RAG im Krankenhaus: Wenn KI zuerst nachschlägt
Sprachmodelle formulieren eindrucksvoll, doch im Klinikalltag fehlt ihnen das Entscheidende: das Wissen des eigenen Hauses. Retrieval-Augmented Generation (RAG) schließt diese Lücke – und erste Projekte zeigen, wie viel Zeit sich dadurch sparen lässt.
Wer ein großes Sprachmodell nach der Antibiotika-Leitlinie seiner Klinik fragt, bekommt eine flüssige Antwort. Ob sie stimmt, ist offen. Das Modell kennt nur seine Trainingsdaten, nicht die Hausstandards, die SOP-Revision vom letzten Monat oder den aktuellen Formularkatalog. Fehlt Wissen, wird plausibel ergänzt statt ehrlich zugegeben. Im Krankenhaus ist das inakzeptabel.
Erst nachschlagen, dann antworten
RAG funktioniert wie ein gewissenhafter Assistenzarzt, der vor jeder Auskunft ins Handbuch schaut. Leitlinien, SOPs und Fachinformationen werden in Abschnitte zerlegt und von einem Embedding-Modell in Zahlenvektoren übersetzt, die ihre Bedeutung abbilden. Eine Vektordatenbank speichert sie. Kommt eine Frage, sucht das System die inhaltlich passendsten Abschnitte heraus. Erst dann formuliert das Sprachmodell die Antwort – ausschließlich auf dieser Grundlage und mit Quellenangabe.
Der Vorteil: Ändert sich eine Leitlinie, wird nur das Dokument neu eingelesen, kein Modell neu trainiert. Jede Antwort lässt sich prüfen, und findet das System nichts, sagt es das.
Was RAG im Krankenhaus heute schon leistet
Präoperative Medizin: Ein Forschungsteam in Singapur speiste 35 lokale und 23 internationale Leitlinien in ein RAG-System ein und ließ über 3.600 Antworten bewerten. Die Antworten kamen in unter 20 Sekunden, Ärztinnen und Ärzte brauchten rund zehn Minuten – bei einer Genauigkeit auf dem Niveau junger Kliniker.
Antibiotic Stewardship: Das Hospital Israelita Albert Einstein in São Paulo entwickelte ein RAG-System auf Basis seines hauseigenen Antibiotika-Leitfadens. Gerade solche Hausregeln kennt kein Standardmodell; die Leitlinientreue im hektischen Alltag ist aber entscheidend für Behandlung und Resistenzlage.
Medikationsprüfung: Als Co-Pilot für Apotheker verbesserte ein RAG-gestütztes System die Erkennung arzneimittelbezogener Probleme um 22 Prozent – besonders bei weniger erfahrenen Kollegen und schweren Fällen.
SOPs und Handbücher: An einem Universitätsklinikum in Brasilien beantwortet ein Chatbot Fragen zu internen Verfahrensanweisungen und technischen Handbüchern – vollständig mit lokal betriebenen Modellen, ohne dass Daten das Haus verlassen.
MCP: der Anschluss für die Datenquellen
Die größte Hürde ist selten das Modell, sondern der Weg der Daten in die Vektordatenbank. Hier hilft das Model Context Protocol (MCP), ein offener Standard für die Anbindung von KI an Fachsysteme. Ein MCP-Server vor Dokumentenmanagement, Intranet oder FHIR-Schnittstelle liefert Dokumente samt Metadaten wie Version, Fachbereich und Freigabestatus an die Pipeline, die sie zerlegt und vektorisiert. So landet nur die gültige SOP im Index, und Berechtigungen bleiben erhalten. Auch Vektordatenbanken selbst bieten MCP-Server an. Weil die Anschlüsse standardisiert sind, lässt sich das Sprachmodell später wechseln, ohne die Datenanbindung neu zu bauen.
Klein starten, sauber messen
Kliniken sollten mit einem engen Anwendungsfall ohne Patientendaten beginnen, etwa einem SOP-Assistenten. Vorab gesammelte Testfragen mit Musterantworten machen Qualität messbar. Patientendaten gehören in lokale oder europäische Infrastruktur. Und: Gibt das System patientenindividuelle Therapieempfehlungen, greifen MDR und EU AI Act. RAG ersetzt keine ärztliche Entscheidung – es bringt das richtige Wissen schneller an den richtigen Ort.
Quellen
Autor: Andreas Hepfner, Geschäftsführer VIALUTIONS
