Tippiti im Test
Ergebnisse aus 3 Testreihen auf deutschsprachigen Korpora. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
ScribeIndex hat Tippiti im 3. Quartal 2026 in drei Testreihen getestet. Im Test „Medizinische Spracherkennung“ erreicht Tippiti 96,8 von 100 Punkten (Platz 1 von 9, 62 Diktate, je 3 Durchläufe). Im Test „Ärztliche Gesprächsdokumentation“ erreicht Tippiti 86,9 von 100 Punkten (Platz 2 von 11, 48 Gespräche, je 3 Durchläufe). Im Test „Anamneseberichte“ erreicht Tippiti 83,5 von 100 Punkten (Platz 1 von 3, 24 Gespräche, je 2 Durchläufe).
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Medizinische Spracherkennung | Spitzengruppe: 96,8 | 1 von 9 | Fakten-F1: 98,9 % | 0,75 min je Diktat | 3. Quartal 2026 |
| Ärztliche Gesprächsdokumentation | Mittelfeld: 86,9 | 2 von 11 | Fakten-F1: 94,7 % | 2,01 min je Gespräch | 3. Quartal 2026 |
| Anamneseberichte | Spitzengruppe: 83,5 | 1 von 3 | Fakten-F1: 94,2 % | 15,3 min je Gespräch | 3. Quartal 2026 |
Tippiti: Medizinische Spracherkennung
In der Testreihe „Medizinische Spracherkennung“ liegt Tippiti mit 96,8 Punkten auf Platz 1 von 9, 3,4 Punkte vor Heidi (93,4). Den Unterschied macht vor allem das Fakten-F1 (98,9 % bei Tippiti gegenüber 97,5 % bei Heidi). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 98,6 bis 99,1 %. Die Präzision liegt bei 99,1 %, der Recall bei 98,6 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 0,75 Minuten Nacharbeit je Diktat hinzu, bei einer durchschnittlichen Aufnahmedauer von 5,0 Minuten. Keine der 186 Ausgaben enthielt einen schwerwiegenden Fehler.
Einordnung: Spitzengruppe · ScribeIndex-Score 96,8 / 100 · 95-%-Intervall 93,3–97,2 · Platz 1 von 9 · KI-überarbeitet (Ein Sprachmodell überarbeitet den erkannten Text sprachlich. Die WER zeigt hier nur die Abweichung vom Wortlaut)
Bester Score der Testreihe.
Fakten-F1 (Platz 1 von 9): 98,9 % · 95-%-Intervall 98,6–99,1 %
Schwächster Wert: 92,9 % · Median (9 Anbieter): 95,1 % · Bester Wert: 98,9 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Nacharbeit je Diktat (Platz 1 von 9): 0,75 min · 95-%-Intervall 0,68–0,83 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. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 9,0 Minuten.
Verarbeitungszeit (Median) (Platz 2 von 2): 85,4 s · Niedriger ist besser
Schwächster Wert: 85,4 s · Median (2 Anbieter): 82,0 s · Bester Wert: 78,6 s
Gemessen von „Uploadstart“ bis „Vollständig verfügbares, exportierbares Ergebnis“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
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 %
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 | 96,2 | 60 % | 57,7 |
| Schwerwiegende Fehler | 100,0 | 20 % | 20,0 |
| Korrekturaufwand | 93,6 | 15 % | 14,1 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 96,8 |
Ein Fakten-F1 von 98,86 % liegt 1,14 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 96,2 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: Medizinische Diktate
- Fälle: 62 Szenarien × 3 Durchläufe
- Abgeschlossen: 186 von 186 Läufen
- Testweg: Datei-Upload
- Bewertete Ausgabe: KI-überarbeiteter Diktattext
- Getestete Version: Web-App, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Tippiti erreicht im Test „Medizinische Spracherkennung“ 96,8 von 100 Punkten. Fakten-F1 98,9 % (95-%-Konfidenzintervall 98,6–99,1 %). 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 | 96,8 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 93,3–97,2 |
| Fakten-F1 | 98,9 % | Erläuterung weiter oben. | 98,6–99,1 |
| Nacharbeit je Diktat | 0,75 min | Erläuterung weiter oben. | 0,68–0,83 |
| Verarbeitungszeit (Median) | 85,4 s | Erläuterung weiter oben. | – |
| Erkennungsfehler | 1,23 % | 1.264 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. | 1,09–1,37 |
| Zeichenfehlerrate · CER (Abweichung vom Wortlaut) | 4,7 % | 35.080 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. | 4,4–5,0 |
| 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 | 0,6 % | 38 falsche oder unbelegte Aussagen von 6.676 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. | 0,3–0,9 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 1,1 % | 119 fehlerhafte Fachkonzepte von 11.205 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 0,8–1,5 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 1,2 % | 9 fehlerhafte Medikationsangaben von 762 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 0,4–3,1 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 1,3 % | 14 fehlerhafte Verneinungen von 1.107 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 0,6–2,8 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 1,0 % | 15 fehlerhafte zeitliche Angaben von 1.455 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 0,5–2,3 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 0,6 % | 15 fehlerhafte Zuordnungen von 2.415 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 0,3–1,3 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | 92,2 % | 1.223 umgesetzte Diktatbefehle von 1.326 Diktatbefehlen. Richtig ausgeführte festgelegte Satzzeichen-, Absatz- und Korrekturbefehle pro ausgesprochenem Referenzbefehl. Der Befehl soll wirken und nicht als Befehlswort im Text stehen. | 89,1–94,6 (Wilson mit Designeffekt) |
| Umgesetzte Selbstkorrekturen | 95,6 % | 241 umgesetzte Selbstkorrekturen von 252 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. | 90,0–98,2 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 87,8 % | 79 umgesetzte Bearbeitungsanweisungen von 90 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. | 72,8–95,1 (Wilson mit Designeffekt) |
| Faktenpräzision | 99,1 % | 6.614 korrekte relevante Fakten von 6.676 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 98,7–99,4 |
| Fakten-Recall | 98,6 % | 6.614 korrekt erhaltene Fakten von 6.705 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 98,3–99,0 |
| Verarbeitungszeit (95. Perzentil) | 231 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 100,0 % | 186 von 186 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 85,4 s
- 95. Perzentil (p95): 231 s
- Testweg: Datei-Upload
- Messstrecke: Von „Uploadstart“ bis „Vollständig verfügbares, exportierbares Ergebnis“
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 Diktat: 0,75 min (Ø 5,0 min Aufnahme)
- Je Stunde Aufnahme: 8,98 min
- 95-%-Intervall je Stunde: 8,09–9,93 min
- Geschätzte Nacharbeit gesamt: 140,18 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): 1,23 % · 95-%-Intervall 1,09–1,37 %
- 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): 8,68 % · 95-%-Intervall 8,16–9,22 %
- Ersetzungen (S): 4.300
- Auslassungen (D): 2.785
- Einfügungen (I): 1.874
- 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): 4,7 %
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 | 91 (1,4 % 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 | 38 (0,6 % der ausgegebenen Aussagen) | 42 % | 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 | 24 (0,4 % der ausgegebenen Aussagen) | 26 % | 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 6.614 korrekt erhaltene Fakten (TP), 62 falsch positive Aussagen (FP), davon 38 falsch oder unbelegt und 24 zutreffend, aber nicht relevant, 91 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: Web-App, 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: Dateiupload im Browser
- Modus: Diktat, korrigierter Text
- Ausgabesprache: Deutsch (de-DE)
- Ausgabestil: Korrigierter Diktattext ohne Dokumentvorlage
- 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
- 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) = 99,1 %. Recall = TP ÷ (TP + FN) = 98,6 %. F1 = 2TP ÷ (2TP + FP + FN) = 98,9 % (95-%-Intervall 98,6–99,1 %).
- Wörter: WER = (4.300 + 2.785 + 1.874) ÷ 103.161 × 100 = 8,68 %
- ScribeIndex-Score: 95-%-Intervall 93,3–97,2 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 96,8
- Platz 2: Heidi im Test 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
Tippiti: Ärztliche Gesprächsdokumentation
In der Testreihe „Ärztliche Gesprächsdokumentation“ liegt Tippiti mit 86,9 Punkten auf Platz 2 von 11, 2,2 Punkte hinter Doctolib Assistent (89,1) und 2,0 Punkte vor GoSpeech Medical (84,9). Hinter Doctolib Assistent bleibt Tippiti vor allem beim Fakten-F1 (94,7 % gegenüber 95,7 %) zurück. Vor GoSpeech Medical liegt Tippiti vor allem beim Fakten-F1 (94,7 % gegenüber 93,8 %). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 93,9 bis 95,5 %. Die Präzision liegt bei 97,4 %, der Recall bei 92,2 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 2,01 Minuten Nacharbeit je Gespräch hinzu, bei einer durchschnittlichen Aufnahmedauer von 12,1 Minuten. Keine der 144 Ausgaben enthielt einen schwerwiegenden Fehler.
Einordnung: Mittelfeld · ScribeIndex-Score 86,9 / 100 · 95-%-Intervall 83,0–88,6 · Platz 2 von 11
Im obersten Fünftel der Punktespanne des Feldes, aber 2,2 Punkte hinter dem besten Dienst. Die Spitzengruppe erlaubt höchstens zwei Punkte Abstand.
Fakten-F1 (Platz 2 von 11): 94,7 % · 95-%-Intervall 93,9–95,5 %
Schwächster Wert: 87,7 % · Median (11 Anbieter): 93,1 % · Bester Wert: 95,7 %
Nacharbeit je Gespräch (Geteilter Platz 2 von 11): 2,01 min · 95-%-Intervall 1,69–2,33 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. Auf eine Stunde Aufnahme gerechnet sind das 10,0 Minuten.
Verarbeitungszeit (Median) (Platz 2 von 3): 126 s · Niedriger ist besser
Schwächster Wert: 172 s · Median (3 Anbieter): 126 s · Bester Wert: 102 s
Gemessen von „Uploadstart“ bis „Vollständiges Dokument verfügbar“.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 1 von 11): 0,0 % · 95-%-Intervall 0,0–5,0 % (Wilson mit Designeffekt) · 0 von 144 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 2,8 % · Median (11 Anbieter): 2,1 % · Bester Wert: 0,0 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 82,4 | 60 % | 49,4 |
| Schwerwiegende Fehler | 100,0 | 20 % | 20,0 |
| Korrekturaufwand | 83,1 | 15 % | 12,5 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 86,9 |
Ein Fakten-F1 von 94,71 % liegt 5,29 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 82,4 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: 144 von 144 Läufen
- Testweg: Datei-Upload
- Bewertete Ausgabe: Ärztliche Gesprächsdokumentation
- Getestete Version: Web-App, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Tippiti erreicht im Test „Ärztliche Gesprächsdokumentation“ 86,9 von 100 Punkten. Fakten-F1 94,7 % (95-%-Konfidenzintervall 93,9–95,5 %). Getestet wurden 48 Szenarien mit je 3 Durchläufen, 144 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 | 86,9 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 83,0–88,6 |
| Fakten-F1 | 94,7 % | Erläuterung weiter oben. | 93,9–95,5 |
| Nacharbeit je Gespräch | 2,01 min | Erläuterung weiter oben. | 1,69–2,33 |
| Verarbeitungszeit (Median) | 126 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 0,0 % | 0 von 144 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,0–5,0 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 1,1 % | 44 falsche oder unbelegte Aussagen von 3.915 ausgegebenen Aussagen. | 0,7–1,8 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 3,2 % | 111 fehlerhafte Fachkonzepte von 3.507 Referenzkonzepten. | 2,4–4,2 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 2,1 % | 13 fehlerhafte Medikationsangaben von 621 Referenzangaben zur Medikation. | 1,0–4,5 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 1,1 % | 9 fehlerhafte Verneinungen von 822 Referenzaussagen zu Negation oder Bestätigung. | 0,4–2,8 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 4,9 % | 46 fehlerhafte zeitliche Angaben von 939 zeitlichen Referenzangaben. | 3,1–7,6 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 2,1 % | 46 fehlerhafte Zuordnungen von 2.166 Referenzfakten mit Quellenzuordnung. | 1,3–3,4 (Wilson mit Designeffekt) |
| Faktenpräzision | 97,4 % | 3.813 korrekte relevante Fakten von 3.915 ausgegebenen Fakten. | 96,4–98,3 |
| Fakten-Recall | 92,2 % | 3.813 korrekt erhaltene Fakten von 4.137 dokumentationsrelevanten Referenzfakten. | 91,0–93,2 |
| Verarbeitungszeit (95. Perzentil) | 390 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 144 von 144 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 126 s
- 95. Perzentil (p95): 390 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: 2,01 min (Ø 12,1 min Aufnahme)
- Je Stunde Aufnahme: 9,97 min
- 95-%-Intervall je Stunde: 8,39–11,56 min
- Geschätzte Nacharbeit gesamt: 289,65 min
- Audiodauer aller Ausgaben: 29 h 3 min (29,043 h)
- Ausgaben: 144, 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 (7,8 % 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 | 44 (1,1 % 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 | 58 (1,5 % der ausgegebenen Aussagen) | 18 % | 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 3.813 korrekt erhaltene Fakten (TP), 102 falsch positive Aussagen (FP), davon 44 falsch oder unbelegt und 58 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 verdichtete Dokumentation, keine wortnahe Abschrift. Deshalb gibt es keine WER.
Abgeschlossene Läufe: 144 von 144 (100,0 %)
Alle 144 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 „Sprechstundennotiz“, Version 1.0
- Arbeitsauftrag: Sprechstundendokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Dateiupload der Korpusdatei im Browser
- Modus: Gespräch, knappe medizinische Zusammenfassung
- Ausgabesprache: Deutsch (de-DE)
- 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) = 97,4 %. Recall = TP ÷ (TP + FN) = 92,2 %. F1 = 2TP ÷ (2TP + FP + FN) = 94,7 % (95-%-Intervall 93,9–95,5 %).
- ScribeIndex-Score: 95-%-Intervall 83,0–88,6 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 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 im Test 67,0
Tippiti: Anamneseberichte
In der Testreihe „Anamneseberichte“ liegt Tippiti mit 83,5 Punkten auf Platz 1 von 3, 9,6 Punkte vor HealthJet (73,9). Den Unterschied machen vor allem das Fakten-F1 (94,2 % bei Tippiti gegenüber 91,9 % bei HealthJet) und die schwerwiegenden Fehler (in 1 von 48 Dokumenten gegenüber 3 von 48). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 93,7 bis 94,7 %. Die Präzision liegt bei 96,8 %, der Recall bei 91,7 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 15,3 Minuten Nacharbeit je Gespräch hinzu, bei einer durchschnittlichen Aufnahmedauer von 60,3 Minuten.
Einordnung: Spitzengruppe · ScribeIndex-Score 83,5 / 100 · 95-%-Intervall 72,9–86,1 · Platz 1 von 3
Bester Score der Testreihe.
Fakten-F1 (Platz 1 von 3): 94,2 % · 95-%-Intervall 93,7–94,7 %
Schwächster Wert: 89,8 % · Median (3 Anbieter): 91,9 % · Bester Wert: 94,2 %
Nacharbeit je Gespräch (Platz 1 von 3): 15,3 min · 95-%-Intervall 13,0–17,7 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 15,3 Minuten.
Verarbeitungszeit (Median) (Platz 2 von 2): 597 s · Niedriger ist besser
Schwächster Wert: 597 s · Median (2 Anbieter): 553 s · Bester Wert: 510 s
Dokumente mit schwerwiegendem Fehler (Platz 1 von 3): 2,1 % · 95-%-Intervall 0,3–14,1 % (Wilson mit Designeffekt) · 1 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 | 80,6 | 60 % | 48,3 |
| Schwerwiegende Fehler | 89,6 | 20 % | 17,9 |
| Korrekturaufwand | 81,8 | 15 % | 12,3 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 83,5 |
Ein Fakten-F1 von 94,17 % liegt 5,83 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 80,6 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: Web-App, Stand 3. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 3. Quartal 2026
Alle Kennzahlen
Tippiti erreicht im Test „Anamneseberichte“ 83,5 von 100 Punkten. Fakten-F1 94,2 % (95-%-Konfidenzintervall 93,7–94,7 %). 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 | 83,5 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 72,9–86,1 |
| Fakten-F1 | 94,2 % | Erläuterung weiter oben. | 93,7–94,7 |
| Nacharbeit je Gespräch | 15,3 min | Erläuterung weiter oben. | 13,0–17,7 |
| Verarbeitungszeit (Median) | 597 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 2,1 % | 1 von 48 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,3–14,1 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 1,6 % | 119 falsche oder unbelegte Aussagen von 7.507 ausgegebenen Aussagen. | 1,2–2,1 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 2,0 % | 46 fehlerhafte Fachkonzepte von 2.286 Referenzkonzepten. | 1,4–2,9 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 2,3 % | 7 fehlerhafte Medikationsangaben von 306 Referenzangaben zur Medikation. | 0,9–5,6 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 1,1 % | 9 fehlerhafte Verneinungen von 836 Referenzaussagen zu Negation oder Bestätigung. | 0,4–2,6 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 3,2 % | 59 fehlerhafte zeitliche Angaben von 1.828 zeitlichen Referenzangaben. | 2,3–4,5 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 1,9 % | 97 fehlerhafte Zuordnungen von 5.186 Referenzfakten mit Quellenzuordnung. | 1,4–2,5 (Wilson mit Designeffekt) |
| Detailerhalt | 88,9 % | 4.235 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. | 87,1–90,4 (Wilson mit Designeffekt) |
| Vollständige Berichtsgliederung | 93,8 % | 822 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. | 91,5–95,6 (Wilson mit Designeffekt) |
| Erhalt widersprüchlicher Angaben | 85,3 % | 87 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. | 72,8–92,7 (Wilson mit Designeffekt) |
| Nicht belegte Schlussfolgerungen | 8,6 % | 55 unbelegte Schlussfolgerungen von 638 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. | 5,7–12,8 (Wilson mit Designeffekt) |
| Faktenpräzision | 96,8 % | 7.267 korrekte relevante Fakten von 7.507 ausgegebenen Fakten. | 96,3–97,3 |
| Fakten-Recall | 91,7 % | 7.267 korrekt erhaltene Fakten von 7.926 dokumentationsrelevanten Referenzfakten. | 90,7–92,7 |
| Verarbeitungszeit (95. Perzentil) | 1.103 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 48 von 48 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 597 s
- 95. Perzentil (p95): 1.103 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: 15,3 min (Ø 60,3 min Aufnahme)
- Je Stunde Aufnahme: 15,28 min
- 95-%-Intervall je Stunde: 12,92–17,67 min
- Geschätzte Nacharbeit gesamt: 736,72 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 | 659 (8,3 % 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 | 119 (1,6 % 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 genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 121 (1,6 % der ausgegebenen Aussagen) | 18 % | 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 7.267 korrekt erhaltene Fakten (TP), 240 falsch positive Aussagen (FP), davon 119 falsch oder unbelegt und 121 zutreffend, aber nicht relevant, 659 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: Web-App, Stand 3. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: ScribeIndex-Vorlage „Anamnesebericht“, Version 1.0
- Arbeitsauftrag: Anamnesebericht, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Dateiupload der Korpusdatei im Browser
- Modus: Ausführliche Anamneseausarbeitung
- Berichtsstil: Indirekte Rede, thematisch gegliedert
- Ausgabesprache: Deutsch (de-DE)
- 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) = 96,8 %. Recall = TP ÷ (TP + FN) = 91,7 %. F1 = 2TP ÷ (2TP + FP + FN) = 94,2 % (95-%-Intervall 93,7–94,7 %).
- ScribeIndex-Score: 95-%-Intervall 72,9–86,1 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Anamneseberichte
Sortiert nach ScribeIndex-Score.
- Platz 1: Tippiti 83,5
- Platz 2: HealthJet im Test 73,9
- Platz 3: LumaNote im Test 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.