Open Access

In dieser Masterarbeit wird ein KI-basiertes Assistenzsystem prototypisch entwickelt und evaluiert, das medizinische Freitextbefunde analysiert und geeignete OPS-Codes vorschlägt, um den administrativen Aufwand in der klinischen Dokumentation zu reduzieren. Aufgrund datenschutzrechtlicher Vorgaben und eingeschränkter Verfügbarkeit realer Patientendaten wird ein Simulationsansatz gewählt: Ein BERT-basiertes Modell (bert-base-german-cased) klassifiziert Städtebeschreibungen (Berlin, Chemnitz, Hamburg) als Surrogat für medizinische Befundtexte, um zentrale methodische Schritte wie Datenvorverarbeitung, Fine-Tuning und Evaluation zu erproben. Der Workflow umfasst die Erfassung heterogener Textquellen (n = 661), die Maskierung expliziter Ortsangaben, eine Sliding-Window-Tokenisierung sowie das Fine-Tuning mit einer Lernrate von 2 × 10⁻⁵. Die Evaluation mittels deduplizierter 10-facher Cross-Validation erzielt eine mittlere Genauigkeit von 93,4 % (± 0,034) und weist eine hohe Robustheit gegenüber Störungen wie Tippfehlern auf. Qualitative Analysen zeigen, dass Fehlklassifikationen vor allem durch thematische Überschneidungen und stilistische Ähnlichkeiten entstehen, bestätigen jedoch die Übertragbarkeit der Methodik auf medizinische Domänen im Rahmen von Transfer Learning. Die Arbeit adressiert technische (z. B. Token-Limit), methodische (Bias-Reduktion) und rechtliche Herausforderungen (Ethik, Datenschutz) und liefert Erkenntnisse für die Umsetzung praxisreifer Systeme wie SonoWin. Einschränkungen bestehen in der Simulationsdomäne; zukünftige Arbeiten sollten reale klinische Daten und multimodale Erweiterungen einbeziehen.