Eine KI liest, wie ein Mensch seinen Anfall beschreibt – und stellt daraus die Diagnose. In 57 Prozent der Fälle richtig. Drei erfahrene Epileptologen schaffen mit denselben Texten 71 Prozent. Das Rennen zwischen Mensch und Maschine hat die Anfallsmedizin längst erreicht – und vorerst gewinnt der Mensch. Aber der Abstand ist kleiner, als vielen lieb sein dürfte.
Diese Zahlen stammen aus der Keynote von Prof. Markus Reuber (Universität Sheffield), Herausgeber der Fachzeitschrift Seizure und einer der international führenden Forscher zu funktionellen/dissoziativen Anfällen – gehalten am 18. September 2026 in Bonn, auf der gemeinsamen Jahrestagung der Arbeitsgemeinschaft Funktionelle Neurologische Störungen (AG FNS) und der Klinik für Epileptologie des Universitätsklinikums Bonn. Sein Thema: „Kommunikation, Konversation und künstliche Intelligenz bei Anfallserkrankungen“ [1]. Wir saßen im Publikum – dieser Beitrag ist unser persönlicher Rückblick auf den Vortrag, in eigenen Worten und in Auswahl; die erwähnten Studien sind unten einzeln belegt.
Warum ausgerechnet das Gespräch entscheidend ist
Der Ausgangspunkt des Vortrags: Hinter über 90 Prozent aller Vorstellungen mit vorübergehendem Bewusstseinsverlust stecken nur drei Diagnosen – Synkopen (Kreislauf-Ohnmachten), epileptische Anfälle und funktionelle/dissoziative Anfälle [1]. Und doch sind Fehldiagnosen häufig und verzögern den Zugang zu wirksamer Behandlung oft erheblich. Der Grund: Es gibt selten einen Test, der die Diagnose eindeutig macht. Die Erstdiagnose beruht vor allem auf dem, was Betroffene und Augenzeugen erzählen – auf Eigen- und Fremdanamnese, manchmal ergänzt durch ein Video.
Genau hier setzt die Forschung von Reubers Arbeitsgruppe seit Jahren an: Nicht nur was Menschen über ihre Anfälle berichten, unterscheidet sich zwischen Epilepsie und dissoziativen Anfällen – auch wie sie es erzählen. Die Konversationsanalyse zeigt messbare Unterschiede im Gesprächsverhalten [2]. Und wo es Muster in Sprache gibt, liegt die Frage nahe: Kann eine Sprach-KI diese Muster erkennen?
Der Praxistest: GPT-4 gegen drei erfahrene Epileptologen
Hier kommen die Zahlen vom Anfang ins Spiel: Reuber stellte eine Studie seiner Gruppe vor, die den direkten Vergleich gewagt hat [3]. GPT-4 bekam Transkripte von Anfallsbeschreibungen – 16 von Menschen mit epileptischen und 25 von Menschen mit funktionellen/dissoziativen Anfällen – und sollte die Diagnose stellen. Zum Vergleich beurteilten drei erfahrene Epileptologen dieselben Texte. Das Ergebnis im Detail:
Bemerkenswert war auch, was nicht half: Mit zwei oder drei Trainingsbeispielen statt einem wurde die KI nicht besser. Und die Ergebnisse schwankten von Durchlauf zu Durchlauf – dieselbe Frage konnte an verschiedenen Tagen verschieden beantwortet werden, auch weil sich die Sprachmodelle selbst laufend weiterentwickeln [3]. Ältere Ansätze der Arbeitsgruppe mit klassischem maschinellem Lernen – etwa die automatische Analyse des „Formulierungsaufwands“ in Anfallsbeschreibungen – hatten zuvor ähnliche Größenordnungen erreicht: rund 71 Prozent korrekte Klassifikation [4]. Auch ein strukturierter Patientenfragebogen, dessen Auswertung ein Machine-Learning-Modell übernimmt, wurde inzwischen validiert [5].
KI auf der Therapieseite: von ELIZA bis zum Chatbot-Coach
Der zweite Teil des Vortrags widmete sich der Behandlung. Die Idee, Computer therapeutisch sprechen zu lassen, ist älter als viele denken: Schon 1966 simulierte der Chatbot ELIZA einen Gesprächstherapeuten [6]. Heutige Sprachmodelle können therapeutische Gesprächstechniken verschiedener Schulen imitieren – von klärenden Fragen der Gesprächspsychotherapie über sokratisches Fragen der Verhaltenstherapie bis zu Beziehungsfragen psychodynamischer Ansätze.
Was davon wirkt? Eine Metaanalyse über 32 randomisierte kontrollierte Studien mit über 6.000 Teilnehmenden zeigt: Chatbot-Interventionen können Symptome von Depression und Angst, Stress und psychosomatische Beschwerden kurzfristig verbessern – längerfristig waren die Effekte jedoch nicht mehr signifikant [7]. Realistischer als der „KI-Therapeut“ erscheint deshalb derzeit die Rolle der KI als Werkzeug für Therapeutinnen und Therapeuten: bei Fallkonzeption, Behandlungsplanung, Dokumentation oder der passenden Zuordnung von Patient und Therapeut [1].
Chancen und Risiken – Reubers doppelte Liste
Zum Abschluss stellte Reuber zwei Zukunftslisten nebeneinander – beide beginnen mit „KI wird …“:
| Die Hoffnung | Die Gefahr |
|---|---|
| Die Zeit bis zur richtigen Diagnose dramatisch verkürzen | Das Fehldiagnoserisiko erhöhen und heutige Fehler in automatisierten Abläufen festschreiben |
| Betroffenen ein besseres Verständnis ihrer Erkrankung vermitteln | Zur Entqualifizierung von Klinikern beitragen |
| Mehr Menschen Zugang zu guter Behandlung ermöglichen | Behandler ersetzen statt entlasten – und so den Zugang verschlechtern |
| Behandlungsqualität und Prognosen verbessern, Forschung revolutionieren | Unterschiede zwischen Arm und Reich vergrößern |
Dass auf der Gefahrenseite augenzwinkernd auch „das Ende der Welt beschleunigen“ stand – und der Vortrag mit humorvollen KI-Ratschlägen nach Altersgruppen endete –, sei der Vollständigkeit halber erwähnt. Die ernsten Punkte dahinter benannte Reuber klar: fehlende objektive Referenzdiagnosen als Trainingsgrundlage, schwankende Ergebnisse, Entscheidungen in einer „Black Box“, Halluzinationen, Datenschutz und ein regulatorischer Rahmen, der der technischen Entwicklung hinterherläuft [1].
Quellen
Die folgenden Studien wurden im Vortrag vorgestellt bzw. zitiert; die Angaben folgen den Vortragsfolien.
- Reuber M. Kommunikation, Konversation und künstliche Intelligenz bei Anfallserkrankungen. Keynote-Vortrag, gemeinsame Jahrestagung der AG FNS e. V. und der Klinik für Epileptologie des Universitätsklinikums Bonn, 18.09.2026. Dieser Beitrag ist ein Tagungsbericht aus Sicht der Besucher und gibt den Vortrag in eigenen Worten und in Auswahl wieder.
- Jenkins L, Reuber M. Quantifying qualitative observations in patients’ talk to aid the differential diagnosis of transient loss of consciousness. Gesprächsforschung – Online-Zeitschrift zur verbalen Interaktion 2015;16:198–225.
- Ford J, et al. Can artificial intelligence diagnose seizures based on patients’ descriptions? A study of GPT-4. Epilepsia 2025;66:1959–1974.
- Pevy N, et al. Feasibility of using an automated analysis of formulation effort in patients’ spoken seizure descriptions in the differential diagnosis of epileptic and nonepileptic seizures. Seizure 2021;91:141–145.
- Wardrope A, et al. Validation of a Machine-Learning Clinical Decision Aid for the Differential Diagnosis of Transient Loss of Consciousness. Neurol Clin Pract 2025;15(2):e200448.
- Olawade DB, et al. Enhancing mental health with Artificial Intelligence: Current trends and future prospects. J Med Surg Pub Health 2024;3:100099.
- He Y, et al. Conversational Agent Interventions for Mental Health Problems: Systematic Review and Meta-analysis of Randomized Controlled Trials. J Med Internet Res 2023;25:e43862.
Stand: September 2026. Dieser Rückblick gibt zentrale Inhalte des Vortrags in eigenen Worten und in Auswahl wieder; für die vollständigen Inhalte und alle Differenzierungen ist allein der Vortrag maßgeblich. Der Beitrag informiert allgemein und ersetzt keine ärztliche Beratung.