Eine aktuelle Studie der George Mason University untersucht, ob künstliche Intelligenz dabei helfen kann, stigmatisierende Sprache in klinischen Dokumentationssystemen zu identifizieren und somit Vorurteile in der Patientenversorgung zu reduzieren. Forschende um die Nurse Scientist Teenu Xavier vom College of Public Health haben analysiert, wie Large Language Models bei der Erkennung belastender Begriffe in Arztbriefen und Patientendaten abschneiden. Die Ergebnisse wurden im Fachjournal JAMIA Open veröffentlicht. Die Leistung der eingesetzten Sprachmodelle variierte stark in Abhängigkeit von Modellgröße, Temperatureinstellungen, Prompting-Strategien sowie der Art der klinischen Notizen. Ein durchgängig valider Befund war, dass die Vorab-Beispielgebung stigmatisierender Formulierungen die Erkennungsgenauigkeit aller getesteten Modelle signifikant steigerte. Dies unterstreicht, dass die reine Auswahl eines Modells nicht ausreicht, um klinische Texte sicher zu analysieren. Stattdessen sind präzise Konfiguration und gezielte Instruktionen unerlässlich, bevor diese Werkzeuge im medizinischen Alltag zuverlässig eingesetzt werden können. Die Relevanz dieses Forschungsfelds liegt in der langfristigen Auswirkung belastender Dokumentation auf die Versorgung. Stigmatisierende Formulierungen in Akten können unbewusste Vorurteile bei medizinischem Fachpersonal verstärken und sich nachteilig auf Diagnosestellung, Behandlungsverlauf und das Vertrauensverhältnis zwischen Behandelnden und Patientinnen sowie Patienten auswirken. Durch optimierte, vorab trainierte KI-Modelle könnten derartige sprachliche Probleme zeitnah identifiziert und die Dokumentation proaktiv korrigiert werden. Dies fördere eine gerechtere Versorgung und verbessere das Gesamterlebnis im Gesundheitssystem. Die Forschenden betonen, dass die erfolgreiche Integration solcher KI-Tools in klinische Workflows eine enge Zusammenarbeit zwischen medizinischen Fachkräften und KI-Entwicklerinnen sowie KI-Entwicklern erfordert. Nur durch diese kooperative Entwicklung lassen sich Systeme schaffen, die nicht nur Sprachbias effektiv erkennen, sondern auch die Kommunikation im Gesundheitswesen insgesamt entlasten und standardisieren. Die Studie liefert damit einen klaren Fahrplan für die verantwortungsvolle Implementierung von Sprachmodellen zur Verbesserung der digitalen Patientenakten.