Die klinische Entlassdokumentation stellt ein kritisches Bindeglied zwischen stationärer Behandlung und ambulanter Weiterversorgung dar. Angesichts zunehmender administrativer Belastung und Fachkräftemangels im stationären Sektor bietet die Automatisierung mittels Large Language Models (LLMs) erhebliche Potenziale zur Effizienzsteigerung. Der vorliegende Beitrag untersucht, wie diese technologischen Potenziale mit den hohen Anforderungen an Informationssicherheit und Datenschutz in Einklang gebracht werden können.
Auf Basis einer systematischen Literaturanalyse (PRISMA 2020) werden die Chancen, insbesondere in der Entlastung des ärztlichen Personals und der Standardisierung der Dokumentation, den spezifischen Risiken, wie KI-Halluzinationen, Datenabfluss und Prozessstörungen, gegenübergestellt. Die Arbeit entwickelt hierfür ein Governance-Modell, das auf den IT-Grundschutz-Standards des BSI (200-1 bis 200-3) basiert. Ein zentrales Ergebnis ist, dass der Einsatz generativer KI im klinischen Umfeld zwingend ein „Human-in-the-Loop“-Prinzip erfordert, bei dem die ärztliche Letztverantwortung durch prozessuale und technische Kontrollen, wie die Nutzung von Reverse Proxys und strikte Container-Segmentierung flankiert wird. Die Analyse kommt zu dem Schluss, dass KI-gestützte Dokumentation nur dann als sicher und patientenzentriert eingestuft werden kann, wenn sie in ein revisionssicheres, auditierbares Sicherheitsmanagementsystem eingebettet ist.
Inhaltsverzeichnis
Hinweise zur gendergerechten Sprache
Tabellenverzeichnis
Abbildungsverzeichnis
Abkürzungsverzeichnis
1. Einführung
1.1 Problemstellung und Relevanz
1.2 Forschungsstand und Forschungslücke
1.3 Zielsetzung und Fragestellung
2. Theoretische Grundlagen
2.1 Klinische Entlassdokumentation im Versorgungskontext
2.2 Technologische Grundlagen von LLMs und NLP
2.3 ISMS und Risikomanagement nach BSI
3. Methodisches Vorgehen
3.1 Forschungsdesign und methodische Entscheidung
3.2 Literaturrecherche, Auswahlkriterien und Auswertungsverfahren
3.3 Methodische Abgrenzung
4. Analyse der Potenziale und Risiken
4.1 Effizienz- und Qualitätspotenziale
4.2 Informationssicherheitsrelevante Risiken
4.3 Praxis-Szenario: Manuelle Erstellung versus KI-Assistenz
5. Governance-Strukturen und BSI-konforme Kontrollen
5.1 Rollenmodelle und Sicherung der ärztlichen Letztverantwortung
5.2 Technische und organisatorische Maßnahmen (TOMs) zur KI-Absicherung
6. Diskussion und rechtliche Einordnung
7. Fazit und Ausblick
Literaturverzeichnis
Hilfsmittel
Hinweise zur gendergerechten Sprache
Aus Gründen der besseren Lesbarkeit wird in dieser Ausarbeitung die Sprachform des generischen Maskulinums angewandt. Es wird an dieser Stelle darauf hingewiesen, dass die ausschließliche Verwendung der männlichen Form geschlechtsunabhängig verstanden werden soll.
Tabellenverzeichnis
Abb. in Leseprobe nicht enthalten
Abbildungsverzeichnis
Abb. in Leseprobe nicht enthalten
Abkürzungsverzeichnis
BSI Bundesamt für Sicherheit in der Informationstechnik
CIA Confidentiality, Integrity, Availability
DSFA Datenschutz-Folgenabschätzung
DSGVO Datenschutz Grundverordnung
ePA Elektronische Patientenakte
FHIR Fast Healthcare Interoperability Resources
HL7 Health Level Seven
ISMS Informationssicherheitsmanagementsystem
KI Künstliche Intelligenz
KIS Krankenhausinformationssystem
LLM Large Language Model
NLP Natural Language Processing
PDCA Plan Do Check Act
PRISMA Preferred Reporting Items for Systematic Reviews and Meta-Analyses
TOM Technisch organisatorische Maßnahmen
Abstract
Die klinische Entlassdokumentation stellt ein kritisches Bindeglied zwischen stationärer Behandlung und ambulanter Weiterversorgung dar. Angesichts zunehmender administrativer Belastung und Fachkräftemangel im stationären Sektor bietet die Automatisierung mittels Large Language Models (LLMs) erhebliche Potenziale zur Effizienzsteigerung. Der vorliegende Beitrag untersucht, wie diese technologischen Potenziale mit den hohen Anforderungen an Informationssicherheit und Datenschutz in Einklang gebracht werden können.
Auf Basis einer systematischen Literaturanalyse (PRISMA 2020) werden die Chancen, insbesondere in der Entlastung des ärztlichen Personals und der Standardisierung der Dokumentation, den spezifischen Risiken, wie KI-Halluzinationen, Datenabfluss und Prozessstörungen, gegenübergestellt. Die Arbeit entwickelt hierfür ein Governance-Modell, das auf den IT-Grundschutz-Standards des BSI (200-1 bis 200-3) basiert. Ein zentrales Ergebnis ist, dass der Einsatz generativer KI im klinischen Umfeld zwingend ein „Human-in-the-Loop“-Prinzip erfordert, bei dem die ärztliche Letztverantwortung durch prozessuale und technische Kontrollen, wie die Nutzung von Reverse Proxys und strikte Container-Segmentierung flankiert wird. Die Analyse kommt zu dem Schluss, dass KI-gestützte Dokumentation nur dann als sicher und patientenzentriert eingestuft werden kann, wenn sie in ein revisionssicheres, auditierbares Sicherheitsmanagementsystem eingebettet ist.
Schlagworte: Klinische Dokumentation, Large Language Models (LLMs), Informationssicherheit (BSI-Grundschutz), Patientensicherheit, KI-Governance.
1. Einführung
1.1 Problemstellung und Relevanz
Die klinische Entlassdokumentation bildet das Rückgrat der sektorenübergreifenden Versorgung. In modernen Krankenhäusern stellt sie jedoch zugleich eine erhebliche administrative Last dar, die einen signifikanten Anteil der ärztlichen Arbeitszeit binden kann (vgl. Simon, 2021, S. 2). Der Entlassbrief fungiert als kritische Schnittstelle zwischen stationärer und ambulanter Versorgung, Verzögerungen oder Informationsverluste an diesem Übergang in die poststationäre Versorgung gefährden unmittelbar die Patientensicherheit (vgl. von Conta et al., 2025, S. 845).
Der zunehmende Fachkräftemangel verstärkt den Druck, klinische Prozesse durch digitale Transformation zu optimieren. KI-basierte Systeme, insbesondere Large Language Models (LLMs) und NLP-Verfahren, bieten hier das Potenzial, unstrukturierte Informationen aus der Patientenakte zu extrahieren und in strukturierte Dokumentationsvorschläge zu überführen (vgl. Wenz, 2026, S. 2). Eine aktuelle Untersuchung von Heilmeyer et al. (2024) unterstreicht dieses Potenzial und zeigt, dass durch den Einsatz von LLMs bei der Erstellung von Entlassbriefen signifikante Zeiteinsparungen möglich sind, ohne dass die Qualität der Kodierung erkennbar beeinträchtigt wird (vgl. Heilmeyer et al., 2024, o.S.). Gleichzeitig entstehen jedoch neue Risiken für die Informationssicherheit, etwa durch algorithmische „Halluzinationen“ oder eine eingeschränkte Transparenz der Modellentscheidungen, welche den Schutzbedarf hochsensibler Gesundheitsdaten tangieren (vgl. Heilmeyer et al., 2024, o.S.). Für einen sicheren Einsatz ist daher die Einbettung der Technologie in ein Informationssicherheitsmanagementsystem (ISMS) auf Basis der BSI-Standards 200-1, 200-2 und 200-3 aus fachlicher Sicht angezeigt (vgl. BSI, 2025, o.S.).
Gerade in modernen Krankenhäusern ist die Erstellung dieser Dokumentation mit erheblichem Aufwand verbunden. Ärztinnen und Ärzte müssen Informationen aus verschiedenen Systemen und Dokumenten zusammenführen, medizinisch bewerten und sprachlich präzise formulieren. Dieser Prozess beansprucht erhebliche Zeitressourcen, die in der klinischen Versorgung an anderer Stelle dringend benötigt werden (vgl. Simon, 2021, S. 2). Vor dem Hintergrund eines anhaltenden Fachkräftemangels gewinnt die Frage nach effizienteren Dokumentationsformen daher erheblich an Bedeutung (vgl. Busse, 2017, S. 45).
Die Problematik ist nicht nur organisatorischer, sondern auch sicherheitsrelevanter Natur. Unvollständige, verspätete oder fehlerhafte Entlassbriefe können zu Medikationsfehlern, unzureichender Nachsorge oder Kommunikationsabbrüchen zwischen stationärer und ambulanter Versorgung führen. Damit hat die Qualität der Entlassdokumentation unmittelbare Auswirkungen auf die Patientensicherheit (vgl. Conta et al., 2025, S. 845).
In diesem Zusammenhang rückt der Einsatz von KI zunehmend in den Fokus. LLMs und NLP-Verfahren bieten die Möglichkeit, unstrukturierte klinische Informationen automatisch zu analysieren und in strukturierte Textentwürfe zu überführen (vgl. Wenz, 2026, S. 2). Erste Untersuchungen zeigen, dass derartige Systeme auch in der medizinischen Dokumentation nutzbar sind und unter bestimmten Bedingungen signifikante Effizienzgewinne ermöglichen (vgl. Heilmeyer et al., 2024, o.S.).
Die Nutzung generativer KI in der Entlassdokumentation ist jedoch mit erheblichen Risiken verbunden. Insbesondere Halluzinationen, Datenschutzprobleme, unklare Verantwortlichkeiten und mangelnde Transparenz machen deutlich, dass ein bloßer Technikeinsatz nicht ausreicht. Vielmehr bedarf es eines strukturierten Governance- und Sicherheitsrahmens, der den Einsatz dieser Systeme in ein kontrolliertes, regelkonformes und patientenzentriertes Gesamtkonzept einbettet (vgl. Müller-Quade et al., 2020, S. 12; vgl. BSI, 2025, o.S.).
1.2 Forschungsstand und Forschungslücke
Die Forschung zur Anwendung von Künstlicher Intelligenz im Gesundheitswesen hat in den vergangenen Jahren deutlich an Dynamik gewonnen. Im Zentrum stehen dabei vor allem diagnostische Assistenzsysteme, Prognosemodelle, klinische Entscheidungsunterstützung sowie generative KI zur Unterstützung administrativer und dokumentationsbezogener Prozesse (vgl. von Conta et al., 2025, S. 1; vgl. Schwarz, 2025, o.S.). Für die medizinische Dokumentation zeigen erste Untersuchungen, dass Large Language Models Entlassbriefe und andere klinische Texte effizient vorstrukturieren können, wobei insbesondere Zeitersparnisse und Standardisierungspotenziale hervorgehoben werden (vgl. Heilmeyer et al., 2024, o.S.; vgl. Wenz, 2026, S. 2).
Gleichzeitig verweisen aktuelle Arbeiten auf erhebliche Risiken, insbesondere auf Halluzinationen, mangelnde Nachvollziehbarkeit, Datenschutzprobleme und unklare Verantwortlichkeiten (vgl. Müller-Quade et al., 2020, S. 12; vgl. BSI, 2025, o.S.). Der bisherige Forschungsstand zeigt damit, dass generative KI im medizinischen Dokumentationsprozess zwar ein relevantes Potenzial besitzt, die sichere und regelkonforme Implementierung jedoch bislang nicht hinreichend geklärt ist.
Zwar werden technische Machbarkeit und erste Anwendungsergebnisse bereits beschrieben, eine systematische Verknüpfung mit Informationssicherheitsanforderungen, BSI-konformem Risikomanagement und klinischer Governance ist bislang jedoch nur punktuell ausgearbeitet (vgl. BSI, 2024, o.S.; vgl. BSI, 2025, o.S.). Insbesondere fehlt eine integrierte Betrachtung, die Effizienzpotenziale, Sicherheitsrisiken und organisatorische Kontrollmechanismen gemeinsam im Kontext der Entlassdokumentation analysiert.
Genau hier setzt die vorliegende Arbeit an. Sie schließt die Forschungslücke, indem sie die Automatisierung der Entlassdokumentation nicht nur aus technologischer, sondern auch aus informationssicherheits- und governancebezogener Perspektive untersucht (vgl. BSI, 2024, o.S.; vgl. Cyber-Sicherheitsrat Deutschland e. V., 2025, S. 18). Ziel ist es, ein strukturiertes Modell abzuleiten, das den Einsatz generativer KI im Krankenhauskontext unter Berücksichtigung der BSI-Standards und der ärztlichen Letztverantwortung bewertbar macht.
1.3 Zielsetzung und Fragestellung
Ziel der Arbeit ist es, die Potenziale und Risiken einer KI-gestützten Entlassdokumentation systematisch zu analysieren und daraus ein governanceorientiertes, BSI-konformes Kontrollmodell abzuleiten. Im Mittelpunkt steht die Frage, wie die Effizienzvorteile generativer KI mit den Anforderungen an Informationssicherheit, Datenschutz und klinische Verantwortlichkeit in Einklang gebracht werden können.
Die leitende Forschungsfrage lautet:
Wie müssen Governance-Strukturen und BSI-konforme Kontrollen gestaltet sein, damit KI-gestützte Automatisierungsmaßnahmen im stationären Versorgungskontext der Entlassdokumentation sicher und regelkonform eingesetzt werden können?
Daraus ergeben sich folgende Unterfragen:
· Welche Effizienz- und Qualitätspotenziale bieten LLMs bei der Erstellung ärztlicher Entlassbriefe im Krankenhaus?
· Welche spezifischen informationssicherheitsrelevanten Risiken entstehen bei deren Einsatz im klinischen Prozess?
· Welche technischen und organisatorischen Maßnahmen sind zur Risikobegrenzung gemäß den BSI-Standards erforderlich?
Kapitel 3 widmet sich der methodischen Vorgehensweise, die zur Beantwortung dieser Forschungsfrage gewählt wurde.
2. Theoretische Grundlagen
2.1 Klinische Entlassdokumentation im Versorgungskontext
Der Entlassbrief ist ein zentrales Kommunikations- und Dokumentationsinstrument der stationären Medizin. Er verbindet die Behandlung im Krankenhaus mit der anschließenden Versorgung durch Hausärzte, Fachärzte, Rehabilitationseinrichtungen oder pflegerische Dienste. In ihm werden Diagnosen, therapeutische Maßnahmen, operative Eingriffe, medikamentöse Veränderungen, relevante Verlaufskomplikationen und Empfehlungen für Folgeuntersuchungen strukturiert zusammengefasst (vgl. Simon, 2021, S. 2).
Die Funktion des Entlassbriefes geht dabei weit über eine bloße Zusammenfassung hinaus. Er schafft die Grundlage für die medizinische Anschlussversorgung und ist zugleich ein Dokument mit rechtlicher Relevanz. Für die Qualität der Versorgung ist entscheidend, dass Informationen nicht nur vollständig, sondern auch rechtzeitig und eindeutig übermittelt werden. Sobald Lücken oder Verzögerungen auftreten, steigt das Risiko für Fehlentscheidungen und Missverständnisse im weiteren Behandlungspfad (vgl. von Conta et al., 2025, S. 845).
Im deutschen Gesundheitssystem ist diese Schnittstellenfunktion besonders bedeutsam, da stationäre und ambulante Versorgung organisatorisch getrennt sind. Der Entlassbrief überbrückt diese Trennung und sorgt dafür, dass die in der Klinik gewonnenen Erkenntnisse für die Nachbehandlung nutzbar bleiben. Mit zunehmender Digitalisierung entsteht darüber hinaus die Erwartung, dass solche Informationen nicht nur lesbar, sondern auch interoperabel und Maschinen verarbeitbar vorliegen (vgl. Wenz, 2026, S. 3).
2.2 Technologische Grundlagen von LLMs und NLP
LLMs gehören zu den leistungsfähigsten aktuellen Verfahren der Sprachverarbeitung. Sie basieren auf tiefen neuronalen Netzen, insbesondere auf der Transformer-Architektur und werden auf großen Textmengen vortrainiert. Durch diese Vortrainingsphase lernen sie sprachliche Muster, semantische Zusammenhänge und kontextabhängige Strukturen (vgl. Schwarz, 2025, o.S.).
Für den medizinischen Einsatz müssen solche Modelle häufig durch Feintuning an die Fachsprache des Gesundheitswesens angepasst werden. Medizinische Dokumentation zeichnet sich durch Terminologiedichte, Kontextabhängigkeit und hohe Präzisionsanforderungen aus. Ein allgemeines Sprachmodell ist daher nur eingeschränkt geeignet, während ein spezialisierter Ansatz klinische Inhalte besser abbilden kann (vgl. Schwarz, 2025, o.S.).
NLP-Verfahren ermöglichen es, unstrukturierte Texte wie Pflegeberichte, OP-Dokumentationen, Laborbefunde oder Verlaufsnotizen inhaltlich zu analysieren und zu verarbeiten. Sie können aus unstrukturierten Arzt- oder Pflegeinformationen semantische Einheiten extrahieren und daraus strukturierte Textbausteine erzeugen. So kann ein Modell beispielsweise aus Verlaufsnotizen, Laborbefunden und Medikationsänderungen einen vorformulierten Entlassbriefentwurf ableiten. Die klinische Qualität hängt dabei jedoch entscheidend davon ab, dass die generierten Inhalte durch medizinisches Fachpersonal überprüft und freigegeben werden. Das Modell erzeugt anschließend einen Text, indem es auf Grundlage der Eingaben das jeweils wahrscheinlichste nächste Token bestimmt und so einen zusammenhängenden Entwurf erstellt (vgl. Heilmeyer et al., 2024, o.S.).
Diese Funktionsweise ist für die medizinische Dokumentation zugleich Chance und Risiko. Sie ermöglicht eine erhebliche Beschleunigung der Textproduktion, kann aber keine fachliche Korrektheit garantieren. Ein sprachlich überzeugender Text kann dennoch inhaltlich falsch sein. Gerade im klinischen Umfeld ist diese Differenz zwischen sprachlicher Plausibilität und medizinischer Validität hochrelevant (vgl. Müller-Quade et al., 2020, S. 12).
2.3 ISMS und Risikomanagement nach BSI
Ein Informationssicherheitsmanagementsystem schafft die organisatorische Grundlage für den sicheren Betrieb digitaler Systeme. Es definiert Verantwortlichkeiten, Prozesse, Sicherheitsziele und Kontrollmechanismen und stellt sicher, dass Informationssicherheit nicht als punktuelle Maßnahme, sondern als kontinuierlicher Managementprozess verstanden wird (vgl. BSI, 2024, o.S.).
Der BSI-Standard 200-1 formuliert die grundlegenden Anforderungen an ein ISMS, während 200-2 die methodische Umsetzung des IT-Grundschutzes beschreibt. Der Standard 200-3 ergänzt diesen Rahmen um ein systematisches Risikomanagement für Situationen, in denen Standardmaßnahmen nicht ausreichen oder Risiken eine vertiefte Bewertung erfordern (vgl. BSI, 2024, o.S.).
Für KI-Systeme im Gesundheitswesen ist dies besonders relevant, weil deren Risiken nicht nur technischer, sondern auch organisatorischer und fachlicher Natur sind. Die CIA-Triade bietet hierfür einen geeigneten analytischen Rahmen. Vertraulichkeit schützt sensible Daten vor unbefugtem Zugriff, Integrität gewährleistet die Korrektheit medizinischer Informationen und Verfügbarkeit stellt sicher, dass Systeme im klinischen Alltag nutzbar bleiben (vgl. BSI, 2025, o.S.).
Insbesondere die Integrität medizinischer Informationen hat im Gesundheitswesen eine herausragende Bedeutung. Falsch generierte Inhalte können direkte Auswirkungen auf Diagnosen, Therapien und Medikationsentscheidungen haben. Daher ist ein KI-Einsatz nur dann verantwortbar, wenn er in ein strukturiertes Sicherheits- und Kontrollmodell eingebettet ist (vgl. BSI, 2025, o.S.).
Abb. 1: ISMS-Gedanke nach dem PDCA-Zyklus im Kontext KI-gestützter Entlassdokumentation (Eigendarstellung)
Abb. in Leseprobe nicht enthalten
Das Diagramm veranschaulicht den kontinuierlichen Verbesserungsprozess eines Informationssicherheitsmanagementsystems und dessen Übertragung auf KI-gestützte klinische Dokumentationsprozesse.
3. Methodisches Vorgehen
Um eine valide und nachvollziehbare Beantwortung der Forschungsfrage zu gewährleisten, wurde ein systematischer, literaturgestützter Ansatz gewählt, der sich an der PRISMA-2020-Leitlinie (vgl. Page et al., 2021, o.S.) orientiert. Dieser methodische Rahmen stellt sicher, dass die gewonnenen Erkenntnisse nicht auf isolierten Beobachtungen basieren, sondern den aktuellen Stand der Wissenschaft und Technik widerspiegeln und für den klinischen Kontext anschlussfähig sind.
3.1 Forschungsdesign und methodische Entscheidung
Die vorliegende Arbeit folgt einem qualitativen, literaturbasierten Forschungsdesign (vgl. Döring & Bortz, 2016, o.S.). Ziel ist es, die Potenziale und Risiken einer KI-gestützten Entlassdokumentation auf Grundlage wissenschaftlicher und fachlich einschlägiger Literatur zu analysieren. Der Schwerpunkt liegt damit auf einer konzeptionellen und analytischen Auswertung bestehender Erkenntnisse, um daraus ein strukturiertes Governance- und Sicherheitsmodell abzuleiten.
Die Entscheidung für ein qualitatives Vorgehen ist dadurch begründet, dass die Forschungsfrage nicht auf die Messung eines isolierten Effekts, sondern auf das Verständnis eines komplexen Zusammenwirkens von Technik, Organisation, Informationssicherheit und klinischer Verantwortung zielt. Eine solche Fragestellung lässt sich mit einer Literaturauswertung in Verbindung mit qualitativer Inhaltsanalyse besonders gut bearbeiten, da sie eine ganzheitliche Betrachtung der Schnittstelle zwischen medizinischer Dokumentation und KI-gestützter Prozessunterstützung ermöglicht.
3.2 Literaturrecherche, Auswahlkriterien und Auswertungsverfahren
Die Arbeit basiert auf einer systematischen Literaturrecherche nach den PRISMA-2020-Richtlinien (vgl. Page et al., 2021, o.S.). Ziel dieser Vorgehensweise ist es, die Identifikation, Auswahl und Auswertung der Literatur transparent, nachvollziehbar und reproduzierbar zu gestalten. Die Recherche wurde in den Datenbanken SpringerLink und PubMed durchgeführt, da beide Plattformen für die Themenfelder Medizin, Gesundheitswesen, digitale Transformation und KI-relevante Forschungsbeiträge als einschlägig gelten. Zusätzlich wurden institutionelle Quellen berücksichtigt, insbesondere Dokumente des BSI (2024) sowie thematisch passende Whitepaper, etwa von Müller-Quade et al. (2020).
Der Betrachtungszeitraum wurde auf 2020 bis 2026 begrenzt, um die Dynamik der Forschung im Bereich generativer KI abzubilden (vgl. von Conta et al., 2025, o.S.). Die Suchstrategie wurde thematisch entlang der Forschungsfrage aufgebaut und umfasste Begriffe wie Large Language Models, generative KI, Entlassdokumentation, Arztbrief, Informationssicherheit, Governance und BSI. Ergänzend wurden weitere themennahe Begriffe wie Patientensicherheit, Risikomanagement, Human-in-the-Loop, Datenschutz, ePA und KIS einbezogen, um die verschiedenen Facetten des Untersuchungsgegenstands abzudecken.
Zur Eingrenzung des Materialkorpus wurden Ein- und Ausschlusskriterien definiert. Eingeschlossen wurden wissenschaftliche Artikel, Fachbeiträge, Whitepaper und Leitfäden mit direktem Bezug zu KI im Gesundheitswesen, medizinischer Dokumentation, Informationssicherheit oder Governance-Fragen. Ausgeschlossen wurden Quellen ohne erkennbaren Bezug zur Forschungsfrage, rein technische Beiträge ohne klinischen Anwendungsbezug oder Publikationen, die keinen wissenschaftlichen Anspruch erheben. Diese Eingrenzung stellt sicher, dass die Analyse nicht durch thematisch randständige Quellen verwässert wird (vgl. Döring & Bortz, 2016, o.S.).
Die ausgewählten Quellen wurden einer qualitativen Inhaltsanalyse unterzogen, um wiederkehrende Muster, zentrale Argumentationslinien und strukturelle Spannungsfelder herauszuarbeiten (vgl. Döring & Bortz, 2016, o.S.). Die Inhalte wurden entlang thematischer Kategorien verdichtet, darunter Effizienz- und Qualitätspotenziale, informationssicherheitsrelevante Risiken, Anforderungen an Governance sowie technische und organisatorische Maßnahmen (TOMs).
Als analytischer Bezugsrahmen dienen die CIA-Triade (Vertraulichkeit, Integrität, Verfügbarkeit) sowie die BSI-Standards 200-1 bis 200-3. Die CIA-Triade strukturiert die sicherheitsrelevante Betrachtung, während die BSI-Standards den organisatorischen Rahmen für das Risikomanagement bilden. Dieser Bezugsrahmen ermöglicht es, die Untersuchung nicht nur auf der Ebene der Potenziale zu führen, sondern auch die praktischen Voraussetzungen eines sicheren Betriebs in einer komplexen Kliniklandschaft zu berücksichtigen (vgl. Simon, 2021, o.S.).
3.3 Methodische Abgrenzung
Die Arbeit verfolgt keinen experimentellen Ansatz und erhebt keinen Anspruch auf empirische Sicherheitsbewertung einzelner Systeme. Ebenso wird keine eigene technische Implementierung vorgenommen. Der Fokus liegt auf der Bewertung der Einsatzbedingungen, Risiken und Kontrollanforderungen. Damit ist die Methodik bewusst auf die Analyse und Ableitung eines konzeptionellen Sicherheits- und Governance-Modells ausgerichtet, wie es für theoretische Arbeiten im Management gesundheitswirtschaftlicher Prozesse üblich ist (vgl. Busse et al., 2017, o.S.).
Das gewählte Vorgehen erlaubt es, die Literatur zu KI-gestützter Entlassdokumentation, Informationssicherheit und Governance in einen gemeinsamen analytischen Zusammenhang zu bringen. Damit ist eine fundierte Grundlage geschaffen, um in den folgenden Kapiteln sowohl die Potenziale als auch die Risiken systematisch zu bewerten und ein sicherheits- und governancebezogen tragfähiges Modell abzuleiten.
4. Analyse der Potenziale und Risiken
4.1 Effizienz- und Qualitätspotenziale
Der Einsatz von LLMs kann die Erstellung von Entlassbriefen erheblich beschleunigen. In vielen Kliniken ist die manuelle Erstellung mit einem hohen Zeitaufwand verbunden, da medizinische Informationen aus unterschiedlichen Quellen zusammengeführt und sprachlich aufbereitet werden müssen. KI kann hier einen strukturierten Entwurf erzeugen, der vom Arzt lediglich geprüft und ergänzt werden muss (vgl. Heilmeyer et al., 2024, o.S.).
Dieser Vorteil ist vor dem Hintergrund des Fachkräftemangels besonders relevant. Wenn Dokumentationsaufgaben automatisiert vorstrukturiert werden, kann dies das medizinische Personal entlasten und Zeit für direkt patientenbezogene Tätigkeiten freisetzen (vgl. Busse, 2017, S. 45). Gerade in einem belasteten Klinikalltag kann bereits eine moderate Zeitersparnis einen spürbaren organisatorischen Effekt haben.
Darüber hinaus kann KI zur besseren Standardisierung der Dokumentation beitragen. Einheitlich strukturierte Texte sind nicht nur leichter lesbar, sondern auch besser in digitale Systeme integrierbar. Das ist besonders wichtig im Hinblick auf HL7-, FHIR- und ePA-basierte Prozesse, die auf technische Anschlussfähigkeit angewiesen sind (vgl. Wenz, 2026, S. 3).
Ein zusätzlicher Qualitätsaspekt liegt darin, dass KI potenziell Informationen erkennt, die bei manueller Erstellung übersehen werden könnten. Dazu gehören Nebendiagnosen, medikationsrelevante Details oder Hinweise auf notwendige Nachkontrollen (vgl. Miebach, 2020, S. 89). Dadurch kann die Dokumentationsqualität im Idealfall verbessert werden.
Ein weiterer Vorteil liegt in der Prozessstabilisierung. Wenn die Entlassdokumentation vorstrukturiert wird, können Engpässe in der Abteilung abgemildert werden. Gerade an Tagen mit hoher Patientenzahl oder knappen Personalressourcen kann eine KI-gestützte Vorarbeit dazu beitragen, Entlassungen pünktlicher abzuschließen.
Die Verfügbarkeit der Dokumentation ist klinisch relevant, weil Entlassbriefe häufig Voraussetzung für den nächsten Behandlungsschritt sind. Verzögerungen können zu Bettenblockaden, organisatorischen Störungen und unnötigem Zusatzaufwand führen. KI kann hier helfen, Prozessspitzen abzufedern, sofern die technischen Rahmenbedingungen zuverlässig funktionieren (vgl. BSI, 2025, o.S.).
4.2 Informationssicherheitsrelevante Risiken
Das gravierendste Risiko generativer KI besteht in Halluzinationen. Diese entstehen, wenn das Modell plausible, aber inhaltlich falsche Aussagen erzeugt. Im medizinischen Kontext ist dies besonders problematisch, weil falsche Informationen im Entlassbrief unmittelbare Auswirkungen auf Folgebehandlungen haben können (vgl. Müller-Quade et al., 2020, S. 12).
Ein fehlerhaft generierter Medikamentenhinweis, eine unvollständige Diagnose oder eine falsche Nachsorgeempfehlung kann erhebliche klinische Konsequenzen nach sich ziehen. Die Integrität medizinischer Daten ist daher ein zentrales Schutzziel. Ein System, das keine fachliche Verifikation vornimmt, darf nicht ungeprüft in den klinischen Dokumentationsprozess integriert werden (vgl. BSI, 2025, o.S.).
Ein weiteres Risiko betrifft die Vertraulichkeit. Bei cloudbasierten KI-Lösungen besteht die Gefahr, dass sensible Gesundheitsdaten an externe Server übermittelt werden. Dies ist datenschutzrechtlich und organisatorisch besonders problematisch, da medizinische Informationen zu den sensibelsten personenbezogenen Daten überhaupt gehören (Kanton Zürich, 2025, S. 14).
Die Verarbeitung solcher Daten muss deshalb so organisiert werden, dass unbefugter Zugriff, unkontrollierte Weitergabe oder nicht transparent nachvollziehbare Speicherorte vermieden werden. Aus diesem Grund sind lokal betriebene oder stark abgeschirmte Systeme im klinischen Umfeld zu bevorzugen.
Die Risikobewertung nach BSI 200-3 zeigt, dass bei KI-Halluzinationen oder Datenabfluss zwar nicht zwingend eine hohe Eintrittswahrscheinlichkeit vorliegen muss, das Schadensausmaß jedoch sehr hoch sein kann. Bereits einzelne Fehler können medizinische und organisatorische Folgen auslösen, die für den Patienten relevant sind (vgl. BSI, 2025, S. 31).
Daraus ergibt sich ein insgesamt hohes Risiko, das nur durch geeignete Maßnahmen begrenzt werden kann. Die Ableitung technischer und organisatorischer Kontrollen ist daher nicht fakultativ, sondern zwingend erforderlich.
4.3 Praxis-Szenario: Manuelle Erstellung versus KI-Assistenz
Um die Unterschiede zwischen traditioneller und KI-gestützter Entlassdokumentation anschaulich zu machen, lässt sich ein typisches Szenario auf einer internistischen Station betrachten. Ein Assistenzarzt soll den Entlassbrief für einen Patienten mit Herzinsuffizienz, Diabetes mellitus und einer postoperativen Komplikation verfassen.
Manueller Prozess:
Der Arzt muss zunächst verschiedene Quellen öffnen. Verlaufsdokumentation, Pflegeberichte, OP-Bericht, Laborwerte, Medikation und ggf. Konsile. Anschließend müssen die Informationen gesichtet, inhaltlich eingeordnet und in einen formalen Brief übertragen werden. Dieser Prozess ist fehleranfällig, zeitintensiv und stark abhängig von Erfahrung, Aufmerksamkeit und verfügbarem Zeitbudget. In einer typischen Situation kann dies 25 bis 35 Minuten pro Entlassbrief beanspruchen.
KI-gestützter Prozess:
Im KI-assistierten Szenario stellt das KIS die relevanten Informationen strukturiert bereit. Das LLM erzeugt innerhalb weniger Sekunden einen Entwurf, der Diagnosen, Verlauf, Medikation und Empfehlungen in konsistenter Form zusammenfasst. Der Arzt liest den Entwurf, ergänzt fehlende Details, korrigiert einzelne Formulierungen und gibt den Brief erst nach fachlicher Prüfung frei. Der Zeitbedarf sinkt damit auf etwa 8 bis 10 Minuten.
Dieses Szenario zeigt, dass KI nicht die medizinische Entscheidung ersetzt, wohl aber die Vorarbeit erheblich erleichtern kann. Die Einsparung von Zeit ist nicht nur ein Effizienzvorteil, sondern schafft auch Raum für Patientengespräche und medizinische Kernaufgaben. Gleichzeitig verdeutlicht das Beispiel, dass die finale Verantwortung bei der ärztlichen Prüfung bleiben muss (vgl. Heilmeyer et al., 2024, o.S.; vgl. Cyber-Sicherheitsrat Deutschland e. V., 2025, S. 18).
Abb. 2: Human-in-the-Loop-Freigabeprozess bei KI-gestützter Entlassdokumentation (Eigendarstellung)
Abb. in Leseprobe nicht enthalten
Das Diagramm zeigt den Ablauf von der KI-gestützten Entwurfserstellung über die ärztliche Prüfung bis zur dokumentierten Freigabe und Übernahme in das Zielsystem.
5. Governance-Strukturen und BSI-konforme Kontrollen
5.1 Rollenmodelle und Sicherung der ärztlichen Letztverantwortung
Ein tragfähiger KI-Einsatz in der Entlassdokumentation setzt eindeutige Rollenmodelle voraus. Die KI darf nicht als autonomes Entscheidungssystem verstanden werden, sondern ausschließlich als Assistenzinstrument. Die medizinische Letztverantwortung verbleibt beim behandelnden Arzt (vgl. Cyber-Sicherheitsrat Deutschland e. V., 2025, S. 18).
Das Human-in-the-Loop-Prinzip ist deshalb zentral. Es gewährleistet, dass maschinell generierte Inhalte nicht ungeprüft in die verbindliche Dokumentation eingehen. Der Arzt prüft den Entwurf, nimmt Korrekturen vor und gibt den Brief erst danach frei. Diese Form der doppelten Kontrolle ist im klinischen Kontext unverzichtbar.
5.2 Technische und organisatorische Maßnahmen (TOMs) zur KI-Absicherung
Die Freigabeprozesse müssen so gestaltet sein, dass jeder Schritt nachvollziehbar bleibt. Dazu gehören Eingabe, Generierung, Prüfung, Änderung und finaler Versand. Ein solcher Ablauf schafft Transparenz und ermöglicht im Fehlerfall eine Rekonstruktion der Ursache.
Die Protokollierung aller Schritte ist dabei nicht nur aus Sicherheitsgründen wichtig, sondern auch im Hinblick auf Qualitätssicherung und mögliche Haftungsfragen. Ein revisionsfähiger Workflow ist deshalb als Pflichtbestandteil eines klinischen KI-Systems zu betrachten (vgl. BSI, 2025, o.S.).
Die technische Absicherung erfordert eine gehärtete Infrastruktur. Zunächst ist eine Netzwerksegmentierung sinnvoll, um KI-Komponenten von anderen kritischen Systemen zu trennen. Dadurch lassen sich Angriffsflächen begrenzen und Sicherheitsvorfälle besser eindämmen (vgl. BSI, 2024, o.S.).
Darüber hinaus ist eine On-Premise- oder Container-Strategie aus Sicherheitssicht besonders geeignet. Wird das Modell in einem isolierten Container betrieben, beispielsweise mit Docker oder Kubernetes, kann es in einer kontrollierten Umgebung ausgeführt werden. Dies reduziert das Risiko, dass das Modell unkontrolliert auf andere Systeme zugreift oder durch externe Netzwerke kompromittiert wird. Gleichzeitig erleichtert Containerisierung Wartung, Versionierung und Patch-Management.
Die Kapselung eines KI-Modells ist damit technisch sinnvoll, weil sie Reproduzierbarkeit, Segmentierung und kontrollierten Betrieb verbindet. Container können so konfiguriert werden, dass sie nur die erforderlichen Rechte erhalten und nur definierte Schnittstellen ansprechen. Damit unterstützen sie die Sicherheitsanforderungen eines BSI-konformen Betriebs (vgl. BSI, 2024, o.S.).
Zusätzlich muss eine lückenlose Protokollierung aller KI-Interaktionen stattfinden. Eingaben, Ausgaben, Modellversionen und Freigaben sollten in einem Audit-Trail dokumentiert werden. Dies erhöht die Nachvollziehbarkeit und ermöglicht eine spätere Fehleranalyse (vgl. BSI, 2025, o.S.).
Die technische Integration muss die Schnittstellen zwischen Krankenhausinformationssystem, KI-Komponente und elektronischer Patientenakte berücksichtigen. Jede Schnittstelle stellt einen potenziellen Schwachpunkt dar und muss daher gezielt abgesichert werden.
Ein sicher konfigurierter Reverse-Proxy kann helfen, interne Dienste kontrolliert zu verbinden und unautorisierte Zugriffe zu verhindern (vgl. BSI, 2024, o.S.). Auf diese Weise bleibt die Architektur transparent und überprüfbar. Die ePA darf erst dann mit dem finalen Entlassbrief versorgt werden, wenn die ärztliche Freigabe dokumentiert vorliegt.
Abb. 3: Sicherheitsarchitektur zwischen KIS, Reverse-Proxy, KI-Container und ePA (Eigendarstellung)
Abb. in Leseprobe nicht enthalten
Das Diagramm stellt die technische Schnittstellenarchitektur dar, mit der KI-gestützte Entlassdokumentation unter Wahrung von Vertraulichkeit, Integrität und Nachvollziehbarkeit umgesetzt werden kann.
Für die Akzeptanz und den sicheren Betrieb eines solchen Systems ist Transparenz ein entscheidender Faktor. Das medizinische Personal muss nachvollziehen können, wie ein Entlassbrief entstanden ist, welche Teile von der KI vorgeschlagen wurden und welche Änderungen anschließend manuell erfolgten.
Da viele LLMs im Detail nur eingeschränkt erklärbar sind, kommt der Prozessdokumentation besondere Bedeutung zu. Das System muss nicht jede interne Modellentscheidung offenlegen, wohl aber die Nutzungs- und Freigabeschritte dokumentieren. Nur so wird die Anwendung im Krankenhaus zu einem kontrollierbaren und vertrauenswürdigen Werkzeug (vgl. BSI, 2025, o.S.).
6. Diskussion und rechtliche Einordnung
Die Analyse zeigt, dass der Einsatz generativer KI in der Entlassdokumentation zweifellos ein erhebliches Potenzial zur Effizienzsteigerung besitzt. Gerade in einem klinischen Umfeld, das durchsteigenden Dokumentationsaufwand, Personalknappheit und zunehmende Prozesskomplexität geprägt ist, kann eine KI-gestützte Vorstrukturierung von Entlassbriefen einen spürbaren Beitrag zur Entlastung des medizinischen Personals leisten. Besonders relevant ist dabei, dass die Technologie nicht nur Zeit sparen kann, sondern auch eine gewisse Standardisierung und formale Vereinheitlichung dokumentarischer Abläufe ermöglicht. Dadurch entstehen potenzielle Vorteile sowohl auf der Ebene der Arbeitsorganisation als auch im Hinblick auf die Anschlussfähigkeit an digitale Versorgungssysteme.
Gleichzeitig darf dieser Effizienzgewinn nicht isoliert betrachtet werden. Die zentrale Erkenntnis der Arbeit besteht darin, dass der Nutzen generativer KI stets in einem Spannungsverhältnis zu sicherheitsrelevanten, datenschutzrechtlichen und organisatorischen Anforderungen steht. Im klinischen Kontext ist nicht nur entscheidend, ob ein System schnell und sprachlich überzeugend arbeitet, sondern vor allem, ob es fachlich verlässliche und rechtlich verantwortbare Ergebnisse liefert. Genau hier liegt die besondere Problematik generativer KI. Ein sprachlich plausibler Entwurf kann inhaltlich fehlerhaft sein und gerade im medizinischen Bereich können bereits einzelne inhaltliche Abweichungen erhebliche Folgen für Behandlung, Medikation und Nachsorge haben. Deshalb darf KI nicht als autonomes Dokumentationssystem verstanden werden, sondern ausschließlich als Assistenzinstrument, dessen Ergebnisse einer verpflichtenden ärztlichen Prüfung unterliegen müssen.
Diese Notwendigkeit wird durch die rechtliche Entwicklung auf europäischer Ebene zusätzlich unterstrichen. Mit dem EU AI Act wird ein regulatorischer Rahmen geschaffen, der insbesondere für Hochrisiko Anwendungen im Gesundheitswesen erhebliche Anforderungen formuliert. Systeme, die in medizinische Entscheidungs- oder Dokumentationsprozesse eingreifen, bewegen sich je nach konkretem Einsatzkontext in einem sensiblen Anwendungsbereich, in dem Transparenz, Nachvollziehbarkeit, Dokumentation, Risikomanagement und menschliche Aufsicht zentral sind. Für Krankenhäuser bedeutet dies, dass sich der Einsatz generativer KI nicht allein an technischer Machbarkeit orientieren darf, sondern an einem umfassenden Compliance- und Governance-Verständnis. Die rechtliche Einordnung macht deutlich, dass der reine Innovationsnutzen nicht ausreicht, wenn die organisatorischen und rechtlichen Voraussetzungen nicht erfüllt sind.
Hinzu kommt, dass Gesundheitsdaten einen besonders hohen Schutzbedarf aufweisen. Die Kombination aus DSGVO, BSI-Standards und gesundheitsrechtlichen Anforderungen führt dazu, dass der Umgang mit Patienteninformationen in KI-gestützten Prozessen nur unter strengen Bedingungen zulässig ist. Dabei geht es nicht nur um die Sicherung der Vertraulichkeit, sondern ebenso um die Integrität und Verfügbarkeit der Daten. Wenn KI-Systeme auf sensible klinische Informationen zugreifen, müssen Zugriffsrechte, Speicherorte, Protokollierung und Schnittstellen besonders sorgfältig abgesichert werden. Gerade cloudbasierte oder extern angebundene Lösungen können hier zusätzliche Risiken erzeugen, weil sie Fragen nach Datenübertragung, Drittzugriff und technischer Kontrolle aufwerfen. Aus diesem Grund ist die technische und organisatorische Einbettung der KI ein entscheidender Bestandteil jedes verantwortbaren Einsatzkonzepts.
Die Arbeit verdeutlicht außerdem, dass die Einführung generativer KI in der Entlassdokumentation nicht nur eine technische Implementierungsfrage ist, sondern eine Frage der klinischen Verantwortungsarchitektur. In einem Krankenhauskontext ist Verantwortung nie rein technischer Natur. Sie verteilt sich zwischen ärztlicher Fachverantwortung, organisatorischer Prozessverantwortung und informationstechnischer Betriebsverantwortung. Ein KI-System kann diese Verantwortlichkeiten nicht ersetzen, sondern nur unterstützen. Deshalb ist das Human-in-the-Loop-Prinzip nicht als optionale Zusatzmaßnahme zu verstehen, sondern als Kernbedingung für den klinisch vertretbaren Einsatz. Der Arzt bleibt die Instanz, die den Text nicht nur formal freigibt, sondern fachlich inhaltlich verantwortet. Gerade diese Trennung zwischen maschineller Vorarbeit und menschlicher Letztentscheidung ist wesentlich, um Haftungsrisiken, Fehlentscheidungen und Sicherheitslücken zu begrenzen.
Aus der Perspektive der Informationssicherheit zeigt sich zudem, dass der praktische Nutzen einer KI-Lösung nur dann realisiert werden kann, wenn die Sicherheitsarchitektur mit der Anwendung mitwächst. Dazu gehören klare Rollen- und Berechtigungskonzepte, eine sichere Netzwerksegmentierung, belastbare Protokollierung, Versionierung der Modellstände und kontrollierte Freigabeprozesse. Besonders wichtig ist dabei, dass sich der gesamte Dokumentationsprozess nachvollziehbar rekonstruieren lässt. Wenn zu einem späteren Zeitpunkt geprüft werden muss, wie ein Entlassbrief zustande gekommen ist, müssen sowohl die Eingaben als auch die von der KI erzeugten Vorschläge und die anschließenden menschlichen Korrekturen dokumentiert sein. Nur dann kann das System als revisionssicher und auditierbar gelten. Transparenz ist hier nicht nur eine Frage guter Praxis, sondern eine Voraussetzung für Vertrauen, Qualitätssicherung und rechtliche Absicherung.
Insgesamt bestätigt die Analyse somit, dass sich die Einführung generativer KI im Krankenhaus nicht an der Frage „ob“, sondern an der Frage „unter welchen Bedingungen“ entscheidet. Der Einsatz ist nicht per se problematisch, aber er ist nur dann vertretbar, wenn er in eine robuste Governance-Struktur eingebettet ist. Diese Struktur muss technische, organisatorische und rechtliche Anforderungen zusammenführen und zugleich sicherstellen, dass die klinische Verantwortung beim Menschen verbleibt. Die Arbeit zeigt damit ein klares Spannungsfeld zwischen Innovationspotenzial und Kontrollbedürfnis auf. Genau dieses Spannungsfeld ist für den Gesundheitsbereich typisch und macht deutlich, warum ein bloßer Fokus auf Funktionalität oder Produktivität nicht ausreicht.
Die zentrale Schlussfolgerung der Diskussion lautet daher, dass generative KI im Kontext der Entlassdokumentation nur als streng kontrolliertes Assistenzsystem eingesetzt werden sollte. Der technologische Mehrwert wird nur dann tragfähig, wenn er mit Sicherheitsmaßnahmen, Freigabestrukturen, rechtlicher Konformität und organisatorischer Verantwortlichkeit verbunden ist. Ohne diese Einbettung würde der Effizienzgewinn durch ein unvertretbar hohes Risiko für fehlerhafte medizinische Informationen, Datenschutzverletzungen und Verantwortungsunklarheiten erkauft. Genau an diesem Punkt wird der Mehrwert eines BSI-konformen Governance-Modells sichtbar. Es verbindet Effizienz mit Kontrolle und schafft damit die Grundlage für einen sicheren, nachvollziehbaren und regulatorisch tragfähigen KI-Einsatz im Krankenhaus.
Damit bestätigt sich die zentrale These der Arbeit:
Nur ein BSI-konformes Governance-Modell, kombiniert mit klaren Rollen, technischer Segmentierung und menschlicher Letztverantwortung, ermöglicht einen sicheren und regelkonformen Einsatz von KI in der Entlassdokumentation (vgl. BSI, 2024, o.S.; vgl. BSI, 2025, o.S.).
7. Fazit und Ausblick
Zusammenfassend zeigt die Arbeit, dass der Einsatz generativer KI in der Entlassdokumentation nicht primär an der technischen Realisierbarkeit scheitert, sondern an den Anforderungen an Governance, Verantwortlichkeit und Informationssicherheit. Der größte Mehrwert entsteht dort, wo KI als assistierendes Werkzeug eingesetzt wird, das ärztliche Tätigkeiten vorbereitet, aber nicht ersetzt. Für die Praxis folgt daraus, dass KI-Systeme in Kliniken nur dann nachhaltig eingesetzt werden sollten, wenn sie in ein geprüftes Sicherheitskonzept, klare Zuständigkeiten und nachvollziehbare Freigabeprozesse eingebettet sind. Damit wird deutlich, dass der langfristige Erfolg nicht allein von der Modellleistung, sondern vor allem von der Qualität der organisatorischen und technischen Einbettung abhängt (vgl. Busse, 2017, S. 45).
Dieses Potenzial lässt sich jedoch nur heben, wenn der technologische Einsatz konsequent in ein Sicherheits- und Governance-Konzept eingebettet wird. Die ärztliche Letztverantwortung bleibt unverzichtbar, ebenso wie die Sicherung von Vertraulichkeit, Integrität und Verfügbarkeit. BSI-Standards, Container-Strategien, Audit-Trails und klare Freigabeprozesse sind daher nicht bloß technische Details, sondern konstitutive Bestandteile eines verantwortbaren KI-Einsatzes (vgl. BSI, 2024, o.S.; vgl. BSI, 2025, o.S.).
Für die weitere Entwicklung erscheint es sinnvoll, lokale und fachdomänenspezifische Sprachmodelle weiterzuentwickeln, die unter kontrollierten Bedingungen im Krankenhaus betrieben werden können. Zukünftige Forschung sollte sich zudem intensiver mit der praktischen Umsetzung des EU AI Act, mit der Validierung medizinischer Trainingsdaten und mit der Frage beschäftigen, wie klinische KI-Systeme langfristig sicher, nachvollziehbar und patientenzentriert gestaltet werden können.
Die zentrale Schlussfolgerung lautet daher:
KI kann die Entlassdokumentation wirksam unterstützen, aber sie darf den menschlichen Verantwortungsbereich nicht ersetzen. Nur wenn Technik, Governance und medizinische Verantwortung gemeinsam gedacht werden, kann ein nachhaltiges und regulatorisch tragfähiges Modell entstehen.
Literaturverzeichnis
Heilmeyer, F., Böhringer. D., Reinhard. T. et al. (2024). Viability of Open Large Language Models for Clinical Documentation in German Health Care: Real-World Model Evaluation Study. JMIR Medical Informatics. https://medinform.jmir.org/2024/1/e59617 (03.05.2026)
Brink, A. (2013). Anfertigung wissenschaftlicher Arbeiten. 4. Aufl., Wiesbaden: Springer Gabele.
BSI - Bundesamt für Sicherheit in der Informationstechnik. (Hrsg.) (2024). IT Grundschutz Kompendium: Baustein CON.10: Künstliche Intelligenz. Bonn: BSI https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/QUAIDAL_A_Grundlagen.pdf?__blob=publicationFile&v=5 (21.04.2026)
BSI - Bundesamt für Sicherheit in der Informationstechnik. (Hrsg.) (2025). QUAIDAL: Grundlagen und Qualitätsmaßnahmen für KI. Bonn: BSI https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/QUAIDAL_C_Qualitaetsmassnahmen.pdf?__blob=publicationFile&v=4 (21.04.2026)
Busse, R. S. (2017). Management im Gesundheitswesen. 4.Aufl., Berlin: Springer.
Cyber-Sicherheitsrat Deutschland e. V. (2025). Strategischer Leitfaden: Einsatz von Künstlicher Intelligenz im Gesundheitswesen. Berlin https://cybersicherheitsrat.de/wp-content/uploads/2025_Leitfaden_KI-im-Gesundheitswesen_eHealth_August-2025_V1.0.pdf (22.04.2026)
Döring, N. & Bortz, J. (2016). Forschungsmethoden und Evaluation in den Sozial- und Humanwissenschaften. 5.Aufl., Berlin: Springer.
Geibel, R. C. (Hrsg.) (2025). Digitale Gesundheit in Deutschland. Wiesbaden: Springer Gabler.
Kanton Zürich. (Hrsg.) (2025). Innovation-Sandbox: KI in der medizinischen Dokumentation. Rechtsgrundlagen und Empfehlungen. Zürich https://www.zh.ch/content/dam/zhweb/bilder-dokumente/themen/wirtschaft-arbeit/wirtschaftsstandort/dokumente/medizinische_dokumentation_de.pdf (18.04.2026)
Müller-Quade, J., Blechschmidt, J., Reussner, R. et al. (2020). Sichere KI-Systeme für die Medizin – Whitepaper aus der Plattform Lernende Systeme. München: acatech https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG3_6_Whitepaper_07042020.pdf (23.04.2026)
Miebach, B. (2020). Digitale Transformation von Wirtschaft und Gesellschaft. Wiesbaden: Springer.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. The BMJ, https://doi.org/10.1136/bmj.n71 (08.06.2026)
Schwarz, J. M. (2025). Implementation of artificial intelligence (AI) in healthcare: historical development, current technologies and challenges. 68. Bundesgesundheitsblatt. https://pmc.ncbi.nlm.nih.gov/articles/PMC12287119/ (19.04.2026)
Simon, M. (2021). Das Gesundheitssystem in Deutschland: Struktur und Funktionsweise. 7.Aufl., Bern: Hogrefe.
von Conta, J., Engelke, M., Bahnsen, F. H. et al. (2025). Implementierung von künstlicher Intelligenz (KI) im Gesundheitswesen: Historische Entwicklung, aktuelle Technologien und Herausforderungen. 68. Bundesgesundheitsblatt. https://d-nb.info/1377157784/34 (18.04.2026)
Wenz, F. (2026). White Paper: Der Arztbrief der Zukunft. Freiburg: Universitätsklinikum Freiburg. https://media.licdn.com/dms/document/media/v2/D4D1FAQF1cLsHzUJebA/feedshare-document-url-metadata-scrapper-pdf/B4DZ2_6IE5GcA4-/0/1777041180297?e=1779714000&v=beta&t=ulsgLrgGg45M7HXvlxzuKaNl-BTu3Hqmn-wcB0RE1Qg (28.04.2026)
Hilfsmittel
Tab. 1: Hilfsmittel (Eigendarstellung)
Abb. in Leseprobe nicht enthalten
[...]
Acheter maintenant
- Citation du texte
- Dirk Meyer (Auteur), 2026, KI‑Automatisierung der Entlassdokumentation in einer Klinik, Munich, GRIN Verlag, https://www.grin.com/document/1744990
