Die klinische Dokumentation in der hausärztlichen Versorgung war schon immer ein Kompromiss. Die narrative Notiz erfasst Unsicherheiten, Kontext und Nuancen in den eigenen Worten der Ärztin oder des Arztes. Doch während Hausarztpraxen unter zunehmendem Druck stehen, genaue, kodierte Daten zu nationalen Registern, Quality and Outcomes Frameworks (QOF, Rahmenwerke für Qualität und Ergebnisse) und Dashboards integrierter Versorgungssysteme (ICS) beizutragen, untergräbt gerade diese narrative Notiz stillschweigend die Qualität der Bevölkerungsgesundheitsdaten im großen Maßstab. Die Lücke zwischen der Art und Weise, wie Ärztinnen und Ärzte die Versorgung dokumentieren, und dem, was Berichtssysteme tatsächlich auslesen können, ist keine bloße technische Unannehmlichkeit. Es handelt sich um ein strukturelles Problem mit messbaren Folgen für Krankheitsregister, Ressourcenzuteilung und gesundheitliche Chancengleichheit.

Was unstrukturierte Freitext-Dokumentation in der Praxis bedeutet

Im Kontext hausärztlicher Konsultationen sind Freitextnotizen narrative Einträge, die direkt in das Praxisverwaltungssystem in der eigenen Sprache der Ärztin oder des Arztes geschrieben werden. Sie unterscheiden sich von strukturierten, kodierten Feldern, die standardisierte Kennungen für Diagnosen, Symptome, Medikamente und Befunde zuweisen. Ein Hausarzt könnte in ein Notizfeld eingeben: „Patient berichtet von gedrückter Stimmung, gestörtem Schlaf, vermindertem Appetit – vermutlich Depression, abwartendes Beobachten besprochen." Dieser Eintrag ist klinisch bedeutsam. Für ein Berichtssystem bleibt er jedoch unsichtbar.

Freitext bleibt aus nachvollziehbaren Gründen die vorherrschende Form der klinischen Dokumentation in der hausärztlichen Versorgung. Er ist schneller als die Navigation durch strukturierte Vorlagen während einer zehnminütigen Konsultation. Er berücksichtigt klinische Unsicherheiten: Erkrankungen, die vermutet, aber nicht bestätigt sind, Symptome, die noch nicht in eine diagnostische Kategorie passen, oder von Patientinnen und Patienten berichtete Erfahrungen, die sich standardisierten Bezeichnungen entziehen. Er bewahrt die relationale Textur einer Konsultation auf eine Weise, die ein Dropdown-Menü nicht leisten kann. Über 80 Prozent der digitalen Gesundheitsdaten sind unstrukturiert, und die hausärztliche Versorgung bildet hier keine Ausnahme.

Wie Bevölkerungsgesundheits-Berichterstattung in Hausarztpraxen funktioniert

Die Bevölkerungsgesundheits-Berichterstattung in der hausärztlichen Versorgung basiert fast vollständig auf strukturierten, maschinenlesbaren Daten. Wenn während oder nach einer Konsultation einer Diagnose oder einem klinischen Befund ein SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms, systematisierte Nomenklatur der Medizin für klinische Begriffe)-Code zugewiesen wird, wird dieser Code im Praxisverwaltungssystem so erfasst, dass er extrahiert, aggregiert und berichtet werden kann. Krankheitsregister für Erkrankungen wie Diabetes, Bluthochdruck, chronisch obstruktive Lungenerkrankung und schwere psychische Erkrankungen werden aus diesen kodierten Einträgen erstellt. QOF-Indikatoren werden auf dieser Basis berechnet. ICS-Dashboards und Planungstools integrierter Versorgungsgremien (ICB) greifen darauf zurück.

Nationale Audit-Programme, darunter das National Diabetes Audit und die Primary Care Network (PCN, Netzwerk der Primärversorgung)-Dashboard-Metriken, die vom NHS England verwendet werden, stützen sich auf dieselbe strukturierte Datenebene. Ebenso die Risikostratifizierungstools, die ICBs nutzen, um Kohorten mit hohem Bedarf zu identifizieren und Ressourcen gezielt auf unterversorgte Bevölkerungsgruppen zu lenken. Keines dieser Systeme kann eine Freitext-Narrative auslesen. Klinische Notizen, die in Freitext verfasst sind, lassen sich möglicherweise nicht einfach in strukturierte Datenfelder übersetzen, was zu fehlenden Informationen über Symptome, Expositionen und Ergebnisse führt. Das ist ein direktes Hindernis für die Überwachung auf Bevölkerungsebene.

Wo Freitextnotizen die Berichtskette unterbrechen

Die Schwachstellen sind spezifisch und gut dokumentiert. Wenn eine Ärztin oder ein Arzt eine neue Diagnose in einer Konsultationsnotiz erfasst, ohne einen entsprechenden SNOMED CT-Code zuzuweisen, erscheint diese Diagnose nicht im Krankheitsregister. Wird ein Risikofaktor wie Raucherstatus, Alkoholkonsum oder familiäre Vorgeschichte von Herz-Kreislauf-Erkrankungen nur im narrativen Text dokumentiert, wird er nicht in den strukturierten Feldern erfasst, die QOF-Indikatoren oder Risiko-Scores steuern. Wenn ein Ergebnis wie eine Überweisungsentscheidung oder eine Medikamentenänderung im Freitext beschrieben statt kodiert wird, geht es für jede nachgelagerte Berichterstattung verloren.

Forschung mit 2,9 Millionen Patientenakten aus einer niederländischen Hausarztdatenbank hat quantitativ nachgewiesen, dass strukturierte Codes und unstrukturierte klinische Notizen hochgradig komplementär und nicht redundant sind. Die meisten in einem Datentyp erfassten Konzepte erscheinen nicht im anderen. Depressionskonsultationen stützten sich stark auf unstrukturierte Daten, wobei relativ wenige Konzepte allein in strukturierten Codes erfasst wurden. Das bedeutet, dass für ganze klinische Bereiche die Daten, die in Bevölkerungsgesundheitsberichte einfließen, systematisch unvollständig sein können.

Eine systematische Überprüfung von 43 britischen Studien, die klinischen Freitext verwenden, ergab, dass Studien, die Freitextdaten einbeziehen, eine verbesserte Genauigkeit im Vergleich zu solchen zeigten, die sich allein auf strukturierte Codes stützen. Sie stellte auch fest, dass Freitextdaten routinemäßig entfernt werden, bevor Aufzeichnungen für die Forschung verfügbar gemacht werden, wodurch eine erhebliche Quelle von Bevölkerungsgesundheitsinformationen ungenutzt bleibt. Die Überprüfung hob hervor, dass britische Hausarztpraxisnotizen und psychiatrische Aufzeichnungen besonders stark auf Freitext-Narrative angewiesen sind.

Das Problem erstreckt sich auch darauf, wie neue Diagnosen in die Akte gelangen. Neue Diagnosen werden häufig nur in Briefen erfasst, die unter Verwaltungscodes wie „Brief vom Facharzt" abgelegt werden, anstatt unter dem relevanten Diagnosecode. Die klinische Information ist im Praxisverwaltungssystem vorhanden, aber sie wird an einem Ort und in einem Format gespeichert, auf das Berichtssysteme nicht zugreifen können.

Eine Studie, die Diagnosecodes mit der Analyse von Freitext-Klinischen Notizen mittels Natural Language Processing (NLP, Verarbeitung natürlicher Sprache) in der hausärztlichen Versorgung verglich, fand wesentlich unterschiedliche Prävalenzschätzungen, je nachdem, welche Datenquelle verwendet wurde. Die kodierten Daten unterschätzten systematisch die Fallzahlen. Auf einen Bevölkerungsgesundheitskontext angewendet bedeutet dies, dass Krankheitsregister, die ausschließlich aus strukturierten Codes erstellt werden, routinemäßig die tatsächliche Prävalenz unterschätzen. Der Grad der Unterschätzung variiert je nach Erkrankung, Ärztin oder Arzt und Praxis.

Die realen Konsequenzen für Hausarztpraxen und ICBs

Die nachgelagerten Auswirkungen zeigen sich gleichzeitig auf mehreren Ebenen. Auf Praxisebene reduzieren unvollständige Krankheitsregister die für QOF-Erreichung berechtigte Population, was die Gesamterreichungswerte und das damit verbundene Einkommen senken kann. Wenn Patientinnen und Patienten mit einer relevanten Diagnose nur im Freitext und nicht im Krankheitsregister erfasst werden, fallen sie aus dem Nenner heraus, der zur Berechnung der QOF-Leistung verwendet wird – selbst wenn die klinische Versorgung angemessen erbracht wurde.

Auf ICB-Ebene sind die Konsequenzen diffuser, aber potenziell bedeutsamer. Risikostratifizierungstools, die Patientinnen und Patienten in Kategorien mit hohem, mittlerem oder niedrigem Bedarf einteilen, hängen von der Vollständigkeit kodierter Daten ab. Verzerrte oder unvollständige strukturierte Daten führen zu ungenauen Bevölkerungsrisikostratifizierungen und damit zu Ressourcenzuteilungsentscheidungen, die den tatsächlichen Bedarf nicht widerspiegeln. Kohorten, die für gezielte Interventionen priorisiert werden sollten – darunter Menschen mit nicht diagnostizierten Langzeiterkrankungen, mit mehreren Komorbiditäten oder aus Gemeinschaften mit historisch niedrigen Raten kodierter Diagnosen – erscheinen möglicherweise überhaupt nicht in den Daten.

Soziale Determinanten der Gesundheit und Lebensqualitätsmaße werden selten in strukturierten Feldern der medizinischen Dokumentation erfasst und werden stattdessen, wenn überhaupt, in Freitextnotizen dokumentiert. Dies schafft ein besonderes Problem für die Überwachung gesundheitlicher Ungleichheiten. Wenn die Daten, die zur Identifizierung unterversorgter Bevölkerungsgruppen verwendet werden, in einem Format vorliegen, das Berichtssysteme nicht auslesen können, bleiben diese Gruppen für Planungsprozesse unsichtbar. Das verstärkt bestehende Ungleichheiten, statt sie zu verringern.

Krankheitsregister und Qualitätsbewertungen der Versorgung, die medizinische Aufzeichnungen verwenden, sind irreführend, wenn Freitextinformationen nicht berücksichtigt werden – ein Befund, der in mehreren klinischen Bereichen repliziert wurde, darunter geriatrische Syndrome und postoperative Ergebnisse, die fast ausschließlich in narrativen Notizen dokumentiert werden.

Warum Ärztinnen und Ärzte standardmäßig auf Freitext zurückgreifen

Die Verbreitung von Freitext-Dokumentation ist in erster Linie kein Verhaltensproblem. Es ist ein Problem des Systemdesigns.

Strukturierte Vorlagen und Kodierungsschnittstellen in den meisten Praxisverwaltungssystemen sind nicht auf das Tempo und die kognitiven Anforderungen einer hausärztlichen Konsultation ausgelegt. Die Navigation durch Dropdown-Menüs, die Suche nach dem korrekten SNOMED CT-Code und das Ausfüllen strukturierter Felder kostet Zeit, die im Standardtermin nicht zur Verfügung steht. Klinische Unsicherheit, Stigmatisierung, Zeitdruck und unzureichende Schulung in der Kodierung sind alles dokumentierte Gründe, warum strukturierte Felder unvollständig bleiben, selbst wenn deren Bedeutung verstanden wird.

Der Dokumentationsaufwand in der hausärztlichen Versorgung ist real und gut belegt. Ärztinnen und Ärzte zu bitten, zwischen voller Aufmerksamkeit für die Patientin oder den Patienten vor ihnen und der Sicherstellung, dass ihre Notizen korrekt kodiert sind, zu wählen, ist keine angemessene Forderung. Systeme, die dies als Compliance-Problem und nicht als Workflow-Designproblem betrachten, werden wahrscheinlich keine nachhaltige Verbesserung bewirken.

Die manuelle Kodierung von Freitext-Klinischen Daten ist sowohl zeitaufwändig als auch kostspielig, und die kognitive Belastung einer genauen klinischen Kodierung während oder unmittelbar nach einer Konsultation ist erheblich. Freitext ist kein Notbehelf. Für viele Ärztinnen und Ärzte ist er angesichts der verfügbaren Tools die einzige realistische Option.

Wie Ambient Voice Technology und KI-Assistenten die Gleichung verändern

Die strukturelle Spannung zwischen Dokumentationsgeschwindigkeit und Datenqualität ist nicht unvermeidlich. Ambient Voice Technology (AVT, Umgebungs-Sprachtechnologie), die künstliche Intelligenz (KI, ein System, das menschliche kognitive Funktionen nachahmt) verwendet, um einer Konsultation in Echtzeit zuzuhören und dabei sowohl narrative Notizen als auch strukturierte klinische Daten zu generieren, verändert die Rahmenbedingungen des Kompromisses.

Anstatt von der Ärztin oder dem Arzt zu verlangen, zwischen dem Schreiben einer umfassenden Notiz und der Zuweisung des korrekten Codes zu wählen, kann ein KI-Medizinassistent, der AVT nutzt, beides im Hintergrund erledigen. Die Konsultation läuft wie gewohnt ab. Der Assistent hört zu, erstellt einen Entwurf der klinischen Notiz und zeigt vorgeschlagene SNOMED CT-Codes zur Überprüfung an. Die Ärztin oder der Arzt prüft und bestätigt – ein Vorgang, der Sekunden statt Minuten dauert und die Konsultation nicht unterbricht.

Dieser Ansatz adressiert die Grundursache der Freitext-Überabhängigkeit: die Tatsache, dass strukturierte Dokumentation derzeit mehr Zeit und kognitive Anstrengung erfordert als narrative Dokumentation. Innovative Methoden zur Verbesserung der strukturierten Erfassung klinischer Daten sind erforderlich, um die Nutzung routinemäßig erfasster klinischer Daten für die Patientenphänotypisierung und Bevölkerungsgesundheits-Berichterstattung zu erleichtern. AVT-basierte KI-Assistenten stellen eine der praktischsten Umsetzungen dieses Prinzips in der hausärztlichen Versorgung dar.

Die automatisierte Klassifizierung unstrukturierter Freitext-Hausarztdaten zur Schätzung der Krankheitsprävalenz ist technisch möglich, aber die retrospektive Anwendung auf bestehende Aufzeichnungen ist ressourcenintensiv. Die effizientere Lösung besteht darin, die Datenlücke von vornherein zu verhindern, indem die strukturierte Erfassung bereits zum Zeitpunkt der Konsultation unterstützt wird.

Wie gute Dokumentation aussieht: strukturierte Notizen ohne Verlangsamung der Versorgung

Ein Dokumentations-Workflow, der die Bevölkerungsgesundheits-Berichterstattung wirklich unterstützt, weist mehrere erkennbare Merkmale auf:

• Automatische Code-Vorschläge, die nach der Konsultation angezeigt werden, basierend auf dem, was während des Termins gesagt wurde, ohne dass die Ärztin oder der Arzt während oder nach der Begegnung manuell nach Codes suchen muss

• Strukturierte Daten, die im Hintergrund erfasst werden, sodass Krankheitsregistereinträge, QOF-relevante Indikatoren und Überweisungsentscheidungen in maschinenlesbarem Format ohne zusätzlichen Aufwand dokumentiert werden

• Vorlagen, die ohne manuelle Dateneingabe ausgefüllt werden und auf dem Konsultationstranskript basieren, um strukturierte Felder vorab auszufüllen, die sonst leer bleiben oder im Freitext ausgefüllt würden

• Integration des Praxisverwaltungssystems auf Datenebene, sodass strukturierte Ausgaben direkt in die relevanten Felder im klinischen System fließen, ohne einen separaten Dokumentationsschritt zu erfordern

Der Unterschied zwischen diesem Ansatz und älteren, nachträglich hinzugefügten Kodierungstools ist erheblich. Frühere Kodierungsunterstützungstools erforderten von Ärztinnen und Ärzten, sich mit einer separaten Oberfläche zu beschäftigen, manuell nach Codes zu suchen oder lange Listen von Vorschlägen zu prüfen, die aus Abrechnungsdaten statt aus klinischen Inhalten generiert wurden. KI-basierte Ansätze, die vom Konsultationstranskript ausgehen und eine kleine Anzahl hochrelevanter Code-Vorschläge im Kontext anzeigen, unterscheiden sich in ihrer Wirkung auf den Workflow deutlich.

Die Kombination strukturierter und unstrukturierter Daten aus medizinischen Aufzeichnungen führt durchweg zu einer genaueren Patientenidentifikation und besseren Erkenntnissen zur Bevölkerungsgesundheit als jeder Datentyp für sich allein. Ziel der KI-gestützten Dokumentation ist nicht, Freitextnotizen zu eliminieren, die echten klinischen Wert haben, sondern sicherzustellen, dass die strukturierte Datenebene konsistent und präzise parallel dazu ausgefüllt wird.

Wichtige Überlegungen bei der Bewertung von KI-Dokumentationstools für Hausarztpraxen

Für Entscheidungsträger im Gesundheitswesen, die KI-Dokumentationstools im Kontext der Bevölkerungsgesundheits-Berichterstattung bewerten, sind mehrere Kriterien besonders relevant.

Genauigkeit der SNOMED CT-Code-Vorschläge. Der klinische Wert eines KI-Assistenten hängt von der Genauigkeit und Spezifität seiner Kodierungsvorschläge ab. Tools sollten anhand realer hausärztlicher Konsultationsdaten bewertet werden, mit Transparenz über falsch-positive und falsch-negative Raten für klinisch relevante Codes.

Integrationstiefe des Praxisverwaltungssystems. Ein Tool, das strukturierte Ausgaben in einem proprietären Format generiert, anstatt direkt in die relevanten strukturierten Felder im Praxisverwaltungssystem zu schreiben, löst das Problem der Bevölkerungsgesundheits-Berichterstattung nicht. Integration auf Datenebene, nicht nur auf Schnittstellenebene, ist der relevante Standard.

Datensicherheit und Datenschutz. Hausarztkonsultationsdaten gehören zu den sensibelsten personenbezogenen Daten überhaupt. Tools müssen der britischen Datenschutz-Grundverordnung (DSGVO) entsprechen, mit klarer Dokumentation zur Datenhaltung, zu Verarbeitungsvereinbarungen und Zugriffskontrollen. Eine ISO 27001-Zertifizierung (internationaler Standard für Informationssicherheitsmanagement) ist eine grundlegende Erwartung.

Klassifizierung als Medizinprodukt. KI-Tools, die klinische Dokumentations- und Kodierungsentscheidungen beeinflussen, können unter der britischen Medizinprodukteverordnung (MDR) als Medizinprodukte eingestuft werden. Praxen und ICBs sollten den regulatorischen Status jedes zu bewertenden Tools prüfen und verstehen, welche klinischen Sicherheitsverpflichtungen diese Klassifizierung mit sich bringt.

Nachweis der realen Leistung in der hausärztlichen Versorgung. Peer-Review-Nachweise oder zumindest unabhängig validierte Leistungsdaten aus britischen hausärztlichen Versorgungseinrichtungen sollten vor dem Einsatz im großen Maßstab verfügbar sein. Die Leistung in der stationären Versorgung oder in US-Gesundheitssystemen sagt die Wirksamkeit in der britischen hausärztlichen Versorgung nicht zuverlässig voraus.

Dokumentationsqualität ist ein Bevölkerungsgesundheitsproblem

Die Qualität der Bevölkerungsgesundheitsdaten hängt untrennbar davon ab, wie einzelne Ärztinnen und Ärzte einzelne Konsultationen dokumentieren. Jeder Freitext-Eintrag, der einen klinisch signifikanten Befund enthält – wie eine neue Diagnose, einen unkontrollierten Risikofaktor oder eine sich verschlechternde Langzeiterkrankung –, aber nicht von einem strukturierten Code begleitet wird, stellt eine Lücke in den Daten dar, die Krankheitsregister, QOF-Berechnungen und ICB-Planungstools speisen.

Dies ist kein Problem, das gelöst werden kann, indem man Ärztinnen und Ärzte bittet, sorgfältiger zu kodieren. Der Dokumentationsaufwand in der hausärztlichen Versorgung ist bereits erheblich, und ihn weiter zu erhöhen ist weder nachhaltig noch effektiv. Der praktikable Weg besteht darin, die Beziehung zwischen Konsultation und Dokumentation zu verändern und KI-Unterstützung zu nutzen, damit die strukturierte Datenerfassung als Nebenprodukt der klinischen Versorgung und nicht als zusätzliche Aufgabe erfolgt.

Prädiktive Modelle, die sowohl strukturierte Daten als auch unstrukturierte narrative Notizen verwenden, übertreffen durchweg diejenigen, die nur einen der beiden Datentypen nutzen. Das gleiche Prinzip gilt für die Bevölkerungsgesundheits-Berichterstattung: Das genaueste und vollständigste Bild der Bevölkerungsgesundheit entsteht, wenn strukturierte und unstrukturierte Daten gemeinsam, konsistent und zum Zeitpunkt der Versorgung erfasst werden. Dies im großen Maßstab über eine Hausarztpraxis oder ein ICB hinweg zu erreichen, ist eine der folgenreichsten Infrastrukturentscheidungen, die Entscheidungsträgern im Gesundheitswesen heute zur Verfügung stehen.

Häufig gestellte Fragen

▶ Warum verursacht Freitext-Klinische Dokumentation Probleme für die Bevölkerungsgesundheits-Berichterstattung?

Die Bevölkerungsgesundheits-Berichterstattung basiert auf strukturierten, maschinenlesbaren Daten. Wenn eine Diagnose oder ein Risikofaktor in einer narrativen Notiz erfasst wird, ohne einen entsprechenden SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms, systematisierte Nomenklatur der Medizin für klinische Begriffe)-Code zuzuweisen, ist diese Information für Krankheitsregister, Quality and Outcomes Framework-Berechnungen und Dashboards integrierter Versorgungssysteme unsichtbar. Das klinische Detail ist in der Akte vorhanden, aber Berichtssysteme können es nicht auslesen.

▶ Wie viele klinische Daten in der hausärztlichen Versorgung sind unstrukturiert?

Forschung legt nahe, dass über 80 Prozent der digitalen Gesundheitsdaten unstrukturiert sind, und die hausärztliche Versorgung bildet keine Ausnahme. Freitext-Narrative sind die vorherrschende Form der klinischen Dokumentation in hausärztlichen Einrichtungen, was bedeutet, dass ein erheblicher Anteil klinisch relevanter Informationen niemals in die strukturierte Datenebene gelangt, die Berichtssysteme speist.

▶ Was sind die praktischen Konsequenzen für Hausarztpraxen, wenn die Dokumentation unvollständig ist?

Auf Praxisebene bedeuten unvollständige Krankheitsregister verpasste Quality and Outcomes Framework-Punkte und verlorenes Einkommen. Wenn eine Diagnose nur im Freitext erfasst wird, erscheint die Patientin oder der Patient nicht im relevanten Register, und die Praxis kann die damit verbundenen Zahlungen nicht geltend machen – selbst wenn die klinische Versorgung erbracht wurde. Auf Ebene der integrierten Versorgungsgremien führen verzerrte strukturierte Daten zu ungenauen Risikostratifizierungen und Ressourcenzuteilungsentscheidungen, die den tatsächlichen Bedarf nicht widerspiegeln.

▶ Warum greifen Ärztinnen und Ärzte standardmäßig auf Freitextnotizen statt auf strukturierte Kodierung zurück?

Die Verbreitung von Freitext-Dokumentation ist ein Systemdesignproblem, kein Verhaltensproblem. Die Navigation durch Dropdown-Menüs und die Suche nach dem korrekten SNOMED CT-Code kostet Zeit, die in einer üblichen zehnminütigen Konsultation nicht zur Verfügung steht. Klinische Unsicherheit, Stigmatisierung, Zeitdruck und begrenzte Schulung in der Kodierung sind alles dokumentierte Gründe, warum strukturierte Felder oft unvollständig bleiben. Für viele Ärztinnen und Ärzte ist Freitext angesichts der verfügbaren Tools die einzige realistische Option.

▶ Welche klinischen Bereiche sind am stärksten von der Abhängigkeit von Freitext-Dokumentation betroffen?

Forschung mit 2,9 Millionen Patientenakten aus einer niederländischen Hausarztdatenbank ergab, dass Depressionskonsultationen fast ausschließlich auf unstrukturierten Daten beruhen. Eine systematische Überprüfung von 43 britischen Studien zeigte, dass britische Hausarztpraxisnotizen und psychiatrische Aufzeichnungen besonders stark auf Freitext-Narrative angewiesen sind. Soziale Determinanten der Gesundheit und Lebensqualitätsmaße werden ebenfalls selten in strukturierten Feldern erfasst, was spezifische Probleme für die Überwachung gesundheitlicher Ungleichheiten schafft.

▶ Wie hilft Ambient Voice Technology bei der strukturierten klinischen Dokumentation?

Ambient Voice Technology (AVT, Umgebungs-Sprachtechnologie) nutzt künstliche Intelligenz, um einer Konsultation in Echtzeit zuzuhören und dabei sowohl eine narrative Notiz als auch vorgeschlagene SNOMED CT-Codes zu generieren. Die Konsultation läuft wie gewohnt ab. Der KI-Assistent erstellt den Notizentwurf und zeigt Code-Vorschläge zur Überprüfung an – ein Vorgang, der Sekunden dauert und den Termin nicht unterbricht. So erfolgt die strukturierte Datenerfassung parallel zur Konsultation und nicht als separate Aufgabe im Anschluss.

▶ Bedeutet die Verwendung von KI-Unterstützung, dass Freitextnotizen aus klinischen Aufzeichnungen entfernt werden?

Nein. Das Ziel der KI-gestützten Dokumentation besteht nicht darin, Freitextnotizen zu eliminieren, die echten klinischen Wert haben. Forschung zeigt durchweg, dass die Kombination strukturierter und unstrukturierter Daten zu einer genaueren Patientenidentifikation und besseren Erkenntnissen zur Bevölkerungsgesundheit führt als jeder Datentyp für sich allein. Ziel ist es, sicherzustellen, dass die strukturierte Datenebene konsistent und präzise neben narrativen Notizen ausgefüllt wird – nicht, das eine durch das andere zu ersetzen.

▶ Worauf sollten Hausarztpraxen und integrierte Versorgungsgremien bei der Bewertung von KI-Dokumentationstools achten?

Zu den wichtigsten Kriterien gehören die Genauigkeit der SNOMED CT-Code-Vorschläge, die Tiefe der Integration mit dem Praxisverwaltungssystem sowie die Einhaltung der britischen Datenschutz-Grundverordnung (DSGVO) einschließlich klarer Datenhaltung und Zugriffskontrollen. Eine ISO 27001-Zertifizierung (internationaler Standard für Informationssicherheitsmanagement) ist eine grundlegende Erwartung. Praxen sollten außerdem prüfen, ob ein Tool unter der britischen Medizinprodukteverordnung (MDR) als Medizinprodukt eingestuft ist, und gezielt nach unabhängig validierten Leistungsdaten aus britischen hausärztlichen Versorgungseinrichtungen suchen.

▶ Wie wirken sich unvollständige strukturierte Daten auf gesundheitliche Chancengleichheit aus?

Risikostratifizierungstools, die Kohorten mit hohem Bedarf identifizieren, sind auf vollständige kodierte Daten angewiesen. Wenn klinisch relevante Informationen nur in Freitextnotizen vorliegen, erscheinen Gemeinschaften mit historisch niedrigen Raten kodierter Diagnosen möglicherweise überhaupt nicht in den Planungsdaten. Soziale Determinanten der Gesundheit werden selten in strukturierten Feldern erfasst, sodass die Bevölkerungsgruppen, die gezielte Interventionen am dringendsten benötigen, für die Prozesse, die sie erreichen sollen, unsichtbar bleiben können.

▶ Ist die automatisierte Kodierung bestehender Freitextaufzeichnungen eine praktische Lösung?

Die automatisierte Klassifizierung unstrukturierter Freitextdaten mittels Natural Language Processing (NLP, Verarbeitung natürlicher Sprache) ist technisch möglich, aber die retrospektive Anwendung auf bestehende Aufzeichnungen ist ressourcenintensiv. Forschung zeigt zudem, dass Freitextdaten routinemäßig entfernt werden, bevor Aufzeichnungen für die Analyse verfügbar gemacht werden, was den Zugriff retrospektiver Tools einschränkt. Der effizientere Ansatz besteht darin, die Datenlücke von vornherein zu verhindern, indem die strukturierte Erfassung bereits zum Zeitpunkt der Konsultation unterstützt wird.