Das Labor für intelligente globale Gesundheit und humanitäre Response-Technologien (LiGHT) der EPFL in Lausanne hat mit MeditronFO das erste vollständig offene Framework zur Entwicklung medizinischer Large Language Models vorgestellt. Die Initiative reagiert auf ein strukturelles Defizit im Gesundheitswesen: Klinische KI-Systeme stammen überwiegend von privaten Anbietern und arbeiten mit intransparenten Trainingsdaten, geschlossenen Architekturen sowie nicht nachvollziehbaren Entscheidungsprozessen. MeditronFO durchbricht dieses Modell, indem es sämtliche Entwicklungsphasen öffentlich dokumentiert. Von den zugrunde liegenden Datensätzen über die Software-Codebasis bis hin zu Trainingsparametern und Evaluierungsprotokollen steht jeder Schritt einer unabhängigen Überprüfung zur Verfügung. Dieses Vorgehen orientiert sich an medizinischen Qualitätsstandards, die eine verifizierbare Expertise voraussetzen. Die Konstruktion des Frameworks integriert Kliniker aktiv in den gesamten Lebenszyklus der Modelle. Über die Evaluierungsplattform MOOVE arbeiten Ärztinnen und Ärzte direkt an der Sichtung von Trainingsmaterial, der Validierung von Modellausgaben und der Erkennung sicherheitsrelevanter Risiken. Das System verbindet öffentlich verfügbare medizinische Daten mit von Fachpersonal geprüftem synthetischen Material, das auf Leitlinien und realistischen Patientenverläufen basiert. Insgesamt fließen mehr als 46.000 klinische Praxisrichtlinien in die Adaption ein. Das Team nutzte MeditronFO, um mehrere Open-Source-Basismodelle, darunter OLMo, EuroLLM und das schweizerische Modell Apertus, spezialisiert zu trainieren. Leistungstests belegen die praktische Tauglichkeit des Ansatzes. Das aus Apertus-70B abgeleitete Modell steigerte die Bestehensquote bei medizinischen Prüfungsszenarien um 6,6 Prozentpunkte gegenüber der Basisversion. Professor Mary-Anne Hartley und Forschungsleiter Xavier Theimer-Lienhard betonen, dass Transparenz und hohe Performance keine Gegensätze sind. Die vollständige Öffnung der Pipeline stärke zudem die Datenhoheit von Gesundheitssystemen und reduziere die strategische Abhängigkeit von externen KI-Plattformen, deren kommerzielle Zielsetzungen nicht zwangsläufig mit lokalen Versorgungsanforderungen übereinstimmen. In der nächsten Phase wird die Technologie in realen klinischen Umgebungen getestet. Das mehrjährige Studienprojekt MED.USE läuft an mehreren Standorten von der Schweiz bis nach Tansibia und untersucht, wie Fachpersonal KI-Empfehlungen im Versorgungsalltag integriert oder ablehnt. Im Zentrum der Forschung stehen konkrete Patientenergebnisse, die Verbesserung der Behandlungsqualität und die Reduktion unnötiger medizinischer Interventionen. Die Ergebnisse sollen als Fundament für eine KI-Regulierung dienen, die wissenschaftliche Nachvollziehbarkeit, partizipative Entwicklung und patientensicherheitsorientierte Innovation in den Vordergrund stellt. Mit MeditronFO liefert die EPFL damit einen skalierbaren Baustein für eine überprüfbare und gemeinwohlorientierte KI-Infrastruktur im Gesundheitswesen.