Digitale Triage als Eingangstor zur Veterinärmedizin

1. Einleitung

Digitale Symptomchecker und Online-Triage-Systeme haben sich als frühe Formen der nutzerseitigen Entscheidungsunterstützung etabliert. Sie erfassen die Symptome strukturiert und sollen eine erste Einschätzung der Dringlichkeit ermöglichen. Systematische Analysen zeigen allerdings, dass ihre diagnostische und triagierende Genauigkeit variabel ist und insbesondere in komplexen klinischen Situationen begrenzt bleibt (Semigran et al., 2015; Chambers et al., 2019; Wallace et al., 2022).

Parallel dazu haben LLMs eine neue Generation digitaler Gesundheitssysteme hervorgebracht. Im Gegensatz zu regelbasierten Ansätzen ermöglichen sie konversationelle Interaktion, die Verarbeitung freier Texteingaben sowie die Integration von Kontext über mehrere Dialogschritte hinweg. Medizinisch werden solche Systeme zunehmend als Clinical-Decision-Support-nahe Anwendungen diskutiert, zugleich aber wegen klinischer Verlässlichkeit, Bias und möglicher Fehlbewertungen kritisch bewertet (Topol, 2019; Singhal et al., 2023; Thirunavukarasu et al., 2023).

Für die Tiermedizin ist diese Entwicklung besonders relevant. Klinische Informationen basieren hier nicht auf Selbstauskünften von Patient:innen, sondern auf Beobachtungen von Tierhalter:innen. Symptome werden indirekt, häufig unspezifisch und emotional gefärbt beschrieben. Auf diese Weise entsteht eine erhöhte Unsicherheit bei der Einschätzung von Dringlichkeit und Handlungsbedarf, insbesondere in akuten Situationen.

LLM-gestützte Triage-Systeme können dabei helfen, die Lücke zwischen subjektiver Beobachtung und medizinischer Ersteinschätzung zu verringern. Dies setzt allerdings voraus, dass die natürliche Sprachverarbeitung mit medizinisch geprüfter Entscheidungslogik, Red-Flag-Erkennung und tierärztlicher Kontrolle verbunden wird. Ziel dieses Beitrags ist es, digitale Triage nicht isoliert als technisches Werkzeug zu betrachten, sondern als Bestandteil eines soziotechnischen Versorgungssystems.

2. Neue Zugänge zur tiermedizinischen Versorgung

Der Zugang zur tiermedizinischen Versorgung verändert sich nicht allein durch neue digitale Werkzeuge, sondern durch eine Verschiebung des ersten Entscheidungspunktes. Die zentrale Frage stellt sich zunehmend vor dem Kontakt mit der Praxis oder der Klinik: Wie dringlich ist die Situation und welcher Versorgungsschritt ist angemessen?

Der klassische Zugang beruhte auf direktem Kontakt: Tierhalter:innen riefen in der Praxis an, schilderten die Symptome oder stellten das Tier unmittelbar vor. Die Dringlichkeit wurde anschließend vom tierärztlichen Personal eingeschätzt. Digitale Kontaktpunkte verlagern Teile dieses Prozesses nach vorn und beeinflussen Entscheidungen über Beobachtung, Terminvereinbarung oder Notfallvorstellung bereits vor dem ersten persönlichen Kontakt.

Diese Verschiebung ist versorgungsrelevant. Sie beeinflusst Patientenströme, die Arbeitsbelastung und potenziell die Patientensicherheit. Unstrukturierte, widersprüchliche oder nicht individualisierte digitale Informationen können Übertriage und Untertriage begünstigen. Frühere Symptomchecker adressierten dieses Problem mit standardisierten Fragebögen und Entscheidungsbäumen, blieben jedoch bei komplexen oder unspezifischen Situationen begrenzt (Semigran et al., 2015; Chambers et al., 2019; Wallace et al., 2022).

LLM-gestützte Systeme verändern diese Ausgangslage, weil sie den digitalen Erstkontakt als konversationelle Interaktion gestalten können. Tierhalter:innen beschreiben Symptome in freier Sprache; das System stellt Rückfragen, präzisiert unklare Angaben und strukturiert relevante Informationen. Der von zentraler Bedeutung liegende Fortschritt besteht nicht darin, dass ein LLM klinische Entscheidungen trifft, sondern darin, dass es als Interaktionsschicht zwischen tierhalterseitiger Beobachtung und medizinischer Entscheidungslogik dienen kann.

Für eine verantwortbare Anwendung sollte diese Sprachschicht durch regelbasierte Red-Flag-Erkennung, definierte Eskalationsmechanismen und tierärztlich geprüfte Inhalte begrenzt werden. Modular strukturierte Systeme können Symptomerfassung, Risikoprüfung, Triage-Klassifikation und Nutzerkommunikation voneinander trennen. Auf diese Weise werden Nachvollziehbarkeit, Qualitätskontrolle und klinische Überprüfbarkeit verbessert.

3. Informationsverhalten von Tierhalter:innen

Diese Suche unterscheidet sich grundlegend von der Humanmedizin. Tierhalter:innen recherchieren nicht eigene Beschwerden, sondern Beobachtungen an einem Tier. Sie müssen Verhalten, Futteraufnahme, Aktivität, Atmung, Schmerzäußerungen, Erbrechen, Durchfall, Lahmheit oder Harnabsatz interpretieren, ohne dass das Tier seine Beschwerden sprachlich mitteilen kann. Suchanfragen beginnen daher häufig mit unspezifischen Beobachtungen wie verändertem Verhalten, Rückzug, Inappetenz oder reduzierter Aktivität (Lai N, Khosa DK, Jones-Bitton A, Dewey CE, 2021)

Gerade außerhalb der regulären Praxiszeiten wird diese Unsicherheit relevant. Digitale Suche kann dann zur primären Orientierungsquelle werden, ohne dabei die strukturierende Funktion professioneller Triage zuverlässig zu übernehmen. LLM-gestützte Systeme können hier eine spezifische Aufgabe übernehmen: unscharfe Beobachtungen in eine medizinisch strukturiertere Informationsbasis überführen, Rückfragen stellen, den zeitlichen Verlauf und Begleitsymptome erfassen sowie potenzielle Red Flags prüfen.

Damit unterscheidet sich ein kontrolliertes LLM-Triage-System von einer unstrukturierten Internetsuche. Während Suchmaschinen Informationen bereitstellen, führt digitale Triage einen Dialog und überführt Angaben in eine definierte Entscheidungslogik. Die Qualität der Einschätzung hängt allerdings von der Qualität der Angaben ab. Ein LLM kann unklare Beschreibungen präzisieren, ersetzt jedoch keine klinische Untersuchung. Deshalb sind konservative Eskalationsregeln, transparente Systemgrenzen und klare Hinweise auf eine tierärztliche Abklärung unverzichtbar.

4. Belastung tierärztlicher Notdienstsysteme

Tierärztliche Notdienststrukturen stehen in vielen Regionen unter erheblichem organisatorischem Druck. Ursachen sind begrenzte personelle Ressourcen, steigende Erwartungen von Tierhalter:innen, zunehmende Spezialisierung, regionale Unterschiede in der Verfügbarkeit sowie viele Anfragen, deren medizinische Dringlichkeit für Tierhalter:innen schwer einzuschätzen ist. Vergleichbare Probleme sind aus der Humanmedizin bekannt, in der die nicht dringende Inanspruchnahme von Notfallstrukturen und die Unsicherheit bei der Symptominterpretation als relevante Einflussfaktoren beschrieben werden (Chambers et al., 2019; Wallace et al., 2022).

Versorgungsstrukturell zählt nicht allein die Zahl der Notfallkontakte, sondern auch die Passung zwischen klinischer Dringlichkeit und dem gewählten Versorgungspfad. Notdienstsysteme funktionieren effizient, wenn akut kritische Fälle rasch erkannt und priorisiert werden, während nicht dringliche Anliegen in reguläre Strukturen geleitet werden können. Fehlsteuerung ist in beide Richtungen problematisch: Übertriage bindet Ressourcen, Untertriage kann die notwendige Behandlung verzögern und das Tierwohl gefährden (Semigran et al., 2015; Wallace et al., 2022).

Eigene klinische Daten stützen diese Problematik. In einer retrospektiven Analyse von 13.921 Notdienstkonsultationen vom 01.01.2020 bis 15.03.2026 wurden 17 % der Fälle als echte Notfälle klassifiziert. 45 % waren dringlich, 38 % medizinisch nicht akut. Diese Verteilung macht deutlich, dass ein erheblicher Anteil der Notdienstinanspruchnahme durch Unsicherheit bei der Dringlichkeitseinschätzung geprägt sein könnte, und zeigt den Bedarf an vorgelagerten Triage- und Steuerungsmechanismen.

Die digitalen Triage-Systeme können in diesem Kontext als vorgeschaltete Unterstützungsebene dienen. Ihre Funktion besteht nicht darin, Notdienstentscheidungen zu ersetzen, sondern darin, die Phase vor dem Kontakt mit der Praxis oder der Klinik zu strukturieren. LLM-gestützte Systeme erweitern dieses Potenzial, weil sie emotional gefärbte, unvollständige oder alltagsnahe Symptombeschreibungen besser erfassen können als klassische Fragebögen.

Entscheidend ist die Sicherheitsarchitektur. Ein LLM darf in notfallnahen Anwendungen nicht als autonome Entscheidungsinstanz fungieren. Erforderlich ist ein hybrides Modell aus natürlicher Sprachverarbeitung, konservativer regelbasierter Red-Flag-Erkennung und klaren Eskalationsmechanismen. Bei Unsicherheit oder potenziell kritischen Symptomen sollte das System zugunsten einer tierärztlichen Abklärung eskalieren (World Health Organization, 2021; Liu et al., 2020; Vasey et al., 2022).

Für Praxen und Kliniken können solche Systeme strukturierte Voranamnesen, die frühzeitige Identifikation kritischer Fälle, gezieltere telefonische Rückfragen sowie die Weiterleitung nicht dringlicher Anliegen unterstützen. Ob dies tatsächlich zu Entlastung und besserer Patientensteuerung führt, hängt von der medizinischen Qualität, dem sicherheitsorientierten Design und der Integration in reale Praxis- und Klinikprozesse ab.

5. Was ist digitale Triage?

Unter digitaler Triage versteht man die strukturierte digitale Ersteinschätzung von Symptomen mit dem Ziel, die Dringlichkeit weiterer tiermedizinischer Abklärung einzuordnen und den nächsten geeigneten Versorgungsschritt zu unterstützen. Sie ist klar von allgemeinen Gesundheitsinformationen und der Diagnostik abzugrenzen. Informationsangebote stellen Wissen bereit; Diagnostik zielt auf die Identifikation einer Erkrankung ab; Triage priorisiert und navigiert innerhalb eines Versorgungspfads (Chambers et al., 2019; Semigran et al., 2015).

In der Humanmedizin ist Triage ein etabliertes Prinzip zur Einordnung der Behandlungsdringlichkeit. Die digitale Triage überträgt dieses Prinzip in den vorgelagerten Bereich, also in die Phase vor dem direkten Kontakt mit medizinischem Personal. Für die Tiermedizin ist zu berücksichtigen, dass Tierhalter:innen Symptome nicht selbst erleben, sondern Beobachtungen interpretieren.

Die digitale Triage kann daher als vermittelnde Struktur zwischen tierhalterseitiger Beobachtung und tierärztlicher Versorgung verstanden werden. Sie übersetzt subjektive, oft unspezifische Angaben in eine strukturiertere Informationsbasis und unterstützt die Entscheidung, ob Beobachtung, reguläre Vorstellung, zeitnahe Abklärung oder sofortige Notfallversorgung angemacht deutlich erscheint.

Frühere digitale Triage-Systeme waren häufig regelbasierte Fragebögen oder Entscheidungsbäume. Dieses Modell bietet Standardisierung, ist jedoch begrenzt, wenn Nutzer:innen Symptome laienhaft, unvollständig oder frei formuliert schildern. LLM-gestützte Systeme ergänzen dieses Modell um eine konversationelle Interaktionsschicht: Sie können Rückfragen stellen, Angaben strukturieren und relevante Informationen in ein medizinisch nutzbares Format überführen.

Ein sicheres Modell umfasst typischerweise freie Symptomerfassung, strukturierte Nachbefragung, Red-Flag-Prüfung, Triage-Klassifikation, nicht-diagnostische Handlungsempfehlung und Eskalation bei Unsicherheit. Modular strukturierte Systeme können diese Funktionen trennen und dadurch Nachvollziehbarkeit, Qualitätskontrolle und klinische Überprüfbarkeit verbessern. Die digitale Triage ist damit weniger ein einzelnes Tool als vielmehr ein Prozess innerhalb eines Versorgungspfads.

6. Die Rolle von KI in der veterinärmedizinischen Triage

Künstliche Intelligenz kann digitale Triage hauptsächlich dort erweitern, wo klassische regelbasierte Systeme an ihre Grenzen stoßen: bei der Verarbeitung unstrukturierter, laienhafter und kontextabhängiger Symptombeschreibungen. Ihre zentrale Rolle liegt nicht in der autonomen Diagnostik, sondern in der Unterstützung strukturierter Informationsgewinnung und der Vorbereitung tierärztlicher Beurteilung (Topol, 2019; Esteva et al., 2019).

LLMs können freie Texteingaben verarbeiten, sprachliche Muster erkennen und den Kontext über mehrere Interaktionsschritte hinweg berücksichtigen. Für die Tiermedizin ist dies relevant, weil die Ausgangsinformationen von Tierhalter:innen stammen, die Verhalten, Aktivität, Futteraufnahme, Atmung, Schmerzäußerungen oder andere klinische Zeichen beobachten und interpretieren müssen (Thirunavukarasu et al., 2023).

In diesem Kontext kann ein LLM als konversationelle Interaktionsschicht dienen: Es formuliert Rückfragen, präzisiert unklare Angaben und erfasst relevante Informationen systematisch. Auf diese Weise kann die Qualität der Voranamnese verbessert werden, bevor ein tierärztlicher Kontakt erfolgt. Diese Funktion bleibt unterstützend und darf nicht als eigenständige tierärztliche Bewertung verstanden werden (Singhal et al., 2023; Thirunavukarasu et al., 2023).

Für sicherheitskritische Anwendungen reicht ein frei antwortendes LLM nicht aus. Triage erfordert eine konservative, nachvollziehbare Entscheidungslogik, insbesondere bei potenziellen Notfällen. Deshalb ist ein hybrides Systemdesign erforderlich: Sprachverarbeitung unterstützt die Interaktion, während medizinisch definierte Regeln, Red-Flag-Kriterien und Eskalationsmechanismen die Risikobewertung steuern (World Health Organization, 2021; Vasey et al., 2022).

Ein mögliches Architekturprinzip ist die funktionale Trennung einzelner Systemkomponenten, etwa der Symptomerfassung, der Red-Flag-Prüfung, der Dringlichkeitseinordnung, der Nutzerkommunikation und der Eskalation. Eine solche modulare oder agentenbasierte Architektur kann Transparenz, Auditierbarkeit und klinische Überprüfbarkeit verbessern, sollte jedoch selbst systematisch evaluiert werden (Liu et al., 2020; Vasey et al., 2022).

Die Grenzen bleiben klar: Auch spezialisierte oder datenbankgestützte LLM-Systeme können inkorrekte oder klinisch unangemessene Ausgaben erzeugen. Sprachlich überzeugende Antworten dürfen nicht mit klinischer Verlässlichkeit gleichgesetzt werden. Klinische Bewertung, Diagnosestellung und Therapieentscheidung bleiben tierärztliche Aufgaben.

7. Chancen für Praxen, Kliniken und Notdienste

LLM-gestützte digitale Triage-Systeme können für Tierarztpraxen, Kliniken und Notdienste relevant werden, wenn sie nicht isoliert, sondern als Bestandteil veterinärmedizinischer Versorgungspfade implementiert werden. Ihr Nutzen liegt weniger in der Automatisierung medizinischer Entscheidungen als in der Strukturierung vorgelagerter Informations- und Kommunikationsprozesse.

Eine zentrale Funktion besteht darin, die anfängliche Informationsqualität zu verbessern. Tierhalter:innen beschreiben Symptome oft unsicher, emotional oder nur teilweise. Ein konversationelles System kann relevante Angaben systematisch erfassen, etwa den zeitlichen Verlauf, Begleitsymptome, Vorerkrankungen, Alter, Medikation oder potenzielle Red-Flag-Symptome. Auf diese Weise entsteht eine strukturiertere Voranamnese, die nachfolgende tierärztliche Entscheidungen vorbereitet, ohne sie zu ersetzen.

Für Praxen kann dies insbesondere bei der Erstkommunikation relevant sein. Telefonische Anfragen binden personelle Ressourcen und erfolgen häufig in Unsicherheit. Digitale Vorstrukturierung könnte Gespräche gezielter gestalten, relevante Informationen schneller erfassen und Entscheidungen über Terminvergabe, Rückruf oder Notfallvorstellung vorbereiten. Anforderungen an Beschreibung, Evaluation und Mensch-KI-Interaktion werden in CONSORT-AI und DECIDE-AI adressiert (Liu et al., 2020; Vasey et al., 2022).

Im Notdienstkontext liegt ein weiteres Potenzial in der vorgelagerten Patientensteuerung. LLM-gestützte Triage könnte helfen, kritische Fälle frühzeitig zu identifizieren und nicht dringende Anliegen gezielter in die reguläre Versorgung zu lenken. Humanmedizinische Studien zeigen allerdings, dass digitale Symptomchecker und Online-Triage-Systeme in ihrer Genauigkeit variieren; ihr Nutzen sollte daher kontextabhängig geprüft werden (Semigran et al., 2015; Chambers et al., 2019; Wallace et al., 2022).

Die digitale Triage kann außerdem den Zugang zur Versorgung verbessern, etwa außerhalb regulärer Praxiszeiten oder in Regionen mit eingeschränkter tierärztlicher Verfügbarkeit. Voraussetzung ist, dass Systeme verständlich, sicher, niedrigschwellig und an reale Versorgungsangebote angebunden sind (Rodriguez et al., 2020; World Health Organization, 2021).

Langfristig können LLM-gestützte Systeme zur Standardisierung der veterinärmedizinischen Versorgungspfade beitragen. Häufige Leitsymptome wie Erbrechen, Durchfall, Lahmheit, Atemprobleme, Krampfanfälle oder Harnabsatzstörungen können anhand definierter Risikoparameter vorstrukturiert werden. Vorteile bleiben allerdings Hypothesen, solange veterinärmedizinische Validierungs- und Implementierungsstudien fehlen.

8. Risiken und Grenzen

LLM-gestützte digitale Triage-Systeme sind mit relevanten Risiken verbunden. Diese betreffen nicht nur die technische Genauigkeit, sondern auch die Patientensicherheit, das Nutzerverhalten, die Verantwortlichkeiten und die Integration in bestehende Versorgungsstrukturen (World Health Organization, 2021; Thirunavukarasu et al., 2023).

Wie zuverlässig eine digitale Triage funktioniert, hängt maßgeblich von der Qualität der Angaben ab. Unvollständige, missverständliche oder emotional gefärbte Angaben können zu fehlerhaften Einschätzungen führen. In der Tiermedizin ist dieses Problem besonders ausgeprägt, weil klinische Informationen auf Beobachtungen und Interpretationen von Tierhalter:innen beruhen.

Ein spezifisches Risiko LLM-gestützter Systeme besteht in inkorrekten oder klinisch unangemessenen Ausgaben. Auch kuratierte oder datenbankgestützte Systeme können fehlerhafte Kontextinterpretationen, unvollständige Informationsverarbeitung oder falsche klinische Gewichtungen erzeugen. In einem Triage-Kontext können bereits kleine Fehlbewertungen zu Über- oder Untertriage führen. Sprachliche Kohärenz darf daher nicht mit klinischer Verlässlichkeit verwechselt werden (Singhal et al., 2023; Thirunavukarasu et al., 2023; World Health Organization, 2021).

Weitere Risiken betreffen Automation Bias, Bias sowie Generalisierbarkeit. Tierhalter:innen können digitalen Empfehlungen übermäßig vertrauen, insbesondere wenn diese personalisiert und empathisch wirken. KI-Systeme können zudem Verzerrungen aus den Trainingsdaten oder den Wissensgrundlagen übernehmen. In der Tiermedizin variieren Daten je nach Tierart, Rasse, Alter, Haltungsform, Region und Versorgungssetting erheblich.

Regulatorisch wie ethisch stellen Verantwortlichkeit, Haftung, Datenschutz und Datensicherheit zentrale Herausforderungen dar. Es sollte klar definiert sein, wer für medizinische Inhalte, Systemaktualisierungen, Fehlerüberwachung, Datenverarbeitung und Nutzerkommunikation verantwortlich ist. Eine verantwortungsvolle Implementierung erfordert Datenminimierung, sichere Speicherung, transparente Einwilligung und Schutz vor sekundärer Nutzung ohne angemessene Grundlage.

Letztlich besteht das Risiko einer unzureichenden Integration. Wenn digitale Triage isoliert eingesetzt wird, ohne Anbindung an Praxisprozesse, Notdienststrukturen oder Telemedizin, entstehen Informationsbrüche. Nutzer:innen erhalten zwar eine digitale Einschätzung, aber keinen klaren Anschluss an eine geeignete Versorgung. Deshalb müssen nicht nur Modelle, sondern auch die gesamten soziotechnischen Prozesse validiert und überwacht werden.

9. Integration in veterinärmedizinische Versorgungspfade

Die zukünftige Rolle LLM-gestützter digitaler Triage hängt davon ab, ob solche Systeme sinnvoll in bestehende tiermedizinische Versorgungsstrukturen eingebunden werden können. Entscheidend ist nicht allein die technische Leistungsfähigkeit einzelner Modelle, sondern auch ihre Integration in klinische Abläufe, Verantwortlichkeiten, Kommunikation und Qualitätssicherung (World Health Organization, 2021; Vasey et al., 2022).

Rastogi N. Healthcare’s new frontier: the digital front door. BMJ Innovations. 2022;8(2):129–132. doi:10.1136/bmjinnov-2021-000874

Auf Praxisebene können digitale Triage-Systeme als strukturierte Voranamnese vor der Terminvereinbarung oder der Konsultation eingesetzt werden. Die erhobenen Informationen müssten so aufbereitet werden, dass sie für tierärztliches Personal schnell überprüfbar und klinisch nutzbar sind. Digitale Angaben dürfen nicht ungeprüft übernommen werden, sondern dienen als vorbereitende Informationsbasis.

Im Notdienstkontext können solche Systeme eine vorgelagerte Risikostratifizierung unterstützen. Aufgrund des Risikos der Untertriage müssen sie konservativ ausgelegt sein und bei Unsicherheit zugunsten einer tierärztlichen Abklärung entscheiden. Eine weitere Integrationsmöglichkeit besteht in der Verbindung mit der Telemedizin: Orientierung und strukturierte Datenerhebung können bei Bedarf in eine telemedizinische Beratung und anschließend in die Präsenzversorgung übergehen.

Für eine nachhaltige Integration sind definierte Prozesse für Datenübergabe, Dokumentation, Verantwortlichkeit und Qualitätssicherung erforderlich. Ebenso müssen Datenschutz, Einwilligung und Datensicherheit berücksichtigt werden, insbesondere wenn Angaben zu Tier, Halter:in, Standort, Gesundheitsverlauf oder Versicherungskontext verarbeitet werden.

Die Akzeptanz durch Tierärzt:innen ist von zentraler Bedeutung. Die digitalen Triage-Systeme werden nur dann sinnvoll eingesetzt, wenn sie als Unterstützung der klinischen Arbeit verstanden werden und nicht als Alternative zur tierärztlichen Beurteilung. Tierärztliche Fachpersonen sollten daher grundsätzlich in die Entwicklung, Validierung, das Monitoring und die kontinuierliche Verbesserung eingebunden sein (Vasey et al., 2022).

10. Schlussfolgerung

LLM-gestützte digitale Triage markiert eine mögliche Weiterentwicklung der tierhalterseitigen Ersteinschätzung von statischen Symptomcheckern hin zu konversationellen, strukturierten und in Versorgungspfade integrierbaren Systemen. Ihr zentraler Beitrag liegt nicht in autonomer Diagnostik, sondern in der Organisation der vorgelagerten Entscheidungsphase: Erfassung unspezifischer Beobachtungen, Strukturierung relevanter Informationen und Unterstützung bei der ersten Einordnung der Dringlichkeit (Semigran et al., 2015; Chambers et al., 2019; Wallace et al., 2022).

Für die Tiermedizin ist diese Entwicklung besonders relevant, weil klinische Informationen meist indirekt über Tierhalter:innen vermittelt werden. LLM-gestützte Systeme können als Interaktionsschicht dienen, die laienhafte Beschreibungen in eine systematischere Informationsbasis überführt. Ihr Nutzen hängt allerdings davon ab, ob sie mit validierter medizinischer Entscheidungslogik, Red-Flag-Erkennung und konservativen Eskalationsmechanismen kombiniert werden (Thirunavukarasu et al., 2023; Singhal et al., 2023; World Health Organization, 2021).

Die größten Chancen liegen in verbesserter Voranamnese, strukturierter Kommunikation, potenziell besserer Patientensteuerung und erweitertem Zugang zu Orientierung vor dem ersten tierärztlichen Kontakt. Dennoch bestehen zentrale Risiken: Fehl-Triage, inkorrekte oder klinisch unangemessene Ausgaben, Bias, Automation Bias, unklare Verantwortlichkeiten und fehlende veterinärmedizinische Validierungsdaten.

Daraus folgt, dass LLM-gestützte digitale Triage nicht als eigenständige Entscheidungsinstanz verstanden werden sollte. Sie sollte grundsätzlich als klinische Entscheidungsunterstützung eine nahestehende, tierärztlich kontrollierte Komponente innerhalb der veterinärmedizinischen Versorgungspfade entwickeln und evaluieren. Entscheidend sind transparente Systemgrenzen, prospektive Validierung, kontinuierliches Monitoring, Human-in-the-loop-Strukturen und Integration in reale Praxis- und Klinikprozesse (Liu et al., 2020; Vasey et al., 2022; World Health Organization, 2021).

Der zukünftige Wert solcher Systeme wird weniger durch sprachliche Leistungsfähigkeit bestimmt als durch klinische Sicherheit, organisatorische Einbindung und Akzeptanz innerhalb der Tierärzteschaft. LLM-gestützte digitale Triage kann nur dann ein sinnvoller Bestandteil zukünftiger tiermedizinischer Versorgung werden, wenn technologische Innovation konsequent mit evidenzbasierter Entwicklung, medizinischer Verantwortung und versorgungsstruktureller Integration verbunden wird.

Literaturverzeichnis

Chambers D, Cantrell AJ, Johnson M, et al. Digital and online symptom checkers and health assessment/triage services for urgent health problems: systematic review. *BMJ Open*. 2019;9:e027743. https://doi.org/10.1136/bmjopen-2018-027743

Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. *Nature Medicine*. 2019;25(1):24–29. https://doi.org/10.1038/s41591-018-0316-z

Kogan LR, Schoenfeld-Tacher R, Hellyer PW, et al. Client use of the internet for veterinary information. *Veterinary Clinics of North America: Small Animal Practice*. 2012;42(1):15–28. https://doi.org/10.1016/j.cvsm.2011.09.005

Kogan LR, Schoenfeld-Tacher R, Simon AA, et al. Veterinary clients and online pet health information. *Journal of the American Veterinary Medical Association*. 2018;252(10):1233–1241. https://doi.org/10.2460/javma.252.10.1233

Lai N, Khosa DK, Jones-Bitton A, Dewey CE. Pet owners’ online information searches and the perceived effects on interactions and relationships with their veterinarians. *Veterinary Evidence*. 2021;6(1). https://doi.org/10.18849/VE.V6I1.345

Liu X, Rivera SC, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. *Nature Medicine*. 2020;26(9):1364–1374. https://doi.org/10.1038/s41591-020-1034-x

Rastogi N. Healthcare’s new frontier: the digital front door. *BMJ Innovations*. 2022;8(2):129–132. https://doi.org/10.1136/bmjinnov-2021-000874

Rodriguez JA, Clark CR, Bates DW. Digital Health Equity as a Necessity in the 21st Century Cures Act Era. *JAMA*. 2020;323(23):2381–2382. https://doi.org/10.1001/jama.2020.7858

Semigran HL, Linder JA, Gidengil C, Mehrotra A. Evaluation of symptom checkers for self-diagnosis and triage. *BMJ*. 2015;351:h3480. https://doi.org/10.1136/bmj.h3480

Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. *Nature*. 2023;620:172–180. https://doi.org/10.1038/s41586-023-06291-2

Thirunavukarasu AJ, Hassan R, Mahmood S, et al. Large language models in medicine. *Nature Medicine*. 2023;29(8):1930–1940. https://doi.org/10.1038/s41591-023-02448-8

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. *Nature Medicine*. 2019;25(1):44–56. https://doi.org/10.1038/s41591-018-0300-7

Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. *Nature Medicine*. 2022;28(5):924–933. https://doi.org/10.1038/s41591-022-01772-9

Wallace W, Chan C, Chidambaram S, et al. The diagnostic and triage accuracy of digital and online symptom checker tools: a systematic review. *NPJ Digital Medicine*. 2022;5:118. https://doi.org/10.1038/s41746-022-00642-z

World Health Organization. Ethics and governance of artificial intelligence for health. Geneva: World Health Organization; 2021.