Mit dem wachsenden Interesse an der Anwendung von Künstlicher Intelligenz (KI) in der Medizin haben wir zuvor HAIM (Holistische KI in der Medizin) vorgestellt, einen Rahmen, der multimodale Daten fusioniert, um nachgeschaltete klinische Aufgaben zu lösen. Allerdings verwendet HAIM die Daten auf eine task-unabhängige Weise und fehlt es an Erklärbarkeit. Um diese Einschränkungen zu beheben, stellen wir xHAIM (Erklärbare HAIM) vor, ein neues Framework, das generative KI nutzt, um sowohl die Vorhersagegenauigkeit als auch die Erklärbarkeit durch vier strukturierte Schritte zu verbessern: (1) automatische Identifizierung task-relevanter Patientendaten über verschiedene Modalitäten hinweg, (2) Erstellung umfassender Patientensummarys, (3) Nutzung dieser Summarys für verbesserte prädiktive Modellierung und (4) Bereitstellung klinischer Erklärungen durch Verknüpfung von Vorhersagen mit patientenspezifischem medizinischem Wissen. Bei der Auswertung am HAIM-MIMIC-MM-Datensatz verbessert xHAIM den durchschnittlichen AUC von 79,9 % auf 90,3 % in Bezug auf Brustpathologien und operative Aufgaben. Von besonderer Bedeutung ist, dass xHAIM die KI von einem Black-Box-Vorhersagesystem in ein erklärbares Entscheidungsunterstützungssystem transformiert, das es Ärzten ermöglicht, interaktiv Vorhersagen auf relevante Patientendaten zurückzuverfolgen und damit Fortschritte im Bereich der KI mit klinischer Nutzenbringer zu verbinden.