abruf medizinischer Informationen. Entscheidend sind die Gewichtung von Wahrscheinlichkeiten, die körperliche Untersuchung, die Kenntnis des Patienten und die Entscheidung, welche Diagnostik tatsächlich erforderlich ist. Eine von der KI genannte Diagnose sollte deshalb weder reflexhaft verworfen noch unkritisch übernommen werden. Sie ist zunächst eine Hypothese – ähnlich wie eine Vermutung des Patienten oder ein Hinweis aus dem persönlichen Umfeld.

Bei unspezifischen Beschwerden bleibt die hausärztliche Aufgabe, gefährliche Verläufe auszuschließen, Überdiagnostik zu vermeiden und den weiteren Weg zu steuern. Dazu gehört auch, dem Patienten verständlich zu erklären, warum eine vorgeschlagene Untersuchung sinnvoll ist – oder eben nicht.

Literatur

Montero A, Montalvo J III, Kearney A et al. KFF Tracking Poll on Health Information and Trust: Use of AI for Health Information and Advice. KFF, 25.03.2026.

Draelos RL, Afreen S, Shah A. Large language models provide unsafe answers to patient-posed medical questions. npj Digital Medicine. 2026;9. Published online 13.02.2026.

Text: Redaktion arztCME

Bild: Open AI für arztCME

Der Beitrag „ChatGPT meint …“ – Wenn die KI mit in die Hausarztpraxis kommt erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

Die Alzheimer-Medizin steht an einem Wendepunkt. Lange wurde die Erkrankung vor allem dann relevant, wenn kognitive Defizite bereits klinisch sichtbar waren. Heute verschiebt sich der Fokus nach vorn: auf Risikoprofile, Blutbiomarker, Prävention und eine möglichst frühe therapeutische Weichenstellung.

Zwei aktuelle Arbeiten zeigen, wie diese neue Demenzmedizin aussehen könnte. Im Zentrum stehen künstliche Intelligenz, Multi-Omics-Analysen und genetisch-exposomische Risikoabschätzungen. Gemeint ist: Genetik, Lebensstil, Umweltfaktoren, Familienanamnese, kognitive Tests und Biomarker werden nicht isoliert betrachtet, sondern zu einem individuellen Risikobild integriert.

Der klinische Hintergrund ist klar. Alzheimer-Pathologie beginnt Jahre bis Jahrzehnte vor der Demenz. Gleichzeitig stehen zunehmend Blutbiomarker zur Verfügung, die amyloid- und tauassoziierte Veränderungen früher und weniger invasiv erfassen können als Liquoranalytik oder PET. Auch antiamyloide Therapien und Präventionsprogramme machen es wichtiger, Risikopersonen rechtzeitig zu identifizieren.

Ein integriertes Risikoassessment könnte künftig unterscheiden: Wer benötigt nur allgemeine Prävention? Wer sollte engmaschiger biomarkerbasiert kontrolliert werden? Wer braucht eine spezialisierte Abklärung? Und bei wem kommt – bei gesicherter Alzheimer-Pathologie und Symptomen – eine krankheitsmodifizierende Therapie infrage?

Künstliche Intelligenz soll dabei helfen, die biologische Komplexität der Erkrankung zu ordnen. Alzheimer ist kein linearer Prozess, sondern ein heterogenes Syndrom mit genetischen, transkriptomischen, proteomischen und metabolischen Signaturen. KI-Modelle können Muster erkennen, die konventionellen Analysen entgehen: Gen-Gen-Interaktionen, molekulare Subtypen, Progressionsprofile oder potenzielle therapeutische Zielstrukturen.

Der Nutzen läge nicht nur in der Diagnose. KI-gestützte Modelle könnten abschätzen, wie rasch eine milde kognitive Beeinträchtigung fortschreitet oder welche Patientengruppen besonders wahrscheinlich von bestimmten Interventionen profitieren. Perspektivisch könnten genetische Profile auch Therapieentscheidungen absichern.

Noch ist das Zukunftsmusik. Der wichtigste limitierende Faktor ist die klinische Übersetzbarkeit. Viele Datensätze stammen überwiegend aus Populationen europäischer Abstammung. Ein zweites Problem ist die Erklärbarkeit. Ein KI-generierter Demenz-Risikoscore ist nur dann sinnvoll nutzbar, wenn nachvollziehbar bleibt, welche biologischen oder klinischen Faktoren die Vorhersage tragen.

Genau hier liegt aber auch die Chance. Wenn Risikoprofile nicht als Schicksalsurteil, sondern als Präventionsinstrument vermittelt werden, können sie gezielte Interventionen unterstützen: Blutdruckkontrolle, Gewichtsmanagement, Schlaf, Bewegung, Hörversorgung, soziale Aktivierung oder Depressionsbehandlung. Polyexposure-Scores könnten helfen, individuelle Risikofaktoren zu priorisieren, statt pauschale Lebensstilempfehlungen zu geben.

Wir meinen: Der Durchbruch wird nicht durch immer komplexere Algorithmen entstehen, sondern durch klinisch belastbare und erklärbare Modelle. Erst wenn Risikovorhersagen zu besseren Entscheidungen führen, wird aus Datenmedizin Präzisionsversorgung.

[1] Tan ACM, Woon EPH, Wang JDJ. Artificial intelligence and multi-omics integration in Alzheimer’s disease: translational challenges. Acad Mol Biol Genom 2026; 3. doi:10.20935/AcadMolBioGen8272

[2] Andrews SJ, Yaffe K. Advancing Precision Dementia Care With Genetic-Exposome Risk Assessment. JAMA Neurol 2026; 83: 513–514. doi:10.1001/jamaneurol.2026.0573

Text: Reinhard Merz
Bild: OpenAI für arztCME

Der Beitrag Alzheimer: Früher erkennen, gezielter vorbeugen erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.

KI verändert die medizinische Informationssuche – doch je mehr Kanäle entstehen, desto wichtiger wird Vertrauen. Der coliquio Facharztreport 2026 zeigt, warum künftig vor allem verlässliche Einordnung statt bloßer Informationsfülle gebraucht wird.

Noch nie waren medizinische Informationen so leicht verfügbar – und zugleich so schwer einzuordnen. Fachmedien, Fortbildungsangebote, Newsletter, Ärztenetzwerke, soziale Medien und inzwischen auch KI-Chatbots konkurrieren um Aufmerksamkeit. Für Ärztinnen und Ärzte stellt sich dadurch immer weniger die Frage, wo Informationen zu finden sind. Entscheidend wird vielmehr, welchen Informationen sie im Alltag vertrauen können.

Genau an diesem Punkt setzt der Facharztreport 2026 von coliquio an. Unter dem Titel „Trust-Shift: Wie Vertrauen als neue Währung den Kanalmix verändert“ untersucht der Report, wie sich das ärztliche Informationsverhalten im Kontext von KI, digitalem Wandel und Generationenunterschieden verändert. Befragt wurden 1.340 Ärztinnen und Ärzte. Die Ergebnisse zeigen: Der ärztliche Alltag ist von einem deutlichen Information Overload geprägt. Fast jede zweite befragte Person nennt das Herausfiltern relevanter Informationen als zentrale Herausforderung. Hinzu kommt eine neue Unsicherheit: 40 Prozent der Befragten sehen die Einschätzung der Verlässlichkeit von KI-Informationen als akutes Problem.

Damit verschiebt sich der Blick auf medizinische Informationskanäle. Die bisher oft verwendete Unterscheidung zwischen analog und digital greift zu kurz. Entscheidend ist nicht mehr allein der Kanal, sondern der konkrete Bedarfsmoment. Wenn im Praxis- oder Klinikalltag schnelle Antworten gefragt sind, werden niedrigschwellige und jederzeit verfügbare Angebote genutzt. Geht es dagegen um vertiefendes Wissen, Einordnung oder Fortbildung, bleiben strukturierte Formate, Fachliteratur, Webseminare und Kongresse wichtig – allerdings zunehmend als bewusst ausgewählte Wissensphasen, für die Ärztinnen und Ärzte aktiv Zeit schaffen müssen. Besonders deutlich zeigt sich dieser Wandel beim Blick auf die Generationen. Während ältere Ärztinnen und Ärzte weiterhin häufiger etablierte Fachmedien, Printangebote und klassische Informationswege nutzen, greifen jüngere Kolleginnen und Kollegen stärker auf digitale, interaktive und KI-gestützte Quellen zurück. Für sie ist nicht in erster Linie die Menge der verfügbaren Informationen das Problem, sondern die knappe Zeit. Zugleich begegnen jüngere Ärztinnen und Ärzte digitalen Kanälen insgesamt mit einem höheren Vertrauensvorschuss.

Der Report macht jedoch klar: Häufige Nutzung ist nicht gleichbedeutend mit hoher Vertrauenswürdigkeit. KI-Chatbots und soziale Medien sind im ärztlichen Alltag angekommen, werden aber deutlich kritischer bewertet als klassische Fachquellen, kollegialer Austausch oder etablierte Ärztenetzwerke. Für Vertrauen zählen vor allem fachliche Korrektheit, transparente Quellenangaben und ein klar erkennbarer, kompetenter Absender. Damit wird Vertrauen zur eigentlichen Währung der Kanalrelevanz. Sichtbarkeit allein reicht nicht mehr aus; entscheidend ist, ob Inhalte nachvollziehbar, evidenzbasiert und fachlich eingeordnet sind.

Eine zentrale Rolle behält der kollegiale Austausch. Therapieentscheidungen, Behandlungsstrategien und Zweitmeinungen zu konkreten Patientenfällen gehören zu den wichtigsten Themen im ärztlichen Gespräch. Mehr als die Hälfte der Befragten geht davon aus, dass der persönliche Austausch im Kontext von KI künftig noch wichtiger wird. KI ersetzt den Dialog im Fachkreis also nicht. Im Gegenteil: Je mehr automatisiert generierte Informationen verfügbar sind, desto stärker wächst der Bedarf an menschlicher Einordnung, fachlicher Erfahrung und vertrauenswürdigen Filterinstanzen.

Für die medizinische Fortbildung und die fachliche Kommunikation ergibt sich daraus eine klare Aufgabe. Ärztinnen und Ärzte brauchen keine zusätzliche Informationsflut, sondern Orientierung. Gefragt sind Formate, die schnell erfassbar sind, aber bei Bedarf in die Tiefe führen; Inhalte, die wissenschaftlich fundiert sind, aber zugleich den praktischen Nutzen im Versorgungsalltag deutlich machen; und Angebote, die transparent zeigen, auf welchen Quellen und welcher Expertise sie beruhen.

Auch für die Industrie formuliert der Facharztreport konkrete Erwartungen. Ärztinnen und Ärzte wünschen sich vor allem wissenschaftlich fundierte, transparente und praxisnahe Informationen. Genannt werden unter anderem kompakte Evidenzformate, kuratierte Updates, gut zugängliche Webportale, On-Demand-Fortbildungen sowie konkrete Tools und Hilfsmittel für den Praxisalltag. Reine Produktkommunikation verliert dagegen an Bedeutung. Pharmaunternehmen werden stärker als Servicepartner gefragt, die Orientierung ermöglichen, anstatt lediglich Botschaften zu senden.

Quelle: coliquio Facharztreport 2026: Trust-Shift: Wie Vertrauen als neue Währung den Kanalmix verändert. Befragung von 1.340 Ärztinnen und Ärzten auf coliquio per Online-Fragebogen; Befragungszeitraum: 20.01. bis 20.02.2026.

Text: Redaktion arztCME

Bild: Open AI für arztCME

Der Beitrag Warum Vertrauen zur neuen Währung der medizinischen Informationssuche wird erschien zuerst auf arztCME - Zertifizierte Fortbildung für Ärztinnen und Ärzte.