- Diabetes Kongress (DDG) City Cube Berlin, 13. bis 16 Mai 2026.Sitzung: ChatGPT will see you now“ – Large Language Models in der Diabetologie zwischen Hype und Realität, 14. Mai 2026.
Large Language Models (LLMs) wie ChatGPT haben Dr. Google längst abgelöst. Sie sind probabilistische KI-Modelle, die Wahrscheinlichkeiten erzeugen, keine Wahrheiten, betonte Prof. Braune (Hasso-Plattner-Institut, Universität Potsdam; Charité – Universitätsmedizin Berlin).
LLMs sind mit Milliarden Texten trainierte KI-Systeme, die Muster in Sprache und Kontext erkennen und Antworten im Dialog generieren. Sie können erklären, zusammenfassen oder übersetzen. Aber: Sie weisen kein echtes Verständnis auf und tragen keine klinische Verantwortung, stellte Braune klar. „Das entspricht jemandem, der das gesamte Internet gelesen hat, aber nicht automatisch unterscheiden kann, was richtig, aktuell oder sicher ist.“
Studien zeigen, dass bis zu 33 % der Bevölkerung LLMs für Gesundheitsfragen nutzen. Doch nicht nur die Bevölkerung, sondern auch 97 % des medizinischen Fachpersonals interessieren sich für LLMs. Und 21 bis 37 % nutzen LLMs bereits im Arbeitskontext zur Dokumentation, Recherche und Patientenkommunikation. Zwischen Interesse und strukturierter Integration klafft aktuell eine große Lücke, betonte Braune. Auch liege die tatsächliche Nutzung vermutlich höher.
Typische Nutzer von LLMs sind häufiger jung, technisch affin und chronisch krank. Es sind häufig Caregiver oder Angehörige, meist Männer statt Frauen. Weil Menschen mit Diabetes täglich zahlreiche Therapieentscheidungen selbst treffen, häufig datenintensive Technologien nutzen und einen hohen Bedarf an kontinuierlicher Information haben, ist Diabetes ein besonders relevantes Anwendungsfeld für LLMs, betonte Braune. Dabei suchten viele Patienten nicht primär medizinische Autorität, sondern Orientierung, Übersetzung und Begleitung.
Wie Braune berichtete, weisen die von den Nutzern angegebenen Motive auf Versorgungslücken hin. Als Gründe für die Nutzung werden genannt: zu kurze Gespräche mit Therapeuten, lange Wartezeiten, fehlende Gesundheitskompetenz, Komplexität chronischer Erkrankungen, Informationsflut, Scham, Überforderung und Einsamkeit. Viele Menschen suchten nicht „mehr Daten“, sondern verständliche Erklärungen und Kontext.
Genutzt werden LLMS für:
Dabei liegt der Nutzen nach Braunes Einschätzung nicht in autonomen Therapieentscheidungen, sondern in der Erklärung, Strukturierung und Kontextualisierung komplexer Gesundheitsdaten. Die Antworten der LLMs sind dabei „überraschend gut, aber nicht sicher genug“, stellte Braune klar. Besonders stark sind LLMs aktuell bei der Erklärung und Übersetzung komplexer Informationen, beim Zusammenfassen großer Datenmengen und bei der Kontextualisierung.
Weniger gut sind sie, wenn es um konsistente Therapieentscheidungen, individualisierte Empfehlungen und sicherheitskritische Situationen geht. Hinzu kommt: Auch bei korrekten LLM-Antworten (95 %) nutzten nur 34,5 % der Nutzer diese korrekt. „Eine gute Modellperformance bedeutet nicht, dass es auch zu einer guten realen Versorgung kommt. Die Herausforderung liegt in der Mensch-KI-Interaktion.“
LLMs sind nicht an Wissen limitiert, sondern an Kontext, Priorisierung und realer menschlicher Umsetzung, betonte Braune.
Die Nutzung von LLMs ist längst Alltag – meist außerhalb strukturierter medizinischer Begleitung. Braune sieht aufgrund dessen einige gesellschaftliche Risiken:
Risiken entstehen, laut Einschätzung, nicht (nur) durch die Technologie selbst, sondern durch ihre Nutzung in einem bereits überlasteten Gesundheitssystem. Menschen bringen heute nicht mehr nur Google-Ausdrucke in die Sprechstunde, sondern auch KI-generierte Therapieempfehlungen. Wichtig: Guidance statt Ignoranz. Nicht hilfreich im Umgang damit sind Angst, Abwehr und Aufrufe wie „Patienten sollen das nicht nutzen“. Denn sie tun es bereits, betonte Braune.
Notwendig seien stattdessen digitale Gesundheitskompetenz, offene Gespräche, kritische Evaluation, Fortbildung, der Mensch als Teil des Prozesses sowie Forschung zu Sicherheit, Bias und realen Anwendungskontexten. „Kontext, Verantwortung, Empathie, Priorisierung und Shared Decision Making bleiben menschlich“, betonte Braune und zitierte Leo Anthony Celi vom Laboratory for Computational Physiology der Harvard Medical School: „Es geht nicht um Ärzte gegen Computer, sondern um Ärzte gegen Ärzte mit Computern – und ich glaube, wir wissen alle, wer gewinnen wird.“