Medizinische Akten stapeln sich ungeordnet: wie privates RAG und Kompression für Klarheit sorgen

Dr. Brandt, Radiologe an einem mittelgroßen Krankenhaus, erlebte vergangene Woche ein ärgerliches Missgeschick. Eine aus dem Gerät exportierte MRT-Sequenz, allein die Bilddateien, brachte schon fast zwei Gigabyte auf die Waage. Diesen Satz zusammen mit den früheren Befunden des Patienten in die Suchumgebung des Hauses einzuspielen, scheiterte schon am reinen Upload, der fast einen halben Vormittag blockierte. Das ist kein Einzelfall. Zwischen Ambulanz, Station und Forschung kreisen dieselben Dokumente im Kreis zwischen Radiologie, behandelndem Arzt und Studienteam, und beim ständigen Hin und Her vervielfachen sie sich zu mehreren, einander ähnlichen Kopien. Die Dateien häufen sich, und wenn man wirklich einmal etwas Bestimmtes finden muss, wird die Suche zur Qual. Dieses Müdigkeitsgefühl vom „wir speichern viel, finden aber nichts mehr“ kennen viele im Gesundheitswesen nur zu gut.

UglyPear Daten entwickelt leistungsstarke Dokumentenkompression und die Dateningenieur-Grundlage für RAG. Sämtliche Fähigkeiten lassen sich vollständig privat betreiben, die Daten verlassen nie das interne Netz. Im medizinischen Umfeld läuft im Grunde alles auf zwei Handgriffe hinaus: die Sammlung „befragbar“ machen (privates RAG) und die Dateien „schlank“ machen (Kompression). Schauen wir uns beide genauer an und warum sie zählen, sobald die Akten sich mehren.

Warum Kontext etwas kostet, und wie die Kompression antwortet

Beginnen wir mit einem Punkt, der in Diskussionen über Künstliche Intelligenz im Gesundheitswesen oft übersehen wird. Ein Sprachmodell antwortet auf Basis des Kontexts, den man ihm gibt, und dieser Kontext hat einen Preis — in Token, also in Geld, und in Bandbreite. Eine mehrere hundert Seiten starke Befundsammlung, ungefiltert eingespeist, lässt den Token-Verbrauch schnell anwachsen; die Suche verläuft sich mühelos in Absätzen, die mit der Frage nichts zu tun haben. Das Dokument vorab zu komprimieren bedeutet, das Volumen zu senken, damit das Modell eine gezieltere Materie liest, und die Antwort gewinnt an Treffsicherheit. Es geht nicht darum, ein paar Zeichen zu sparen: es geht darum, den Rohstoff, den man dem Modell zuführt, sauber zuzubereiten — so wie man einem Patienten keine ungesiebte Brühe servieren würde.

Ein konkretes Beispiel. Ein Protokoll einer interdisziplinären Tumorkonferenz, im Original mehrere hundert Seiten, mischt Scans, Befundbögen und ältere Berichte. Unverändert an das Modell übergeben, verschlingt allein das Füllen des Kontexts eine Menge Token, und die Antwort gerät durch themenfremde Seiten auf Abwege — ein bildgebender Befund ohne Bezug, ein Bericht von vor drei Jahren, der die Analyse nur trübt. Ein Kompressionsdurchlauf, der das Überflüssige entfernt und das Volumen drückt, hinterlässt beim Modell eine sauberere, konzentrierte Version. Beim gleichen Token-Budget lassen sich mehr Fragen stellen, und die Antworten bleiben näher am Thema. Wie sich diese Fähigkeit konkret umsetzt, zeigt der lokale Kompressionsansatz von SmartSlim.

Die Feinheit zählt: Es geht nicht darum, wahllos Seiten wegzuwerfen. Die hier gemeinte Kompression zielt darauf ab, Sinn und klinisch relevante Elemente zu bewahren und das Rauschen beiseitezuschieben — wiederholte Kopfzeilen, leere Scanseiten, doppelte Befunde. Das Ergebnis ist kein verstümmeltes Dokument, sondern ein „entkleidetes“. Genau das macht den Dialog mit einem Modell verlässlicher: weniger Ablenkung im Kontext, mehr Fokus auf den Kern.

Suchen nach Name oder nach Bedeutung

Gehen wir tiefer in die Frage der Abfrage. Ob eine Sammlung „mit der rechten Treffsicherheit befragt“ wird, hängt von der Qualität der Suche ab: versteht sie wirklich den Inhalt? Die Dateinamenssuche, am weitesten verbreitet, findet „wie es heißt“, nicht „worum es geht“. Sie erinnern sich ungefähr an den Gegenstand — ein Gespräch über die Anpassung einer Therapie —, aber nicht an den exakten Titel, und das Werkzeug hilft nicht. Die semantische Suche dagegen liest die Bedeutung: Man stellt eine Frage in natürlicher Sprache, und sie gleicht nach Sinn ab, unabhängig von den genau verwendeten Wörtern.

In einem so terminologisch dichten und synonymreichen Feld wie der Medizin ändert das alles. „Medikamentöse Betreuung des Diabetikers“ und „Kontrollbesuch zur hypoglykämischen Therapie“: wörtlich verschieden, in der Bedeutung nah. Ebenso bezeichnen „Lungenbildgebung“ und „Thorax-CT“ sich überschneidende Realitäten. Die semantische Suche rückt diese Formulierungen zusammen, statt Sie vor eine Reihe ungleich benannter Ordner zu stellen, in denen ein und derselbe Patient in drei Schreibweisen auftaucht. Für einen Arzt in Eile bedeutet das den Unterschied zwischen „in dreißig Sekunden gefunden“ und „den Nachmittag mit Suchen verbracht“.

Hier entfaltet privates RAG seine eigentliche Wirkung. Statt die Dokumente in einen Dritt-Dienst zu importieren und zu hoffen, dass dessen Suche die Arbeit macht, baut man innerhalb des Netzes der Einrichtung eine Basis auf, in der jedes Dokument nach seinem Inhalt indiziert wird. Anschließend formuliert man eine Frage in natürlicher Sprache — „welche kardiologischen Vorerkrankungen hat dieser Patient?“ —, und das System liefert die passenden Stellen samt Quelle. Nichts verlässt den Geltungsbereich, und die Abfrage bleibt unter der Kontrolle der IT-Abteilung.

Die menschlichen Kosten zersplitterter Werkzeuge

Betrachten wir nun den menschlichen Faktor, der bei technischen Abwägungen oft unterschätzt wird. Eine von Asana veröffentlichte Studie zu Arbeitsgewohnheiten nennt, dass eine Person nach einer Unterbrechung im Schnitt 23 Minuten braucht, um ihren Konzentrationszustand wiederzufinden; und Berufstätige wechseln täglich zwischen etwa 35 verschiedenen Anwendungen. Diese vom Institut selbst genannten Zahlen zeichnen ein zersplittertes Arbeitsbild, in dem die Aufmerksamkeit ständig zerfasert.

Übertragen auf das Krankenhaus wirkt das Bild vertraut angespannt. Das HIS (Krankenhausinformationssystem), das EMR (elektronische Patientenakte), das PACS (Bildarchiv) und die wissenschaftlichen Literaturdatenbanken leben je für sich, mit eigenen Zugängen und Oberflächen. Der Arzt, der einen alten Befund sucht, springt von System zu System, kopiert hier eine Nummer, öffnet dort eine Sitzung neu. Dieses Hin und Her frißt geistige Energie, die eigentlich Diagnose und klinischer Entscheidung gehört. Einer der Gewinne privaten RAG ist gerade, die verstreuten Dokumente hinter einem einzigen, „in natürlicher Sprache befragbaren“ Zugang zu bündeln, wodurch die Sprünge zwischen Systemen und damit die kognitive Last des Behandlers sinken.

Anzumerken bleibt: Das Ziel ist nicht, diese Systeme zu ersetzen — sie bleiben die Quellen der Wahrheit. Es geht eher darum, eine gemeinsame Leseschicht darüberzulegen, damit der Nutzer nicht mehr wissen muss, wo genau welche Information liegt.

Compliance ist nicht verhandelbar

Die Compliance ist ein weiteres unumgängliches Hindernis, und im Gesundheitswesen wird sie nicht verhandelt. Der IBM-Report „Cost of a Data Breach 2025“ nennt eine beachtliche Zahl: Die durchschnittlichen Kosten einer Datenschutzverletzung im Gesundheitssektor erreichen 7,42 Millionen US-Dollar, belegen damit zum vierzehnten Mal in Folge den ersten Platz aller Branchen, bei einer weltweiten durchschnittlichen Bearbeitungsdauer von 241 Tagen. Diese direkt im Institutsreport genannten Daten zeigen, wie teuer und hartnäckig die Gesundheit als Ziel bleibt.

Gesundheitsdaten sind von Natur aus sensibel: Sie verraten den Zustand eines Menschen, seine Vorgeschichte, mitunter seine Genetik. Sobald sie das interne Netz verlassen und auf einem öffentlichen Cloud-Dienst landen, weitet sich die Risikoblatte — die Angriffsfläche wächst, die beteiligten Rechtsräume vervielfachen sich, und die Nachvollziehbarkeit wird dünner. Deshalb sollte im medizinischen Umfeld „die Daten verlassen nicht das interne Netz“ kein Bonus unter anderen sein, sondern eine Baseline, die unverzichtbare Bedingung jedes Vorhabens.

Genau dafür spricht der private Betrieb: die gesamte Verarbeitung — Aufnahme, Indizierung, Suche, Antwortgenerierung — läuft in der Umgebung der Einrichtung. Die Daten werden nie einem Dritten anvertraut, und die Prüfung bleibt intern möglich. Hier ist im weiten Sinne Datenhoheit gemeint: Die Einrichtung behält die Hand darüber, was hineinkommt, was herausgeht und wer Zugriff hat.

Kalte Daten, die warm teuer zu stehen kommen

Zurück zum Archiv, aus einem anderen Blickwinkel: den Langzeit-Speicherkosten. Eine Studie von Komprise zu Speicherinfrastrukturen zeigt, dass zwischen 60 % und 70 % der Daten auf primärem NAS-Speicher seit über 90 Tagen nicht mehr angerührt wurden — das sind kalte Daten, die dennoch wertvollen, auf Leistung ausgelegten und darum teureren Platz belegen. Diese vom Institut veröffentlichten Zahlen sollten jede Organisation nachdenklich stimmen, die alles auf der schnellsten Stufe hortet.

In einem Krankenhaus fällt ein guter Teil der alten Befunde, Bilder und Publikationen in diese Kategorie: Man bewahrt sie aus regulatorischer Pflicht, aus medizinrechtlicher Vorsicht oder schlicht aus Gewohnheit auf, öffnet sie aber nicht mehr täglich. Sie auf dem teuersten Speicher verstauben zu lassen, ist auf Dauer nicht tragbar — die Rechnung wächst Jahr für Jahr, ohne dass der sofortige Zugriff den Aufwand rechtfertigt. Dokumentenkompression senkt die Langzeit-Aufbewahrungskosten, ohne die Dateien zu löschen: Man erleichtert die Haltung, bewahrt die Spur, und kann das Dokument jederzeit wieder öffnen, wenn das klinische oder administrative Bedürfnis auftritt. Das ist Verwaltung nach Substanz, nicht nach blinder Akkumulation.

Sensible Felder, behandelt bevor sie zirkulieren

Es gibt eine weitere, in Technikdemos oft übersehene Schicht: Medizinische Dokumente wimmeln von sensiblen Feldern — Patientennamen, Identifikationsnummern, Diagnoseergebnisse, Geburtsdaten. Sie unverändert der Suche oder dem Modell zu übergeben, hieße, die Privatsphäre ins helle Licht zu rücken und die Stellen zu vermehren, an denen eine Entwendung möglich wird. Ein privater Ansatz kann beim Eintrag und bei der Abfrage eine automatische Entsensibilisierung dieser Felder vornehmen; die ursprünglichen sensiblen Informationen tauchen nicht im Kontext auf, den das Modell „sieht“, was die Compliance erfüllt, ohne den Dialog zu blockieren.

Konkret bedeutet das: Der Kliniker erhält eine nützliche Antwort — „der Patient hat einen Hypertonie-Vorbericht“ —, ohne dass voller Name und Identifikationsnummer im Generierungskontext umlaufen. Das Modell arbeitet mit einer anonymisierten oder maskierten Version, und die wahre Identität bleibt unter Verschluss. Das ist eine Entwurfsentscheidung, kein nachträglich aufgesetzter Flicken: Der Schutz ist in den Fluss integriert, nicht ihm nur aufgesetzt.

Auch Medizinbilder kommen in den Kreis

Erwähnt sei nebenbei ein Punkt, den viele übersehen: Große Dateien wie Medizinbilder lassen sich ebenfalls in eine Kompressions-Governance einbeziehen. Sequenzen im DICOM-Format, etwa CT oder MRT, sind einzeln voluminös — manche Untersuchungen überschreiten mühelos das Gigabyte —, und ihre Ansammlung in der Radiologie bedeutet im Lauf der Tage und Jahre echten Speicherdruck. Für den Radiologen, der eine Akte öffnet, ist das Ziel weniger, „das Bild zu verkleinern“, als zu unterscheiden, was für die Diagnose unversehrt bleiben muss, von dem, was für Archiv und Sekundärbefundung leichter werden kann.

Sie in einen einheitlichen Kompressionsfluss einzubinden, senkt die Kosten von Aufbewahrung und Abruf und bewahrt zugleich den für die Diagnose nötigen Kerninhalt. Lehtere Dateien bedeuten auch ein agileres internes Netz und leichtere Backups: Eine Übertragung an einen Wiederanlaufstandort, eine Synchronisation zwischen zwei Häusern oder eine Fernkonsultation vom Bereitschaftsplatz werden allesamt weniger schwer. Hier sprechen wir von einer Governance durch Lektüre — der Behandelnde liest eine leichtere Version, um seine Entscheidung zu ordnen —, nicht von einer Rekonstruktion der Originalformate. Das Quellbild, das dem Befund dient, bleibt in voller Auflösung verfügbar; die Erleichterung betrifft die Sekundärnutzung, nicht die Primärdiagnostik.

Was privater Betrieb bedeutet — und wie man ihn staffelt

Bevor wir die Auswahl betrachten, lohnt ein Wort zum praktischen Bild. Privater Betrieb heißt nicht zwingend, dass die Einrichtung eine eigene Rechenzentrumsabteilung aufbaut. Es bedeutet, dass die Verarbeitung in einer Umgebung stattfindet, die das Haus kontrolliert — ein Server im Gebäude, eine isolierte Instanz ohne Verbindung zum offenen Internet, oder eine lokale Cloud, die das Haus selbst betreibt. Der gemeinsame Nenner ist derselbe: Die Daten verlassen den Geltungsbereich nicht, und die Entscheidung über Zugriff, Aufbewahrung und Löschung liegt bei der Einrichtung, nicht beim Anbieter.

Das Local-first-Prinzip kehrt die übliche Logik um. Statt die Daten zur Verarbeitung in die Cloud zu bringen, kommt die Verarbeitung zur Daten. Das hat für Krankenhäuser handfeste Vorteile: Die Latenz bleibt niedrig, weil nichts über weite Strecken übertragen werden muss; die Angriffsfläche schrumpft, weil kein permanenter Kanal nach außen offensteht; und die Prüfstellen finden die Belege dort, wo ohnehin archiviert wird. In regulierten Umfeldern, wo die Herkunft jedes Datensatzes nachweisbar sein muss, ist dieser Aufbau meist die ruhigere Variante.

Hinzu kommt, dass ein lokaler Betrieb die Abhängigkeit von einem einzelnen Anbieter verringert. Modelle, Schnittstellen und Formate bleiben in der Hand der Einrichtung; ein Wechsel des Sprachmodells etwa lässt sich ohne Datenwanderung vollziehen. Das schützt auf Jahre hinweg vor Lock-in-Effekten, die sonst Kosten und Beweglichkeit beeinträchtigen. Wer heute einen generischen SaaS-Dienst nutzt, hängt morgen an dessen Preisen, dessen Datenhaltung und dessen Verfügbarkeit — ein Privatbetrieb tauscht das gegen eigene Hoheit ein.

Ein weiterer, leicht übersehener Punkt ist die Ruhe im Betrieb. Weil keine Daten permanent nach außen fließen, entfällt eine ganze Klasse von Notfallplänen: keine Alarmierung bei unerwarteter Übermittlung, keine Nacharbeit, wenn ein Anbieter die Bedingungen ändert. Die IT-Abteilung behält den Überblick, und die Datenschutzbeauftragten finden die Spuren dort, wo sie ohnehin zuständig sind. Gerade in Häusern, wo ohnehin Fachpersonal knapp ist, zählt diese Entlastung.

Nicht zuletzt passt ein solcher Aufbau zu dem, was viele Einrichtungen ohnehin anstreben: Datenhoheit als Grundsatz, nicht als Ausnahme. Wenn die Verarbeitung im Haus bleibt, lässt sich jede Anforderung — sei es eine neue Richtlinie, ein Audit, ein Antrag auf Forschungsdaten — ohne fremde Hilfe beantworten. Das macht aus dem Archiv nicht nur einen Speicher, sondern eine kontrollierbare Institution.

Doch wie geht man vor, ohne das laufende Geschäft zu stören? Die Erfahrung zeigt, dass ein phasenweiser Einstieg trägt. In einer ersten Stufe wählt man einen begrenzten Korpus — etwa die Befunde einer einzelnen Fachabteilung — und richtet darauf die Kompression und die semantische Suche ein. Man gewinnt schnell ein Gefühl dafür, wie die Antworten ausfallen, und kann die Parameter ohne Risiko für die Gesamtheit justieren. In einer zweiten Stufe weitet man auf benachbarte Abteilungen und auf die Bilderarchivierung, wo der Speicherdruck am spürbarsten ist. Erst in einer dritten Stufe betrachtet man übergreifende Workflows, etwa die Einbindung in bestehende Systeme über eine lesende Schicht.

Dieses Staffeln hat einen psychologischen Vorteil: Es verwandelt ein abstraktes Großprojekt in eine Reihe erledigbarer Schritte. Jede Stufe liefert einen messbaren Ertrag — weniger Speicher hier, schnellere Suche dort —, und das Haus behält die Kontrolle über Tempo und Reichweite. Wer so vorgeht, dem wird aus dem „irgendwann einmal“ ein „nächste Woche“.

Hilfreich ist dabei, von Anfang an eine kleine Gruppe aus Anwendern einzubeziehen — Radiologen, Kodierer, Studienkoordinatoren. Sie merken am schnellsten, wo die Suche hakt, und sie liefern die Formulierungen, an denen sich die semantische Indizierung schärfen lässt. So wird aus dem Werkzeug nicht ein abgehobenes IT-Projekt, sondern ein Helfer, der im Alltag getragen wird.

Ein pragmatischer Kompass sind dabei einfache Kennzahlen: Wie viel Primärspeicher wurde nach der Kompression frei? Wie viele Suchanfragen beantwortet das System ohne manuelles Springen zwischen Systemen? Wie lange dauert ein typischer Abruf? Solche Zahlen machen den Fortschritt für die Leitung sichtbar und geben der nächsten Stufe eine Begründung, die über das Bauchgefühl hinausgeht.

Woran man eine Entscheidung festmacht

Wie also wählen? Welche Kriterien sind bei einer medizinischen Sammlung Maßstab? Eine Tabelle zur Orientierung, mit denselben Dimensionen wie in unserer Analyse.

Der Kontrast ist deutlich. Auf Seiten des generischen SaaS ist der scheinbare Vorteil die einfache Inbetriebnahme, doch er wird mit Anbieterabhängigkeit und regelmäßiger Datenfreigabe bezahlt. Auf Seiten des privaten RAG ist die anfängliche Mühe ein Deployment, aber die Kontrolle bleibt im Haus — und das ist im Allgemeinen das, was Einrichtungen mit strengen Auflagen vorziehen.

Ordnen, nicht nur speichern

Zusammenfassend: Dass medizinische Archive „ungeordnet wachsen“, löst man nicht, indem man ein paar Festplatten mehr kauft. Es ist eine Aufgabe des „Zusammenführens, treffsicheren Befragens, Bewahrens“. Privates RAG verbindet zerstreute Dokumente zu einem befragbaren Netz; Dokumentenkompression bereitet die Materie dieses Netzes sauber auf und senkt dessen Kosten. Beide laufen intern, die Daten gehen nicht hinaus. Für eine umfassendere private Lösung lassen sich die Deployment-Hinweise der RAG-Dateningenieur-Grundlage konsultieren.

Wirkt das Ganze schwer und man weiß nicht, wo anfangen — es muss nicht auf einmal geschehen. Viele Einrichtungen setzen am schmerzhaftesten Punkt an: Zuerst die Archivspeicher der Bilder drücken, oder eine bestimmte Befundkategorie befragbar machen — etwa die Onkologieberichte. Hat man den Rhythmus, weitet man auf andere Bereiche aus. Die Governance einer Sammlung ist nie ein einmaliger Akt; sie gleicht eher, bei einem Gebäude das ständig weiterwächst, einer fortlaufenden Konsolidierung und Ordnung, Stockwerk für Stockwerk.

Jetzt ausprobieren

Um zu sehen, wie sich private Dokumentenfähigkeiten konkret umsetzen, lässt sich die lokale Kompression von SmartSlim entdecken, oder die Private-Deployment-Szenarien der RAG-Dateningenieur-Grundlage einsehen. Für weitere technische Details und Fallnotizen siehe unser Technik-Blog.

FAQ

F: Wenn medizinische Daten lokal bleiben, wird die Suche dann nicht langsam?
A: Das private Deployment kann eine schnelle Suchantwort bieten, sofern die Dokumente vor der Abfrage vorbereitet wurden (Kompression, Entfernung des Überflüssigen, Indizierung). Je geordneter die Sammlung, desto flüssiger der Dialog. Die Nähe der Daten wettmacht das Fehlen einer fernen Cloud reichlich auf.

F: Befunde und Bilder gemischt — könnte die Kompression Inhalte beschädigen?
A: Große Dateien wie Medizinbilder durchlaufen eine dedizierte Kompressionsbehandlung, deren Ziel es ist, das Volumen zu senken und den Kerninhalt zu bewahren; die für die Diagnose nötige Information geht nicht verloren. Die Validierung erfolgt nach tatsächlichem Format und Parametern, wobei die Quelle für Primärnutzungen intakt bleibt.

F: Ist das private Deployment für ein Krankenhaus schwer?
A: Das Deployment kann schlank bleiben, mit wenigen Abhängigkeiten und einer einzigen Umgebung, die Batch-Verarbeitung trägt, ohne dass die Daten je das interne Netz verlassen. Der Umfang richtet sich nach der Größe der Einrichtung, und man kann klein beginnen, bevor man ausweitet.

F: Wie verhindert man, dass sensible Daten vom Modell „gemerkt“ oder entwendet werden?
A: Der private Ansatz kann eine automatische Entsensibilisierung sensibler Felder beim Eintrag und bei der Abfrage vornehmen, ohne dass die Daten den Bereich verlassen; das Risiko verringert sich im Vergleich zur öffentlichen Cloud deutlich. Das Modell hat während der Generierung keinen Zugriff auf die wahre Identität.

F: Man betreibt bereits HIS, EMR und PACS — muss für RAG alles neu aufgebaut werden?
A: Nein. Die RAG-Dateningenieur-Grundlage kann sich direkt mit bestehenden Fachdatenbanken verbinden; die Ursprungsdaten werden weder verschoben noch exportiert, nur Suche und Zitat erfolgen in der Peripherie. Die laufenden Systeme bleiben Quellen der Wahrheit, und es kommt eine gemeinsame Leseschicht darüber.