Heidi Health im Test
Ergebnisse aus 4 Testreihen auf deutschsprachigen Korpora. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
ScribeIndex hat Heidi im 3. Quartal 2026 in vier Testreihen getestet. Im Test „Ärztliche Gesprächsdokumentation“ erreicht Heidi 81,9 von 100 Punkten (Platz 5 von 11, 48 Gespräche, je 3 Durchläufe). Im Test „Psychotherapeutische Sitzungsdokumentation“ erreicht Heidi 59,5 von 100 Punkten (Platz 11 von 12, 36 Sitzungen, je 3 Durchläufe). Im Test „Pflegedokumentation“ erreicht Heidi 73,2 von 100 Punkten (Platz 3 von 3, 40 Aufnahmen, je 3 Durchläufe). Im Test „Medizinische Spracherkennung“ erreicht Heidi 93,4 von 100 Punkten (Platz 2 von 9, 62 Diktate, je 3 Durchläufe).
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Ärztliche Gesprächsdokumentation | Mittelfeld: 81,9 | 5 von 11 | Fakten-F1: 93,1 % | 2,34 min je Gespräch | 3. Quartal 2026 |
| Psychotherapeutische Sitzungsdokumentation | Schlussgruppe: 59,5 | 11 von 12 | Fakten-F1: 86,0 % | 9,4 min je Sitzung | 3. Quartal 2026 |
| Pflegedokumentation | Mittelfeld: 73,2 | 3 von 3 | Fakten-F1: 90,6 % | 2,15 min je Aufnahme | 3. Quartal 2026 |
| Medizinische Spracherkennung | Mittelfeld: 93,4 | 2 von 9 | Fakten-F1: 97,5 % | 1,22 min je Diktat | 3. Quartal 2026 |
Heidi: Ärztliche Gesprächsdokumentation
In der Testreihe „Ärztliche Gesprächsdokumentation“ liegt Heidi mit 81,9 Punkten auf Platz 5 von 11, 7,2 Punkte hinter Doctolib Assistent (89,1) und 0,5 Punkte vor HealthJet (81,4). Hinter Doctolib Assistent bleibt Heidi vor allem beim Fakten-F1 (93,1 % gegenüber 95,7 %) zurück. Vor HealthJet liegt Heidi vor allem beim Fakten-F1 (93,1 % gegenüber 92,7 %) und bei der Nacharbeit (2,34 gegenüber 2,68 Minuten je Gespräch). HealthJet liegt dafür bei den schwerwiegenden Fehlern (in 1 von 143 Dokumenten gegenüber 2 von 142) vorn. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 92,2 bis 94,1 %. Die Präzision liegt bei 94,8 %, der Recall bei 91,5 %. Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 12,1 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 81,9 / 100 · 95-%-Intervall 76,4–84,5 · Platz 5 von 11
7,2 Punkte hinter dem besten Dienst und 0,5 Punkte über dem Median des Feldes.
Fakten-F1 (Platz 6 von 11): 93,1 % · 95-%-Intervall 92,2–94,1 %
Schwächster Wert: 87,7 % · Median (11 Anbieter): 93,1 % · Bester Wert: 95,7 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Nacharbeit je Gespräch (Geteilter Platz 6 von 11): 2,34 min · 95-%-Intervall 1,98–2,70 min
Schwächster Wert: 4,34 min · Median (11 Anbieter): 2,34 min · Bester Wert: 1,79 min
Geschätzte Nacharbeit bis zur Zielfassung je Gespräch, bei durchschnittlich 12,1 Minuten Aufnahme. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 11,6 Minuten.
Verarbeitungszeit (Median) (Platz 1 von 3): 102 s · Niedriger ist besser
Schwächster Wert: 172 s · Median (3 Anbieter): 126 s · Bester Wert: 102 s
Gemessen von „Uploadstart“ bis „Vollständiges Dokument verfügbar“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
Dokumente mit schwerwiegendem Fehler (Platz 5 von 11): 1,4 % · 95-%-Intervall 0,3–7,5 % (Wilson mit Designeffekt) · 2 von 142 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 2,8 % · Median (11 Anbieter): 2,1 % · Bester Wert: 0,0 %
Ausgaben mit mindestens einem potenziell schwerwiegenden medizinischen Fehler pro abgeschlossener Ausgabe. Bewertet wird jeder Fall nach einer festgelegten Fehlerrubrik. Fehler bei Medikation oder Verneinung zählen hier nur, wenn die Rubrik die betroffene Angabe als potenziell schwerwiegend einstuft. Die Zähler je Fehlerart enthalten auch folgenlose Abweichungen.
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 77,2 | 60 % | 46,3 |
| Schwerwiegende Fehler | 93,0 | 20 % | 18,6 |
| Korrekturaufwand | 80,4 | 15 % | 12,1 |
| Abschlussquote | 98,6 | 5 % | 4,9 |
| ScribeIndex-Score | 100 % | 81,9 |
Ein Fakten-F1 von 93,15 % liegt 6,85 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 77,2 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Ärztliche Behandlungsgespräche
- Fälle: 48 Szenarien × 3 Durchläufe
- Abgeschlossen: 142 von 144 Läufen
- Testweg: Datei-Upload
- Bewertete Ausgabe: Ärztliche Gesprächsdokumentation
- Getestete Version: Web-App, Upload session audio, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Heidi Health erreicht im Test „Ärztliche Gesprächsdokumentation“ 81,9 von 100 Punkten. Fakten-F1 93,1 % (95-%-Konfidenzintervall 92,2–94,1 %). Getestet wurden 48 Szenarien mit je 3 Durchläufen, 142 von 144 Läufen wurden abgeschlossen. Korpus de-klinik-v1, Protokoll 1.0, getestet im 3. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 81,9 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 76,4–84,5 |
| Fakten-F1 | 93,1 % | Erläuterung weiter oben. | 92,2–94,1 |
| Nacharbeit je Gespräch | 2,34 min | Erläuterung weiter oben. | 1,98–2,70 |
| Verarbeitungszeit (Median) | 102 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 1,4 % | 2 von 142 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,3–7,5 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 2,4 % | 94 falsche oder unbelegte Aussagen von 3.936 ausgegebenen Aussagen. Ausgegebene Aussagen, die der Referenz widersprechen oder sich weder auf das Gespräch noch auf bereitgestellten Kontext stützen, pro ausgegebener deduplizierter Aussage. Zutreffende, aber nicht dokumentationsrelevante Aussagen zählen getrennt und nicht hier. | 1,7–3,3 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 3,8 % | 130 fehlerhafte Fachkonzepte von 3.455 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 2,9–4,9 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 2,8 % | 17 fehlerhafte Medikationsangaben von 610 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 1,4–5,4 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,3 % | 19 fehlerhafte Verneinungen von 814 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 1,2–4,5 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 4,4 % | 41 fehlerhafte zeitliche Angaben von 924 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 2,8–7,1 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 3,7 % | 80 fehlerhafte Zuordnungen von 2.136 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 2,6–5,3 (Wilson mit Designeffekt) |
| Faktenpräzision | 94,8 % | 3.732 korrekte relevante Fakten von 3.936 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 93,5–96,2 |
| Fakten-Recall | 91,5 % | 3.732 korrekt erhaltene Fakten von 4.077 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 90,3–92,7 |
| Verarbeitungszeit (95. Perzentil) | 282 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 98,6 % | 142 von 144 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 102 s
- 95. Perzentil (p95): 282 s
- Testweg: Datei-Upload
- Messstrecke: Von „Uploadstart“ bis „Vollständiges Dokument verfügbar“
Über alle abgeschlossenen Läufe. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Gespräch: 2,34 min (Ø 12,1 min Aufnahme)
- Je Stunde Aufnahme: 11,57 min
- 95-%-Intervall je Stunde: 9,80–13,35 min
- Geschätzte Nacharbeit gesamt: 332,16 min
- Audiodauer aller Ausgaben: 28 h 42 min (28,705 h)
- Ausgaben: 142, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 345 (8,5 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Allergie. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 94 (2,4 % der ausgegebenen Aussagen) | 27 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 110 (2,8 % der ausgegebenen Aussagen) | 32 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 3.732 korrekt erhaltene Fakten (TP), 204 falsch positive Aussagen (FP), davon 94 falsch oder unbelegt und 110 zutreffend, aber nicht relevant, 345 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Die gelieferte Ausgabe ist eine verdichtete Dokumentation, keine wortnahe Abschrift. Deshalb gibt es keine WER.
Abgeschlossene Läufe: 142 von 144 (98,6 %)
| Szenario | Lauf | Grund |
|---|---|---|
klinik-002 | 3 | Verarbeitung nicht innerhalb des protokollierten Zeitlimits abgeschlossen |
klinik-008 | 2 | Verarbeitung nicht innerhalb des protokollierten Zeitlimits abgeschlossen |
Abgebrochene Läufe zählen in keinem Nenner der Qualitätskennzahlen. Sie stehen nur im Nenner der Abschlussquote und senken so den ScribeIndex-Score. Abgebrochene Läufe wiederholt ScribeIndex nicht. Die Zeitlimits stehen in der Methodik unter Laufzeit, Ausfälle und Nacharbeit.
Konfiguration im Test
- Produktversion: Web-App, Upload session audio, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: ScribeIndex-Vorlage „Sprechstundennotiz“, Version 1.0
- Arbeitsauftrag: Sprechstundendokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Dateiupload der Korpusdatei im Browser (Upload session audio)
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Allgemeinmedizin
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Im Rollenspiel geführte Behandlungsgespräche mit zwei bis vier Personen, darunter Erstanamnese, Verlauf, Medikationsbesprechung, Befundbesprechung und kurzes psychiatrisches Erstgespräch. Die Gespräche liegen als unterschiedliche Raum- und Smartphoneaufnahmen vor.
- Korpus: Ärztliche Behandlungsgespräche (
de-klinik-v1, Version 1.0) - Szenarien: 50 aufgenommen, 48 ausgewertet, je 3 Läufe
- Audio gesamt: 9 h 41 min, je Fall 6 min bis 40 min (Median 9 min)
- Sprecher je Fall: 2 bis 4
- Gesprächsform: Erstanamnese (11), Verlaufsgespräch (12), Medikationsbesprechung (8), Befundbesprechung (10), Kurzes psychiatrisches Erstgespräch (7)
- Fachrichtung: Allgemeinmedizin (14), Innere Medizin (10), Pädiatrie (6), Orthopädie (6), Neurologie (5), Psychiatrie (7)
- Aufnahme: Raummikrofon, ruhig (20), Smartphone auf dem Tisch (17), Hintergrundgeräusche (11)
- Sprecherzahl: Zwei Personen (29), Drei Personen (13), Vier Personen (6)
- Audioformate: AAC-LC (M4A), 48 kHz, mono · PCM 24 Bit (WAV), 48 kHz, 2 Kanäle
- Referenz: Version 1.0: 71.893 Wörter, 469.914 Zeichen, 1.379 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 1.169 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 207 · Verneinte oder ausdrücklich bestätigte Befunde 274 · Zeitliche Referenzangaben 313 · Fakten mit erforderlicher Quellenzuordnung 722
- Referenzprüfung: Atomare Fakten und Relevanzmenge werden mit der Gesprächsvorlage festgelegt und nach der Aufnahme am Gesprochenen bestätigt. Unklare Stellen prüft eine Fachperson, danach wird die Referenz eingefroren. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
klinik-016: Einwilligung zur Nutzung der Aufnahme vor Testbeginn widerrufen.klinik-033: Relevanzmenge auch nach fachlicher Durchsicht nicht eindeutig festlegbar.
- SHA-256 Manifest:
07e4ff2bb9cb21c1b350d732b5e593f4f1830354a230c75954136f03552f7ba5 - SHA-256 Referenz:
9ddba13742d943cd28b478c231a53d71ed064e1ba7681896e21faedfe2bb2207
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 48 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 2234884632
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
f630f8568c719864793b7aacf8e58f4627c6b7bdcdf5f3730abfda50ad6bfb37 - Fakten: Präzision = TP ÷ (TP + FP) = 94,8 %. Recall = TP ÷ (TP + FN) = 91,5 %. F1 = 2TP ÷ (2TP + FP + FN) = 93,1 % (95-%-Intervall 92,2–94,1 %).
- ScribeIndex-Score: 95-%-Intervall 76,4–84,5 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Ärztliche Gesprächsdokumentation
Sortiert nach ScribeIndex-Score.
- Platz 1: Doctolib Assistent im Test 89,1
- Platz 2: Tippiti im Test 86,9
- Platz 3: GoSpeech Medical im Test 84,9
- Platz 4: Dragon Copilot im Test 83,0
- Platz 5: Heidi 81,9
- Platz 6: HealthJet im Test 81,4
- Platz 7: Idana Flow im Test 80,8
- Platz 8: SpeechLive Health im Test 80,0
- Platz 9: Tandem Health im Test 79,3
- Platz 10: Noa Notes im Test 75,2
- Platz 11: QUIXXS im Test 67,0
Heidi: Psychotherapeutische Sitzungsdokumentation
In der Testreihe „Psychotherapeutische Sitzungsdokumentation“ liegt Heidi mit 59,5 Punkten auf Platz 11 von 12, 18,6 Punkte hinter VIA HealthTech (78,1) und 4,0 Punkte vor Upheal (55,5). Hinter VIA HealthTech bleibt Heidi vor allem beim Fakten-F1 (86,0 % gegenüber 92,6 %) und bei der Nacharbeit (9,4 gegenüber 4,6 Minuten je Sitzung) zurück. Vor Upheal liegt Heidi vor allem beim Fakten-F1 (86,0 % gegenüber 84,7 %) und bei den schwerwiegenden Fehlern (in 4 von 108 Dokumenten gegenüber 5 von 106). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 83,9 bis 87,9 %. Die Präzision liegt bei 90,5 %, der Recall bei 81,9 %. Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 48,0 Minuten.
Einordnung: Schlussgruppe · ScribeIndex-Score 59,5 / 100 · 95-%-Intervall 50,6–65,1 · Platz 11 von 12
11,8 Punkte unter dem Median des Feldes und im untersten Fünftel der Punktespanne. Hinter Noa Notes bleibt Heidi vor allem bei den schwerwiegenden Fehlern (in 4 von 108 Dokumenten gegenüber 1 von 106) zurück. Heidi liegt dafür beim Fakten-F1 (86,0 % gegenüber 85,4 %) vorn.
Fakten-F1 (Platz 10 von 12): 86,0 % · 95-%-Intervall 83,9–87,9 %
Schwächster Wert: 84,7 % · Median (12 Anbieter): 89,3 % · Bester Wert: 92,6 %
Nacharbeit je Sitzung (Platz 10 von 12): 9,4 min · 95-%-Intervall 8,1–10,7 min
Schwächster Wert: 9,7 min · Median (12 Anbieter): 7,2 min · Bester Wert: 4,6 min
Geschätzte Nacharbeit bis zur Zielfassung je Sitzung, bei durchschnittlich 48,0 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 11,7 Minuten.
Verarbeitungszeit (Median) (Platz 1 von 7): 39,6 s · Niedriger ist besser
Schwächster Wert: 79,2 s · Median (7 Anbieter): 58,3 s · Bester Wert: 39,6 s
Gemessen von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 8 von 12): 3,7 % · 95-%-Intervall 1,0–12,5 % (Wilson mit Designeffekt) · 4 von 108 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 6,5 % · Median (12 Anbieter): 2,8 % · Bester Wert: 0,0 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 53,3 | 60 % | 32,0 |
| Schwerwiegende Fehler | 81,5 | 20 % | 16,3 |
| Korrekturaufwand | 41,4 | 15 % | 6,2 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 59,5 |
Ein Fakten-F1 von 85,99 % liegt 14,01 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 53,3 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Psychotherapeutische Sitzungen
- Fälle: 36 Szenarien × 3 Durchläufe
- Abgeschlossen: 108 von 108 Läufen
- Testweg: Live-Gespräch
- Bewertete Ausgabe: Psychotherapeutische Sitzungsdokumentation
- Getestete Version: Web-App, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Heidi Health erreicht im Test „Psychotherapeutische Sitzungsdokumentation“ 59,5 von 100 Punkten. Fakten-F1 86,0 % (95-%-Konfidenzintervall 83,9–87,9 %). Getestet wurden 36 Szenarien mit je 3 Durchläufen, 108 von 108 Läufen wurden abgeschlossen. Korpus de-therapie-v1, Protokoll 1.0, getestet im 3. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 59,5 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 50,6–65,1 |
| Fakten-F1 | 86,0 % | Erläuterung weiter oben. | 83,9–87,9 |
| Nacharbeit je Sitzung | 9,4 min | Erläuterung weiter oben. | 8,1–10,7 |
| Verarbeitungszeit (Median) | 39,6 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 3,7 % | 4 von 108 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 1,0–12,5 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 3,6 % | 109 falsche oder unbelegte Aussagen von 3.007 ausgegebenen Aussagen. | 2,7–4,8 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 5,4 % | 64 fehlerhafte Fachkonzepte von 1.185 Referenzkonzepten. | 3,7–7,8 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 5,3 % | 4 fehlerhafte Medikationsangaben von 75 Referenzangaben zur Medikation. | 1,4–18,4 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 5,1 % | 22 fehlerhafte Verneinungen von 435 Referenzaussagen zu Negation oder Bestätigung. | 2,6–9,7 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 6,1 % | 59 fehlerhafte zeitliche Angaben von 969 zeitlichen Referenzangaben. | 4,1–8,9 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 5,5 % | 105 fehlerhafte Zuordnungen von 1.908 Referenzfakten mit Quellenzuordnung. | 4,0–7,5 (Wilson mit Designeffekt) |
| Fehler bei Risikohinweisen | 13,5 % | 23 fehlerhafte Risikohinweise von 171 risikorelevanten Referenzaussagen. Ausgelassene, hinzugefügte oder falsch eingeordnete Aussagen zu Selbstgefährdung und Schutzfaktoren pro annotierter risikorelevanter Referenzaussage. Bewertet wird anhand des Gesprächs nach einer festgelegten Rubrik. | 7,4–23,3 (Wilson mit Designeffekt) |
| Faktenpräzision | 90,5 % | 2.722 korrekte relevante Fakten von 3.007 ausgegebenen Fakten. | 88,8–92,2 |
| Fakten-Recall | 81,9 % | 2.722 korrekt erhaltene Fakten von 3.324 dokumentationsrelevanten Referenzfakten. | 78,8–84,8 |
| Verarbeitungszeit (95. Perzentil) | 72,2 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 108 von 108 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 39,6 s
- 95. Perzentil (p95): 72,2 s
- Testweg: Live-Gespräch
- Messstrecke: Von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Sitzung: 9,4 min (Ø 48,0 min Aufnahme)
- Je Stunde Aufnahme: 11,73 min
- 95-%-Intervall je Stunde: 10,11–13,41 min
- Geschätzte Nacharbeit gesamt: 1.012,24 min
- Audiodauer aller Ausgaben: 86 h 20 min (86,331 h)
- Ausgaben: 108, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 602 (18,1 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Vereinbarung für die nächste Sitzung. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 109 (3,6 % der ausgegebenen Aussagen) | 18 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie angewandte Intervention. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 176 (5,9 % der ausgegebenen Aussagen) | 29 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 2.722 korrekt erhaltene Fakten (TP), 285 falsch positive Aussagen (FP), davon 109 falsch oder unbelegt und 176 zutreffend, aber nicht relevant, 602 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Die gelieferte Ausgabe ist eine therapeutische Sitzungsnotiz. Bewertet werden dokumentationsrelevante Fakten und ihre Zuordnung, nicht die Wortfolge des Gesprächs.
Abgeschlossene Läufe: 108 von 108 (100,0 %)
Alle 108 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Web-App, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: ScribeIndex-Vorlage „Therapieverlauf“, Version 1.0
- Arbeitsauftrag: Therapiedokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Aufnahme in der Anwendung über einen virtuellen Mikrofoneingang
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Psychotherapie
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Im Rollenspiel geführte Therapiesitzungen aus Verhaltenstherapie, tiefenpsychologisch fundierter Therapie und systemischen Paar- oder Familiengesprächen. 17 der 36 Sitzungen enthalten Aussagen zu Selbstgefährdung oder Schutzfaktoren.
- Korpus: Psychotherapeutische Sitzungen (
de-therapie-v1, Version 1.0) - Szenarien: 36 aufgenommen, 36 ausgewertet, je 3 Läufe
- Audio gesamt: 28 h 47 min, je Fall 37 min bis 59 min (Median 47 min)
- Sprecher je Fall: 2 bis 4
- Verfahren: Verhaltenstherapie (15), Tiefenpsychologisch fundiert (12), Systemisch (Paar oder Familie) (5), Erstgespräch und Probatorik (4)
- Risikoinhalt: Mit Risikoaussagen (17), Ohne Risikoaussagen (19)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono
- Aufbereitung:
- Einspielung der Gesprächsaufnahme in Echtzeit über einen virtuellen Mikrofoneingang mit −20 dBFS RMS
- Referenz: Version 1.0: 185.226 Wörter, 1.162.943 Zeichen, 1.108 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 395 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 25 · Verneinte oder ausdrücklich bestätigte Befunde 145 · Zeitliche Referenzangaben 323 · Fakten mit erforderlicher Quellenzuordnung 636 · Risikorelevante Referenzaussagen 57
- Referenzprüfung: Dokumentationsrelevante Fakten und Risikoaussagen werden mit der Gesprächsvorlage festgelegt und nach der Aufnahme am Gesprochenen bestätigt. Risikoaussagen prüft immer eine Fachperson. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- SHA-256 Manifest:
62780a1c05eb9562aa4bdbee3b73aedcf448ce0e8e6ba5fd85d7e17baa3b4bd8 - SHA-256 Referenz:
62c50ae99e53e02e016470714f0a6524d90a92407fe393d48adae95f19a8ee2a
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 36 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 3733937332
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
0c35a46bc36056c43d2f55385441679c130a0d1ef5bcb7bd6cb2f19411cef23a - Fakten: Präzision = TP ÷ (TP + FP) = 90,5 %. Recall = TP ÷ (TP + FN) = 81,9 %. F1 = 2TP ÷ (2TP + FP + FN) = 86,0 % (95-%-Intervall 83,9–87,9 %).
- ScribeIndex-Score: 95-%-Intervall 50,6–65,1 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Psychotherapeutische Sitzungsdokumentation
Sortiert nach ScribeIndex-Score.
- Platz 1: VIA HealthTech im Test 78,1
- Platz 2: Psynex im Test 77,2
- Platz 3: DokuDachs im Test 75,9
- Platz 4: iptas im Test 74,9
- Platz 5: LumaNote im Test 72,8
- Platz 6: PlaynVoice im Test 71,7
- Platz 7: Clara Health im Test 70,9
- Platz 8: Tandem Health im Test 65,1
- Platz 9: HealthJet im Test 63,8
- Platz 10: Noa Notes im Test 60,7
- Platz 11: Heidi 59,5
- Platz 12: Upheal im Test 55,5
Heidi: Pflegedokumentation
In der Testreihe „Pflegedokumentation“ liegt Heidi mit 73,2 Punkten auf Platz 3 von 3, 10,0 Punkte hinter Tandem Health (83,2) und 0,5 Punkte hinter GoSpeech Medical (73,7). Hinter Tandem Health bleibt Heidi vor allem beim Fakten-F1 (90,6 % gegenüber 93,9 %) und bei der Nacharbeit (2,15 gegenüber 1,03 Minuten je Aufnahme) zurück. Hinter GoSpeech Medical bleibt Heidi vor allem bei den schwerwiegenden Fehlern (in 4 von 120 Dokumenten gegenüber 2 von 119) zurück. Heidi liegt dafür beim Fakten-F1 (90,6 % gegenüber 90,1 %) vorn. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 89,2 bis 91,9 %. Die Präzision liegt bei 94,1 %, der Recall bei 87,3 %. Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 5,9 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 73,2 / 100 · 95-%-Intervall 65,6–77,6 · Platz 3 von 3
Letzter von drei Diensten. Eine Schlussgruppe bildet ScribeIndex erst ab vier Diensten.
Fakten-F1 (Platz 2 von 3): 90,6 % · 95-%-Intervall 89,2–91,9 %
Schwächster Wert: 90,1 % · Median (3 Anbieter): 90,6 % · Bester Wert: 93,9 %
Nacharbeit je Aufnahme (Platz 2 von 3): 2,15 min · 95-%-Intervall 1,75–2,55 min
Schwächster Wert: 2,24 min · Median (3 Anbieter): 2,15 min · Bester Wert: 1,03 min
Geschätzte Nacharbeit bis zur Zielfassung je Aufnahme, bei durchschnittlich 5,9 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 22,0 Minuten.
Verarbeitungszeit (Median) (Platz 1 von 3): 15,6 s · Niedriger ist besser
Schwächster Wert: 36,4 s · Median (3 Anbieter): 31,2 s · Bester Wert: 15,6 s
Dokumente mit schwerwiegendem Fehler (Platz 3 von 3): 3,3 % · 95-%-Intervall 0,9–11,3 % (Wilson mit Designeffekt) · 4 von 120 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 3,3 % · Median (3 Anbieter): 2,5 % · Bester Wert: 1,7 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 68,5 | 60 % | 41,1 |
| Schwerwiegende Fehler | 83,3 | 20 % | 16,7 |
| Korrekturaufwand | 69,4 | 15 % | 10,4 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 73,2 |
Ein Fakten-F1 von 90,56 % liegt 9,44 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 68,5 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Pflegedokumentation
- Fälle: 40 Szenarien × 3 Durchläufe
- Abgeschlossen: 120 von 120 Läufen
- Testweg: Live-Gespräch
- Bewertete Ausgabe: Pflegedokumentation
- Getestete Version: Heidi im Browser mit Pflegevorlage, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Heidi Health erreicht im Test „Pflegedokumentation“ 73,2 von 100 Punkten. Fakten-F1 90,6 % (95-%-Konfidenzintervall 89,2–91,9 %). Getestet wurden 40 Szenarien mit je 3 Durchläufen, 120 von 120 Läufen wurden abgeschlossen. Korpus de-pflege-v1, Protokoll 1.0, getestet im 3. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 73,2 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 65,6–77,6 |
| Fakten-F1 | 90,6 % | Erläuterung weiter oben. | 89,2–91,9 |
| Nacharbeit je Aufnahme | 2,15 min | Erläuterung weiter oben. | 1,75–2,55 |
| Verarbeitungszeit (Median) | 15,6 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 3,3 % | 4 von 120 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,9–11,3 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 2,9 % | 100 falsche oder unbelegte Aussagen von 3.404 ausgegebenen Aussagen. | 2,2–4,0 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 4,3 % | 53 fehlerhafte Fachkonzepte von 1.230 Referenzkonzepten. | 3,1–6,1 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 2,0 % | 6 fehlerhafte Medikationsangaben von 300 Referenzangaben zur Medikation. | 0,6–6,1 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 3,2 % | 18 fehlerhafte Verneinungen von 570 Referenzaussagen zu Negation oder Bestätigung. | 1,5–6,6 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 5,1 % | 47 fehlerhafte zeitliche Angaben von 921 zeitlichen Referenzangaben. | 3,3–7,8 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 4,1 % | 71 fehlerhafte Zuordnungen von 1.734 Referenzfakten mit Quellenzuordnung. | 2,7–6,2 (Wilson mit Designeffekt) |
| Fehler bei Vitalwerten | 3,7 % | 16 fehlerhafte Vitalwerte von 429 Referenz-Vitalwerten. Falsch übernommene oder ausgelassene Vitalwerte pro annotiertem Vitalwert der Referenz. Wert, Einheit, Messzeitpunkt und versorgte Person müssen zusammen stimmen. | 1,7–7,8 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | 82,2 % | 74 umgesetzte Diktatbefehle von 90 Diktatbefehlen. Richtig ausgeführte festgelegte Satzzeichen-, Absatz- und Korrekturbefehle pro ausgesprochenem Referenzbefehl. Der Befehl soll wirken und nicht als Befehlswort im Text stehen. | 68,0–91,0 (Wilson mit Designeffekt) |
| Umgesetzte Selbstkorrekturen | 83,3 % | 25 umgesetzte Selbstkorrekturen von 30 Selbstkorrekturen. Spontane Selbstkorrekturen, nach denen das Dokument nur die endgültige Angabe enthält, pro annotierter Selbstkorrektur der Referenz. Steht die verworfene Angabe noch im Text oder ersetzt sie die endgültige, ist die Selbstkorrektur nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 50,7–96,1 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 58,3 % | 7 umgesetzte Bearbeitungsanweisungen von 12 Bearbeitungsanweisungen. Frei formulierte Anweisungen an das Dokument, deren Wirkung das gelieferte Dokument zeigt, pro annotierter Anweisung der Referenz. Eine solche Anweisung ändert eine früher genannte Angabe, ergänzt Inhalt an einer früheren Stelle oder verschiebt einen Abschnitt. Steht sie wörtlich im Text oder bleibt sie ohne Wirkung, ist sie nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 22,9–86,8 (Wilson mit Designeffekt) |
| Faktenpräzision | 94,1 % | 3.204 korrekte relevante Fakten von 3.404 ausgegebenen Fakten. | 92,8–95,4 |
| Fakten-Recall | 87,3 % | 3.204 korrekt erhaltene Fakten von 3.672 dokumentationsrelevanten Referenzfakten. | 85,3–89,2 |
| Verarbeitungszeit (95. Perzentil) | 31,7 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 120 von 120 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 15,6 s
- 95. Perzentil (p95): 31,7 s
- Testweg: Live-Gespräch
- Messstrecke: Von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Aufnahme: 2,15 min (Ø 5,9 min Aufnahme)
- Je Stunde Aufnahme: 22,02 min
- 95-%-Intervall je Stunde: 17,99–26,14 min
- Geschätzte Nacharbeit gesamt: 257,63 min
- Audiodauer aller Ausgaben: 11 h 42 min (11,701 h)
- Ausgaben: 120, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 468 (12,7 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa ein fehlender Vitalwert. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 100 (2,9 % der ausgegebenen Aussagen) | 21 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie durchgeführte Maßnahme. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 100 (2,9 % der ausgegebenen Aussagen) | 21 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 3.204 korrekt erhaltene Fakten (TP), 200 falsch positive Aussagen (FP), davon 100 falsch oder unbelegt und 100 zutreffend, aber nicht relevant, 468 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Bewertet werden die gelieferten Einträge der Pflegedokumentation. Strukturierte Felder und umformulierte Berichte werden über die Faktenrubrik abgeglichen, nicht gegen die Wortfolge der Aufnahme.
Abgeschlossene Läufe: 120 von 120 (100,0 %)
Alle 120 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Heidi im Browser mit Pflegevorlage, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: ScribeIndex-Vorlage „Pflegebericht“, Version 1.0
- Arbeitsauftrag: Pflegedokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Aufnahme in der Anwendung über einen virtuellen Mikrofoneingang
- Ausgabesprache: Deutsch
- Modus: Gesprächsaufnahme für Pflegeberichte, Übergaben und Aufnahmegespräche
- Vorlage im Produkt: Pflegebericht mit getrennten Personen, Vitalwerten, Maßnahmen und Verlauf
- Schreibauftrag: Erzeugter Pflegebericht vor manueller Korrektur oder Übertragung
- Zusätzlicher Kontext: Nein
- Manuelle Nachkorrektur: Nein
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: nursing-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Nachgesprochene Pflegeberichte, Vitalwerte mit Maßnahmen, Schichtübergaben zu mehreren versorgten Personen und im Rollenspiel geführte pflegerische Aufnahmegespräche aus stationärer Altenpflege, ambulanter Pflege und Krankenhausstationen. Alle versorgten Personen sind fiktiv.
- Korpus: Pflegedokumentation (
de-pflege-v1, Version 1.0) - Szenarien: 41 aufgenommen, 40 ausgewertet, je 3 Läufe
- Audio gesamt: 3 h 54 min, je Fall 1 min bis 28 min (Median 2 min)
- Sprecher je Fall: 1 bis 3
- Dokumentationsanlass: Pflegebericht nach der Versorgung (14), Vitalwerte und Maßnahmen (12), Schichtübergabe (8), Pflegerisches Aufnahmegespräch (6)
- Einsatzbereich: Stationäre Altenpflege (16), Ambulante Pflege (12), Krankenhausstation (12)
- Aufnahme: Smartphone in der Hand, Umgebungsgeräusche (34), Smartphone auf dem Tisch (6)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono
- Aufbereitung:
- Einspielung der Gesprächsaufnahme in Echtzeit über einen virtuellen Mikrofoneingang mit −20 dBFS RMS
- Referenz: Version 1.0: 27.264 Wörter, 181.159 Zeichen, 1.224 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 410 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 100 · Verneinte oder ausdrücklich bestätigte Befunde 190 · Zeitliche Referenzangaben 307 · Fakten mit erforderlicher Quellenzuordnung 578 · Vitalwerte mit Einheit und Messzeitpunkt 143 · Diktatbefehle 30 · Selbstkorrekturen mit geänderter Angabe 10 · Bearbeitungsanweisungen 4
- Referenzprüfung: Fakten, Vitalwerte und Personenzuordnung werden mit der Gesprächsvorlage festgelegt. Abweichende Stellen werden vor dem ersten Anbieterlauf an der Aufnahme geprüft. Rubrik nursing-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
pflege-028: Eine mitwirkende Person nannte in der Übergabe versehentlich echte Namen. Die Aufnahme wurde vor der Referenzfreigabe zurückgezogen.
- SHA-256 Manifest:
7502ed0b4f30247995e97f03b1a7a0cd3f54907c6b780831019a233cbd092a84 - SHA-256 Referenz:
81561a613839ad570ef1ff39ee99889d0210625a97c37e39de452ea787a783ad
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 40 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 1588450526
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
d4572266c17fe472c4e040fee447b07920271bd3b5b3838b241e77b8839549a9 - Fakten: Präzision = TP ÷ (TP + FP) = 94,1 %. Recall = TP ÷ (TP + FN) = 87,3 %. F1 = 2TP ÷ (2TP + FP + FN) = 90,6 % (95-%-Intervall 89,2–91,9 %).
- ScribeIndex-Score: 95-%-Intervall 65,6–77,6 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Pflegedokumentation
Sortiert nach ScribeIndex-Score.
- Platz 1: Tandem Health im Test 83,2
- Platz 2: GoSpeech Medical im Test 73,7
- Platz 3: Heidi 73,2
Heidi: Medizinische Spracherkennung
In der Testreihe „Medizinische Spracherkennung“ liegt Heidi mit 93,4 Punkten auf Platz 2 von 9, 3,4 Punkte hinter Tippiti (96,8) und 0,1 Punkte vor Idana Flow (93,3). Hinter Tippiti bleibt Heidi vor allem beim Fakten-F1 (97,5 % gegenüber 98,9 %) zurück. Vor Idana Flow liegt Heidi vor allem bei der Nacharbeit (1,22 gegenüber 1,33 Minuten je Diktat). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 97,1 bis 97,8 %. Die Präzision liegt bei 98,0 %, der Recall bei 96,9 %. Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 5,0 Minuten. Keine der 186 Ausgaben enthielt einen schwerwiegenden Fehler.
Einordnung: Mittelfeld · ScribeIndex-Score 93,4 / 100 · 95-%-Intervall 89,8–94,0 · Platz 2 von 9 · KI-überarbeitet (Ein Sprachmodell überarbeitet den erkannten Text sprachlich. Die WER zeigt hier nur die Abweichung vom Wortlaut)
3,4 Punkte hinter dem besten Dienst und 8,3 Punkte über dem Median des Feldes.
Fakten-F1 (Geteilter Platz 2 von 9): 97,5 % · 95-%-Intervall 97,1–97,8 %
Schwächster Wert: 92,9 % · Median (9 Anbieter): 95,1 % · Bester Wert: 98,9 %
Nacharbeit je Diktat (Platz 2 von 9): 1,22 min · 95-%-Intervall 1,13–1,31 min
Schwächster Wert: 4,58 min · Median (9 Anbieter): 3,53 min · Bester Wert: 0,75 min
Geschätzte Nacharbeit bis zur Zielfassung je Diktat, bei durchschnittlich 5,0 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 14,5 Minuten.
Verarbeitungszeit (Median) (Platz 5 von 7): 1,8 s · Niedriger ist besser
Schwächster Wert: 21,4 s · Median (7 Anbieter): 1,5 s · Bester Wert: 0,7 s
Gemessen von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 1 von 9): 0,0 % · 95-%-Intervall 0,0–3,9 % (Wilson mit Designeffekt) · 0 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 1,1 % · Median (9 Anbieter): 0,5 % · Bester Wert: 0,0 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 91,5 | 60 % | 54,9 |
| Schwerwiegende Fehler | 100,0 | 20 % | 20,0 |
| Korrekturaufwand | 89,7 | 15 % | 13,5 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 93,4 |
Ein Fakten-F1 von 97,45 % liegt 2,55 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 91,5 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Medizinische Diktate
- Fälle: 62 Szenarien × 3 Durchläufe
- Abgeschlossen: 186 von 186 Läufen
- Testweg: Live-Diktat
- Bewertete Ausgabe: KI-überarbeiteter Diktattext
- Getestete Version: Heidi Browser, Inline Dictation im Context-Feld, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Heidi Health erreicht im Test „Medizinische Spracherkennung“ 93,4 von 100 Punkten. Fakten-F1 97,5 % (95-%-Konfidenzintervall 97,1–97,8 %). Getestet wurden 62 Szenarien mit je 3 Durchläufen, 186 von 186 Läufen wurden abgeschlossen. Korpus de-diktat-v1, Protokoll 1.0, getestet im 3. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 93,4 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 89,8–94,0 |
| Fakten-F1 | 97,5 % | Erläuterung weiter oben. | 97,1–97,8 |
| Nacharbeit je Diktat | 1,22 min | Erläuterung weiter oben. | 1,13–1,31 |
| Verarbeitungszeit (Median) | 1,8 s | Erläuterung weiter oben. | – |
| Erkennungsfehler | 2,31 % | 2.379 Wortfehler von 103.161 Referenzwörtern. Falsch erkannte, ausgelassene oder eingefügte Wörter pro Referenzwort, ohne zulässige Umformulierungen. Bei wortnaher Ausgabe entspricht der Wert der WER, dort zählt jede Abweichung vom Wortlaut. Bei KI-überarbeiteter Ausgabe zählen nur falsch erkannte oder inhaltlich veränderte Wörter. Für wortnahe Dienste ist die Zählung damit strenger. Gezählt wird, was im gelieferten Text falsch ist, fehlt oder hinzukommt, bezogen auf die Wörter der Referenz. | 2,11–2,52 |
| Zeichenfehlerrate · CER (Abweichung vom Wortlaut) | 4,5 % | 33.554 Zeichenabweichungen von 743.736 Referenzzeichen. Zeichenabweichungen pro Referenzzeichen nach NFC-Normalisierung, einheitlicher Groß- und Kleinschreibung, entfernten Satzzeichen und zu einem Leerzeichen zusammengefasstem Leerraum. Leerzeichen zählen als Zeichen. Diagnostischer Wert einer KI-überarbeiteten Ausgabe, nicht als Erkennungsleistung vergleichbar. | 4,3–4,7 |
| Dokumente mit schwerwiegendem Fehler | 0,0 % | 0 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,0–3,9 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 1,6 % | 107 falsche oder unbelegte Aussagen von 6.633 ausgegebenen Aussagen. | 1,2–2,2 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 1,7 % | 192 fehlerhafte Fachkonzepte von 11.205 Referenzkonzepten. | 1,3–2,2 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 1,8 % | 14 fehlerhafte Medikationsangaben von 762 Referenzangaben zur Medikation. | 0,8–4,1 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,0 % | 22 fehlerhafte Verneinungen von 1.107 Referenzaussagen zu Negation oder Bestätigung. | 1,0–3,8 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 2,3 % | 34 fehlerhafte zeitliche Angaben von 1.455 zeitlichen Referenzangaben. | 1,4–4,0 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 1,9 % | 46 fehlerhafte Zuordnungen von 2.415 Referenzfakten mit Quellenzuordnung. | 1,2–3,0 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | 86,2 % | 1.143 umgesetzte Diktatbefehle von 1.326 Diktatbefehlen. | 82,3–89,4 (Wilson mit Designeffekt) |
| Umgesetzte Selbstkorrekturen | 91,3 % | 230 umgesetzte Selbstkorrekturen von 252 Selbstkorrekturen. | 84,5–95,3 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 66,7 % | 60 umgesetzte Bearbeitungsanweisungen von 90 Bearbeitungsanweisungen. | 49,8–80,1 (Wilson mit Designeffekt) |
| Faktenpräzision | 98,0 % | 6.499 korrekte relevante Fakten von 6.633 ausgegebenen Fakten. | 97,4–98,5 |
| Fakten-Recall | 96,9 % | 6.499 korrekt erhaltene Fakten von 6.705 dokumentationsrelevanten Referenzfakten. | 96,4–97,5 |
| Verarbeitungszeit (95. Perzentil) | 6,1 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 186 von 186 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 1,8 s
- 95. Perzentil (p95): 6,1 s
- Testweg: Live-Diktat
- Messstrecke: Von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Diktat: 1,22 min (Ø 5,0 min Aufnahme)
- Je Stunde Aufnahme: 14,48 min
- 95-%-Intervall je Stunde: 13,46–15,64 min
- Geschätzte Nacharbeit gesamt: 226,18 min
- Audiodauer aller Ausgaben: 15 h 37 min (15,615 h)
- Ausgaben: 186, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Wortvergleich
WER: Nicht im Score (Die WER zählt die bewussten Glättungen der Ausgabe mit und geht deshalb nicht in den Score ein)- Erkennungsfehler (Anteil der Referenzwörter, die falsch erkannt oder inhaltlich verändert sind, wobei zulässige Umformulierungen der KI-überarbeiteten Ausgabe nicht als Fehler zählen): 2,31 % · 95-%-Intervall 2,11–2,52 %
- Abweichung vom Wortlaut (WER) (Diese Kennzahl zählt die gewollten Korrekturen, Umstellungen und Glättungen des Dienstes als Fehler und ist deshalb nicht mit wortnahen Diensten vergleichbar): 7,58 % · 95-%-Intervall 7,12–8,09 %
- Ersetzungen (S): 3.360
- Auslassungen (D): 2.748
- Einfügungen (I): 1.710
- Referenzwörter (N): 103.161
- Zeichenfehlerrate (CER) (Diese Kennzahl zählt die gewollten Korrekturen, Umstellungen und Glättungen des Dienstes als Fehler und ist deshalb nicht mit wortnahen Diensten vergleichbar): 4,5 %
Der Dienst liefert eine KI-überarbeitete Ausgabe, keine wortnahe Abschrift. Die WER vergleicht sie Wort für Wort mit dem Diktat. Gewollte Korrekturen, Umstellungen und Glättungen zählen dabei mit. Der Wert zeigt deshalb vor allem, wie weit der Text vom Wortlaut abweicht, nicht wie viele Fehler er enthält. Ob die Inhalte stimmen, misst der Faktenabgleich. Die Erkennungsfehler zählen falsch erkannte oder inhaltlich veränderte Wörter, bezogen auf dieselben Referenzwörter. Bei wortnaher Ausgabe zählt jede Abweichung vom Wortlaut, bei KI-überarbeiteter Ausgabe bleiben zulässige Umformulierungen außen vor. Vergleiche stehen deshalb nur innerhalb derselben Ausgabeart. Die WER geht nicht in den ScribeIndex-Score ein. WER = (S + D + I) ÷ N × 100, gezählt über alle abgeschlossenen Läufe.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 206 (3,1 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Allergie. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 107 (1,6 % der ausgegebenen Aussagen) | 52 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 27 (0,4 % der ausgegebenen Aussagen) | 13 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 6.499 korrekt erhaltene Fakten (TP), 134 falsch positive Aussagen (FP), davon 107 falsch oder unbelegt und 27 zutreffend, aber nicht relevant, 206 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Abgeschlossene Läufe: 186 von 186 (100,0 %)
Alle 186 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Heidi Browser, Inline Dictation im Context-Feld, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Keine Dokumentvorlage, nur der Arbeitsauftrag
- Arbeitsauftrag: Diktatausarbeitung, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Virtueller Mikrofoneingang
- Ausgabesprache: Deutsch (de-DE)
- Modus: Inline Dictation im leeren Context-Feld, Smart Dictation
- Ausgabestil: KI-überarbeiteter Diktattext, keine nachträgliche Vorlagenerstellung
- Auswertung: Version 1.0
- Textnormalisierung: de-med-wer, Version 1.0
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Nachgesprochene ärztliche Diktate aus sieben Fachrichtungen zu fiktiven Patientinnen und Patienten, mit Befunden, Medikation und Verneinungen. Dazu kommen gesprochene Anweisungen, also Diktatbefehle, spontane Selbstkorrekturen und gelegentliche Bearbeitungsanweisungen zu früheren Stellen des Diktats. Die Aufnahmen entstehen mit Headset oder Tischmikrofon, teils mit Hintergrundgeräuschen oder als komprimierte Diktiergerätedateien.
- Korpus: Medizinische Diktate (
de-diktat-v1, Version 1.0) - Szenarien: 64 aufgenommen, 62 ausgewertet, je 3 Läufe
- Audio gesamt: 5 h 12 min, je Fall 1 min bis 15 min (Median 5 min)
- Sprecher je Fall: 1
- Fachrichtung: Innere Medizin (13), Allgemeinmedizin (11), Orthopädie und Unfallchirurgie (10), Radiologie (9), Kardiologie (8), Neurologie (7), Gynäkologie (4)
- Aussprache: Standarddeutsch (27), Regional (Deutschland) (13), Österreichisch (9), Schweizerisch gefärbt (6), Nicht muttersprachlich (7)
- Aufnahmebedingung: Ruhiger Raum, Headset (22), Ruhiger Raum, Tischmikrofon (14), Hintergrundgeräusche (15), Komprimierte Aufnahme (11)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono · MP3 128 kbit/s, 44,1 kHz, mono · AAC-LC (M4A), 44,1 kHz, mono
- Aufbereitung:
- Kontrollierte Wiedergabe der Referenzaufnahmen über einen virtuellen Mikrofoneingang mit −20 dBFS RMS in Echtzeit
- Dekodierung komprimierter Quelldateien zu PCM 48 kHz mono vor der Wiedergabe
- Referenz: Version 1.0: 34.387 Wörter, 247.912 Zeichen, 2.235 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 3.735 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 254 · Verneinte oder ausdrücklich bestätigte Befunde 369 · Zeitliche Referenzangaben 485 · Fakten mit erforderlicher Quellenzuordnung 805 · Diktatbefehle 442 · Selbstkorrekturen mit geänderter Angabe 84 · Bearbeitungsanweisungen 30
- Referenzprüfung: Diktattext und Fakten entstehen als Sprechvorlage vor der Aufnahme. Nach der Aufnahme wird das Gesprochene automatisch mit der Vorlage abgeglichen, abweichende Stellen werden an der Aufnahme geprüft und die Referenz vor dem ersten Anbieterlauf eingefroren. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
diktat-023: Die sprechende Person nannte versehentlich einen echten Namen. Die Aufnahme wurde vor der Referenzfreigabe zurückgezogen.diktat-057: Endgültige Angabe einer Selbstkorrektur auch nach Prüfung der Aufnahme nicht eindeutig hörbar.
- SHA-256 Manifest:
6768f28bb70c0457e31c2eaafd4f3c498c05b4aec26501537825bbaa22733060 - SHA-256 Referenz:
18772162e86230bce7cfb8a2f52f90244df2b1cdf52bdb6a646494dd3596dbb9
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 62 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 4214870755
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
1feb69fb1f1a9ee5134ab583a5bf6a80625f840f53d2d833da91149ac9f1550a - Fakten: Präzision = TP ÷ (TP + FP) = 98,0 %. Recall = TP ÷ (TP + FN) = 96,9 %. F1 = 2TP ÷ (2TP + FP + FN) = 97,5 % (95-%-Intervall 97,1–97,8 %).
- Wörter: WER = (3.360 + 2.748 + 1.710) ÷ 103.161 × 100 = 7,58 %
- ScribeIndex-Score: 95-%-Intervall 89,8–94,0 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Medizinische Spracherkennung
Sortiert nach ScribeIndex-Score.
- Platz 1: Tippiti im Test 96,8
- Platz 2: Heidi 93,4
- Platz 3: Idana Flow im Test 93,3
- Platz 4: HealthJet im Test 91,6
- Platz 5: Dragon Medical One im Test 85,1
- Platz 6: Dragon Copilot im Test 84,1
- Platz 7: DictNow im Test 82,0
- Platz 8: MIRA medical im Test 81,6
- Platz 9: Fluency Direct im Test 79,9
Daten zu dieser Seite
Maschinenlesbar mit Zählern, Nennern und Intervallen. Frei nutzbar mit Quellenangabe. Zitierweise und Lizenz
So testet ScribeIndex
Jede Testreihe nutzt einen festen deutschsprachigen Korpus mit geprüften, vor dem ersten Lauf eingefrorenen Referenzen. Bewertet wird automatisch nach festen Regeln, unklare Zuordnungen werden anhand der Aufnahme fachlich geprüft. Jeder Fall läuft zwei- bis dreimal. Die Konfidenzintervalle von Score, Hauptkennzahl und weiteren Fehlerraten stammen aus einem gepaarten Bootstrap über die Szenarien, sodass alle Anbieter auf denselben Stichproben verglichen werden. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Der ScribeIndex-Score ist ein gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote. Die Rangliste ordnet nach diesem Punktwert.
Für das Score-Intervall wird in jeder Bootstrap-Stichprobe der vollständige Score mit den Gewichten des Bewertungsmodells neu berechnet. Weil alle Dienste einer Testreihe dieselben Stichproben nutzen, lassen sich auch Scoredifferenzen gepaart auswerten. In Testreihen, deren Score schwerwiegende Fehler enthält, gilt das für den Teilwert „Schwerwiegende Fehler“ nicht. Der Anteil schwerwiegender Fehler wird je Dienst unabhängig aus einer Beta-Verteilung mit effektivem Stichprobenumfang gezogen, weil der Bootstrap bei null oder wenigen Ereignissen kaum streut. Der gemeinsame Einfluss schwieriger Aufnahmen hebt sich in den gepaarten Scoredifferenzen deshalb nicht auf, die Differenzintervalle werden breiter. Bei null oder wenigen schwerwiegenden Fehlern reicht das Score-Intervall vor allem nach unten, weil eine Stichprobe dieser Größe seltene Fehler übersehen haben kann.