Gesundheitswesen
Scale AI bringt fünf KI-Agenten für den Krankenhausbetrieb auf den Markt

Wichtige PunkteDie Benchmarks von Scale zeigen, dass richtige Antworten fehlerhaftes Denken und…
Mehr anzeigen
- Die Benchmarks von Scale zeigen, dass richtige Antworten fehlerhaftes Denken und übermütige Systeme verdecken können.
- Jedes getestete agentische System enthielt sich zu selten, statt zurückzutreten, wenn Akten einen Fall nicht klären konnten.
- Quellenlinks und die Freigabe durch Kliniker sind die Mechanismen, die Prozessfehler der menschlichen Prüfung offenlegen sollen.
Scale AI kündigte am 16. November 2026 Scale für den Krankenhausbetrieb an und brachte fünf KI-Anwendungen für Terminplanung, Unterstützung bei Anordnungen, Prüfung medizinischer Unterlagen, Sicherheitsuntersuchungen und klinische Dokumentation auf den Markt. Gesundheitssysteme können die Anwendungen ab demselben Tag nutzen.
Jede Anwendung kann mit jedem Modell innerhalb der eigenen IT-Umgebung des Gesundheitssystems betrieben werden. Zum Einsatz gehören Scale-Ingenieure und klinische Fachexperten. Scale zufolge sind die Bewertung durch Ärzte, die lokale Speicherung von Daten und die gemeinsame Entwicklung mit den Nutzern Voraussetzungen für KI in Krankenhäusern.
Scale erklärte außerdem, im Jahr vor der Markteinführung in Krankenhäusern gearbeitet zu haben. Dazu gehörte ein nicht namentlich genanntes US-amerikanisches Gesundheitssystem, das Scale als eines der führenden bezeichnete. Die Arbeit sollte Ärzten dabei helfen, Sicherheitsereignisse früher zu erkennen. Die fünf Anwendungen bilden den ersten Teil eines umfassenderen Portfolios; für die Monate nach der Markteinführung sind weitere Anwendungen und Agenten geplant.
Menschliche Prüfung in fünf Arbeitsabläufen
Der Agent für intelligente Terminplanung soll Überweisungen nach klinischer Dringlichkeit priorisieren und Termine anhand der Anforderungen an Räume und Geräte sowie der Präferenzen der Ärzte passenden Zeitfenstern zuordnen. Er kann bestehende Zeitpläne für dringende Patienten neu ordnen und Termine über Fachgebiete hinweg koordinieren. Der Agent zur Unterstützung bei Anordnungen prüft die Krankengeschichte, weist auf fehlende Tests hin und empfiehlt Laboruntersuchungen, Bildgebung und Verschreibungen mit Quellenangaben zur Prüfung durch Ärzte.
Für informationsintensive Aufgaben erstellt der Agent zur Prüfung und Zusammenfassung medizinischer Unterlagen aus verstreuten Akten eine Krankengeschichte und verknüpft jeden extrahierten Befund zu Prüfzwecken mit seiner Quelle. Der Agent zur Untersuchung von Sicherheitsereignissen und Vorfällen priorisiert Sicherheitsereignisse und sucht nach wiederkehrenden Mustern, damit Teams zuerst Vorfälle mit höherem Risiko untersuchen können, statt Meldungen lediglich in der Reihenfolge ihres Eingangs zu bearbeiten. Der Agent für klinische Dokumentation und Qualitätsprüfung erstellt Entwürfe von Berichten zur Prüfung und Freigabe durch Ärzte, gleicht die Dokumentation mit den Krankenhausleitlinien ab und verlangt, dass Prüfer jeden Befund bestätigen.
Scale: Forschung zur Bewertung im Gesundheitswesen
Die Ankündigung verknüpft das Portfolio mit drei Benchmarks von Scale Labs für das Gesundheitswesen. CliniCARE-Bench nutzt reale, de-identifizierte elektronische Langzeitpatientenakten. Dafür wurden 25 von Ärzten validierte Szenarien auf 750 Fälle verteilt, die 14 Fachgebiete und zehn Fähigkeiten zum Schlussfolgern abdecken. Der Benchmark unterscheidet Fälle mit fehlenden Daten von solchen, die medizinisch mehrdeutig bleiben, protokolliert Informationsabrufe und Quellenangaben und bewertet die Fundierung durch Belege und Richtlinien, die Einhaltung von Abläufen sowie die angemessene Zurückhaltung – also das Verweisen an andere Stellen, wenn eine Akte keine eindeutige Antwort ermöglicht.
Scale Labs berichtet, dass die 16 getesteten agentischen Systeme eine Rohgenauigkeit von 65,3 % bis 76,1 % erreichten. Wurden unzulässige Abkürzungen im Schlussfolgern jedoch bestraft, sank die Genauigkeit fehlerfreier Antworten um 4,8 bis 14,8 Prozentpunkte. Alle Systeme enthielten sich zu selten einer Antwort und gaben häufiger eine eindeutige Antwort, als sie bei Fällen zurückverwiesen, die sich anhand der Akte nicht klären ließen. Diese Ergebnisse beziehen sich auf die getesteten Systeme in den Benchmarks und sind keine veröffentlichten Validierungsergebnisse für die fünf Krankenhausanwendungen.
Zwei verwandte Benchmarks erweitern diesen Ansatz. PSEBench umfasst 5.074 Fälle zur Priorisierung von Patientensicherheitsrisiken, die auf Minnesotas 29 meldepflichtigen unerwünschten Gesundheitsereignissen basieren. Dazu gehören Varianten mit vollständigen Informationen, fehlenden Informationen und ungewissem Ausgang; der Benchmark wurde zur Bewertung von 15 Sprachmodellen eingesetzt. DistressBench umfasst 718 von Ärzten verfasste Gespräche aus 23 Unterkategorien zu Suizid und Selbstverletzung. Scale Labs berichtet, dass das Modell in 35,3 % der Gespräche, in denen es eine Krise vollständig erkannte, den Nutzer dennoch nicht an menschliche Unterstützung verwies.
Scale zufolge bildet diese Forschung die Grundlage für maßgeschneiderte Bewertungen, die auf die Arbeitsabläufe des jeweiligen Gesundheitssystems zugeschnitten sind und zugleich einen einheitlichen Vergleich von Modellen ermöglichen. Die Betonung von Mehrdeutigkeit und Arbeitsabläufen knüpft an die beschriebenen Prüfmechanismen für Anordnungsempfehlungen, Aktenprüfung, Berichtsfreigabe und Prüfergebnisse an.
Belege zur Dokumentation und ihre Grenzen
Eine von Scale angeführte 2025 in JAMA Network Open veröffentlichte Studie untersuchte 263 ambulant tätige Ärzte in sechs US-amerikanischen Gesundheitssystemen, die 30 Tage lang denselben ambienten KI-Dokumentationsassistenten von Abridge nutzten; die Studie bewertete nicht die Produkte von Scale. In der adjustierten Analyse sank die geschätzte Burnout-Prävalenz von 51,9 % auf 38,8 %. Die Teilnehmenden berichteten außerdem von Verbesserungen bei der kognitiven Belastung durch das Verfassen von Notizen, der Dokumentation außerhalb der Arbeitszeit und der aufmerksamen Zuwendung zu Patienten.
Die Ergebnisse stützen die Begründung, dass KI-Dokumentationstools den Verwaltungsaufwand verringern können. Sie betreffen jedoch die ambulante Nutzung eines anderen Produkts und nicht das neue Portfolio für den Krankenhausbetrieb. Die Forschenden nannten wichtige Einschränkungen: Die Teilnahme war freiwillig, die Befragungen waren nicht anonym, die Ergebnisse beruhten auf Selbstauskünften, und es gab keine Kontrollgruppe, mit der sich zeitliche Entwicklungen hätten berücksichtigen lassen. Diese Einschränkungen begrenzen die Aussagekraft der Ergebnisse aus dem 30-tägigen Vorher-nachher-Vergleich, insbesondere da Scale das Argument zur Verringerung des Verwaltungsaufwands von der ambulanten Dokumentation auf Terminplanung, Anordnungen und die Priorisierung von Sicherheitsrisiken ausweitet.
Für Gesundheitssysteme lautet die zentrale Frage bei der Einführung, ob Evaluierungen, die auf ihre eigenen Arbeitsabläufe zugeschnitten sind, neben der Antwortgenauigkeit auch den Abruf von Belegen, die Einhaltung von Richtlinien und eine angemessene Zurückstellung überprüfen können. Die Benchmarks von Scale zeigen, wie richtige Antworten fehlerhafte Prozesse verdecken können; Quellenverweise, zitierte Empfehlungen, die Freigabe durch medizinisches Fachpersonal und die Bestätigung durch Auditoren sind die Mechanismen, mit denen die neuen Anwendungen solche Probleme für die menschliche Prüfung sichtbar machen sollen.












