Die medizinische Dokumentation gehört zu den zeitintensivsten Aufgaben im klinischen Alltag. Mit Haidy ermöglichen wir einen neuen Ansatz: einen AI-Scribe, der eine vollständige Konsultation dokumentieren kann.¹ Haidy ist ein intelligentes System, das den Inhalt von Gesprächen und Dokumenten strukturiert und direkt in das Patienteninformationssystem überträgt.

Dank Integration in führende Krankenhausinformationssysteme (darunter KISIM/Cistec, EPIC, INES KIS, WinMed, Axenita und Aeskulap) kann Haidy bereits vorhandene Informationen aus der Krankenakte mit der aktuellen Konsultation verknüpfen und direkt neue Berichte oder Verlaufseinträge anlegen. Zukünftige Erweiterungen werden auch Terminkoordination und die Kommunikation mit anderen Behandlern abdecken.

Mehr als Speech-to-Text: Inhaltliches Verständnis als Schlüssel

Der entscheidende Unterschied gegenüber herkömmlichen Diktierlösungen liegt im inhaltlichen Verständnis von Gesprächen und Dokumenten (von Informationen im weitesten Sinne) und in der Möglichkeit, diese direkt zu strukturieren. Haidy transkribiert nicht nur gesprochene Worte, sondern interpretiert deren medizinische Bedeutung im Kontext und strukturiert die Informationen entsprechend.

Die Berichtsqualität steigt dabei messbar, wenn möglichst viele klinisch relevante Informationen während der Konsultation verbalisiert werden.²³

Dies lässt sich durch die konsequente Anwendung etablierter medizinischer Gesprächstechniken (etwa NURSE) gezielt unterstützen.⁴ Durch das Benennen von Emotionen oder die Wiederholung von Symptomen erfasst Haidy auch non-verbale Informationen und ordnet die Bedeutung eines Symptoms korrekt ein.

Das Verbalisieren von Untersuchungsbefunden direkt während der Untersuchung ermöglicht deren unmittelbare Erfassung. Wichtige Elemente der Arzt-Patienten-Beziehung wie das gemeinsame Entscheiden über weitere Therapie oder Vorgehen helfen gleichzeitig auch Haidy diese korrekt zu dokumentieren.

Praktische Hinweise für den Einsatz im Praxisalltag

Für eine optimale Nutzung empfehlen sich folgende Vorgehensweisen:

Kombination aus Gespräch und Nachbearbeitung:
Besonders effizient ist die Kombination eines geführten Gesprächs mit einer anschliessenden Diktierung von Berichtselementen, die nicht unmittelbar vor dem Patienten verbalisiert wurden oder erst zu einem späteren Zeitpunkt vorliegen (z.B. Labor- oder Radiologiebefunde sowie die abschliessende klinische Beurteilung).

Verarbeitung unstrukturierter Dokumente:
Haidy erkennt und verarbeitet auch eingescannte oder unstrukturierte Dokumente, wie etwa Laborberichte in PDF-Form, und überführt diese korrekt in die strukturierte Dokumentation.

Gesprächsführung als Dokumentationshilfe:
Standardisierte Kommunikationsstrukturen wie NURSE erweisen sich gleichzeitig als wirkungsvolle Methode, um die Dokumentationsqualität von Haidy zu optimieren.

Grenzen der Technologie: Kritische Prüfung bleibt unerlässlich

AI-Scribes zeigen ihre Stärken vor allem bei klinischen Standardpräsentationen, also bei Beschwerdebildern, die einem typischen Krankheitsverlauf entsprechen. Bei diffusen oder atypischen Manifestationen hingegen können Schwierigkeiten auftreten, insbesondere hinsichtlich der klaren Benennung der eigenen Wissensgrenzen.

Eine kritische Prüfung des generierten Berichts ist daher gerade in komplexen oder unklaren Fällen unerlässlich.

Zusätzlich sollte beachtet werden, dass die medizinische Beurteilung, das Ableiten von Diagnosen und das klinische Reasoning noch auf absehbare Zeit die Domäne des Menschen bleiben.⁵⁶

Vom Scribe zum Decision-Support-Tool

Die argumentativen Fähigkeiten von Haidy, das sogenannte Clinical Reasoning, entwickeln sich rasant weiter. Wir gehen davon aus, dass AI-Scribes zukünftig zunehmend mit Decision-Support-Funktionen verknüpft werden, die klinische Entscheidungsprozesse evidenzbasiert unterstützen.

Für Ärztinnen und Ärzte bedeutet dies in erster Linie eine substanzielle Entlastung von Dokumentations- und Administrationsaufgaben.⁷

Damit kann der Fokus der Ärzt:innen wieder auf die klinischen Fertigkeiten gelegt werden. Denn diese werden in absehbarer Zeit nicht durch AI-Tools ersetzt werden können.

Quellen

Footnotes

1. Sanmark, E. et al. Impact of an AI medical scribe after 375,000 notes generated across care levels in a European health system. medRxiv (2025). https://doi.org/10.64898/2025.12.06.25341757 ↩

2. Greenwood JD, Matthews MR, Overgaard JD, Ohde JW. Maximizing Efficiency of Artificial Intelligence-Enabled Ambient Scribes in Outpatient Settings: A Pragmatic Approach to Structuring the Patient Appointment. Mayo Clin Proc Digit Health. 2026;4(1):100339. doi:10.1016/j.mcpdig.2026.100339 ↩

3. Draper TC et al. Clinical AI Scribes in primary care: accuracy, error severity and implications for clinical practice. BMJ Digital Health & AI. 2025;1:e000092. https://doi.org/10.1136/bmjdhai-2025-000092 ↩

4. Patterson J, Kovacs M, Lees C. Ambient Artificial Intelligence Scribes: A Pilot Survey of Perspectives on the Utility and Documentation Burden in Palliative Medicine. Healthcare. 2025;13(17):2118. https://doi.org/10.3390/healthcare13172118 ↩

5. McCoy LG et al. Assessment of Large Language Models in Clinical Reasoning: A Novel Benchmarking Study. NEJM AI. 2025;2(10). DOI:10.1056/AIdbp2500120 ↩

6. Kim J et al. Limitations of large language models in clinical problem-solving arising from inflexible reasoning. Sci Rep. 2025;15:39426. https://doi.org/10.1038/s41598-025-22940-0 ↩

7. Tierney AA et al. Ambient Artificial Intelligence Scribes to Alleviate the Burden of Clinical Documentation. NEJM Catal Innov Care Deliv. 2024;5(3). DOI:10.1056/CAT.23.0404 ↩