Erklärhilfe für Patienten: Befunde, Laborwerte und Gesundheitsakten (ePA)

Patienten erhalten Befunde, Laborblätter und Entlassbriefe, die für Ärztinnen und Ärzte geschrieben sind, oft Tage bevor sie jemanden fragen können. Eine Erklärhilfe liest die eigenen Dokumente der Person, übersetzt Fachsprache in verständliche Sprache, zeigt, welche Werte außerhalb des Referenzbereichs liegen, erstellt einen Verlauf über mehrere Jahre und macht aus offenen Punkten Fragen an die Ärztin oder den Arzt. Sie informiert; sie diagnostiziert nicht und empfiehlt keine Behandlung. Diese Grenze ist zugleich das Produktversprechen und die regulatorische Grenze (MDR).

Problem & Nutzen

• Heute: Seit die deutsche ePA allen gesetzlich Versicherten zur Verfügung steht (Opt-out-Modell, Einführung 2025), können Patienten Dokumente einsehen, aber der Inhalt bleibt fachsprachlich. Menschen suchen im Netz, fragen allgemeine Chatbots oder warten auf den nächsten Termin. Viele Verbraucher-Chatbots bekommen bereits Gesundheitsfragen von Nutzern, die realistische Alternative lautet also nicht „keine KI“, sondern ungeführte KI [1][2].
• KI-Nutzen: verständliche Erklärungen, besser vorbereitete Gespräche, eine Längsschnittsicht, die zersplitterte Akten (Hausarzt, Facharzt, Klinik) selten bieten, und Übersetzung für Patienten mit Migrationshintergrund. Der praktische Zugang verbessert sich: ePA-Versionen 3.x ergänzen einen Medikationsplan und Push-Benachrichtigungen [1].
• Evidenzlage: Veröffentlichte Nutzenzahlen für Erklärhilfen für Verbraucher sind begrenzt und stammen meist aus kleinen Studien zum Leseverständnis; verlässliche Ergebniszahlen werden hier nicht genannt.

Varianten

• Laborwert-Erklärer: Wert, Einheit, Referenzbereich, Trend; der am besten abgegrenzte Teilfall (z. B. übersetzt der deutsche Dienst Was hab' ich? Befunde in verständliche Sprache [3]).
• Entlassbrief-Erklärer: Diagnosen, Eingriffe, Medikationsänderungen, Folgeaufgaben.
• ePA-/EHDS-Aktenassistent: arbeitet über die gesamte Akte per Kassen-App oder FHIR-Schnittstelle. Die Verordnung über den Europäischen Gesundheitsdatenraum (EU) 2025/327 gibt Bürgern elektronischen Zugang zu vorrangigen Datenkategorien sowie das Recht, diese zu exportieren und weiterzugeben; sie gilt in den folgenden Jahren stufenweise [4].
• Chat-mit-Ihren-Akten-Produkte: Chatbots für Verbraucher, die medizinische Akten anbinden (z. B. ChatGPT Health von OpenAI, gestartet im Jan. 2026 [2]); zum Start im EWR, in der Schweiz und im Vereinigten Königreich ausgeschlossen und laut Presseberichten auch nach der breiteren US-Einführung im Juli 2026 dort nicht verfügbar; prüfen Sie die Verfügbarkeit.
• Angehörigenmodus: ein Angehöriger verwaltet die Akten eines Kindes oder Elternteils (erfordert eine gültige Vollmacht).
• Mehrsprachiger Modus: Zusammenfassung in der eigenen Sprache der Patientin oder des Patienten mit Glossar.
• Verwandt, hier nicht behandelt: institutionelle Extraktion (DOC-007), Berichtserstellung auf Seiten der Ärzte (HLTH-011), Vorab-Triage (CONV-010), Coaching mit Wearables (PERS-002).

So funktioniert es

1. intake (photo/PDF/ePA export/FHIR)
2. OCR + layout parsing (tables, units, reference ranges)
3. structuring (LOINC/ICD codes, values to a personal timeline)
4. deterministic checks (value vs. range, trend, red-flag rules)
5. LLM explanation grounded in the document + curated sources (RAG)
6. safety layer (no diagnosis/dosing advice, urgent-symptom escalation, uncertainty wording)
7. output: plain-language summary, timeline, questions for the doctor

• Extraktion: Ein VLM oder Dokumenten-Parser liest das Blatt; Zahlen und Einheiten werden anschließend gegen den strukturierten Wert validiert und nie aus freier Generierung übernommen.
• Verankerung: Erklärungen zitieren die Textstelle des Berichts und eine kuratierte Quelle (z. B. Patienteninformation einer Fachgesellschaft oder Gesundheitsbehörde) per Retrieval.
• Regeln vor dem LLM: Bereichsvergleich und Markierung kritischer Werte sind einfacher Code. Das LLM formuliert nur.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Ärztin oder der Arzt bleibt die Auslegende. Die Ausgabe endet stets mit „Besprechen Sie das mit Ihrer Ärztin oder Ihrem Arzt“, und kritische Hinweise fordern die Nutzer auf, sofort ärztliche Hilfe zu suchen, statt lang zu erklären.

Datenaufbereitung

Die Daten sind medizinische Befunde, Entlassbriefe, Laborwerte, Bildgebungsberichte und Medikationspläne. Bei Patienten liegen sie in Papierordnern, als PDFs aus Arztportalen, in E-Mail-Anhängen und zunehmend in der elektronischen Patientenakte (ePA). Bei Kliniken oder Versicherern liegen sie in Krankenhausinformationssystemen, Dokumentenarchiven und Portalen. Typische Lücken sind schlecht gescannte Briefe, handschriftliche Notizen, uneinheitliche Laboreinheiten und Referenzbereiche, doppelte Berichte und verwechselte Patienten.

Schritte der Aufbereitung: - Sammeln Sie Dokumente pro Person und chronologisch; entfernen Sie Daten anderer Personen. - Lassen Sie gescannte Berichte per OCR erfassen (PREP-006) und wandeln Sie Formate wie Bilder oder Faxe um (PREP-007); prüfen Sie die OCR bei Zahlen von Hand, denn ein falsch gelesener Wert ändert die Bedeutung. - Normalisieren Sie Laborwerte und Einheiten in einer Tabelle (PREP-011) und behalten Sie die auf dem Bericht gedruckten Referenzbereiche. - Für Organisationen: Legen Sie fest, wer was sehen darf (PREP-023), stufen Sie die Daten als besondere Kategorie ein (PREP-024), prüfen Sie die Rechtsgrundlage (PREP-025) und pseudonymisieren Sie Testdaten (PREP-022). - Bauen Sie einen kleinen Evaluationsdatensatz aus Berichten mit ärztlich geprüften Erklärungen auf (PREP-018).

Der Aufwandsanteil ist für Einzelpersonen gering bis mittel und für Organisationen deutlich höher, wo Zugriffsrechte, FHIR-/KIS-Schnittstellen und Qualitätsprüfung dominieren. Planen Sie mindestens ein Drittel des Projekts für diese Aufgaben ein. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Privat: A. Spezialisierte Erklärhilfen und Versicherer-Apps mit einem Vertrag zur Verarbeitung von Gesundheitsdaten sind der sicherste aufwandsarme Weg für gelegentliche Nutzung.
• Entwickler: B. Multimodale Modelle in EU-Regionen plus OCR liefern schnell gute Ergebnisse; halten Sie Akten aus Protokollen und Training heraus.
• Unternehmen: C. Kliniken, Versicherer und Gesundheitsplattformen verarbeiten Daten besonderer Kategorien in großer Menge; selbst betriebene Modelle oder Modelle in einer souveränen Cloud hinter der eigenen Zugriffskontrolle vermeiden daher die Offenlegung gegenüber Dritten und Kosten pro Nutzer.

Weg A — Kaufen (Standardsoftware) (für Einzelpersonen empfohlen)

• Erklärhilfen für Befunde/Laborwerte: Was hab' ich? (DE, Übersetzung von Berichten in verständliche Sprache, EU) [3]; Kassen-Apps und ePA-Oberflächen der gesetzlichen Krankenkassen (EU); allgemeine Assistenten (ChatGPT, Claude, Gemini) mit manuell hochgeladenen Dokumenten. Prüfen Sie: Hosting in der EU, kein Training mit Gesundheitsdaten, Löschung, Aussagen zum MDR-Status.
• Wählen Sie A, wenn: gelegentliche Nutzung, kein Wunsch, etwas zu bauen. Bevorzugen Sie Anbieter mit einem AVV für Gesundheitsdaten gegenüber einem allgemeinen kostenlosen Chatbot.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Multimodale Spitzenmodelle (Claude, Gemini, GPT, Mistral) in EU-Regionen für die Erklärung; Azure AI Document Intelligence / Mistral OCR für Scans; FHIR-Zugriff über ein konformes Gateway.
• Orchestrierung: strukturierte Ausgaben für Labortabellen, RAG über kuratierte Quellen für Patienteninformation.
• Praktisch für Apps von Krankenkassen, Patientenportale und Start-ups. Erfordert einen AVV, eine DSFA und eine klare Zweckbestimmung (siehe Risiken).

Weg C — Selbst betreiben (Open Source)

• Lokal, nichts verlässt das Gerät: Open-Weight-Modelle (Qwen3, Gemma 3, Llama, Mistral Small; medizinische Abstimmungen wie MedGemma) über Ollama, llama.cpp oder vLLM; Docling oder PaddleOCR zum Parsen; ein lokaler Vektorspeicher (Chroma, Qdrant). Kombinieren Sie mit PERS-005.
• Hardware: HW1 für ein kleines Modell auf dem Laptop (ausreichend für Laborwerte), HW2 für ein Modell mit 24–32 Mrd. Parametern mit besserem Schlussfolgern über lange Briefe. Der Betriebsaufwand ist für einen Haushalt gering, für einen Dienst höher.

Weg D — Eigenes Training

Nur für Anbieter: Feintuning auf deutsche/europäische klinische Formulierungen, Abkürzungen und Paare aus Fach- und Laiensprache, mit ärztlicher Prüfung. Erfordert lizenzierte, de-identifizierte Aktenpaare; die Sicherheitsevaluation ist der größere Kostenblock.

Stand der Technik (2026)

• Spitzenmodelle und Open-Weight-Modelle beherrschen Laborinterpretation und Umformulierung in verständliche Sprache bei sauberem Text gut. Anbieter haben eigene Gesundheitsmodi mit Aktenanbindung und zusätzlichen Datenschutzkontrollen eingeführt [2].
• Grenzen und Fehlerbilder: erfundene Werte oder Bereiche (Referenzbereiche unterscheiden sich je nach Labor, Alter, Geschlecht); übersehener Kontext wie Medikation oder Schwangerschaft; übertriebene Beruhigung oder Alarmismus; falsch gelesene Fotos und Einheiten; Gefälligkeit, wenn Nutzer auf eine „Diagnose“ drängen. Der Abgleich mit dem gedruckten Bereich und dem strukturierten Wert ist verpflichtend.
• Medizinspezifische Modelle und Benchmarks (z. B. Evaluationen im Stil von HealthBench) zeigen Fortschritte, belegen aber nicht die Sicherheit für echte Patienten; die ePA selbst hat zum Zeitpunkt der Prüfung keine eingebaute KI-Erklärhilfe, und Kritiker erwarten, dass sich allgemeine Assistenten schneller entwickeln als zentrale Plattformen [1].
• Die Sicherheit der ePA-Infrastruktur wurde kritisiert (berichtete Umgehung von Schutzmaßnahmen) [1]; der Export von Akten an Dritte erfordert daher eine bewusste Einwilligung.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general + rag): DOC-007 (Extraktion auf Seiten der Institution), PERS-008 (amtliche Schreiben), LANG-010 (Vereinfachung).
• Gemeinsame medizinische Wissensbasis mit KNOW-010; Terminologie-Mapping und FHIR mit HLTH-028.
• Verlaufsdaten verbinden sich mit PERS-002 (Wearables) und PERS-005 (privater lokaler Assistent auf einem Heimserver).
• Gegenstück auf Seiten der Ärzte: HLTH-011; Vorab-Triage: CONV-010.

Aufwand, Kosten & Kennzahlen

• Weg A: Minuten; kostenlos bis zu einem moderaten Abonnement.
• Weg B: 2–4 Monate für ein Produkt mit FHIR-Integration, Sicherheitsevaluation und DSFA; die Kosten werden von Compliance und klinischer Prüfung bestimmt, nicht von Tokens.
• Weg C: ein Wochenende für ein privates Setup; 2–3 Monate für einen Dienst.
• Kennzahlen: sachliche Richtigkeit von Werten und Bereichen gegenüber der Referenz (Ziel: nahezu vollständig), von Ärzten bewertete Sicherheit der Erklärungen, Verständniswerte, Rate der korrekten Eskalation kritischer Werte, von Nutzern berichtete Vorbereitung auf den Besuch, Audit zu Löschung und Einwilligung.

Menschen & Veränderung

Für Einzelpersonen ist die behandelnde Ärztin oder der behandelnde Arzt die wichtigste Person: Nutzen Sie die Erklärung, um Fragen vorzubereiten, nie um ärztlichen Rat zu ersetzen. Angehörige, die helfen, sollten die Einwilligung der Patientin oder des Patienten haben.

Bei einem Rollout im Unternehmen (Klinik, Versicherer, Gesundheitsplattform) beteiligen Sie von Anfang an die Geschäftsführung für die Entscheidung zu Zweck und Haftung, die Abteilungsleitung (Ärztliche Leitung oder Leitung des Dienstes) als Prozessverantwortliche, IT und IT-Sicherheit für Integration und Zugriff, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten sowie Recht/Compliance. Eine DSFA nach Art. 35 DSGVO ist sehr wahrscheinlich, weil Gesundheitsdaten besondere Kategorien sind und mit neuer Technologie verarbeitet werden; schließen Sie mit jedem Auftragsverarbeiter einen AVV (Art. 28) ab. Prüfen Sie, ob das Werkzeug als Medizinprodukt gilt, bevor Sie diagnostische Aussagen machen.

Betriebsrat: kommt darauf an. Nutzen Beschäftigte den Assistenten und protokolliert das System ihre Aktivitäten, gilt § 87 Abs. 1 Nr. 6 BetrVG, weil die objektive Eignung zur Überwachung genügt; unterrichten Sie den Betriebsrat nach § 90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe ändern, und nutzen Sie § 80 Abs. 3, wenn ein Sachverständiger nötig ist. Öffentliche Krankenhäuser beteiligen den Personalrat. Siehe GUIDE-004.

Maßnahmen zur KI-Kompetenz (Art. 4 AI Act) sollten Grenzen, erfundene Werte und die Eskalation an eine Ärztin oder einen Arzt abdecken (GUIDE-006). Beginnen Sie mit einer kleinen Pilotgruppe von Ärztinnen und Ärzten, kommunizieren Sie, dass Menschen entscheiden und das Werkzeug nur erklärt (GUIDE-008), und protokollieren Sie Korrekturen zur Prüfung.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt vom Zweck ab. Ein reines Informationswerkzeug hat typischerweise minimales/begrenztes Risiko (Art. 4 KI- Kompetenz, Art. 50 Transparenz für Chatbots). Wird es für Diagnose, Überwachung oder Behandlungsentscheidungen vermarktet, wird es zu Medizinprodukte-Software und nach Anhang I mit der Verordnung (EU) 2017/745 (MDR) zu einem Hochrisiko-System [5]. Keine verbotene Praxis, doch das Ableiten von Gefühlszuständen und das Scoring auf Versichererseite aus denselben Daten müssen gesondert geprüft werden.
• MDR-Grenze: Benennen Sie die Zweckbestimmung klar („erklärt, diagnostiziert nicht“); Funktionen, die Ergebnisse interpretieren, um Erkrankungen oder Therapien vorzuschlagen, können das Produkt zum Medizinprodukt machen (Klasse IIa oder höher nach MDR-Regel 11).
• DSGVO: Gesundheitsdaten sind Daten besonderer Kategorien (Art. 9). Grundlage ist die ausdrückliche Einwilligung; nutzen Sie Datenminimierung, Hosting in der EU, keine Verwendung für Training oder Werbung, Löschung, DSFA (Art. 35), Auftragsverarbeitungsvertrag. Auskunftsrechte der Patienten: Art. 15 DSGVO und die Regeln des SGB V für die ePA in Deutschland.
• EHDS: Die Verordnung (EU) 2025/327 stärkt die Rechte auf Zugang, Export und Weitergabe und legt Vorgaben zu Interoperabilität und Sekundärnutzung fest, die in den folgenden Jahren schrittweise greifen [4]. Wellness-Apps, die Interoperabilität behaupten, können unter deren Kennzeichnungsvorschriften fallen.
• Weitere Risiken: verzögerte Behandlung durch falsche Beruhigung; Angst durch nicht erklärte Befunde; Abfluss von Akten an US-Dienste; Angehörige oder Versicherer, die Zugang erzwingen wollen. Gegenmaßnahmen: Warnzeichen-Regeln, Quellenangaben, vorsichtige Formulierungen, lokale Verarbeitung, Prüfung der Zugriffsprotokolle.

Erste Schritte

1. Wählen Sie einen aktuellen Laborbericht und testen Sie zwei oder drei Werkzeuge; prüfen Sie jeden Wert und Bereich von Hand.
2. Fordern Sie Ihren ePA-Export (über die Kassen-App) und Ihre Daten nach Art. 15 DSGVO an, um zu sehen, was vorhanden ist.
3. Bevorzugen Sie bei sensiblen Akten Weg C (lokal); kombinieren Sie ihn mit PERS-005.
4. Führen Sie einen einseitigen Verlauf der wichtigsten Werte und Medikamente und bringen Sie die erzeugten Fragen zum Besuch mit.
5. Wenn Sie bauen: Schreiben Sie zuerst die Zweckbestimmung, führen Sie dann eine DSFA und eine MDR-Qualifizierungsprüfung durch.

Quellen

1. Pharmazeutische Zeitung — "ePA im Wettlauf gegen die KI" (2026) — https://www.pharmazeutische-zeitung.de/epa-im-wettlauf-gegen-die-ki-166293/seite/2/
2. OpenAI — ChatGPT Health announcement (2026) — https://openai.com/index/introducing-chatgpt-health/
3. Was hab' ich? — plain-language explanations of medical findings — https://washabich.de
4. Regulation (EU) 2025/327, European Health Data Space — https://eur-lex.europa.eu/eli/reg/2025/327/oj
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
7. gematik — Elektronische Patientenakte (ePA) — https://www.gematik.de/anwendungen/epa
8. Google — MedGemma open models — https://developers.google.com/health-ai-developer-foundations/medgemma