„Verständlich entlassen“ – wie Große Sprachmodelle Entlassbriefe in Patientenbriefe umwandeln

Die Kommunikation bei der Krankenhausentlassung gilt als neuralgischer Punkt. Entlassbriefe bündeln die relevanten Informationen, sind für Patient*innen aber aufgrund der komplexen Fachsprache häufig unverständlich. Mit KI-Sprachmodellen steht erstmals eine Technologie bereit, die Entlassbriefe automatisiert in leicht verständliche Patientenbriefe übersetzen kann – und damit Patient*innen zu informierten, aktiven Partnern ihrer eigenen Versorgung machen könnte.

Abstract

Discharge letters, written in technical language for clinicians, are often incomprehensible to patients. Large Language Models (LLMs) offer a scalable solution by automatically translating these expert-level documents into patient-friendly summaries. Initial evidence demonstrates that LLMs can significantly lower the reading difficulty of medical reports while maintaining high accuracy, as validated by physicians. A recent randomized clinical trial in Germany showed that LLM-generated patient letters significantly increase patient activation. For safe and effective implementation, specific prompting strategies, human-in-the-loop validation, and a clear understanding of the regulatory landscape are crucial. LLMs have the potential to support a paradigm shift in discharge communication, empowering patients to become active and informed partners in their care.

Kernaussagen

• Die Entlasskommunikation ist defizitär; bis zu 80% der Patient*innen verstehen ihren Entlassbrief nicht.

• LLMs können ärztliche Entlassbriefe automatisiert in leicht verständliche Patientenbriefe übersetzen.

• Erste Studien belegen eine hohe Qualität und Korrektheit der LLM-generierten Texte sowie eine signifikant verbesserte Verständlichkeit.

• Eine randomisierte klinische Studie zeigt, dass diese Patientenbriefe die Patientenaktivierung wirksam steigern.

• Die Qualität des Ergebnisses hängt von präzisen Anweisungen („Prompts“) und einer abschnittsweisen Verarbeitung ab.

• Aufgrund von Halluzinationen der KI und Weglassen wichtiger Informationen ist ein ärztliches Gegenlesen („Human-in-the-Loop“) derzeit unerlässlich.

• LLM-generierte Patientenbriefe haben das Potenzial, die Rolle von Patient*innen von passiven Empfängern zu aktiven Partnern zu wandeln.

Schlüsselwörter

Künstliche Intelligenz - Entlasskommunikation - Patientenbrief - Patientenaktivierung - Große Sprachmodelle

Keywords

artificial intelligence - discharge communication - patient letter - patient activation - Large Language Models

Publication History

Article published online:
23 February 2026

• Literatur

• 1 Engel KG, Buckley BA, Forth VE. et al. Patient Understanding of Emergency Department Discharge Instructions: Where Are Knowledge Deficits Greatest?. Acad Emerg Med 2012; 19: E1035-E1044
• 2 Hoek AE, Anker SCP, van Beeck EF. et al. Patient Discharge Instructions in the Emergency Department and Their Effects on Comprehension and Recall of Discharge Instructions: A Systematic Review and Meta-analysis. Ann Emerg Med 2020; 75: 435-444
• 3 Weetman K, Wong G, Scott E. et al. Improving best practice for patients receiving hospital discharge letters: a realist review. BMJ Open 2019; 9: e027588
• 4 Salam B, Kravchenko D, Nowak S. et al. Generative Pre-trained Transformer 4 makes cardiovascular magnetic resonance reports easy to understand. J Cardiovasc Magn Reson 2024; 26: 101035
• 5 Gupta A, Singh S, Malhotra H. et al. Provision of Radiology Reports Simplified With Large Language Models to Patients With Cancer: Impact on Patient Satisfaction. JCO Clin Cancer Inform 2025; 9: e2400166
• 6 Rust P, Frings J, Meister S. et al. Evaluation of a large language model to simplify discharge summaries and provide cardiological lifestyle recommendations. Commun Med 2025; 5: 208
• 7 Rust P, Frings J, Meister S. et al. Effects of Large Language Model-generated Patient-Oriented Discharge Summaries on Patient Activation – A Single-blinded Randomized Controlled Trial. [Manuskript zur Veröffentlichung eingereicht].
• 8 Hibbard JH, Stockard J, Mahoney ER. et al. Development of the Patient Activation Measure (PAM): Conceptualizing and Measuring Activation in Patients and Consumers. Health Serv Res 2004; 39: 1005-1026
• 9 Li MY, Weng WS, Apriliyasari RW. et al. Effects of Patient Activation Intervention on Chronic Diseases: A Meta-Analysis. J Nurs Res 2020; 28: e116