Arztbrief mit KI diktieren: lokale Spracherkennung und Briefvorlage für Praxis und Klinik

Arztbrief mit KI: der Ablauf in der Praxis

Einen Arztbrief mit lokaler KI zu diktieren heißt: Der Arzt spricht nach der Sprechstunde Befund, Beurteilung und Procedere wie gewohnt ins Mikrofon, ein Sprach­erkennungs­modell auf einer Workstation in der Praxis schreibt den Text, und ein Sprachmodell setzt daraus den Arztbrief in der Vorlage der Praxis zusammen. Der Arzt liest den Entwurf, korrigiert ihn und unterschreibt. Für eine Praxis betreibt eine Workstation mit einer NVIDIA RTX PRO 4500 Blackwell beide Modelle, und Audio, Transkript und Brief bleiben auf Hardware, die der Praxis gehört.

Dieser Leitfaden richtet sich an Praxisinhaberinnen und Praxisinhaber, das Praxismanagement und die ärztliche Leitung von Medizinischen Versorgungszentren (MVZ) und Klinikabteilungen, die heute Briefe diktieren und die Aufnahmen im Haus behalten wollen. Es geht um das Diktat nach dem Termin, mit einer sprechenden Person und einer Briefvorlage. Die Aufzeichnung des ganzen Gesprächs beschreibt unser Leitfaden zur lokal betriebenen KI-Dokumentation für Arztpraxen, die gesprochene Dokumentation im Pflegeheim unser Leitfaden zur Pflegedokumentation per Spracheingabe und das Diktat in Büro und Kanzlei unsere Dragon-Alternative mit lokaler KI. Die rechtlichen Abschnitte sind allgemeine Information zum EU-Recht mit Stand Oktober 2026, keine Rechtsberatung.

Drei Begriffe tauchen immer wieder auf. Ein Sprach­erkennungs­modell macht aus Sprache Text; Whisper von OpenAI und Parakeet von NVIDIA sind die offenen Modelle, um die es hier geht. Ein Sprachmodell ist eine zweite KI, die Text schreibt, hier einen gegliederten Brief aus dem rohen Diktat. Die GPU oder Grafikkarte ist der Teil der Workstation, der beide Modelle schnell ausführt.

Vom Diktat zum unterschriebenen Arztbrief

Ablauf wie in diesem Artikel beschrieben; Modelle und Werkzeuge aus dem Whisper-Repository, der Modellkarte von Parakeet und den Seiten von OpenWhispr, gelesen am 30. Oktober 2026.

Der Text kommt auf zwei Wegen ins Praxisverwaltungssystem (PVS). Für kurze Einträge schreibt eine Diktier-App auf dem PC direkt in das geöffnete Feld. OpenWhispr, eine offene App unter MIT-Lizenz für Windows, macOS und Linux, kann das und schickt das Audio dabei an die Workstation der Praxis: Die Modellseite führt „Any OpenAI-compatible API“ als Anbieter für die Transkription und nennt „self-hosted Whisper servers“. Für Briefe diktiert der Arzt den ganzen Inhalt in einem Zug, etwa nach einem Block von Terminen; die Aufnahme geht an die Workstation, die Transkript und Briefentwurf zusammen zurückgibt. Wie der Entwurf dann in die Patientenakte kommt, hängt vom PVS ab. Manche Systeme importieren Dokumente, andere nehmen Text nur per Einfügen an; fragen Sie Ihren PVS-Anbieter, welchen Weg er bietet.

Wie genau Spracherkennung beim medizinischen Diktat auf Deutsch ist

Bei allgemeiner deutscher Sprache liegen die offenen Modelle nah beieinander. Das Paper zum Open ASR Leaderboard (arXiv 2510.06961v3) misst eine Wortfehlerrate (WER), also den Anteil falsch erkannter Wörter, von 4,97 Prozent für Whisper large-v3 und 4,90 Prozent für Parakeet TDT 0.6B v3 auf öffentlichen deutschen Testsätzen, gemessen auf einer NVIDIA A100. Das ist etwa ein Wort von zwanzig; unser Vergleich zur Spracherkennung Deutsch, Genauigkeit und Dialekt geht ins Detail.

Medizinisches Deutsch ist schwieriger. Ein Preprint der Hochschule Pforzheim, entstanden mit einem Softwareunternehmen (arXiv 2601.19945, Januar 2026), testet 29 Modelle an vier simulierten deutschen Arzt-Patienten-Gesprächen, darunter ein Patient mit starkem regionalem Dialekt und eine Ärztin mit nicht muttersprachlichem Akzent. Das beste System, ein kommerzieller Cloud-Dienst, erreicht 3,0 Prozent WER, die beiden Voxtral-Modelle von Mistral 7,1 und 8,5 Prozent. Für Whisper large-v3 nennt das Paper 12,6 Prozent; der Wert stammt aus einer Tabellenzeile, die das Modell als destillierte Version führt, ohne den Checkpoint zu nennen, und ist daher mit Vorsicht zu lesen. Die Autoren sehen „akustisch herausfordernde Umgebungen sowie domänenspezifische Fachterminologie als primäre Fehlertreiber“ und berichten, dass bei Whisper large-v3 „die Fehlerrate bei komplexen Akzenten deutlich ansteigt“. Vier Gespräche sind eine kleine Stichprobe.

Das Diktat ist der günstigere Fall: eine Person, nah am Mikrofon, in einem ruhigen Raum. Eine Masterarbeit von 2024 an der Universität Wien hat einen solchen Datensatz aufgebaut: 11,5 Stunden deutsches Diktat aus der Chirurgie, einzelne Sätze aus anonymisierten Patientenakten, diktiert von zwei Sprechern des österreichischen Standarddeutsch mit einem Diktiermikrofon. Zahlen und Abkürzungen blieben im Referenztext, weil „subtle distinctions, such as precise dosage amounts or specific medical shorthand, may substantially modify the meaning“, und laut Arbeit senkte das Nachtrainieren „the Word Error Rate (WER) for the Whisper-medium model by 14.52%“.

Für offene Modelle und deutsche Arztbriefe, diktiert in einer Praxis, haben wir keinen veröffentlichten Wert gefunden. Nehmen Sie 30 eigene Diktate mit den Medikamenten, Abkürzungen und Zahlen Ihres Fachgebiets und zählen Sie die Fehler, die den Sinn ändern würden. Die Modellkarte von Whisper ergänzt, dass die Ausgabe „may include texts that are not actually spoken in the audio input (i.e. hallucination)“, ein Grund mehr, warum die unterschreibende Person jeden Brief liest.

Die Schreibweise von Fachbegriffen lässt sich steuern. Der Leitfaden von OpenAI zu seinem Spracherkennungsdienst schreibt „Use a prompt to improve recognition of names, acronyms, formatting, or recording-specific vocabulary“ und empfiehlt „a dictionary of the correct spellings“; für das gehostete Whisper-Modell ist der Prompt auf 224 Tokens begrenzt. Die Transkriptionsschnittstelle von vLLM nimmt denselben optionalen prompt an, sodass eine kurze Liste der häufigsten Medikamente und Fachbegriffe der Praxis jedes Diktat begleiten kann. Das Nachtrainieren mit eigenen Diktaten ist der größere Schritt und kommt nach einem Pilotbetrieb.

Arztbrief-Vorlagen im Format der Praxis

Das Sprachmodell erledigt, was eine Schreibkraft mit einer Vorlage tut. Es erhält das Transkript und eine Anweisung, die den Brief beschreibt: Empfänger- und Patientenfelder, die Abschnitte der Praxis, etwa Diagnosen, Anamnese, Befund, Beurteilung, Therapie und Procedere, die Standardformulierungen und den Schluss. Jede Briefart bekommt eine eigene Vorlage, zum Beispiel der Antwortbrief an den Zuweiser, der Befundbericht, der Bericht an eine Versicherung oder der Entlassbrief einer Klinikabteilung.

Die Anweisung legt auch die Regeln fest, die den Brief eng am Diktat halten:

• nur verwenden, was diktiert wurde, und einen Abschnitt als leer markieren, wenn dazu nichts gesagt wurde;
• Medikamente, Dosierungen, Daten und Laborwerte genau so übernehmen, wie sie im Transkript stehen;
• Wörter, die im Transkript unklar sind, markieren statt raten;
• keine Diagnose, keinen Code und keine Empfehlung ergänzen, die der Arzt nicht diktiert hat.

gpt-oss-20b, das offene Modell von OpenAI unter Apache-2.0-Lizenz, hat 13,76 GB Gewichtsdateien, also 12,8 GiB, und seine Konfiguration erlaubt 131.072 Tokens Kontext (Tokens sind die Einheiten, in denen Modelle Text zählen), weit mehr, als ein Brief mit Diktat und Vorlage braucht. Ob seine deutschen Briefe gut genug sind, zeigt ein Test mit denselben 30 Diktaten; der nächste Schritt ist gpt-oss-120b auf einer 96-GB-Karte. Ein Sprachmodell kann beim Umformulieren den Sinn verändern, deshalb vergleicht der Arzt den Brief vor der Unterschrift mit dem Diktat.

Sie können die Workstation allein bestellen, die Einrichtung von Whisper, Diktier-App und Briefmodell allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Gesundheitsdaten, DSGVO und die Pflichten der Praxis

Ein diktierter Arztbrief enthält Gesundheitsdaten, nach Artikel 4 Nr. 15 DSGVO „personenbezogene Daten, die sich auf die körperliche oder geistige Gesundheit einer natürlichen Person, einschließlich der Erbringung von Gesundheitsdienstleistungen, beziehen“. Artikel 9 Abs. 1 verbietet ihre Verarbeitung, sofern keine Ausnahme greift; Artikel 9 Abs. 2 Buchstabe h erfasst die medizinische Diagnostik und die Versorgung oder Behandlung im Gesundheitsbereich, unter den Bedingungen von Absatz 3, der sie an Fachpersonal mit Berufsgeheimnis bindet. Beim Diktat spricht nur der Arzt, und zwar nach dem Termin. Die Aufzeichnung des Gesprächs selbst, mit Zustimmung des Patienten und einer Datenschutz-Folgenabschätzung, behandelt unser Leitfaden zur KI-Dokumentation. Welche Grundlage für Ihren Diktat-Ablauf gilt, bestätigt Ihr Datenschutz­beauftragter.

Erkennt ein Cloud-Dienst die Sprache, verarbeitet er die Aufnahmen im Auftrag der Praxis, und nach Artikel 28 Abs. 1 gilt: „Erfolgt eine Verarbeitung im Auftrag eines Verantwortlichen, so arbeitet dieser nur mit Auftragsverarbeitern“, die geeignete technische und organisatorische Maßnahmen nachweisen. Vertrag, Unterauftrags­verarbeiter und Ort der Verarbeitung gehören dann in Ihre Prüfung, wie unser Leitfaden zu DSGVO, Cloud-Hosting und Unterauftrags­verarbeitern erklärt. Bei lokaler Erkennung verarbeitet für diesen Schritt kein externer Anbieter das Audio. Die Pflichten der Praxis bleiben: Artikel 32 Abs. 1 verlangt ein dem Risiko angemessenes Schutzniveau, darunter „die Pseudonymisierung und Verschlüsselung personenbezogener Daten“. Für eine Diktat-Workstation heißt das: verschlüsselte Festplatte und Verbindung, namentliche Administratorkonten, ein abschließbarer Raum und Audio, das nach der Unterschrift gelöscht wird. Die Regeln zur ärztlichen Schweigepflicht legen die Mitgliedstaaten und die Ärztekammern fest; Ihr Datenschutz­beauftragter und Ihre Kammer bestätigen, was gilt.

Diktiersoftware und die Medizin­produkte­verordnung

Die Medizin­produkte­verordnung, Verordnung (EU) 2017/745, entscheidet nach der Zweckbestimmung, die der Hersteller angibt. Die Leitlinie MDCG 2019-11 rev.1, im Juni 2025 gebilligt von der MDCG, dem nach Artikel 103 MDR eingerichteten Gremium der Mitgliedstaaten, enthält zwei Stellen, die zum Diktat passen. Abschnitt 3.1 hält fest, dass Software „only intended for non-medical purposes“, etwa „invoicing, staff planning, e-mailing, web or voice messaging, data parsing, word processing, and back-up“, keine Medizinprodukte-Software ist. Anhang I zählt Speech-to-Text-Systeme zu den Kommunikationssystemen im Gesundheitswesen und beschreibt sie als in der Regel auf Allzweck-Software gestützt, außerhalb der Definition eines Medizinprodukts, solange sie keinen medizinischen Zweck erfüllen. Ein Beispiel zu Diktat oder Briefschreibung enthält die Leitlinie nicht.

Das Diktat abzuschreiben und in die Briefvorlage zu setzen, ist Dokumentation. Ein Briefmodell, das eine Diagnose ergänzt, eine Therapie vorschlägt oder auffällige Werte markiert, rückt in Richtung eines medizinischen Zwecks, und die strengeren Prüfungen derselben Leitlinie und der Regel 11 kommen ins Spiel, wie unser Leitfaden zur KI-Dokumentation und unsere Seite zum LLM im Krankenhaus beschreiben. Beschränken Sie die Anweisung auf das Diktierte, und lassen Sie Ihre Beratung für Medizinprodukterecht bestätigen, dass Ihre Einrichtung auf der Seite der Dokumentation bleibt. Nach Artikel 2 Nummer 12 MDR ergibt sich die Zweckbestimmung auch aus den Angaben des Anbieters in Kennzeichnung und Werbematerial; deshalb beschreiben wir das Briefmodell nur für die Dokumentation und richten es auch nur dafür ein: Es füllt Ihre Vorlage aus dem Diktat und ergänzt weder Diagnosen noch Therapievorschläge.

Hardware für die Arztpraxis und für die Klinik

Ein Diktat braucht wenig GPU-Zeit. Der nächste veröffentlichte Wert ist die A100-Messung aus dem Paper zum Open ASR Leaderboard: Whisper large-v3 transkribierte 145,5 Sekunden Audio je Sekunde Rechenzeit, eine Minute Diktat brauchte also nach unserer Rechnung etwa 0,4 Sekunden. Für RTX-PRO-Karten ist kein solcher Wert veröffentlicht. Die Größe der Workstation folgt aus dem Briefmodell, der Länge der Briefe und der Zahl der Ärzte, die im selben Moment ein Diktat beenden.

GPU-Speicher aus den Datenblättern von NVIDIA; Speicher für Whisper aus dem Repository von OpenAI (6 GB = 5,6 GiB, 10 GB = 9,3 GiB); Sitzungen nach unserer Regel für Nutzer je Karte (90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB je Karte und der Gewichte): 25,7 GiB nutzbar auf der RTX PRO 4500 und 83,0 GiB auf einer 96-GB-Karte; gpt-oss-20b 12,8 GiB mit 0,1875 GiB je 8K-Sitzung, gpt-oss-120b 60,8 GiB mit 1,125 GiB je 32K-Sitzung (16-Bit-Cache). Unsere Schätzungen, keine Messungen.

Nur Diktat. Eine NVIDIA RTX PRO 4000 Blackwell mit 24 GB und 145 W reicht nach unserer Schätzung für Whisper large-v3 als Spracherkennung einer Praxis. Das Briefmodell passt nicht zusätzlich darauf: Nach unserer Regel bleiben auf einer 24-GB-Karte 18,5 GiB, und Whisper turbo mit gpt-oss-20b belegt davon 18,4, ohne Platz für einen Briefentwurf. Unsere Seite zum Kauf einer RTX PRO 4000 Workstation nennt ihre Daten.

Diktat und Briefe. Die NVIDIA RTX PRO 4500 Blackwell mit 32 GB und 200 W ist die Workstation, die wir einer Praxis empfehlen. Von den 25,7 GiB, die unsere Regel lässt, belegt gpt-oss-20b 12,8 und Whisper turbo etwa 5,6; die übrigen 7,3 GiB fassen 38 Briefentwürfe mit 8.192 Tokens im selben Moment. Sie läuft an einer Bürosteckdose und gehört in einen abschließbaren Raum; unsere Seite zum Kauf einer RTX PRO 4500 Workstation nennt die Konfiguration.

Größeres Modell. Ein MVZ mit mehreren Fachrichtungen und längeren Berichten kann eine NVIDIA RTX PRO 6000 Blackwell mit 96 GB nutzen, als Workstation Edition mit 600 W oder als Max-Q mit 300 W. Sie trägt gpt-oss-120b neben Whisper large-v3, mit 11 Sitzungen zu 32.768 Tokens nach unserer Regel. Mit der Workstation Edition zieht der Rechner nach unserer Schätzung etwa 1,1 kW aus der Steckdose, im Rahmen eines normalen 230-V-Stromkreises.

Klinik. Für mehrere Abteilungen wandert der Dienst in den Serverraum. Ein 2U-Server mit vier NVIDIA RTX PRO 4500 Blackwell Server Edition zieht nach unserer Schätzung etwa 1,4 kW, wie unser Leitfaden zum Server mit vier RTX PRO 4500 Server Edition herleitet; der Einstiegsserver auf unserer Seite zu KI-Servern mit zwei RTX PRO 6000 Server Edition etwa 1,8 kW. Unser Leitfaden zur KI-Dokumentation dimensioniert solche Server nach der Zahl der Ärzte.

Nennen Sie uns, wie viele Ärztinnen und Ärzte in welchen Fachrichtungen diktieren und welches PVS Sie nutzen, wir schlagen Ihnen eine Konfiguration für Praxis oder Klinik vor.

Hinweise für das IT-Team oder den IT-Dienstleister der Praxis

1. Endpunkt für Sprache. vLLM stellt /v1/audio/transcriptions bereit, „compatible with OpenAI's Transcriptions API“, nach pip install vllm[audio]; Uploads sind über VLLM_MAX_AUDIO_CLIP_FILESIZE_MB standardmäßig auf 25 MB begrenzt, und der optionale prompt trägt die Wortliste (vLLM-Dokumentation vom 19. Oktober 2026).
2. Clients. OpenWhispr wird als eigener OpenAI-kompatibler Anbieter auf den Endpunkt gerichtet; das README sagt „No data collection, no telemetry“. Prüfen Sie, dass auf keinem PC ein Cloud-Anbieter eingerichtet ist, auch nicht OpenWhispr Cloud, und dass der Stimmabdruck (Voice Fingerprinting) ausgeschaltet bleibt, wie unser Artikel zur Telemetrie in selbst gehosteten KI-Werkzeugen beschreibt.
3. Zugriff. Der Parameter --api-key von vLLM schützt nur die Pfade unter /v1, /v2, /inference und /cohere; /metrics, /health und /invocations antworten ohne Schlüssel, und /invocations bietet dieselbe Inferenz wie /v1 (Sicherheitsleitfaden von vLLM, gelesen am 31. Oktober 2026). Betreiben Sie die Dienste hinter einem LLM-Gateway mit Schlüsseln und Abfrageprotokoll, mit TLS zwischen PCs und Workstation.
4. Builds für Blackwell. RTX-PRO-Blackwell-Karten haben die Compute Capability 12.0, Container-Images müssen dafür gebaut sein; die Modellkarte von Parakeet nennt Blackwell unter den unterstützten Architekturen.
5. Aufbewahrung. Löschen Sie das Audio nach der Unterschrift, sofern Ihre Folgenabschätzung keine andere Frist festlegt, und beschränken Sie den Zugriff auf die Gateway-Logs, die Gesundheitsdaten enthalten. Unsere Leitfäden zur DSFA für ein internes LLM und zum KI-Server ohne IT-Abteilung behandeln den Rest.

FAQ