KI im Gesundheitswesen: Epic-EHR-Daten sicher mit ChatGPT verbinden

KI im Gesundheitswesen bekommt einen neuen, klar begrenzten Datenweg: Versorgungsteams können autorisierte Daten aus der elektronischen Patientenakte (Electronic Health Record, EHR) von Epic in ChatGPT einbinden, ohne Akteninhalte von Hand zu kopieren. OpenAI hat die Anbindung am 1. September 2026 veröffentlicht – gemeinsam mit neun Apps für öffentliche Gesundheitsdaten. Die Epic-Anbindung ist schreibgeschützt, übernimmt die bestehenden Berechtigungen der jeweiligen medizinischen Fachkraft und kann entweder in ChatGPT oder, bei unterstützten Implementierungen, direkt im EHR-Arbeitsablauf eingesetzt werden. So sinkt der Aufwand, Notizen, Laborwerte, Medikationen und fachärztliche Aktualisierungen zusammenzuführen. Eine Bedingung ist dabei nicht verhandelbar: Jede Antwort bleibt ein Entwurf, bis eine medizinische Fachkraft die Quelldokumentation, die Datumsangaben und mögliche Lücken geprüft hat.

KI im Gesundheitswesen: zwei abgesicherte Datenwege

„Das EHR anbinden“ bedeutet bei dieser Veröffentlichung, das Epic-Plugin von OpenAI für einen freigegebenen Organisations-Workspace einzurichten. Es bedeutet nicht, dass ChatGPT eine Verbindung zu jedem EHR herstellen kann. Das Plugin ruft ausschließlich Akteninformationen ab, auf die der angemeldete Epic-Nutzer bereits zugreifen darf. Es kann weder Daten zurückschreiben noch klinische Anordnungen erteilen, eine Patientennachricht senden oder Aktenberechtigungen erweitern. Der Einrichtungsleitfaden von OpenAI für Epic ist die maßgebliche Quelle für Voraussetzungen und Konfiguration.

Der zweite Datenweg ist das Plugin Healthcare Public Data. Seine neun schreibgeschützten Apps durchsuchen PubMed, ClinicalTrials.gov, DailyMed, RxNorm, openFDA, CMS Coverage, CMS Open Data, Medicare Care Compare und das NPI Registry. Diese Apps recherchieren in öffentlichen Informationen, nicht in Patientenakten. Patientennamen, Krankenaktennummern, Geburtsdaten, Mitgliedsnummern und andere Identifikatoren haben in diesen Suchanfragen nichts zu suchen.

Das System lässt sich als Behandlungsraum mit zwei Türen verstehen. Die Epic-Tür öffnet sich mit dem persönlichen Dienstausweis der jeweiligen medizinischen Fachkraft. Die Tür zu den öffentlichen Daten führt in eine Fachbibliothek. Einen Patientenidentifikator durch die Bibliothekstür zu tragen, bleibt der falsche Weg – selbst wenn für den Workspace ein Business Associate Agreement besteht.

Eine Einführungscheckliste, die der Sicherheitsprüfung standhält

Der richtige Nachweis für eine Einführung ist kein Screenshot einer hilfreichen Antwort. Benötigt wird eine lückenlose Beweiskette: Welche Daten waren zulässig, wer konnte darauf zugreifen, wie wurde der Zugriff begrenzt, was hat die medizinische Fachkraft geprüft und was geschah bei unvollständigem Kontext?

1. Workspace und rechtliche Voraussetzungen bestätigen

Am Anfang steht eine dokumentierte Go-/No-Go-Entscheidung. Das Epic-Plugin ist ausschließlich in freigegebenen Workspaces von ChatGPT for Healthcare sowie HIPAA-fähigen Enterprise-Workspaces verfügbar, abhängig von der Einführung in der jeweiligen Organisation und der Epic-Konfiguration. Für individuelle Konten von ChatGPT for Clinicians ist es nicht verfügbar.

Bevor geschützte Gesundheitsdaten (Protected Health Information, PHI) in den Arbeitsablauf gelangen, müssen das anwendbare Business Associate Agreement (BAA), also der Vertrag zur geregelten Verarbeitung von PHI, sowie der zulässige Workspace und Funktionsumfang, die Epic-Autorisierung und alle weiteren für den geplanten Einsatz erforderlichen Vereinbarungen bestätigt sein. Die bloße Verfügbarkeit eines Features belegt noch keine BAA-Abdeckung. Die Liste der HIPAA-fähigen Funktionen von OpenAI ist bewusst präzise. Sie weist darauf hin, dass die verbesserte Memory-Funktion nicht vom BAA abgedeckt ist und daher keine PHI erhalten darf, falls ein Administrator sie aktiviert.

Der Freigabenachweis sollte vier Verantwortliche benennen: den Workspace-Verantwortlichen, den Epic-Administrator, den Datenschutz- oder Sicherheitsverantwortlichen und den klinisch Verantwortlichen, der das Pilotprojekt stoppen kann.

2. Quellen vor der Anbindung inventarisieren

Für jedes System und jede App gehört eine eigene Zeile in eine Quellenmatrix. Für Epic sind die Umgebung, die freigegebenen FHIR-Ressourcen, die Patientenpopulation, die Nutzerrollen und der Einsatzort von ChatGPT festzuhalten: im eigenen Workspace oder in einer unterstützten EHR-Ansicht. FHIR ist die standardisierte Schnittstellenadresse, über die Ressourcen einer elektronischen Patientenakte angefordert werden. Sie ist ein Zugang, aber für sich genommen noch keine Berechtigung.

Bei öffentlichen Daten muss jede der neun Apps separat freigegeben werden. Verfügbarkeit des Plugins, Aktivierung der App, Rollenberechtigung und Verbindung durch den Nutzer sind voneinander unabhängige Schalter. Die Installation des Plugins verbindet nicht automatisch alle Apps. Der Einrichtungsleitfaden für öffentliche Daten warnt zudem, dass eine Anfrage den Workspace verlassen und an die Organisation gehen kann, die die jeweilige Quelle betreibt. Annahmen zu Aufbewahrung und Datenresidenz brauchen deshalb eine eigene Prüfung.

Die Matrix benötigt eine unmissverständliche Grenze: Epic darf autorisierten Patientenkontext übertragen. Öffentliche Datensuchen dürfen keine PHI enthalten. Benötigt ein Arbeitsablauf beides, wird die öffentliche Frage allgemein formuliert. Anschließend vergleicht die medizinische Fachkraft die belegte öffentliche Antwort mit der Akte innerhalb des freigegebenen Arbeitsablaufs für Patientenkontext.

3. Zugriff an reale Identitäten binden

Workspace- und Epic-Administratoren konfigurieren die EHR-App mit der FHIR-R4-Basis-URL der Organisation, OAuth-Client-ID, OAuth-Client-Secret und exakt der während der Einrichtung angezeigten Callback-URL. OAuth ist die Anmeldeübergabe, durch die Epic Zugriff gewähren kann, ohne dass ein Passwort in einen Chat eingegeben wird.

Danach verbindet jede medizinische Fachkraft ihr eigenes Epic-Konto. Wird das Plugin für eine Rolle installiert, ist damit noch kein persönliches Konto verbunden; auch die Epic-Berechtigungen der betreffenden Person werden nicht erweitert. Zugangsdaten, Client-Secrets und Zugriffstoken bleiben in den freigegebenen Einrichtungs- und Anmeldeabläufen. Sie gehören weder in eine ChatGPT-Unterhaltung noch in eine Codex-Aufgabe.

Vor dem klinischen Pilotprojekt müssen Neueintritte, Rollenwechsel und Austritte getestet werden. SAML Single Sign-on und die SCIM-Kontobereitstellung können den Identitätslebenszyklus im Workspace abbilden. Der Abnahmetest muss zusätzlich belegen, dass ein Nutzer nach seiner Entfernung aus einer Epic-Rolle auch den entsprechenden Aktenzugriff über ChatGPT verliert.

4. Minimalberechtigungen konkret umsetzen

„Schreibgeschützt“ senkt das Risiko, ist aber nicht gleichbedeutend mit dem Prinzip der geringsten Rechte. Auch ein Nutzer mit reinem Lesezugriff kann zu viele Informationen sehen, wenn Rollen und Berechtigungsumfänge zu breit angelegt sind.

Das Epic-Plugin sollte nur für freigegebene Rollen auf Available oder Installed gesetzt werden. Jeder OAuth-Scope ist gemeinsam mit dem Epic-Administrator zu prüfen. OpenAI dokumentiert gängige Leseberechtigungen für Patienten, Erkrankungen, Allergien, Medikationsanforderungen und -abgaben, Beobachtungen, Dokumente, diagnostische Berichte, Behandlungskontakte und zugehörige Binärdateien. Scopes für Termine, Eingriffe, Impfungen oder Behandlungspläne kommen nur hinzu, wenn ein freigegebener Arbeitsablauf sie benötigt.

Bei öffentlichen Daten erhält jede App ausschließlich die Rollen, die sie brauchen. Ein Apothekenteam benötigt möglicherweise DailyMed und RxNorm, ein Forschungsteam PubMed und ClinicalTrials.gov. Keines von beiden braucht automatisch sämtliche CMS-Datensätze. Zu jeder Berechtigung ist festzuhalten, wer sie genehmigt hat und wann sie erneut geprüft wird.

5. Die klinische Prüfung fest in die Ausgabe einbauen

Jede Vorlage mit Patientenkontext sollte fünf Pflichtfelder enthalten:

1. Was sich geändert hat.
2. Belegende Akteneinträge.
3. Relevante Datumsangaben.
4. Fehlender oder nicht verfügbarer Kontext.
5. Klinische Entscheidung und Freigabe.

Laut OpenAI verweist die Epic-Antwort auf die zugrunde liegenden Akteninformationen und fordert medizinische Fachkräfte dazu auf, vor jeder Verwendung den Originaleintrag und die relevanten Datumsangaben zu prüfen. Genau diese Quellenprüfung ist der Kontrollmechanismus. Eine elegant formulierte Zusammenfassung ohne nachvollziehbare Aktenbelege sollte die Prüfung nicht bestehen.

OpenAI berichtet, dass Ärzte 99.1% von 4,363 Antworten aus 27 Anwendungsfällen mit angebundenem EHR als sicher bewerteten. Das ist ein wertvoller Evaluationsnachweis, aber keine Erlaubnis, auf eine lokale Validierung zu verzichten. „Sicher“ ist zudem nicht dasselbe wie vollständig, aktuell oder für einen konkreten Patienten korrekt.

6. Auditnachweise erfassen und bei fehlendem Kontext sicher abbrechen

App-Unterhaltungen stehen über die Compliance API zur Verfügung, eine Exportschnittstelle für Governance-Systeme; App-Aufrufe werden in Compliance Logs protokolliert. Vor dem Start ist zu prüfen, ob die von den Prüfern benötigten Felder tatsächlich vorhanden sind. Das Nachweispaket sollte mindestens Nutzer, Rolle, App, Zeitpunkt, Quellenklasse, Anwendungsfallvorlage, Prüfergebnis und Ausnahmeticket miteinander verknüpfen – ohne mehr PHI in ein zweites System zu kopieren, als der Auditzweck erfordert.

Der Ausweichpfad muss im Arbeitsablauf sichtbar sein. Welche Daten verfügbar sind, hängt von der Epic-Konfiguration, den freigegebenen Ressourcen und den vorhandenen Aktenberechtigungen des Nutzers ab. Fehlen die Patientenakte oder eine benötigte Ressource, muss die Ausgabe „Fehlender Kontext“ anzeigen, die nicht verfügbare Quellenkategorie benennen und die medizinische Fachkraft zurück zu Epic führen. Die Lücke darf weder aus dem Gedächtnis noch mit einer öffentlichen Datensuche gefüllt werden.

Liefert eine öffentliche Quelle kein Ergebnis, sollte die PHI-freie Anfrage eingegrenzt oder überarbeitet und der ausgewiesene Abdeckungsbereich der Quelle geprüft werden. Ist der Anbieter nicht erreichbar oder begrenzt die Anfragerate, kann später ein neuer Versuch folgen. Kein Treffer ist kein Beleg dafür, dass es keine Studie, Warnung, Richtlinie oder keinen Leistungserbringereintrag gibt.

Vor der breiten Einführung muss die Wirtschaftlichkeit stimmen

OpenAI veröffentlicht keinen Listenpreis für ChatGPT for Healthcare. Die Kosten richten sich nach Größe und Implementierungsbedarf der Organisation; Enterprise-Workspaces beziehen die Nutzung erweiterter Funktionen aus einem gemeinsamen, vertragsweiten Credit-Pool. Ein glaubwürdiger Business Case braucht daher ein Angebot und ein gemessenes Pilotprojekt – keinen pauschalen Vergleich von Lizenzkosten pro Nutzer.

Diese Gleichung eignet sich als Ausgangspunkt:

monthly workflow value = completed reviews x verified minutes saved x loaded clinician cost / 60

Davon sind die gesamten Betriebskosten abzuziehen: Enterprise-Vertrag, Epic- und OAuth-Konfiguration, Sicherheitsprüfung, Prozessgestaltung, Schulung, klinische Validierung, Auditbetrieb und Support. Neben der Zeitersparnis müssen korrigierte Zusammenfassungen und Eskalationen gemessen werden. Ein schnellerer Entwurf, der zusätzlichen Prüfaufwand erzeugt, ist keine Einsparung.

Der angrenzende Markt liefert einen hilfreichen Preisanker. Die offizielle Preisseite von Freed nennt für den Premier-Tarif für medizinische Fachkräfte, einschließlich Patientenkontext und Übergabe an das EHR, $119 pro Monat beziehungsweise $104 pro Monat bei jährlicher Abrechnung. Das ist kein direkt vergleichbarer Preis für ein Gesundheitssystem. Er zeigt jedoch, dass medizinische Fachkräfte bereits dafür bezahlen, Besuchskontext zusammenzustellen. Für ChatGPT lautet die wirtschaftliche Frage, ob ein einheitlich verwalteter Workspace diese Aufgabe über freigegebene klinische, wissenschaftliche und operative Arbeitsabläufe hinweg abdecken kann, ohne ein weiteres Inselsystem einzuführen.

Sieben Anwendungsfälle nach erwartetem betrieblichem Nutzen

1. Vorbereitung komplexer Patientenfälle vor dem Termin

Bei langen Akten könnten Haus- oder Fachärzte abfragen, was sich seit dem letzten Termin geändert hat, welche aktuellen Laborwerte geprüft werden sollten, ob Medikamente geändert wurden und welche fachärztlichen Empfehlungen noch offen sind. ChatGPT kann aus autorisierten Notizen, Medikationen, Erkrankungen, Behandlungskontakten und Laborergebnissen einen Kurzentwurf erstellen und anschließend auf die Belege in der Akte verweisen.

Dieser Anwendungsfall steht an erster Stelle, weil sich die Aufgabe vor jedem relevanten Termin wiederholt und wertvolle klinische Arbeitszeit bindet. Der erfolgversprechende Arbeitsablauf lautet nicht „alles zusammenfassen“. Gefragt ist ein kurzer Änderungsüberblick mit Datumsangaben, Quellenlinks und einem ausdrücklichen Abschnitt zu fehlendem Kontext.

2. Übergaben zwischen Schichten und Diensten

Ein Krankenhausarzt oder eine vertretende medizinische Fachkraft könnte für einen autorisierten Patienten eine Zeitleiste der letzten Behandlungskontakte, aktiven Probleme, Medikationsänderungen und ungeklärten Folgemaßnahmen anfordern. Bevor die Übergabe angenommen wird, gleicht die übernehmende Fachkraft jeden wichtigen Punkt mit der Akte ab.

Der Nutzen liegt in einem einheitlicheren Ausgangspunkt, wenn die Versorgung von einer Person zur nächsten wechselt. Ebenso klar ist der Fehlermodus: Liegt eine Notizart oder ein Behandlungskontakt außerhalb des freigegebenen Umfangs, muss die Übergabe diese Lücke kennzeichnen, statt den Eindruck einer vollständigen Akte zu erwecken.

3. Prüfung von Medikationsänderungen

Ein Apotheken- oder Behandlungsteam könnte aktuelle Medikationsanforderungen, Abgabedaten, Allergien, jüngste Laborwerte und relevante Epic-Notizen vergleichen und anschließend DailyMed oder RxNorm getrennt nach öffentlichen Fach- und Identifikationsinformationen durchsuchen. Der Patientendatenweg beantwortet: „Was steht in dieser autorisierten Akte?“ Der öffentliche Datenweg beantwortet: „Was sagt die offizielle Referenz?“

Diese Trennung verringert Wechsel zwischen Anwendungen und wahrt zugleich die Grenze zwischen PHI und öffentlichen Suchanfragen. Sie trifft keine Entscheidung über Dosierung, Austauschbarkeit, Erstattung im Arzneimittelkatalog oder Behandlung. Solche Beurteilungen bleiben qualifizierten medizinischen Fachkräften vorbehalten.

4. Überweisungen und offene Aufgaben nachverfolgen

Ein Versorgungskoordinator könnte nach aktuellen Überweisungen, fachärztlichen Empfehlungen und offenen Folgemaßnahmen in der autorisierten Akte fragen. Die Ausgabe ließe sich als Aufgabenliste strukturieren, in der jeder Punkt mit der belegenden Notiz und ihrem Datum verknüpft ist.

Der Vorteil sind weniger manuelle Suchen in einer langen Akte. Ob die zugrunde liegende Aufgabe möglicherweise an anderer Stelle abgeschlossen wurde, muss dennoch geprüft werden, denn die angebundenen Ressourcen enthalten nicht zwingend jedes Termin-, Nachrichten- oder externe Versorgungsereignis.

5. Nachweise für Vorabgenehmigungen vorbereiten

Ein Genehmigungsteam könnte aus dem autorisierten Aktenkontext einen Entwurf der patientenspezifischen Fakten für einen Antrag erstellen und CMS Coverage anschließend in einer getrennten, PHI-freien öffentlichen Anfrage nach der einschlägigen Richtlinienversion durchsuchen. Vor der Einreichung gleicht ein menschlicher Prüfer beide Teile ab.

Das kann Recherche und Entwurf beschleunigen, bestimmt aber nicht den individuellen Leistungsanspruch. Deckungsquellen haben Grenzen bei Umfang und Version, und für den endgültigen Antrag gelten die aktuellen Vorgaben des Kostenträgers. Kleinere Praxen, die noch nicht für eine unternehmensweite EHR-Anbindung bereit sind, erzielen möglicherweise schneller Nutzen mit den einfacheren Arbeitsabläufen aus KI-Automatisierung für Zahnarztpraxen.

6. Studien- und Evidenzscreening

Ein Forschungsteam könnte über ClinicalTrials.gov rekrutierende Studien ermitteln und deren Einschlusskriterien vergleichen, während PubMed verwandte Forschung liefert. Eine medizinische Fachkraft könnte diese öffentlichen Kriterien anschließend mit einer autorisierten Akte abgleichen, ohne Patientenidentifikatoren in die Anfrage an die öffentlichen Datenquellen aufzunehmen.

Der Nutzen liegt in einer schnelleren ersten Sichtung fragmentierter Quellen. Studienstatus und Eignung müssen dennoch beim Studienteam bestätigt werden; zudem können sich Quelldatensätze ändern.

7. Planung von Programmen für Bevölkerungsgesundheit

Ein Population-Health-Team, das ein Programm zu Diabetes, Herzerkrankungen oder Arzneimittelsicherheit plant, könnte öffentliche Forschung, laufende Studien, Informationen zur Medicare-Deckung, Einrichtungskennzahlen und Daten zu Leistungserbringern zusammenführen. So entsteht eine belegte Entscheidungsgrundlage für Programmverantwortliche, ohne dass die öffentlichen Apps Daten einzelner Patienten erhalten.

Für den unmittelbaren Nutzen liegt dieser Anwendungsfall weiter hinten, weil er periodisch statt bei jedem Termin anfällt. Dafür kann er Qualität und Nachvollziehbarkeit der Planung über Forschung und Betrieb hinweg erhöhen.

Zwei Produkte, die sich auf dieser Anbindung aufbauen lassen

1. Die stärkste Chance: eine Nachweiskonsole für EHR-Einführungen

Für IT-, Datenschutz- und klinische Governance-Teams in Gesundheitssystemen bietet sich eine zentrale Steuerungsebene für die gesamte Einführung an. Sie inventarisiert freigegebene Quellen, Rollen, Epic-Scopes, Testfälle, Ausnahmen und Auditexporte und erstellt daraus für jede Freigabe eines Arbeitsablaufs ein prüffertiges Nachweispaket.

Das Nachfragesignal ist für eine eng umrissene Infrastrukturaufgabe ungewöhnlich kommerziell. Die Suchanfrage „EHR integration“ erreicht in den USA rund 590 Suchanfragen pro Monat bei Kosten pro Klick von $42.25. „EHR integration services“ kommt auf rund 140 Suchanfragen bei $80.68 pro Klick und einem Gebot für die oberste Anzeigenposition von bis zu $78.96. Käufer suchen bereits nach Unterstützung, und Anbieter bezahlen viel dafür, sie zu erreichen.

Die kleinste verkaufsfähige Version unterstützt eine Epic-Umgebung und einen ChatGPT-Workspace. Sie importiert oder dokumentiert die freigegebenen FHIR-Scopes und die Matrix der rollenbasierten Zugriffskontrolle (RBAC), führt eine feste Bibliothek von Abnahmetests aus, speichert Freigaben und exportiert einen Ausnahmebericht. Der unvermeidliche Haken: lange Enterprise-Verkaufszyklen und ständige Änderungen an der Plattform. Das Produkt kann weder ein BAA noch eine lokale Risikoanalyse oder klinische Verantwortlichkeit ersetzen. Sein Wettbewerbsvorteil muss in der Qualität des Nachweismodells und der Implementierungsbibliothek liegen – nicht in einem oberflächlichen Dashboard.

2. Ein quellengeprüftes Workflow-Paket für die Terminvorbereitung

Für Ambulanzen mit komplexen Behandlungsfällen bietet sich ein Satz wiederverwendbarer Vorlagen für ChatGPT for Healthcare samt Prüfprotokoll an. Jeder Kurzbericht enthält Änderungen, Medikationen, Laborwerte, Folgemaßnahmen, Aktenverweise, Datumsangaben und vor der klinischen Freigabe einen Block „Fehlender Kontext“.

„AI medical assistant“ erzielt in den USA rund 140 Suchanfragen pro Monat, hat eine kommerzielle Suchintention und kostet $24.01 pro Klick. Der Premier-Tarif von Freed für $119 pro Monat umfasst Besuchszusammenfassungen, Patientenkontext und die Übergabe an das EHR. Das belegt eine direkte Zahlungsbereitschaft für diese Aufgabe, wenn auch nicht für genau dieses Implementierungsmodell.

Das MVP besteht aus drei fachspezifischen Vorlagen, einer Rollenmatrix, einer Prüfliste für Quellen und Datumsangaben sowie einer Pilot-Scorecard. Zunächst sollte es als Implementierungspaket und nicht als eigenständige Software verkauft werden. Der Haken liegt in der Verteidigungsfähigkeit: Vorlagen lassen sich leicht kopieren. Wertvoll wird das Angebot erst in Kombination mit Veränderungsmanagement, Validierung und fachspezifischer Governance.

Was diese EHR-Integration nicht löst

Für Synthese und Prüfung ist die Anbindung gut geeignet. Für autonome Behandlungsentscheidungen oder unbemerkte Prozessausführung ist sie ungeeignet.

• Sie stellt keine Verbindung zu jedem EHR her. Die dokumentierte Patientenakten-Integration gilt für Epic.
• Sie schreibt nicht in die Akte, erteilt keine klinischen Anordnungen und sendet keine Patientennachrichten.
• Sie garantiert keinen vollständigen Kontext. Konfiguration, freigegebene Ressourcen und Nutzerberechtigungen bestimmen, was verfügbar ist.
• Sie macht aus einem BAA keine pauschale Freigabe für sämtliche Features oder Drittanbieter.
• Sie macht öffentliche Datensätze weder patientenspezifisch noch vollständig oder klinisch entscheidend.
• Sie entbindet medizinische Fachkräfte nicht davon, Quelldokumentation und Datumsangaben zu prüfen.
• Sie belegt nicht, dass die vorhandenen Auditfelder die Nachweisanforderungen der eigenen Organisation erfüllen.

Für den Datenschutz gilt dieselbe Lektion wie bei anderen kontextreichen ChatGPT-Funktionen: Mit dem Zugriff wächst der Nutzen – und damit die Bedeutung einer sauberen Berechtigungsarchitektur und klarer Aufbewahrungsgrenzen. Datenschutz bei der Computer-Historie von ChatGPT beleuchtet diesen Zielkonflikt in einem anderen Umfeld mit umfangreichem Kontext.

Die Sicherheitsbewertung von 99.1% und die Genauigkeitsbewertung von mehr als 93% mit dem Urteil „gut oder besser“ für jede der fünf getesteten öffentlichen Datenquellen sind vielversprechende Evaluationsergebnisse. Sie ersetzen keine lokalen Tests mit den eigenen Rollen, Ressourcen, Fachrichtungen und Fehlerszenarien.

Häufig gestellte Fragen

Was bedeutet EHR Integration?

EHR-Integration bedeutet, eine elektronische Patientenakte mit einem anderen freigegebenen System zu verbinden, damit autorisierte Daten zwischen beiden Systemen fließen können. Bei der hier vorgestellten ChatGPT-Anbindung ist der dokumentierte EHR-Datenweg ein schreibgeschütztes Epic-Plugin, das den vorhandenen Epic-Berechtigungen jedes Nutzers folgt.

Wie lässt sich ein EHR integrieren?

Für ChatGPT werden zuerst ein freigegebener Workspace von ChatGPT for Healthcare oder ein HIPAA-fähiger Enterprise-Workspace und die erforderliche rechtliche Abdeckung bestätigt. Danach folgen die Abstimmung mit OpenAI und dem Epic-Administrator, die Konfiguration der Workspace-spezifischen EHR-App mit FHIR-R4-URL und OAuth-Daten, die Prüfung von Scopes und Rollen, die Veröffentlichung der App und schließlich die Verbindung des persönlichen Epic-Kontos durch jeden freigegebenen Nutzer.

Was leisten EHR Integration Services?

Solche Implementierungsdienstleistungen verbinden, schützen, testen und betreiben Datenflüsse zwischen einem EHR und einem anderen System. Für diese Einführung sind insbesondere die Epic-App-Konfiguration, Identitätseinrichtung, Gestaltung von Scopes und RBAC, klinische Validierung, Auditzuordnung, Schulung und Ausnahmebehandlung relevant.

Was sind drei zentrale Herausforderungen und Probleme bei EHR-Systemen?

Für einen KI-Arbeitsablauf mit EHR-Anbindung sind die drei wichtigsten Herausforderungen unvollständiger Kontext, zu weitreichende Zugriffe und ungeprüfte Ausgaben. Die praktischen Kontrollen bestehen aus einem sichtbaren Zustand für fehlenden Kontext, Rollen und Scopes nach dem Prinzip der geringsten Rechte sowie der klinischen Prüfung der zugrunde liegenden Akte und Datumsangaben.

Der nächste Schritt am Montag

Der Chief Medical Information Officer (CMIO), die Datenschutzleitung, der Epic-Administrator, der Workspace-Verantwortliche und zwei medizinische Fachkräfte aus der Versorgung gehören in einen gemeinsamen Arbeitstermin. Dort wird eine wiederkehrende Prüfaufgabe ausgewählt, ausschließlich deren Datenbedarf abgebildet und zunächst mit freigegebenen Test- oder Schulungsakten erprobt. Die Testfälle müssen eine vollständige Akte, eine gesperrte Ressource, eine abgelaufene Anmeldung und ein fehlendes Ergebnis umfassen. Das Pilotprojekt darf erst erweitert werden, wenn die Ausgabe fehlenden Kontext benennt, Quellenlinks die Prüfung überstehen, Zugriffe korrekt fehlschlagen und der Auditexport beantwortet, wer wann worauf zugegriffen hat.

Wenn eine dieser kontrollierten Integrationen für das Gesundheitswesen in der eigenen Organisation umgesetzt werden soll, finden sich weitere Informationen unter KI-Produktionssysteme.