In npj Digital Medicine ist eine Studie erschienen, die die psychopathologische Befunderhebung unmittelbar betrifft. Ein Team unter Federführung des Zentralinstituts für Seelische Gesundheit (ZI) in Mannheim hat zehn große Sprachmodelle gegen 108 klinisch tätige Fachkräfte antreten lassen. Beurteilt wurde dabei weder eine Diagnose noch ein Fragebogenscore, sondern jedes einzelne der 100 Merkmale des AMDP-Systems.

Die Zusammenfassung, die sich aufdrängt, lautet: KI erreicht das Niveau von Kliniker:innen. Sie trifft in dieser Form nicht zu. Der eigentliche Befund der Arbeit liegt an anderer Stelle, nämlich darin, dass Modelle und Menschen systematisch unterschiedliche Fehler machen.

Was untersucht wurde

Grundlage waren drei halbstrukturierte psychiatrische Interviews von 24 bis 33 Minuten Länge. Ein geschulter Schauspielpatient stellte je ein depressives, ein manisches und ein schizophrenes Syndrom dar, ohne Skript und nach etwa einer Stunde klinischem Briefing pro Video. Die Gespräche führten ausschließlich AMDP-geschulte Psychiater:innen.

Auf dieses Material wurden drei Beurteilungswege angesetzt:

Referenzstandard: ein Konsenspanel aus drei erfahrenen Fachärzt:innen für Psychiatrie, die alle an der aktuellen Auflage des AMDP-Manuals mitgewirkt haben und darin schulen. Sie beurteilten jedes Video zunächst unabhängig und einigten sich anschließend im Gespräch einstimmig. Pro Video dauerte das rund drei Stunden.
Kliniker:innen: 108 Personen aus drei psychiatrischen Kliniken in Deutschland, einer Universitätsklinik, einem universitätsnahen Forschungskrankenhaus und einem regionalen Versorgungszentrum. Rekrutiert wurde zwischen April und November 2025 im Rahmen laufender Fortbildungen. Diese Gruppe sah die vollständigen Videoaufnahmen mit Bild und Ton und füllte AMDP-Bögen auf Papier aus, innerhalb der Videolaufzeit plus 15 Minuten.
Sprachmodelle: zehn Modelle, ausgewählt nach ihrer Platzierung in der LMSYS Chatbot Arena mit Stand 11/2025. Sie erhielten ausschließlich das Transkript, lokal mit Whisper large-v3 erstellt, mit Sprecherzuordnung, ohne jede Verhaltensbeschreibung und manuell gegen die Tonspur korrigiert.

Beurteilt wurde auf der reduzierten dreistufigen AMDP-Skala: nicht vorhanden, vorhanden, nicht beurteilbar. Diese Reduktion folgt der Empfehlung des AMDP für die diagnostische Praxis, weil die gängigen Klassifikationssysteme für ein erfülltes Kriterium nur das Vorhandensein eines Merkmals verlangen. Grundlage war die 11. deutsche Auflage mit ihren 100 Merkmalen.

Die Zahlen

Über alle drei Szenarien hinweg erreichten GPT-5.1 und Gemini-3-Pro-Preview die höchste Übereinstimmung mit dem Expertenkonsens, nämlich 0,72. Der Mittelwert der Kliniker:innen lag bei 0,68. Für die Hauptanalyse wählte das Team GPT-5.1 aus, weil es in zwei der drei Szenarien numerisch leicht vorn lag. Gerechnet wurde mit einem Mehrheitsvotum über drei unabhängige Durchläufe.

Aufgeschlüsselt nach Szenario, jeweils Modell gegenüber dem Mittelwert der Kliniker:innen:

Depression: 0,81 gegenüber 0,79 (p = 0,62)
Manie: 0,76 gegenüber 0,68 (p = 0,03)
Schizophrenie: 0,60 gegenüber 0,58 (p = 0,68)

Keiner dieser Unterschiede ist nach Bonferroni-Korrektur für multiples Testen signifikant, die Schwelle lag bei p < 0,017. Auch der nominell auffällige Wert im Manie-Szenario verfehlt sie. Die Studie belegt damit keine Überlegenheit der Modelle, sondern eine vergleichbare Größenordnung. Im Gesamtergebnis liegt das Modell auf dem 64. Perzentil der Verteilung der teilnehmenden Kliniker:innen.

Diese Verteilung ist breit. Die Genauigkeit der einzelnen Beurteiler:innen reichte über alle Videos von 0,36 bis 0,89, die paarweise Übereinstimmung untereinander lag bei 65,4 Prozent. Für die Einordnung der Modellleistung ist das mindestens so aufschlussreich wie der Mittelwert: Auch unter Fachpersonen fällt derselbe Befund sehr unterschiedlich aus.

Wer die Vergleichsgruppe war

Dieser Punkt entscheidet über die Lesart der Studie und geht in Kurzmeldungen regelmäßig unter. Die 108 Beurteiler:innen waren überwiegend Berufsanfänger:innen:

71,3 Prozent Ärzt:innen in Weiterbildung, 11,1 Prozent Psycholog:innen
6,5 Prozent Fachärzt:innen für Psychiatrie, 3,7 Prozent Oberärzt:innen
im Mittel 5,4 Jahre psychiatrische Berufserfahrung, Median 3,0 Jahre, Modalwert 1,0 Jahr
17,6 Prozent AMDP-zertifiziert

Alle Teilnehmenden nutzten AMDP routinemäßig, 72,4 Prozent als bevorzugtes Instrument, im Mittel bei 36,3 psychopathologischen Befunden pro Monat. Es handelte sich also um geübte, aber junge Anwender:innen.

Die Konsequenz benennt die Arbeit selbst: Wie die Modelle gegenüber erfahrenen, AMDP-zertifizierten Fachärzt:innen abschneiden, lässt sich aus diesen Daten nicht ableiten, weil diese Gruppe im Sample zu klein war. Im Schizophrenie-Szenario waren es drei Personen. Eine Stichprobe mit höherem Anteil erfahrener AMDP-Spezialist:innen würde die Genauigkeit der Vergleichsgruppe voraussichtlich anheben. Der Satz „KI so gut wie Ärzt:innen“ ist deshalb nicht gedeckt. Gedeckt ist: vergleichbar mit einer überwiegend jungen Vergleichsgruppe, in drei simulierten Szenarien.

Der eigentliche Befund: gegenläufige Fehlerprofile

Interessanter als die Trefferquote ist die Frage, wobei sich beide Seiten irren. Hier gehen die Muster deutlich auseinander.

Zählt man die Merkmale, bei denen der häufigste Wert der Kliniker:innen vom Expertenkonsens abwich, kommen die Kliniker:innen auf 69 Fehler (Manie 23, Depression 11, Schizophrenie 35). Das Modell wich in 84 Fällen vom Konsens ab (Manie 24, Depression 20, Schizophrenie 40). Die Richtung dieser Fehler unterschied sich systematisch:

Kliniker:innen stuften Merkmale, die laut Expertenkonsens nicht beurteilbar waren, als vorhanden oder nicht vorhanden ein. Das betraf 44 der 69 Fehler.
Das Modell stufte Merkmale, die tatsächlich nicht vorhanden waren, als nicht beurteilbar ein. Das betraf 28 der 84 Fehler.

Am schärfsten wird der Kontrast bei den Merkmalen, die der Expertenkonsens als nicht vorhanden eingestuft hatte. 14 von 17 Fehlern der Kliniker:innen (82 Prozent) bestanden darin, ein Merkmal zu unterstellen, das nicht da war. Beim Modell waren umgekehrt 28 von 37 Fehlern (76 Prozent) konservative Enthaltungen, nur 9 von 37 (24 Prozent) waren falsch positive Einschätzungen. Entsprechend lag das Modell bei den nicht vorhandenen Merkmalen in allen drei Szenarien über dem Mittelwert der Kliniker:innen.

Daraus formuliert die Arbeit eine Hypothese über zwei unterschiedliche Interpretationsstrategien: Kliniker:innen ziehen Kontext und nonverbale Hinweise heran, schließen dabei aber aus unvollständiger Information auf Symptome. Modelle halten sich enger an das, was im Text belegt ist, und an die operationalisierten Definitionen.

Auf Ebene der einzelnen Merkmale zeigt sich dasselbe Bild: 12 Merkmale waren für die Kliniker:innen schwierig und für das Modell nicht, 23 umgekehrt, 30 für beide.

Wo die Modelle klar scheitern

Die Zurückhaltung der Modelle ist kein reiner Vorteil. Sie hat eine konkrete Ursache, und diese begrenzt den Einsatzbereich.

Neun der 100 AMDP-Merkmale sind beobachtungsabhängig, lassen sich also nicht aus dem Gesagten erschließen, sondern nur am Verhalten ablesen. In der deutschen AMDP-Terminologie lauten sie: ratlos, affektarm, affektlabil, affektinkontinent, affektstarr, motorische Unruhe, Parakinesen, manieriert und theatralisch. Das Modell arbeitete nur mit dem Transkript und markierte 17 von 27 solchen Merkmal-Video-Kombinationen (63,0 Prozent) als nicht beurteilbar. Der Konsens der Kliniker:innen tat das in 0,0 Prozent der Fälle (p < 0,001), einzelne Kliniker:innen in 3,9 Prozent.

Am deutlichsten wurde das im Schizophrenie-Szenario: Dort beurteilte das Modell keines der neun beobachtungsabhängigen Merkmale korrekt. Rechnet man diese Merkmale heraus, steigt seine Genauigkeit von 0,60 auf 0,66 (Schizophrenie), von 0,76 auf 0,81 (Manie) und von 0,81 auf 0,85 (Depression). Für Merkmale wie Parakinesen, die bei katatoner Symptomatik diagnostisch bedeutsam sind, ist eine rein textbasierte Beurteilung nach Einschätzung der Autor:innen im realen klinischen Betrieb nicht ausreichend, auch wenn die Gesamtgenauigkeit angemessen aussieht.

Vollständig aus dem fehlenden Bild erklärt sich die Zurückhaltung allerdings nicht. Auch bei den 273 nicht beobachtungsabhängigen Merkmal-Video-Kombinationen griff das Modell häufiger zu „nicht beurteilbar“ als der Konsens der Kliniker:innen, nämlich in 19,4 gegenüber 11,4 Prozent der Fälle (p < 0,001). Das Modell legt also generell einen strengeren Maßstab an, ab wann ein Merkmal überhaupt als beurteilbar gilt.

Umgekehrt war das Schizophrenie-Szenario nicht nur für die Modelle schwer. Auch die Kliniker:innen erreichten hier mit vollem Bild und Ton die niedrigste Genauigkeit (0,58) und die höchste Streuung. Das Video erhielt zudem die niedrigste Authentizitätsbewertung, 7,1 gegenüber 8,2 bei Depression und 7,9 bei Manie.

Der Kombinationsversuch

Weil die Fehlerprofile teilweise gegenläufig sind, hat das Team post hoc simuliert, was geschieht, wenn beide Seiten zusammenarbeiten. Aus dem Pool der Beurteilungen wurden 2091 Paare von Kliniker:innen gebildet. In 35,5 Prozent der Merkmale waren sich die beiden uneinig. Für diese Fälle wurden drei Auflösungsstrategien verglichen, jeweils Depression, Manie, Schizophrenie:

Zufallsauswahl zwischen den beiden uneinigen Beurteilungen: 0,42, 0,46 und 0,41
Entscheidung durch eine fachärztliche Person, die dasselbe Video beurteilt hatte, einschließlich Ober- und Chefärzt:innen: 0,63, 0,68 und 0,59
Entscheidung durch das Sprachmodell: 0,69, 0,71 und 0,52

Beide Supervisionsvarianten lagen signifikant über der Zufallsauswahl (p < 0,0002, Permutationstest). Bei Depression und Manie war das Modell etwas stärker, bei Schizophrenie die fachärztliche Entscheidung, was zum oben beschriebenen Transkript-Problem passt.

Die Aussagekraft dieser Rechnung ist begrenzt. Es handelt sich um eine Simulation auf vorhandenen Daten, nicht um einen prospektiven Test, und die Zahl der verfügbaren fachärztlichen Beurteiler:innen war klein: acht bei Manie, neun bei Depression, drei bei Schizophrenie. Die Autor:innen bezeichnen das Ergebnis ausdrücklich als Hypothese, die prospektiv geprüft werden muss.

Was die Studie nicht zeigt

Bei den Grenzen ihrer Arbeit ist die Publikation auffällig deutlich. Die wichtigsten Einschränkungen:

Drei Interviews, keine echten Patient:innen. Sämtliche Aussagen beruhen auf drei simulierten Gesprächen mit einem einzigen Schauspielpatienten. Die berichteten Konfidenzintervalle quantifizieren die Unsicherheit nur für genau diese Videos unter genau diesem Beurteilungssetting. Generalisierbarkeit ist ausdrücklich nicht gegeben.
Ein Video je Diagnose. Unterschiede zwischen den Störungsbildern lassen sich deshalb nicht dem Interview, den Beurteiler:innen oder dem Modell zuordnen.
Ungleiche Eingangsdaten. Die Kliniker:innen sahen Bild und Ton, die Modelle lasen nur Text. Das war eine bewusste Entscheidung, weil aktuelle multimodale Modelle nonverbale klinische Zeichen noch nicht zuverlässig interpretieren, macht die beiden Aufgaben aber nicht austauschbar.
Auswahleffekt. Mehrere Modellfamilien in mehreren Konfigurationen am selben Datensatz zu testen und anschließend die beste Kombination auszuwählen, überschätzt die Genauigkeit. Die Autor:innen sprechen von einem „winner’s curse“ und lesen ihre Ergebnisse als explorative Obergrenze.
Nur deutschsprachig. Auch das begrenzt die Übertragbarkeit.

Als nächste Schritte nennt die Arbeit die Validierung an Interviews mit echten Patient:innen, die Ausweitung auf andere Sprachen und prospektive Studien, die eine Modellunterstützung in reale Abläufe einbetten.

Ein Nebenergebnis ist für die praktische Anwendung bemerkenswert: Die AMDP-Definitionen in den Prompt zu geben, half nicht durchgängig. Über alle zehn Modelle sank die mittlere Genauigkeit dadurch leicht von 0,63 auf 0,61. Die beiden stärksten Modelle legten dagegen geringfügig zu, von 0,70 auf 0,72. Mehr Kontext ist also nicht automatisch besser.

Wie die Autor:innen selbst einordnen

Das ZI formuliert in seiner Pressemitteilung zurückhaltend. Dr. Esra Lenz, Erstautor der Studie und Mitarbeiter am Hector Institut für Künstliche Intelligenz in der Psychiatrie (HITKIP) am ZI, wird dort so zitiert:

„Unsere Ergebnisse liefern erste Hinweise darauf, dass KI diesen Prozess künftig unterstützen könnte. Sie ersetzt aber weder die klinische Erfahrung noch die unmittelbare Beurteilung durch eine Fachperson.“

Prof. Dr. Emanuel Schwarz, Letztautor und Leiter des HITKIP am ZI, benennt die eigentliche Fragestellung:

„Die entscheidende Frage ist nicht, ob KI psychiatrische Fachkräfte ersetzt, sondern ob sie dort sinnvoll unterstützen kann, wo psychiatrische Diagnostik tatsächlich beginnt, nämlich im klinischen Gespräch und der psychopathologischen Befunderhebung.“

Was daraus für die Praxis folgt

Für die ambulante Psychotherapie ändert diese Studie kurzfristig nichts. Sie ist ein Proof of Concept an drei simulierten Interviews, und ihre Autor:innen sagen das auch so. Zwei Punkte sind trotzdem übertragbar.

Erstens die Richtung, in die ein Sprachmodell sinnvoll eingesetzt wird. Die Stärke lag nicht darin, Symptome zu erkennen, die sonst niemand sieht, sondern darin, sauber zu markieren, was aus dem vorliegenden Material nicht hervorgeht. Genau dort waren die Kliniker:innen schwach, sie füllten Lücken. Ein System, das im Befund kenntlich macht, wozu im Gespräch nichts gesagt wurde, adressiert damit eine reale Fehlerquelle der Dokumentation.

Zweitens die Grenze. Alles, was nur über Beobachtung zugänglich ist, also Affektmodulation, Psychomotorik, Mimik, entzieht sich einer textbasierten Auswertung. Was Sie sehen, muss von Ihnen kommen. Wie sich Beobachtetes und Berichtetes im Befund sauber trennen lassen, haben wir im Beitrag zum psychopathologischen Befund nach AMDP beschrieben.

Einordnung für psynex

psynex erstellt psychopathologische Befunde aus dem Material Ihrer Sitzungen, unter anderem im AMDP-Befundgenerator und in den Berichten an Gutachter. Die Studie beschreibt die Arbeitsteilung, die dabei vorgesehen ist: Das System bereitet das Gesprochene strukturiert auf und weist aus, wozu keine Information vorliegt. Die Beurteilung, insbesondere alles Beobachtete, bleibt bei Ihnen. Jeder erzeugte Befund lässt sich vor der Übernahme bearbeiten.

Quellen

Lenz, E., Naamanka, J., Trabert, W., Bottlender, R., Malchow, B., Meyer-Lindenberg, A., Gradinger, T. & Schwarz, E. (2026). Benchmarking large language models against practicing clinicians on psychopathological assessment. npj Digital Medicine 9:518.
Zentralinstitut für Seelische Gesundheit: Studie liefert erste Hinweise auf Potenzial von KI bei psychopathologischer Befunderhebung, Pressemitteilung.

KI und psychopathologischer Befund: Was die ZI-Studie zeigt und was nicht