A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

Seit Jahrzehnten sind die Menschen, die am besten wissen, wie Krankenhäuser und Kliniken tatsächlich funktionieren – die Ärzte, Pflegekräfte und Administratoren –, nicht in der Lage, die Softwarewerkzeuge zu bauen, die sie benötigen. Sie können einen fehlerhaften Prozess oder eine fehlende Funktion in einem Behandlungsplan eines Patienten erkennen, aber ihnen fehlen die technischen Fähigkeiten, um den Code zu schreiben, der dies beheben würde. Währenddessen verstehen die Softwareentwickler, die diesen Code schreiben können, oft nicht die täglichen Realitäten auf einer Krankenhausstation. Diese Lücke hat dazu geführt, dass Gesundheitssysteme von externen Anbietern und langsamen, teuren Entwicklungszyklen abhängig sind. Vor kurzem ist eine neue Art von künstlicher Intelligenz aufgetaucht, die verspricht, diese Kluft zu überbrücken. Diese Systeme, bekannt als Large Language Models, können Anweisungen in einfachem Englisch verstehen und diese in funktionierenden Computercode umwandeln. Ein neuer Begriff, „Vibe Coding“, wurde geprägt, um einen Arbeitsablauf zu beschreiben, bei dem ein Nutzer weniger wie ein traditioneller Programmierer agiert, sondern eher wie ein Regisseur, der die künstliche Intelligenz mit natürlicher Sprache steuert, um Software zu bauen, während die Maschine die technische Schreibarbeit übernimmt.

Ein Forschungsteam der Oregon Health & Science University und des Kaiser Permanente Oakland Medical Center setzte sich zum Ziel, die frühe Landschaft dieser Technologie im Gesundheitswesen zu kartieren. Sie führten eine umfassende Überprüfung der wissenschaftlichen Literatur durch, die zwischen Januar 2023 und Dezember 2025 veröffentlicht wurde, und suchten nach jedem Fall, in dem diese KI-Tools zum Bau von Software für die medizinische Ausbildung, die Forschung oder die Krankenhausverwaltung verwendet wurden. Ihr Ziel war es nicht, die Software selbst zu testen, sondern zu verstehen, wo sie eingesetzt wird, welche Arten von Werkzeugen gebaut werden und welche Risiken in diesem schnellen Wandel verborgen sein könnten. Sie fanden heraus, dass sich das Feld in seinen allerersten Tagen befindet, wobei die ersten wissenschaftlich begutachteten Arbeiten erst Mitte 2025 erschienen sind. Die von ihnen gesammelten Beweise legen nahe, dass Kliniker zwar nun in der Lage sind, funktionale Software ohne formale Ausbildung zu erstellen, die Sicherheits- und Regulierungsrahmen zur Verwaltung dieser Werkzeuge jedoch noch nicht bereit sind.

Die Forscher identifizierten vier Hauptbereiche, in denen dieser neue Ansatz Wurzeln schlägt. Der erste und aktivste Bereich ist die medizinische Ausbildung. In diesem Bereich nutzen Ärzte und Pädagogen KI, um interaktive Trainingswerkzeuge zu erstellen, wie etwa Simulationen zur Diagnose von Krankheiten oder webbasierte Plattformen für die Lehre der Nierenpflege. Eine Studie beschrieb ein Team von Ärzten, das in kurzer Zeit vier verschiedene Bildungsanwendungen unter Verwendung von rein natürlicher Sprache zur Steuerung der KI entwickelte. Zu diesen Werkzeugen gehörten ein Leitfaden zur Analyse von Urinproben und ein Diagnoseassistent für Nierenprobleme. Ein weiteres in der Übersicht hervorgehobenes Beispiel ist eine Webanwendung namens DebirthMD, die von einem Otolaryngologen entwickelt wurde, um chirurgische Assistenzärzte bei der Verbesserung ihrer Fähigkeiten zu unterstützen. Der Ersteller verfügte über keine formale Ausbildung im Software Engineering, nutzte aber ein KI-Tool, um den Code zu generieren, was zu einem System führte, mit dem Assistenzärzte Sprachnotizen ihres Feedbacks von Vorgesetzten hochladen und automatisierte Berichte über ihre Leistung erhalten können. Diese Projekte zeigen, dass die Eintrittsbarriere erheblich gesunken ist, was es Experten ermöglicht, ihre Ideen fast unmittelbar in funktionierende Software umzusetzen.

Im Bereich der biomedizinischen Forschung wirkt die Technologie als eine Kraft, die die Datenanalyse für mehr Menschen öffnet. Traditionell erforderte die Analyse komplexer medizinischer Datensätze ein engagiertes Team von Datenwissenschaftlern und Programmierern. Jetzt nutzen Forscher KI-Assistenten, um den Code zu schreiben, der zum Bereinigen von Daten, zum Ausführen statistischer Modelle und zur Visualisierung von Ergebnissen benötigt wird. Die Übersicht stellte fest, dass dieser Wandel es Forschern ermöglicht, sich auf die wissenschaftlichen Fragen zu konzentrieren, statt auf die technischen Details der Implementierung. Einige Forscher haben diese Tools sogar genutzt, um kundenspezifische Rechner für klinische Studien zu bauen, wie etwa ein Tool zur Vorhersage von Ergebnissen nach einer spezifischen Augenoperation. Die Autoren der Übersicht legen nahe, dass dies den Zugang zur biomedizinischen Informatik demokratisieren könnte, indem es mehr Klinikern ermöglicht, ihre eigenen Forschungsprojekte zu leiten, ohne auf technische Unterstützung warten zu müssen.

Der dritte Bereich umfasst die komplexe Infrastruktur, die Krankenhäuser am Laufen hält, insbesondere die Systeme, die es verschiedenen Computerprogrammen ermöglichen, miteinander zu kommunizieren. Krankenhäuser nutzen viele verschiedene Softwaresysteme für Patientenakten, Laborergebnisse und Bildgebung, und die Verbindung dieser Systeme erforderte historisch gesehen spezialisierte Ingenieure. Die Übersicht fand einen Fall, in dem ein erfahrener Integrationsarchitekt natürliche Sprachanweisungen nutzte, um Datenpipelines zu bauen, die normalerweise Wochen an manueller Codierung erfordert hätten. Dies deutet darauf hin, dass die KI selbst bei hochtechnischen Infrastrukturaufgaben als Verstärker für bestehendes Fachwissen fungieren kann, um die Erstellung von Werkzeugen zu beschleunigen, die Patientendaten zwischen Systemen bewegen. Schließlich untersuchte die Übersicht administrative Aufgaben wie Abrechnung und Terminplanung. Da diese Bereiche ein geringeres direktes Risiko für die Patientensicherheit bergen, werden sie als natürlicher Ausgangspunkt für diese Technologie angesehen. Kliniker beginnen damit, benutzerdefinierte Skripte zu erstellen, um Papierkram zu automatisieren, Überweisungen zu verfolgen oder die Einhaltung von Vorschriften zu verwalten – Aufgaben, die zuvor die Einbindung einer gesamten IT-Abteilung erforderten.

Die Übersicht macht jedoch deutlich, dass die Fähigkeit, Software schnell zu erstellen, nicht bedeutet, dass die Software sicher oder bereit für den breiten Einsatz ist. Die Forscher identifizierten erhebliche Lücken in Bezug auf Sicherheit und Regulierung. Ein großes Problem ist die Codesicherheit. Studien an Code, der von ähnlichen KI-Tools generiert wurde, haben ergeben, dass fast die Hälfte der Ausgaben Sicherheitslücken enthält, was in einem medizinischen Umfeld, in dem Patientendaten geschützt werden müssen, gefährlich sein könnte. Es besteht auch das Risiko, dass Ärzte, wenn sie ihre Anweisungen in diese KI-Tools eingeben, versehentlich sensible Patienteninformationen enthalten könnten, die dann an externe Server gesendet werden könnten. Darüber hinaus ist die rechtliche und regulatorische Landschaft unklar. Es ist noch nicht definiert, wer die Verantwortung trägt, wenn ein KI-geschriebenes Tool einen Fehler macht, der einem Patienten schadet. Die aktuellen Regeln für medizinische Software wurden für menschliche Programmierer geschrieben, und es ist ungewiss, wie sie auf Werkzeuge angewendet werden, die durch ein Gespräch mit einer Maschine entstanden sind.

Um diese Risiken zu adressieren, schlagen die Autoren einen neuen Rahmen für die Verwaltung dieser Werkzeuge vor, der auf dem Grad des Risikos basiert, das sie darstellen. Sie schlagen vor, dass risikoarme Werkzeuge, wie etwa pädagogische Simulationen oder Terminplanungsrechner, die keine privaten Patientendaten verarbeiten, mit minimaler Aufsicht eingesetzt werden können. Werkzeuge, die anonymisierte Daten verarbeiten oder administrative Arbeitsabläufe unterstützen, würden einen strukturierten Überprüfungsprozess erfordern, um sicherzustellen, dass sie sicher sind und den Datenschutzgesetzen entsprechen. Die höchste Ebene der Prüfung wäre für Werkzeuge reserviert, die direkt klinische Entscheidungen beeinflussen oder Zugriff auf identifizierbare Patientendaten haben. Diese hochriskanten Anwendungen müssten dieselben strengen Tests und Validierungen durchlaufen wie jedes andere Medizinprodukt, bevor sie eingesetzt werden dürfen. Die Forscher betonen, dass die Methode der Erstellung – ob durch einen Menschen oder eine KI – die Sicherheitsanforderungen für das Endprodukt nicht verändern sollte.

Die Übersicht kommt zu dem Schluss, dass das Potenzial dieser Technologie, das Gesundheitswesen zu transformieren, zwar real ist, die derzeitigen Belege jedoch auf frühen Experimenten und kleinen Projekten basieren. Es gibt keine großen Studien, die belegen, dass diese Tools die Patientenergebnisse verbessern, und viele der erfolgreichen Beispiele stammen von motivierten Pionieren, die möglicherweise nicht den Durchschnittsnutzer repräsentieren. Die Autoren argumentieren, dass der nächste Schritt nicht die Eile zur flächendeckenden Einführung ist, sondern der Aufbau der notwendigen Leitplanken. Dies beinhaltet die Schaffung standardisierter Methoden zum Testen von KI-generiertem Code, die Aktualisierung der medizinischen Lehrpläne, um Klinikern den sicheren Umgang mit diesen Tools zu lehren, sowie die Entwicklung klarer Regeln dafür, wer verantwortlich ist, wenn etwas schiefgeht. Das Versprechen von „Vibe Coding“ besteht darin, dass es den Menschen, die am meisten über das Gesundheitswesen wissen, ermöglicht, die Werkzeuge zu bauen, die sie benötigen, aber die Verwirklichung dieses Versprechens wird die gleiche Strenge, Geduld und den Fokus auf Sicherheit erfordern, die eine gute medizinische Praxis definieren.