QUIXXS im Test
Ergebnisse aus einer Testreihe auf einem deutschsprachigen Korpus. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
Im ScribeIndex-Test „Ärztliche Gesprächsdokumentation“ (3. Quartal 2026, 48 Gespräche, je 3 Durchläufe) erreicht QUIXXS 67,0 von 100 Punkten und liegt auf Platz 11 von 11.
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Ärztliche Gesprächsdokumentation | Schlussgruppe: 67,0 | 11 von 11 | Fakten-F1: 87,7 % | 4,34 min je Gespräch | 3. Quartal 2026 |
QUIXXS: Ärztliche Gesprächsdokumentation
In der Testreihe „Ärztliche Gesprächsdokumentation“ liegt QUIXXS mit 67,0 Punkten auf Platz 11 von 11, 22,1 Punkte hinter Doctolib Assistent (89,1) und 8,2 Punkte hinter Noa Notes (75,2). Hinter Doctolib Assistent bleibt QUIXXS vor allem beim Fakten-F1 (87,7 % gegenüber 95,7 %) zurück. Hinter Noa Notes bleibt QUIXXS vor allem beim Fakten-F1 (87,7 % gegenüber 91,0 %) zurück. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 86,3 bis 89,0 %. Die Präzision liegt bei 93,3 %, der Recall bei 82,7 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 4,34 Minuten Nacharbeit je Gespräch hinzu, bei einer durchschnittlichen Aufnahmedauer von 12,1 Minuten. 4 von 142 Ausgaben enthielten mindestens einen schwerwiegenden Fehler.
Einordnung: Schlussgruppe · ScribeIndex-Score 67,0 / 100 · 95-%-Intervall 60,4–71,2 · Platz 11 von 11
14,4 Punkte unter dem Median des Feldes und im untersten Fünftel der Punktespanne.
Fakten-F1 (Platz 11 von 11): 87,7 % · 95-%-Intervall 86,3–89,0 %
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 (Platz 11 von 11): 4,34 min · 95-%-Intervall 3,78–4,95 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 21,6 Minuten.
Verarbeitungszeit (Median) (Platz 5 von 8): 40,6 s · Niedriger ist besser
Schwächster Wert: 58,6 s · Median (8 Anbieter): 39,0 s · Bester Wert: 24,9 s
Gemessen von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 7 von 11, schwächster Wert): 2,8 % · 95-%-Intervall 0,8–9,6 % (Wilson mit Designeffekt) · 4 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 | 58,9 | 60 % | 35,4 |
| Schwerwiegende Fehler | 85,9 | 20 % | 17,2 |
| Korrekturaufwand | 63,4 | 15 % | 9,5 |
| Abschlussquote | 98,6 | 5 % | 4,9 |
| ScribeIndex-Score | 100 % | 67,0 |
Ein Fakten-F1 von 87,67 % liegt 12,33 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 58,9 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: Live-Gespräch
- Bewertete Ausgabe: Ärztliche Gesprächsdokumentation
- Getestete Version: QUIXXS Mobil-App und Weboberfläche, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
QUIXXS erreicht im Test „Ärztliche Gesprächsdokumentation“ 67,0 von 100 Punkten. Fakten-F1 87,7 % (95-%-Konfidenzintervall 86,3–89,0 %). 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 | 67,0 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 60,4–71,2 |
| Fakten-F1 | 87,7 % | Erläuterung weiter oben. | 86,3–89,0 |
| Nacharbeit je Gespräch | 4,34 min | Erläuterung weiter oben. | 3,78–4,95 |
| Verarbeitungszeit (Median) | 40,6 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 2,8 % | 4 von 142 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,8–9,6 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 2,8 % | 102 falsche oder unbelegte Aussagen von 3.605 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. | 2,1–3,8 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 7,7 % | 265 fehlerhafte Fachkonzepte von 3.444 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 6,4–9,2 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 5,5 % | 34 fehlerhafte Medikationsangaben von 615 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 3,4–8,8 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 3,5 % | 28 fehlerhafte Verneinungen von 810 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 2,0–5,9 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 8,5 % | 78 fehlerhafte zeitliche Angaben von 920 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 6,0–11,8 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 6,3 % | 135 fehlerhafte Zuordnungen von 2.133 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 4,8–8,2 (Wilson mit Designeffekt) |
| Faktenpräzision | 93,3 % | 3.363 korrekte relevante Fakten von 3.605 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 92,0–94,5 |
| Fakten-Recall | 82,7 % | 3.363 korrekt erhaltene Fakten von 4.067 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 80,8–84,5 |
| Verarbeitungszeit (95. Perzentil) | 79,0 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): 40,6 s
- 95. Perzentil (p95): 79,0 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 Gespräch: 4,34 min (Ø 12,1 min Aufnahme)
- Je Stunde Aufnahme: 21,57 min
- 95-%-Intervall je Stunde: 18,78–24,64 min
- Geschätzte Nacharbeit gesamt: 615,79 min
- Audiodauer aller Ausgaben: 28 h 33 min (28,547 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 | 704 (17,3 % 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 | 102 (2,8 % der ausgegebenen Aussagen) | 14 % | 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 | 140 (3,9 % der ausgegebenen Aussagen) | 20 % | 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 3.363 korrekt erhaltene Fakten (TP), 242 falsch positive Aussagen (FP), davon 102 falsch oder unbelegt und 140 zutreffend, aber nicht relevant, 704 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-020 | 3 | Aufnahme nach App-Unterbrechung verworfen |
klinik-034 | 3 | Aufnahme nach App-Unterbrechung verworfen |
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: QUIXXS Mobil-App und Weboberfläche, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Standardvorlage des Herstellers
- Arbeitsauftrag: Sprechstundendokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Aufnahme in der Anwendung über einen virtuellen Mikrofoneingang
- Modus: Ambient-Modus
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Medizin allgemein
- Region: Deutschland
- 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
- Aufbereitung:
- Einspielung der Gesprächsaufnahme in Echtzeit über einen virtuellen Mikrofoneingang mit −20 dBFS RMS
- 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) = 93,3 %. Recall = TP ÷ (TP + FN) = 82,7 %. F1 = 2TP ÷ (2TP + FP + FN) = 87,7 % (95-%-Intervall 86,3–89,0 %).
- ScribeIndex-Score: 95-%-Intervall 60,4–71,2 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 im Test 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 67,0
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.