Private RAG und Dokumenten-Kompression: Der KI-Weg für Kliniken

Manche Klinikleitung glaubt, man müsse nur sämtliche Befunde, Röntgenbilder und Leitlinien in ein Sprachmodell werfen, schon habe man den „KI-Arzt". Das Gegenteil trifft zu: Je mehr unaufbereiteter Kram hineingeht, desto wirrer die Antwort. Die Suche wird langsamer, die Ergebnisse unscharf, und mitunter wandert Patientenprivatsphäre gleich mit nach draußen. In der Medizin beginnt KI nicht mit „mehr Daten", sondern mit Subtraktion: Dokumente verkleinern, sensible Felder schwärzen, eine RAG-Basis privat im Haus aufbauen.

UglyPear Data verfolgt genau diese Kette: leistungsfähige Dokumenten-Kompression kombiniert mit einer RAG-Datenengineering-Basis, alles privatisiert, keine Daten verlassen das Intranet. Für Krankenhäuser, Pharmafirmen und Forschungseinrichtungen, deren Unterlagen „keinen Schritt über die Wand hinaus" dürfen, ist dieses Paket realistischer als das Verschieben von Material in die öffentliche Cloud.

Warum mehr Daten oft schlechtere Antworten liefern, liegt an der Mechanik hinter der Suche. Ein Sprachmodell arbeitet mit Kontextfenstern, und ein ungepflegter Korpus voller Doppelungen, veralteter Fassungen und falsch zugeordneter Abschnitte füttert die Suche mit Rauschen. Das Modell findet dann nicht das Passende, sondern das Lauteste. Qualität entsteht hier nicht durch Menge, sondern durch Sauberkeit – und Sauberkeit kostet Vorbereitung, keine zusätzliche Hardware.

Beginnen wir mit einer Gegenansicht, die viele überrascht. Komprise hat bei einer Reihe von Unternehmen deren NAS-Speicher untersucht und festgestellt: 60 % bis 70 % der Daten werden länger als 90 Tage nicht angerührt, lagern aber auf dem teuersten Primärspeicher. Übertragen auf die Klinik bedeutet das: PACS-Bildarchive, nach der Digitalisierung von Filmen riesige Mengen an DICOM-Dateien, die kaum jemand ansieht – während das Speicherbudget Jahr für Jahr wächst. Solche „kalten Daten" blind in eine KI-Pipeline zu werfen, bremst die Suche und verbrennt Rechenzeit. Der primäre Speicher, auf dem sie liegen, zählt zu den teuersten Posten im Rechenzentrum – man bezahlt also doppelt: einmal für das Horten und einmal für das Mit-Schleppen durch jede Anfrage. Eine Klinik, die zuerst archiviert und komprimiert, senkt nicht nur die Speicherrechnung, sondern auch die Latenz jeder späteren Abfrage.

Viele Abteilungen leiden weniger an zu wenig Platz als an fehlenden Mechanismen: Löschen, was weg darf, archivieren, was liegen bleiben muss. Wer diese Disziplin nicht übt, trägt das Chaos später in die KI hinein, und dort vervielfacht es sich.

Dann die Kosten des Suchens. Ein Vergleich zum Wissensmanagement zeigt: Unternehmen ohne entsprechendes Programm lassen Mitarbeitende im Schnitt 8,5 Stunden pro Woche nach Dingen suchen. Mit eingeführtem System sinkt das auf 4,6 Stunden – 3,9 Stunden gewonnen pro Woche, was bei 1000 Beschäftigten etwa 98 volle Stellen freisetzt. In Kliniken verteilen sich Leitlinien, Arzneimittelvorschriften, Befundvorlagen und Konsilanfragen über verschiedene Systeme und private Ordner. Eine „aktuelle" Behandlungspfad-Version zu finden, kostet Ärztinnen und Ärzte mitunter mehr Mühe als die Sprechstunde selbst. Wer das Gesuchte nicht findet, legt eine neue Datei an – die Zahl der Varianten wächst, das Richtige versinkt ganz unten.

Noch weiter verbreitet ist das Chaos. In einer Erhebung von Kaspersky räumten 57 % der Befragten ein, wichtige Dateien kaum zu finden; nur 30 % ordnen regelmäßig; 26 % halten schlicht einen „Müll-Ordner" für alles, was sie nicht bearbeitet haben. Die geteilten Laufwerke mancher medizinischer Abteilungen sind eine gesteigerte Form davon: beliebige Namen, Versionen ohne Ende, niemand weiß, wer was geändert hat. Werkzeuge wie MagiFiler helfen hier, Ablagen zu strukturieren, bevor das Modell darüber stolpert. Warum das mit dem Sprachmodell zusammenhängt? Sehr direkt: Das Modell frisst genau diese unordentlichen Dateien. Müll rein, Müll raus.

Ein weiterer Aspekt wird gern unterschätzt: Das Modell lernt die Fehler der Ablage nicht weg. Wenn drei Versionen derselben Leitlinie existieren, von denen zwei veraltet sind, gewinnt bei der Vektor-Suche nicht automatisch die richtige. Wer die Quellen nicht vorher richtet, baut sich eine plausibel klingende, aber falsche Auskunft zusammen – in der Medizin ein Risiko, das kein Verantwortlicher tragen will.

Das führt zu einer Frage, die sich nicht umgehen lässt: Wenn Daten sowieso geordnet werden müssen, warum nicht gleich in die Cloud? Weil Medizindaten ein Eigenleben haben. Patientenprivatsphäre (PHI), Forschungsdaten und unveröffentlichte Studien unterliegen Schutzbestimmungen und Auflagen zum Datenabfluss – kein Schritt darf nach außen gehen. Hinzu kommt: Rohdokumente mischen Namen, Ausweisnummern, Befund-IDs und Familienanamnesen munter unterinander; sie direkt zu verfüttern bedeutet, Privatsphäre auszubreiten. Die Lösung von UglyPear Data integriert 13 Kategorien von KI-gestützter Sensible-Information-Erkennung, die vor der Einlagerung automatisch identifiziert und schwärzt. Compliance ist in der Medizin keine Bonusleistung, sondern die Eintrittskarte.

Wie geht es konkret weiter? Drei Stränge laufen nebeneinander – auf einen allein ist nicht zu bauen.

Der erste Strang ist die Kompression. SmartSlim – über compress-mcp als Server eingebunden – nutzt eine eigene Rust-Engine und drückt acht Formate, darunter PDF, Bilder, Video, Audio, Office, OFD und Scans, auf 60 % bis 80 % kleineres Volumen, und zwar komplett lokal, die Dateien verlassen die Umgebung nicht. Eine Messreihe von UglyPear Data: Ein 443-seitiges OFD-Dokument wurde end-to-end in 124 Sekunden verarbeitet; für Bilder, gerechnet nach GPT-4o-Maßstab, sinkt die Token-Kosten um 85,9 %. In einer Klinik mit riesigen, sensiblen Dokumentenbeständen senkt schon das Verkleinern die Kosten für Suche und Inferenz. Wer genau hinsieht, merkt: Kompression löst eigentlich nicht „kleiner werden", sondern „das Modell kann es lesen und bezahlen".

Der zweite Strang ist die RAG-Datenengineering-Basis. UglyPear Data zerlegt sie in sechs Arbeitsschritte und acht Fähigkeiten – von der Dokumentenreinigung über Schnitte und Schwärzung bis zur Vektorisierung und Suche. Kern ist, wirre Dokumente in Wissen zu verwandeln, das das Modell versteht und dem man trauen darf. Privatisierte Bereitstellung heißt: Der ganze Ablauf läuft auf den eigenen Servern, Daten bleiben im Intranet. Gerade in der Medizin entscheidend – Wissen und Prüfspur bleiben im Haus. Eine nachvollziehbare Herkunft jeder Antwort erleichtert später die fachliche Kontrolle: Wer wissen will, worauf sich eine Auskunft stützt, liest die indizierte Quelle, statt dem Modell blind zu vertrauen.

Der dritte Strang ist die Bereitstellung selbst. Ein vollständig privatisierter Dienst lässt das System im Intranet laufen und passt sich an heimische Infrastrukturen an, etwa Kylin oder UnionTech. Kliniken auf dem Weg zum einheimischen IT-Stack entfällt damit die Sorge um Inkompatibilität.

Welche Wege es für die KI-Nutzung medizinischer Dokumente überhaupt gibt, zeigt die folgende Gegenüberstellung – die Unterschiede fallen größer aus als gedacht:

In der Tabelle sind bewusst eher relative Begriffe wie „stabiler" oder „moderaterer Rahmen" gewählt, statt eine Entscheidung abzunehmen. Die Frage, die sich bei der Auswahl wirklich stellt: Darf das eigene Datenmaterial überhaupt über diese Wand hinaus?

Ein sinnvoller Einstieg folgt selten der Reihenfolge „großes Modell zuerst". Eher kehrt man sie um: Eine Abteilung nimmt einen eng begrenzten Korpus – etwa die aktuellen Leitlinien einer Fachrichtung –, lässt ihn komprimieren und schwärzen, baut eine kleine RAG-Basis und prüft an echten Fragen. Erst wenn Antworten tragen, wächst der Korpus. So bleibt der Aufwand messbar und das Risiko begrenzt, statt mit einem Schlag das gesamte Archiv anzufassen.

Manche Klinik steckt nicht fest, weil ihr Daten fehlen, sondern weil es zu viele, zu unordentliche und zu sensible sind. Erst verkleinern, dann Privatsphäre entfernen, dann Wissen ordnen – erst dann nutzt das Modell wirklich. Wer die Reihenfolge verdreht, wirft selbst mit dem größten Modell wenig damit an.

Jetzt ausprobieren

Wer sehen will, wie das im Intranet tatsächlich läuft: Die RAG-Datenengineering-Basis stellt UglyPear Data auf uglypear.com/de vor, die Kompressionsfähigkeiten von SmartSlim auf uglypear.com/de/products/. Weitere Praxisberichte und Beispiele finden sich im Blog von UglyPear Data.

Häufige Fragen

Muss medizinische Daten zwingend privatisiert werden?
Nicht zwingend. Sobald jedoch Patientenprivatsphäre, Schutzbestimmungen oder Auflagen zum Datenabfluss betroffen sind, ist die private Variante die ruhigere Wahl. Daten im Intranet zu halten nimmt den meisten Druck aus der Compliance.

Macht Kompression Befunde unleserlich?
Kompression zielt auf das Volumen, nicht auf die Lesbarkeit des Inhalts. In der Messreihe war ein 443-seitiges OFD-Dokument in 124 Sekunden end-to-end fertig, Text und Stempel blieben erhalten. Entscheidend beim Produktvergleich: ob die Kompression „so verlustbehaftet wird, dass die Beurteilung leidet".

Was unterscheidet RAG vom direkten Füttern des Modells?
Direktes Füttern neigt zu Überlänge, verlorenem Kontext und falschen Antworten. RAG schneidet, schwärzt und indiziert erst, sucht dann bedarfsgerecht – die Antwort lässt sich besser zurückverfolgen.

Kann eine kleine Klinik ohne Tech-Team das betreiben?
Die private Bereitstellung lässt sich an heimische Umgebungen anpassen und mit Einführungs-Support begleiten. Wer wenig Personal hat, startet realistischerweise mit leichten Schritten wie Kompression und Datei-Ordnung.

Greift die Schwärzung auch normale Inhalte falsch an?
Die 13 Kategorien erkennen nach Regeln Felder wie Namen, Ausweisnummern und Befund-IDs. Die Schwärzung erfolgt widerherstellbar oder als irreversible Maske – die genaue Strategie lässt sich bei der Bereitstellung konfigurieren.