LumaNote im Test
Ergebnisse aus 2 Testreihen auf deutschsprachigen Korpora. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
Im 3. Quartal 2026 erreicht LumaNote im ScribeIndex-Test „Psychotherapeutische Sitzungsdokumentation“ 72,8 von 100 Punkten (Platz 5 von 12, 36 Sitzungen, je 3 Durchläufe) und im Test „Anamneseberichte“ 69,0 Punkte (Platz 3 von 3, 24 Gespräche, je 2 Durchläufe).
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Psychotherapeutische Sitzungsdokumentation | Mittelfeld: 72,8 | 5 von 12 | Fakten-F1: 90,9 % | 5,7 min je Sitzung | 3. Quartal 2026 |
| Anamneseberichte | Mittelfeld: 69,0 | 3 von 3 | Fakten-F1: 89,8 % | 24,0 min je Gespräch | 3. Quartal 2026 |
LumaNote: Psychotherapeutische Sitzungsdokumentation
In der Testreihe „Psychotherapeutische Sitzungsdokumentation“ liegt LumaNote mit 72,8 Punkten auf Platz 5 von 12, 5,3 Punkte hinter VIA HealthTech (78,1) und 1,1 Punkte vor PlaynVoice (71,7). Hinter VIA HealthTech bleibt LumaNote vor allem beim Fakten-F1 (90,9 % gegenüber 92,6 %) zurück. Vor PlaynVoice liegt LumaNote vor allem beim Fakten-F1 (90,9 % gegenüber 89,2 %) und bei der Nacharbeit (5,7 gegenüber 7,0 Minuten je Sitzung). PlaynVoice liegt dafür bei den schwerwiegenden Fehlern (in keinem von 107 Dokumenten gegenüber 4 von 108) vorn. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 89,5 bis 92,3 %. Die Präzision liegt bei 91,6 %, der Recall bei 90,3 %. Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 48,0 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 72,8 / 100 · 95-%-Intervall 64,1–77,6 · Platz 5 von 12
5,3 Punkte hinter dem besten Dienst und 1,5 Punkte über dem Median des Feldes.
Fakten-F1 (Platz 4 von 12): 90,9 % · 95-%-Intervall 89,5–92,3 %
Schwächster Wert: 84,7 % · Median (12 Anbieter): 89,3 % · Bester Wert: 92,6 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Nacharbeit je Sitzung (Platz 4 von 12): 5,7 min · 95-%-Intervall 4,8–6,7 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. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 7,1 Minuten.
Verarbeitungszeit (Median) (Platz 1 von 5): 372 s · Niedriger ist besser
Schwächster Wert: 638 s · Median (5 Anbieter): 454 s · Bester Wert: 372 s
Gemessen von „Uploadstart“ bis „Vollständiges Dokument verfügbar“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
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 %
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 | 69,7 | 60 % | 41,8 |
| Schwerwiegende Fehler | 81,5 | 20 % | 16,3 |
| Korrekturaufwand | 64,3 | 15 % | 9,7 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 72,8 |
Ein Fakten-F1 von 90,92 % liegt 9,08 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 69,7 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: Datei-Upload
- Bewertete Ausgabe: Psychotherapeutische Sitzungsdokumentation
- Getestete Version: LumaNote Browseranwendung mit Audio-Upload, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
LumaNote erreicht im Test „Psychotherapeutische Sitzungsdokumentation“ 72,8 von 100 Punkten. Fakten-F1 90,9 % (95-%-Konfidenzintervall 89,5–92,3 %). 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 | 72,8 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 64,1–77,6 |
| Fakten-F1 | 90,9 % | Erläuterung weiter oben. | 89,5–92,3 |
| Nacharbeit je Sitzung | 5,7 min | Erläuterung weiter oben. | 4,8–6,7 |
| Verarbeitungszeit (Median) | 372 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 | 3,7 % | 122 falsche oder unbelegte Aussagen von 3.275 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. | 2,8–4,9 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 4,9 % | 58 fehlerhafte Fachkonzepte von 1.185 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 3,3–7,2 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 9,3 % | 7 fehlerhafte Medikationsangaben von 75 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 3,3–23,7 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,5 % | 11 fehlerhafte Verneinungen von 435 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 1,0–6,3 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 4,5 % | 44 fehlerhafte zeitliche Angaben von 969 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 2,9–7,1 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 2,3 % | 43 fehlerhafte Zuordnungen von 1.908 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 1,4–3,7 (Wilson mit Designeffekt) |
| Fehler bei Risikohinweisen | 2,9 % | 5 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. | 0,8–9,9 (Wilson mit Designeffekt) |
| Faktenpräzision | 91,6 % | 3.000 korrekte relevante Fakten von 3.275 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 89,7–93,4 |
| Fakten-Recall | 90,3 % | 3.000 korrekt erhaltene Fakten von 3.324 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 88,8–91,7 |
| Verarbeitungszeit (95. Perzentil) | 601 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 100,0 % | 108 von 108 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 372 s
- 95. Perzentil (p95): 601 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 Sitzung: 5,7 min (Ø 48,0 min Aufnahme)
- Je Stunde Aufnahme: 7,14 min
- 95-%-Intervall je Stunde: 6,05–8,34 min
- Geschätzte Nacharbeit gesamt: 616,30 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 | 324 (9,7 % 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 | 122 (3,7 % der ausgegebenen Aussagen) | 38 % | 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 | 153 (4,7 % der ausgegebenen Aussagen) | 47 % | 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 3.000 korrekt erhaltene Fakten (TP), 275 falsch positive Aussagen (FP), davon 122 falsch oder unbelegt und 153 zutreffend, aber nicht relevant, 324 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: LumaNote Browseranwendung mit Audio-Upload, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Standardvorlage des Herstellers
- Arbeitsauftrag: Therapiedokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Dateiupload der Korpusdatei im Browser
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Psychotherapie
- Vorlage im Produkt: Vorhandene Verlaufsdokumentation passend zur Therapieform
- Dokumentlänge: Lange Ausgabe
- 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
- 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) = 91,6 %. Recall = TP ÷ (TP + FN) = 90,3 %. F1 = 2TP ÷ (2TP + FP + FN) = 90,9 % (95-%-Intervall 89,5–92,3 %).
- ScribeIndex-Score: 95-%-Intervall 64,1–77,6 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 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 im Test 59,5
- Platz 12: Upheal im Test 55,5
LumaNote: Anamneseberichte
In der Testreihe „Anamneseberichte“ liegt LumaNote mit 69,0 Punkten auf Platz 3 von 3, 14,5 Punkte hinter Tippiti (83,5) und 4,9 Punkte hinter HealthJet (73,9). Hinter Tippiti bleibt LumaNote vor allem beim Fakten-F1 (89,8 % gegenüber 94,2 %) und bei den schwerwiegenden Fehlern (in 3 von 48 Dokumenten gegenüber 1 von 48) zurück. Hinter HealthJet bleibt LumaNote vor allem beim Fakten-F1 (89,8 % gegenüber 91,9 %) zurück. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 89,0 bis 90,6 %. Die Präzision liegt bei 92,9 %, der Recall bei 86,9 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 24,0 Minuten Nacharbeit je Gespräch hinzu, bei einer durchschnittlichen Aufnahmedauer von 60,3 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 69,0 / 100 · 95-%-Intervall 56,4–74,4 · Platz 3 von 3
Letzter von drei Diensten. Eine Schlussgruppe bildet ScribeIndex erst ab vier Diensten.
Fakten-F1 (Platz 3 von 3): 89,8 % · 95-%-Intervall 89,0–90,6 %
Schwächster Wert: 89,8 % · Median (3 Anbieter): 91,9 % · Bester Wert: 94,2 %
Nacharbeit je Gespräch (Platz 3 von 3): 24,0 min · 95-%-Intervall 20,9–27,3 min
Schwächster Wert: 24,0 min · Median (3 Anbieter): 20,6 min · Bester Wert: 15,3 min
Geschätzte Nacharbeit bis zur Zielfassung je Gespräch, bei durchschnittlich 60,3 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 23,9 Minuten.
Verarbeitungszeit (Median) (Platz 1 von 2): 510 s · Niedriger ist besser
Schwächster Wert: 597 s · Median (2 Anbieter): 553 s · Bester Wert: 510 s
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 2 von 3, schwächster Wert): 6,3 % · 95-%-Intervall 1,7–20,1 % (Wilson mit Designeffekt) · 3 von 48 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 6,3 % · Median (3 Anbieter): 6,3 % · Bester Wert: 2,1 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 66,0 | 60 % | 39,6 |
| Schwerwiegende Fehler | 68,8 | 20 % | 13,7 |
| Korrekturaufwand | 71,5 | 15 % | 10,7 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 69,0 |
Ein Fakten-F1 von 89,79 % liegt 10,21 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 66,0 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: Lange Anamnesegespräche
- Fälle: 24 Szenarien × 2 Durchläufe
- Abgeschlossen: 48 von 48 Läufen
- Testweg: Datei-Upload
- Bewertete Ausgabe: Anamnesebericht
- Getestete Version: LumaNote Browseranwendung mit Audio-Upload, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
LumaNote erreicht im Test „Anamneseberichte“ 69,0 von 100 Punkten. Fakten-F1 89,8 % (95-%-Konfidenzintervall 89,0–90,6 %). Getestet wurden 24 Szenarien mit je 2 Durchläufen, 48 von 48 Läufen wurden abgeschlossen. Korpus de-anamnese-v1, Protokoll 1.0, getestet im 3. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 69,0 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 56,4–74,4 |
| Fakten-F1 | 89,8 % | Erläuterung weiter oben. | 89,0–90,6 |
| Nacharbeit je Gespräch | 24,0 min | Erläuterung weiter oben. | 20,9–27,3 |
| Verarbeitungszeit (Median) | 510 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 6,3 % | 3 von 48 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 1,7–20,1 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 2,4 % | 175 falsche oder unbelegte Aussagen von 7.415 ausgegebenen Aussagen. | 1,9–2,9 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 5,5 % | 125 fehlerhafte Fachkonzepte von 2.286 Referenzkonzepten. | 4,4–6,8 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 4,6 % | 14 fehlerhafte Medikationsangaben von 306 Referenzangaben zur Medikation. | 2,4–8,6 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,6 % | 22 fehlerhafte Verneinungen von 836 Referenzaussagen zu Negation oder Bestätigung. | 1,5–4,6 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 3,7 % | 67 fehlerhafte zeitliche Angaben von 1.828 zeitlichen Referenzangaben. | 2,7–5,0 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 2,5 % | 129 fehlerhafte Zuordnungen von 5.186 Referenzfakten mit Quellenzuordnung. | 1,9–3,2 (Wilson mit Designeffekt) |
| Detailerhalt | 85,2 % | 4.061 korrekt erhaltene Detailfakten von 4.766 erforderlichen Referenzdetails. Korrekt erhaltene erforderliche Detailfakten pro vorab markiertem Detailfakt der vollständigen Anamnesereferenz. Angaben zu Vorgeschichte, Beschwerden, Verlauf, Behandlung und Lebensumständen werden getrennt annotiert. Fehlende Angaben sind keine Treffer. | 83,3–87,0 (Wilson mit Designeffekt) |
| Vollständige Berichtsgliederung | 85,7 % | 751 korrekt befüllte Pflichtabschnitte von 876 erforderlichen Abschnitten. Vorhandene und inhaltlich korrekt befüllte Pflichtabschnitte pro aufgabenbezogen erforderlichem Abschnitt. Je nach Gesprächsinhalt sind 16 bis 20 Abschnitte der Berichtsvorlage erforderlich. Nicht erhobene Inhalte werden als nicht erhoben markiert und nicht ergänzt. | 82,6–88,4 (Wilson mit Designeffekt) |
| Erhalt widersprüchlicher Angaben | 76,5 % | 78 korrekt dokumentierte Widerspruchspaare von 102 annotierten Widerspruchspaaren. Korrekt getrennt und mit ihrer Quelle wiedergegebene widersprüchliche Angaben pro vorab annotiertem Widerspruchspaar. Ausgelassene oder ohne Quellenbasis aufgelöste Widersprüche sind keine Treffer. | 62,9–86,2 (Wilson mit Designeffekt) |
| Nicht belegte Schlussfolgerungen | 7,1 % | 44 unbelegte Schlussfolgerungen von 622 ausgegebenen Schlussfolgerungen. Nicht durch Gespräch oder bereitgestellten Kontext belegte Schlussfolgerungen pro tatsächlich ausgegebener Schlussfolgerung. Eine als fremde Einschätzung gekennzeichnete Aussage zählt nur bei korrekter Quellenzuordnung als belegt. | 4,5–11,0 (Wilson mit Designeffekt) |
| Faktenpräzision | 92,9 % | 6.887 korrekte relevante Fakten von 7.415 ausgegebenen Fakten. | 91,8–93,9 |
| Fakten-Recall | 86,9 % | 6.887 korrekt erhaltene Fakten von 7.926 dokumentationsrelevanten Referenzfakten. | 85,6–88,1 |
| Verarbeitungszeit (95. Perzentil) | 987 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 48 von 48 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 510 s
- 95. Perzentil (p95): 987 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: 24,0 min (Ø 60,3 min Aufnahme)
- Je Stunde Aufnahme: 23,92 min
- 95-%-Intervall je Stunde: 20,80–27,14 min
- Geschätzte Nacharbeit gesamt: 1.153,17 min
- Audiodauer aller Ausgaben: 48 h 12 min (48,202 h)
- Ausgaben: 48, 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 | 1.039 (13,1 % 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 | 175 (2,4 % der ausgegebenen Aussagen) | 17 % | 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 | 353 (4,8 % der ausgegebenen Aussagen) | 34 % | 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 6.887 korrekt erhaltene Fakten (TP), 528 falsch positive Aussagen (FP), davon 175 falsch oder unbelegt und 353 zutreffend, aber nicht relevant, 1.039 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 wird der ausführliche Anamnesebericht aus dem aufgezeichneten Gespräch. Gegliederte Abschnitte, indirekte Rede und Umformulierungen werden semantisch abgeglichen, nicht gegen die Wortfolge des Audios bewertet.
Abgeschlossene Läufe: 48 von 48 (100,0 %)
Alle 48 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: LumaNote Browseranwendung mit Audio-Upload, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Standardvorlage des Herstellers
- Arbeitsauftrag: Anamnesebericht, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Dateiupload der Korpusdatei im Browser
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Psychotherapie
- Vorlage im Produkt: Vorhandene Vorlage für biografische Anamnesen
- Dokumentlänge: Lange Ausgabe
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: anamnesis-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Lange, im Rollenspiel geführte Anamnesegespräche mit fiktiven Personen, wechselnden zeitlichen Ebenen, Angehörigenbeiträgen, Dolmetschenden und Angaben, die einander ausdrücklich widersprechen. Zielausgabe ist ein ausführlicher gegliederter Bericht.
- Korpus: Lange Anamnesegespräche (
de-anamnese-v1, Version 1.0) - Szenarien: 25 aufgenommen, 24 ausgewertet, je 2 Läufe
- Audio gesamt: 24 h 6 min, je Fall 37 min bis 1 h 25 min (Median 1 h)
- Sprecher je Fall: 2 bis 4
- Gesprächskonstellation: Einzelgespräch (13), Mit Angehörigen (6), Mit Dolmetschenden (5)
- Kontext: Psychiatrische Anamnese (8), Psychosomatische Anamnese (6), Neurologische Anamnese (4), Internistische Langanamnese (3), Sozialmedizinische Begutachtung (3)
- Widersprüchliche Angaben: Mit annotierten Widersprüchen (22), Ohne annotierte Widersprüche (2)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, 2 Kanäle
- Referenz: Version 1.0: 143.354 Wörter, 915.637 Zeichen, 3.963 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 1.143 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 153 · Verneinte oder ausdrücklich bestätigte Befunde 418 · Zeitliche Referenzangaben 914 · Fakten mit erforderlicher Quellenzuordnung 2.593 · Markierte erforderliche Detailfakten 2.383 · Erforderliche Berichtsabschnitte 438 · Annotierte Widerspruchspaare 51
- Referenzprüfung: Detailfakten mit Quelle und Zeitbezug, Widerspruchspaare und Pflichtabschnitte werden mit der Gesprächsvorlage festgelegt und nach der Aufnahme am Gesprochenen bestätigt. Rubrik anamnesis-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
anamnese-009: Aufnahme vorzeitig abgebrochen, Gespräch unvollständig.
- SHA-256 Manifest:
fd43d74a52c8f38d1962a41126bf5f14f7d1f35990ef9e325e5a5c9b4a8e750e - SHA-256 Referenz:
f29faa81a90ca61e58fc49886c47b58ec1ff812e17abf3c5ffd0a6f9c54a8417
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: 24 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 4114781480
- 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:
507123a351cd2e8740278c579658de54ed5f0b6c9b5e1c6d7d6e788ac20cc2a3 - Fakten: Präzision = TP ÷ (TP + FP) = 92,9 %. Recall = TP ÷ (TP + FN) = 86,9 %. F1 = 2TP ÷ (2TP + FP + FN) = 89,8 % (95-%-Intervall 89,0–90,6 %).
- ScribeIndex-Score: 95-%-Intervall 56,4–74,4 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Anamneseberichte
Sortiert nach ScribeIndex-Score.
- Platz 1: Tippiti im Test 83,5
- Platz 2: HealthJet im Test 73,9
- Platz 3: LumaNote 69,0
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.