Ihr EHR ist digital. Warum reisen Laborergebnisse
also immer noch per Screenshot?

Die Screenshot-Pipeline, die niemand eingeplant hat

Es beginnt mit einem Fax. Einem PDF-Anhang in einer E-Mail aus der Krankenaktenabteilung des Krankenhauses. Einem Portal-Login für ein Referenzlabor, mit dem die Praxis keine HL7-Schnittstelle hat. Das Ergebnis ist immer dasselbe: Ein Mitarbeiter der Klinik sieht Laborwerte auf einem Bildschirm, von dem er nichts exportieren kann – also macht er einen Screenshot. Oder er druckt sie als PDF und speichert sie als Anhang in der Patientenakte – von nichts durchsuchbar, für niemanden strukturiert.

Dieser Workflow ist kein Ausnahmefall. Eine Übersichtsstudie aus dem Jahr 2025 zu den Herausforderungen der EHR-Benutzerfreundlichkeit dokumentierte, dass Assistenzärzte, die eine einzelne Patientenübersicht während der Vorbereitung der Visite zusammenstellten, durchschnittlich 28 verschiedene EHR-Bildschirme in 6 Minuten und 27 Sekunden navigierten – vor allem, weil Laborwerte, Medikamente und Notizen nicht auf einem einzigen Bildschirm gemeinsam angezeigt werden konnten. Die Fragmentierung ist kein Designfehler eines einzelnen Systems. Sie ist das vorhersehbare Ergebnis eines Ökosystems, in dem Datenstandards auf dem Papier existieren, in der Praxis aber versagen.

Wenn ein externes Laborergebnis in einer Praxis eintrifft, die Epic nutzt, kann es einen von drei Wegen nehmen. Weg eins: Das Labor hat eine funktionierende HL7-Schnittstelle zu dieser spezifischen Epic-Instanz – das Ergebnis fließt automatisch in strukturierte Felder. Weg zwei: Das Ergebnis kommt als PDF oder Fax an, und jemand tippt jeden Wert manuell in die EHR ein. Weg drei – zunehmend üblich, da Praxen fusionieren und Patienten zwischen Gesundheitssystemen wechseln – ist der Screenshot: schneller als Tippen, in einer Nachricht teilbar, aber die Daten bleiben in einem Bild gefangen, das keine EHR abfragen, als Trend darstellen oder in die klinische Entscheidungsunterstützung einbeziehen kann.

Eine systematische Übersichtsarbeit aus dem Jahr 2021 ergab, dass Ärzte 37 % ihres Arbeitstages mit der Interaktion mit der EHR verbringen – und das ist nur die Zeit, die innerhalb des Systems protokolliert wird, ohne die Screenshots, Portal-Logins und Workarounds, die außerhalb stattfinden. Die Screenshots sind für das Ereignisprotokoll der EHR unsichtbar. Sie tauchen in keinem Produktivitäts-Dashboard auf. Aber sie sind da – und jemand tippt sie neu ab.

Warum „Einfach integrieren“ seit zwei Jahrzehnten nicht klappt

Das Gesundheitswesen hat Interoperabilitätsstandards. HL7 v2 parst seit den 1990er Jahren Labornachrichten. LOINC (Logical Observation Identifiers Names and Codes) bietet universelle Codes für Laborbefunde – jeder Natriumwert, jeder Hämoglobinwert, jeder TSH-Wert hat eine standardisierte Kennung. FHIR (Fast Healthcare Interoperability Resources) ist der moderne Standard, der Datenaustausch so einfach wie einen REST-API-Aufruf machen soll.

Warum gibt es dann immer noch Screenshots?

Die erste Antwort ist das Mapping. Eine Studie aus dem Jahr 2026 in JMIR Medical Informatics ergab, dass 6 % bis 19 % der Labortests nicht genau auf LOINC-Codes abgebildet werden können, selbst mit automatisierten Systemen, die speziell für diese Aufgabe entwickelt wurden. Jedes Referenzlabor verwendet eigene interne Testcodes. Jedes EHR verwendet ein eigenes Datenwörterbuch. Das Mapping zwischen ihnen – der „Crosswalk“ – erfordert manuelle Pflege und regelmäßige Wartung. Wenn ein Labor einen neuen Test hinzufügt oder einen Referenzbereich ändert, bricht der Crosswalk. Die Schnittstelle stoppt die Übernahme der Ergebnisse. Der Workflow fällt auf manuelle Eingabe zurück.

Die zweite Antwort ist wirtschaftlicher Natur. Aufbau und Wartung einer einzigen HL7-Laborschnittstelle kosten zwischen 5.000 und 30.000 US-Dollar, abhängig von der Komplexität des Mappings und den Professional-Services-Gebühren des Anbieters. Eine kleine Praxis, die Ergebnisse von Quest, LabCorp, einem örtlichen Krankenhauslabor und einem spezialisierten Referenzlabor erhält, bräuchte vier Schnittstellen – eine Anfangsinvestition von 40.000 bis 120.000 US-Dollar, noch vor den jährlichen Wartungskosten. Für eine Praxis mit zwei Ärzten ist das eine Kapitalausgabe, die sich schwer rechtfertigen lässt, wenn die Arzthelferin die Werte einfach eintippen kann.

Die dritte Antwort ist organisatorischer Natur. Etwa 80 % der Gesundheitsdaten sind unstrukturiert und befinden sich in voneinander getrennten Systemen, so die Branchenforschung. Der HITECH Act von 2009 hat die EHR-Einführung erfolgreich gefördert – er schrieb jedoch keine Interoperabilität zwischen den subventionierten Systemen vor. Zwei Jahrzehnte später sind ein Krankenhaus mit Epic und ein Facharzt mit eClinicalWorks so weit voneinander entfernt wie verschiedene Planeten. Der Screenshot ist kein Technologieversagen. Er ist das kleinste gemeinsame Format, das die Übergabe zuverlässig übersteht.

Was die manuelle Laboreingabe pro Befund tatsächlich kostet

Ein routinemäßiges Laborpanel – großes Blutbild mit Differentialblutbild plus erweitertes Stoffwechselpanel – umfasst etwa 25 einzelne Datenpunkte. Die medizinische Fachangestellte tippt nicht einfach nur Zahlen ein. Sie navigiert zur Patientenakte, öffnet das Modul zur Laboreingabe, sucht jeden Testnamen (oft aus einer Dropdown-Liste ohne Autovervollständigung), gibt den Wert ein, wählt die korrekte Einheit, gibt den Referenzbereich ein oder prüft ihn und markiert Auffälligkeiten. Der SAFER-Leitfaden der CMS für die Meldung von Testergebnissen schreibt vor, dass papierbasierte Ergebnisse mit mindestens diesen codierten Feldern erfasst werden müssen: Name des Testergebnisses, Wert des Testergebnisses, Einheiten, Normalbereich, Auffälligkeitskennzeichen und Datum/Uhrzeit.

Zehn Minuten pro Befund. Bei einem durchschnittlichen Bruttostundenlohn einer medizinischen Fachangestellten von etwa 28 Euro sind das 4,67 Euro pro Laborpanel an reinen Arbeitskosten. Eine kleine hausärztliche Praxis mit zwei Ärzten, die monatlich 80 bis 120 nicht integrierte Laborbefunde erhält, gibt dafür 370 bis 560 Euro im Monat aus – 4.400 bis 6.700 Euro jährlich – für eine Aufgabe, die keinen Umsatz generiert und keinen klinischen Mehrwert bietet.

Aber die Arbeitskosten sind der günstige Teil.

Übertragungsfehler sind der teure Teil. Eine Studie aus dem Jahr 2019 zur Point-of-Care-Glukosemessung ergab eine manuelle Übertragungsfehlerrate von 2,8 %, wenn Laborwerte erneut in das KIS eingegeben wurden (PMC6351970). Auf der Intensivstation fanden Black et al. (2013) eine Übertragungsfehlerrate von 8,8 % bei Laborergebnissen. Jeder Fehler führt zu einem von zwei Ergebnissen, beide schlecht: Der Behandler handelt aufgrund falscher Daten, oder jemand entdeckt den Fehler und gibt den Wert erneut ein – was die Arbeitskosten für diesen einzelnen Datenpunkt verdoppelt.

Bei Facharztpraxen potenzieren sich die Zahlen. Eine nephrologische Praxis, die 200 Dialysepatienten betreut – jeder benötigt monatliche Laborkontrollen für Serumkreatinin, Harnstoff, eGFR, Elektrolyte, Phosphat, PTH, Hämoglobin und Eisenstatus – erhält etwa 200 Laborbefunde pro Monat. Wenn die Hälfte davon als unstrukturierte Dokumente von externen Einrichtungen eingeht, sind das monatlich 500 oder mehr einzelne Dateneingabeaufgaben – noch bevor die Nicht-Dialyse-CKD-Patienten und Transplantationsnachsorgen berücksichtigt werden. Die Zahlen sind dann kein Rundungsfehler mehr, sondern werden zur Personalfrage.

Wie KI ein Labor-Screenshot anders liest als OCR

Traditionelle OCR (Optische Zeichenerkennung) arbeitet positionsbasiert. Sie scannt ein Bild nach Pixelmustern, die wie Zeichen aussehen, wandelt sie in Text um und gibt aus, was sie findet. Steht im Laborbericht „Natrium | 138 | 135-145 | mmol/L“, liefert OCR die Zeichenkette „Natrium | 138 | 135-145 | mmol/L“ zurück – einen flachen Textblock ohne Verständnis dafür, dass 138 der Wert, 135-145 der Referenzbereich und mmol/L die Einheit ist. Um daraus strukturierte Daten zu gewinnen, ist Nachbearbeitung nötig: reguläre Ausdrücke, regelbasierte Parser, Vorlagenabgleich. Und Vorlagen versagen, sobald das Labor sein Berichtslayout ändert – was häufig vorkommt.

Semantische KI-Extraktion arbeitet bedeutungsbasiert. Statt nach Text an einer festen Position zu suchen, liest das Modell das Dokument wie ein Mensch – es identifiziert Abschnitte („Chemie-Panel“, „Hämatologie“), versteht, dass Werte unter „Ergebnis“ zu Tests unter „Testname“ gehören, und erkennt, dass ein Sternchen oder ein „H“ neben einer Zahl „abnormal, erhöht“ bedeutet. Das ist der Kernunterschied zwischen positionsbasierter Extraktion und semantischer Extraktion: Die eine kümmert sich darum, wo Daten stehen; die andere darum, was Daten bedeuten.

Die praktische Konsequenz ist Formatunabhängigkeit. Ein CBC-Bericht von Quest verwendet ein Layout. Das gleiche Panel von LabCorp verwendet ein anderes Layout. Ein Screenshot aus einem Krankenhausportal ein drittes. OCR-basierte Systeme benötigen für jedes eine separate Parsing-Vorlage – und Wartung, wenn sich eines ändert. Semantische KI liest alle drei gleich: indem sie versteht, dass Hämoglobin Hämoglobin ist, unabhängig davon, in welcher Spalte es steht, in welcher Schriftart es gedruckt ist oder ob der Berichtskopf „Quest Diagnostics“ oder „ARUP Laboratories“ lautet.

Dieser Ansatz bewältigt auch die Randfälle, die Vorlagensysteme zum Scheitern bringen. Handschriftliche Anmerkungen eines Pathologen. Referenzbereiche, die in einer kleineren Schrift unter jedem Wert gedruckt sind. Ergebnisse, die in einer PDF auf zwei Seiten verteilt sind. Das sind alltägliche Vorkommnisse in klinischen Laborabläufen – und jeder einzelne ist ein Fehlerpunkt für positionsbasierte Extraktion, den semantische KI ohne individuelle Konfiguration absorbiert.

Ein praktischer Arbeitsablauf: Vom Screenshot zur Tabelle in unter einer Minute

Hier ist der Arbeitsablauf Schritt für Schritt – er ersetzt die manuelle Neuerfassungsschleife, die derzeit den Morgen einer medizinischen Fachkraft in Anspruch nimmt:

Für Praxen, die Patienten über mehrere Referenzlabore betreuen, macht der Batch-Workflow den mühsamsten Teil des Prozesses überflüssig: den „Zusammenführungsschritt". Statt Ergebnisse von Quest in eine Tabelle, von LabCorp in eine andere zu extrahieren und dann Zeilen manuell nach Patientenname oder MRN abzugleichen, verarbeitet ein einziger Batch-Upload alles gemeinsam. Die KI gleicht Patientenidentifikatoren über Berichte hinweg ab – derselbe Name in verschiedenen Laborformaten wird zu einer Zeile mit allen ausgefüllten Werten.

Dieser Workflow ersetzt keine HL7-Schnittstelle. Wenn Sie das Budget und die IT-Unterstützung haben, um Schnittstellen zu jedem Labor Ihrer Praxis aufzubauen, bleibt der strukturierte Datenfeed der Goldstandard. Aber für die Lücke – die Labore ohne Schnittstelle, die per Fax eingehenden Berichte, die während Telemedizin-Terminen aus Portalen aufgenommenen Screenshots – füllt dieser Workflow eine Lücke, die derzeit einen Menschen und eine Tastatur erfordert.

HIPAA und KI-Extraktion: Was zählt und was nicht

Jede Diskussion über die Verarbeitung von Patientendaten durch ein Drittanbieter-Tool muss HIPAA berücksichtigen. Der Health Insurance Portability and Accountability Act erwähnt KI nicht – das Gesetz stammt aus einer Zeit Jahrzehnte vor den modernen großen Sprachmodellen. Aber die HIPAA-Sicherheitsregel (45 CFR Part 164) legt Anforderungen fest, die unabhängig von der verwendeten Technologie zur Verarbeitung geschützter Gesundheitsinformationen (PHI) gelten. Hier ist, was bei der KI-Extraktion von Labordaten wirklich zählt:

Business Associate Agreement (BAA). Gemäß HIPAA muss jeder Anbieter, der im Auftrag einer abgedeckten Einrichtung PHI erstellt, empfängt, verwaltet oder übermittelt, ein BAA unterzeichnen. Dies ist der rechtliche Vertrag, der den Anbieter an dieselben Datenschutz- und Sicherheitsstandards bindet wie die Gesundheitsorganisation. Wenn ein KI-Extraktionstool PHI verarbeitet – und Laborergebnisse mit Patientenidentifikatoren sind zweifellos PHI – muss ein BAA vorliegen. Dies ist nicht verhandelbar. Ohne unterzeichnetes BAA ist die Weitergabe von PHI an ein Drittanbieter-Tool ein HIPAA-Verstoß, unabhängig von den technischen Sicherheitsmaßnahmen des Anbieters.

Verschlüsselung während der Übertragung und im Ruhezustand. Die Sicherheitsregel verlangt, dass ePHI (elektronisch geschützte Gesundheitsinformationen) sowohl während der Übertragung als auch bei der Speicherung verschlüsselt werden. TLS 1.2 oder höher für Daten während der Übertragung; AES-256 für Daten im Ruhezustand. Das Tool darf PHI nicht auf unverschlüsselten Volumes speichern oder über unverschlüsselte Verbindungen übertragen.

Keine Datenspeicherung für das Modelltraining. Dies ist die KI-spezifische Anforderung, die es bei der Erstellung von HIPAA noch nicht gab, aber heute eine der wichtigsten Fragen ist. Viele KI-Plattformen – einschließlich verbraucherorientierter Tools wie der kostenlosen Version von ChatGPT – speichern Eingabedaten zur Modellverbesserung. Das Senden von PHI an ein Tool, das mit Benutzereingaben trainiert, ist nicht nur eine Frage der Richtlinie; es ist eine meldepflichtige Verletzung. Das BAA sollte dem Anbieter ausdrücklich verbieten, PHI für das Modelltraining zu verwenden. Die Datenspeicherungsrichtlinie des Anbieters sollte festlegen, dass eingereichte Dokumente sofort nach der Verarbeitung gelöscht werden – nicht 30 Tage gespeichert, nicht in Protokollen aufbewahrt, nicht zur Verbesserung des Modells verwendet.

Grundsatz der minimalen Notwendigkeit. HIPAA verlangt, dass nur die minimal notwendigen PHI für einen bestimmten Zweck offengelegt werden. Für die Labordaten-Extraktion bedeutet dies, dass die KI nur die Dokumentbilder erhalten sollte – nicht die vollständige Patientenakte. Der klinische Arbeitsablauf sollte sicherstellen, dass die extrahierten Werte korrekt sind, bevor sie in die elektronische Patientenakte (EPA) übernommen werden.

Prüfprotokollierung. HIPAA verlangt von abgedeckten Einrichtungen, Prüfpfade für den Zugriff auf PHI zu führen. Für die KI-Extraktion bedeutet dies die Protokollierung, welcher Benutzer welche Dokumente wann eingereicht hat und was extrahiert wurde. Die Protokolle müssen im Ruhezustand verschlüsselt, zugriffsgeschützt und mindestens sechs Jahre ab dem Erstellungsdatum aufbewahrt werden.

Was keine Rolle spielt – das Label „HIPAA-konform“. Es gibt kein zertifiziertes HIPAA-Produkt. Das Gesundheitsministerium zertifiziert keine Software. Ein Anbieter, der „HIPAA-konform“ behauptet, meint damit, dass sein Produkt so konfiguriert werden kann, dass es die HIPAA-Anforderungen erfüllt – nicht, dass die Standardkonfiguration diese erfüllt. Worauf es wirklich ankommt: Unterschreiben sie eine BAA? Welche Verschlüsselung verwenden sie? Trainieren sie mit Ihren Daten? Wo werden Daten gespeichert und wie lange? Jede andere Behauptung ist Marketing.

Über Laborberichte hinaus: Das breitere Anwendungsspektrum der KI-gestützten medizinischen Datenextraktion

Laborergebnisse sind der häufigste Anwendungsfall, aber nicht der einzige Dokumenttyp, bei dem die Lücke zwischen Screenshot und Daten besteht. Radiologieberichte von Bildgebungszentren, die nicht mit der EHR der Praxis Schnittstellen haben. Pathologieberichte von Krankenhauslaboren, die Ergebnisse über ein Patientenportal statt über einen direkten HL7-Feed übermitteln. Entlassungsbriefe aus einem Krankenhaus eines anderen Gesundheitssystems. Überweisungsschreiben mit beigefügten Laborwerten, die die empfangende Praxis im Zeitverlauf verfolgen muss. In jedem Fall sind die Daten bereits digital im System eines anderen – treffen aber als Bild in Ihrem System ein. Das Muster zeigt sich auch auf Patientenseite: ein Screenshot eines jährlichen Gesundheitscheck-Berichts aus einem Portal ist das Dokument, das Menschen abtippen, wenn sie mehrere Jahre Ergebnisse nebeneinander vergleichen möchten.

Derselbe semantische Extraktionsansatz, der ein Blutbild aus einem Screenshot liest, liest auch eine radiologische Beurteilung aus einem Entlassungsbrief. Definieren Sie die benötigten Spalten – „Studienart, Körperregion, Beurteilung, Empfehlungen, überweisender Arzt, Datum“ – und die KI lokalisiert jede Information in Dokumenten mit radikal unterschiedlichen Layouts. Für die Aggregation von Radiologie- und Entlassungsdaten über Patientenkohorten entfällt damit der manuelle Abstraktionsschritt vollständig.

Was dies grundlegend vom Status quo unterscheidet, ist nicht nur die Geschwindigkeit. Es ist die Tatsache, dass die Extraktion nicht vom Dokumentformat abhängt. Ein Screenshot aus dem Patientenportal von Cerner sieht anders aus als ein Screenshot aus MyChart von Epic. Ein PDF-Laborbericht von Quest verwendet ein anderes Layout als ein PDF von LabCorp. Aber der KI ist das egal – sie liest nach Bedeutung, nicht nach Position. Das ist der Unterschied zwischen einem Tool, das für eine klar definierte Pipeline funktioniert, und einem Tool, das für die fragmentierte Realität funktioniert, in der die meisten Praxen tatsächlich arbeiten.

Für Praxen, die KI bereits für die klinische Dokumentation erkunden – sei es für Ambient Scribes für Visitnotizen oder automatisierte Kodierung für die Abrechnung – eliminiert die Hinzunahme der Labordatenextraktion zum Automatisierungsstack die repetitivste verbleibende manuelle Aufgabe im klinischen Workflow. Es ersetzt nicht die klinische Beurteilung. Es ersetzt die 10 Minuten Tipparbeit zwischen dem Moment, in dem das Ergebnis eintrifft, und dem Moment, in dem ein Behandler es ansehen und entscheiden kann, was zu tun ist.

FAQ

Kann KI handgeschriebene Laboranmerkungen verarbeiten?

Ja – mit Einschränkungen. Die KI kann handschriftliche Werte, Notizen und Markierungen auf Laborberichten erkennen, wie etwa handschriftliche Ergänzungen eines Pathologen oder eingekreiste abnorme Werte eines Arztes. Stark kursive oder unleserliche Handschriften haben jedoch eine geringere Genauigkeit als gedruckter Text. Die höchste Extraktionssicherheit besteht bei gedruckten Laborwerten – handschriftliche Elemente sollten im Prüfschritt stichprobenartig kontrolliert werden.

Ersetzt dies die Notwendigkeit einer HL7-Laborschnittstelle?

Nein. Eine korrekt konfigurierte HL7-Schnittstelle, die strukturierte Labordaten direkt in die diskreten Felder Ihres EHR liefert, ist der Goldstandard und sollte das Ziel für Labore mit hohem Volumen bleiben. Die KI-Bildschirmfoto-Extraktion schließt die Lücke für Labore und Berichte, die nicht integriert werden können oder sollen – Faxe, Portal-Screenshots, PDFs von überweisenden Ärzten. Betrachten Sie es als Brücke zwischen „Wir sollten eine Schnittstelle aufbauen" und „Wir haben heute Patienten zu versorgen."

Was passiert, wenn ein Laborbericht in einer anderen Sprache als Englisch vorliegt?

Die KI kann numerische Laborwerte aus Berichten in jeder Sprache extrahieren – ein Natriumwert von 138 mmol/L ist dieselbe Zahl, unabhängig davon, ob der Bericht „Sodium" oder „Natrium" sagt. Testnamen, Einheiten und Referenzbereiche in anderen Sprachen werden ebenfalls extrahiert. Für mehrsprachige Praxen oder Praxen nahe Landesgrenzen, die Laborergebnisse von US-amerikanischen und internationalen Einrichtungen erhalten, entfällt so die Notwendigkeit einer Übersetzung vor der Extraktion.

Wie genau ist die Extraktion bei abnormen Markierungen und Referenzbereichen?

Die KI erfasst abnorme Markierungen („H", „L", Sternchen, Fettdruck, Farbcodierung) und Referenzbereiche als Teil der Extraktion. Für den klinischen Einsatz wird ein Verifizierungsschritt empfohlen – der Abgleich der extrahierten Tabelle mit dem Originalbericht. Die Prüfung dauert 30 bis 60 Sekunden pro Bericht, verglichen mit 5 bis 10 Minuten für die vollständige manuelle Eingabe, was die Zeitersparnis bewahrt und gleichzeitig eine klinische Sicherheitskontrolle hinzufügt.

Kann ich das für STAT-Laboregebnisse nutzen?

STAT-Ergebnisse sollten sofort über den Kanal bearbeitet werden, über den sie eingehen – in der Regel ein Anruf aus dem Labor oder eine Push-Benachrichtigung im KIS. Die KI-Extraktion benötigt 5 bis 10 Sekunden Verarbeitungszeit, was für Routine- und dringende Ergebnisse schnell genug ist, aber nicht der alleinige Mechanismus für den Erhalt kritischer Werte sein sollte, die sofortiges klinisches Handeln erfordern. Nutzen Sie sie, um die Daten nach der klinischen Entscheidung in strukturierte Form zu bringen.

Zuletzt aktualisiert: 23. Juni 2026