{"id":14528,"date":"2025-11-20T16:52:13","date_gmt":"2025-11-20T15:52:13","guid":{"rendered":"https:\/\/www.iese.fraunhofer.de\/blog\/?p=14528"},"modified":"2025-11-20T16:52:13","modified_gmt":"2025-11-20T15:52:13","slug":"chancen-von-llms-im-gesundheitswesen","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/","title":{"rendered":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen"},"content":{"rendered":"

Das deutsche Gesundheitswesen steht vor vielf\u00e4ltigen Herausforderungen: Immer mehr Patient*innen treffen auf einen zunehmenden Fachkr\u00e4ftemangel, w\u00e4hrend Diagnostik und Therapie komplexer werden. Die Vielzahl, h\u00e4ufig unstrukturierter, Informationen ist f\u00fcr Behandelnde kaum noch \u00fcberschaubar. Gleichzeitig sollen die Patientensicherheit gest\u00e4rkt, der Kostendruck bew\u00e4ltigt und der Anspruch auf Mitbestimmung in der Gesundheitsversorgung gew\u00e4hrleistet werden. Es braucht also effektive L\u00f6sungen, um diesen vielschichtigen Herausforderungen zu begegnen. In der Industrie wird im Umgang mit \u00e4hnlichen Herausforderungen<\/a> vielfach auf k\u00fcnstliche Intelligenz (KI) gesetzt. Seit der Ver\u00f6ffentlichung von ChatGPT, 2022, haben insbesondere Large Language Models (LLMs) gro\u00dfe Aufmerksamkeit gewonnen. Die Anzahl der Nutzer*innen und die Vielfalt der Anwendungen im privaten und beruflichen Gebrauch steigen stetig. Dieser Beitrag beleuchtet, welche Chancen LLMs im Gesundheitswesen bieten \u2013 von der automatisierten Dokumentation bis zur Unterst\u00fctzung in Forschung und Diagnostik. Gleichzeitig wird die unverzichtbare Auseinandersetzung mit Risiken wie Halluzinationen und Bias diskutiert, und gezeigt, welche L\u00f6sungen das Fraunhofer IESE bereits heute entwickelt.<\/p>\n

Von Chatbots zu Healthcare-Agenten<\/h2>\n

LLMs<\/a> sind gro\u00dfe Modelle aus dem Bereich der k\u00fcnstlichen Intelligenz (KI), die nat\u00fcrliche Sprache verarbeiten und produzieren k\u00f6nnen. Daher werden sie zum Bereich der generativen KI gez\u00e4hlt. N\u00e4heres zur Funktionsweise dieser gro\u00dfen Sprachmodelle erkl\u00e4ren wir in unserem Beitrag \u00bbWie funktionieren LLMs? Ein Blick ins Innere gro\u00dfer Sprachmodelle<\/a>\u00ab. Der wohl bekannteste Anwendungsbereich sind sogenannte Chatbots wie z.B. ChatGPT. Benutzer*innen k\u00f6nnen damit per Text kommunizieren, Fragen stellen und Aufgaben wie Textverarbeitung erledigen lassen. Die Texteingaben werden als sogenannte Prompts an die Modelle \u00fcbergeben und von diesen verarbeitet.<\/p>\n

Prompts sind allerdings nicht auf den Einsatz durch manuelle Eingabe von Menschen beschr\u00e4nkt. Als sogenannte Agenten<\/a> k\u00f6nnen, auch innerhalb einer Software, verschiedene Komponenten durch selbst erzeugte Prompts miteinander kommunizieren, einander Aufgaben erteilen oder Eingaben von externen Systemen erhalten und verarbeiten. Dies er\u00f6ffnet ein riesiges Spektrum an Einsatzm\u00f6glichkeiten, auch f\u00fcr Digital Health und das Gesundheitswesen.<\/p>\n

Reduzierung des Dokumentationsaufwands<\/h2>\n

Einen gro\u00dfen Mehrwert bietet die \u00dcbernahme von Aufgaben im Bereich der Dokumentation. Laut einer Studie<\/a> mit \u00c4rzt*innen in einem regionalen Schwerpunktkrankenhaus betr\u00e4gt die t\u00e4gliche Dokumentationszeit durchschnittlich mehr als 1,5 Stunden. Das entspricht fast 20 % der Arbeitszeit. Darunter fallen auch standardisierte Berichte, welche stattdessen von spezialisierten LLMs verfasst werden k\u00f6nnten. So ist es z. B. m\u00f6glich, aus Notizen, medizinischen Dokumenten und Daten der Krankenhaus- oder Praxisinformationssysteme, automatisierte Fallberichte zu generieren. Dies stellt eine zeitliche und mentale Entlastung f\u00fcr \u00c4rzt*innen dar, wodurch den Patient*innen eine gr\u00f6\u00dfere Aufmerksamkeit geschenkt werden kann.<\/p>\n

Solche Ans\u00e4tze werden bereits umgesetzt, z. B. durch diverse L\u00f6sungen<\/a> f\u00fcr die automatische Erstellung von Arztbriefen. <\/a>In Verbindung mit Sprache-zu-Text Technologien ergeben sich f\u00fcr LLMs weitere Anwendungsfelder. Z. B. k\u00f6nnen Arzt- oder Anamnesegespr\u00e4che aufgezeichnet und direkt mithilfe von LLMs analysiert, zusammengefasst oder strukturiert werden. Die wichtigsten Informationen k\u00f6nnen in geeigneter Form abgespeichert und weitergeleitet werden. Das erspart Dokumentationsaufwand und kann Prozessabl\u00e4ufe beschleunigen. Wird im Gespr\u00e4ch eine direkte Anschlussuntersuchung beschlossen, kann das beteiligte Personal direkt informiert werden, um Vorbereitungen zu treffen. Funktionierende Anwendungen<\/a>, die Arztgespr\u00e4che aufnehmen und in \u00fcbersichtlicher Form, zuverl\u00e4ssig zusammenfassen k\u00f6nnen, existieren ebenfalls bereits.<\/p>\n

Entsprechende Anwendungen k\u00f6nnen durch Automatisierung im Krankenhaus- oder Praxisalltag, f\u00fcr ein hohes Ma\u00df an Entlastung sorgen.<\/p>\n

Vereinfachter Informationsfluss<\/h2>\n

Des Weiteren kann die Arbeit f\u00fcr Krankenhaus- oder Pflegepersonal durch Sprachassistenten in Verbindung mit LLMs erleichtert und effizienter gestaltet werden. Z.B. k\u00f6nnen Informationen zu einzelnen Patient*innen als sogenannte \u00bbKnowledge Graphen\u00ab gespeichert werden. Dies sind Datenstrukturen, die Informationen und deren Beziehungen zueinander als Knoten und verbindende Kanten darstellen. Ist der Sprachassistent entsprechend mit diesen Graphen vernetzt, k\u00f6nnen schnell Informationen, bspw. zur Medikation oder zu Allergien, durch das Personal erfragt werden. Diese Informationsbeschaffung als Gespr\u00e4ch zu gestalten, erm\u00f6glicht einen besonders niedrigschwelligen Zugang.<\/p>\n

Nicht nur zur Steigerung der Effizienz und Sicherheit von Krankenhaus- oder Praxisprozessen k\u00f6nnen LLMs im Gesundheitsbereich von Nutzen sein. Es ist auch m\u00f6glich, dass Patient*innen selbst Informationen zu ihrer Erkrankung oder deren Behandlung in Erfahrung bringen. Spezialisierte, LLM-basierte Chatbots k\u00f6nnen zur Beantwortung der aufkommenden Fragen genutzt werden. Hierzu lassen sich LLMs z. B. mit Wissensdatenbanken verbinden, die gro\u00dfe Mengen an medizinischem Wissen bereithalten und die auf Grundlage der neuesten fachlichen Erkenntnisse aktualisiert werden. Die Antworten k\u00f6nnen durch das LLM dem Wissensstand der Patient*innen angepasst werden, sodass sie f\u00fcr verschiedene Zielgruppen verst\u00e4ndlich und nachvollziehbar sind.<\/p>\n

Um die Kommunikation zwischen Fachpersonal und Patient*innen zu verbessern, k\u00f6nnen digitale Sprachtools zu Dolmetscherzwecken genutzt werden, aber auch, um fachspezifische Aussagen in allt\u00e4gliche, f\u00fcr Laien verst\u00e4ndliche Sprache zu \u00fcberf\u00fchren.<\/p>\n

\"LLMs
Mithilfe von LLM-basierten Systemen kann der Informationsfluss in Krankenh\u00e4usern verbessert werden. Z. B. indem das Pflegepersonal wichtige Informationen durch einen Sprachassistenten abfragen kann. Oder indem Patient*innen per Chatbot R\u00fcckfragen zur Behandlung stellen k\u00f6nnen.<\/figcaption><\/figure>\n

Sprachmodelle in der Diagnostik<\/h2>\n

Abgesehen von den eher praktischen Anwendungen, kann generative KI aber auch f\u00fcr fachspezifische Herausforderungen, wie Diagnosen, unterst\u00fctzend eingesetzt werden. Zum einen erm\u00f6glichen Techniken wie Retrieval Augmented Generation (RAG<\/a>), Datenbanken nach relevanten Informationen zu durchsuchen und erg\u00e4nzende Hinweise zu m\u00f6glichen Erkrankungen zu geben. Auch die Sicherheit von Patient*innen kann hiervon profitieren, indem gleichzeitig bspw. aktuelle Erkenntnisse zu Arzneimittelinteraktionen<\/a> gepr\u00fcft werden. Des Weiteren k\u00f6nnen LLM-basierte Analysetechniken angewendet werden, um Diagnosen zu unterst\u00fctzen. Z.B. ist es m\u00f6glich, LLMs bei der Erkennung von neurodegenerativen Erkrankungen einzusetzen, indem mit ihrer Hilfe ungew\u00f6hnliche Sprachmuster<\/a> identifiziert werden.<\/p>\n

Abgesehen von nat\u00fcrlicher Sprache, k\u00f6nnen die methodischen Prinzipien der LLM-Technologie auch f\u00fcr die Verarbeitung anderer Arten von Zeichenabfolgen angewendet werden. Diesen Umstand macht man sich zum Trainieren von speziellen LLMs zunutze, die die \u00bbSprache der Gene\u00ab verstehen, sogenannte \u00bbgenome language models\u00ab (GLMs<\/a>). Das Genom kann, durch eine Abfolge von Buchstaben dargestellt werden. Diese geben die Sequenz der Basenpaare auf den DNA-Str\u00e4ngen an und repr\u00e4sentieren den genetischen Code. Mithilfe solcher Modelle k\u00f6nnten z. B. genetische Risikofaktoren f\u00fcr bestimmte Erkrankungen bei Patient*innen identifiziert werden.<\/p>\n

Unterst\u00fctzung in der medizinischen Forschung<\/h2>\n

Neben dem direkten Einsatz im klinischen oder Praxisalltag bieten LLMs auch wesentliche Vorteile f\u00fcr die medizinische Forschung.<\/p>\n

Die F\u00fclle an medizinischer Fachliteratur macht den Zugang und Einstieg in viele Themenbereiche schwer und zeitintensiv. Mithilfe von LLMs lassen sich Recherchen vereinfachen und beschleunigen, indem sie hilfreiche \u00dcbersichten und Zusammenfassungen zu einzelnen Dokumenten oder ganzen Themengebieten erstellen. Sie erm\u00f6glichen auch spezifische R\u00fcckfragen und sind, anders als Lehrpersonal, durchgehend verf\u00fcgbar. Hierbei ist jedoch anzumerken, dass insbesondere Detailaussagen in Originalliteratur gegengepr\u00fcft werden sollten, um auszuschlie\u00dfen, dass die weitere wissenschaftliche Arbeit m\u00f6glicherweise auf Falschaussagen durch das KI-System basiert.<\/p>\n

Neben der Erschlie\u00dfung von Literatur k\u00f6nnen LLMs auch beim Verfassen neuer Literatur behilflich sein. Z.B. haben Forschende die M\u00f6glichkeit, Manuskripte \u00fcber ihre Arbeit stichwortartig aufzusetzen und den ersten Entwurf eines Volltextes durch ein LLM schreiben zu lassen. Dieses bedarf anschlie\u00dfend intensiver inhaltlicher Pr\u00fcfung und Anpassung. Dennoch kann so der Schreibprozess beschleunigt werden, was den Forschenden mehr Zeit f\u00fcr andere, forschungsrelevante Aufgaben verschafft.<\/p>\n

F\u00fcr viele Aufgaben im wissenschaftlichen Bereich ist es notwendig, oder von Vorteil, Programmierkenntnisse zu besitzen. Dies kann im Zentrum der Forschung stehen, wenn es bspw. um die Entwicklung und Auswertung komplexer Simulationen zur Ausbreitung von Medikamenten im Blutkreislauf o.\u00c4. geht. Au\u00dferdem kann es dabei helfen, langwierige, repetitive Aufgaben, wie die \u00dcbertragung und Verarbeitung biomedizinischer Messwerte aus verschiedenen Datenquellen, zu automatisieren und somit Zeit zu sparen. \u00c4hnlich wie mit gesprochenen Sprachen k\u00f6nnen LLMs auch auf Programmiersprachen trainiert, und die Codeinhalte mit inhaltlichen Aussagen verkn\u00fcpft werden. Die Verwendung von generativer KI als Programmierassistent kann die Entwicklung von Code daher deutlich erleichtern und beschleunigen. Zudem gibt es Forschenden mit geringen Programmierkenntnissen die M\u00f6glichkeit, dennoch funktionalen Code f\u00fcr ihre individuellen Zwecke zu generieren.<\/p>\n

Was ist beim Einsatz von LLMs im Gesundheitswesen zu beachten?<\/h2>\n

Ein Bewusstsein f\u00fcr Risiken und Einschr\u00e4nkungen ist essenziell.<\/p>\n

Es geht um Patientensicherheit<\/h3>\n

Neben vielf\u00e4ltigen Vorteilen und Anwendungsm\u00f6glichkeiten sind wichtige Risiken und Herausforderungen bei der Verwendung von LLMs im Gesundheitswesen zu beachten.<\/p>\n

Zun\u00e4chst ist besonders in diesem Bereich ein sehr hohes Ma\u00df an Verl\u00e4sslichkeit und Absicherung unverzichtbar. Das gilt insbesondere f\u00fcr Aufgaben mit Patient*innenbezug. Da hier Verantwortung f\u00fcr die Gesundheit der Patient*innen \u00fcbernommen werden muss, d\u00fcrfen keine Entscheidungen allein den KI-Modellen \u00fcberlassen werden. Doch selbst wenn LLMs keine endg\u00fcltigen Diagnosen stellen oder Entscheidungen \u00fcber Weiterbehandlungen treffen, beeinflussen sie den Entscheidungsprozess. Sie verarbeiten und liefern zentrale Informationen, die f\u00fcr die \u00e4rztliche Entscheidungsfindung relevant sind.<\/p>\n

Diese Prozesse m\u00fcssen absolut verl\u00e4sslich sein, um die Patient*innen nicht zu gef\u00e4hrden. Aus diesem Grund sollten hier nur medizinisch spezialisierte LLMs oder spezialisierte Systeme, in die sie eingebettet sind, verwendet werden. Diese verbinden ein fundiertes Training in medizinischen Fachbereichen und Terminologien mit einem ausgepr\u00e4gten Schwerpunkt auf Sicherheits-, Datenschutz- und Risikomanagement. ChatGPT 4 besteht zwar bereits die US-amerikanische medizinische Zulassungspr\u00fcfung mit hoher Punktzahl. Doch die fundierte und verantwortungsvolle Behandlung von Patient*innen ist weitaus komplexer als solche Pr\u00fcfungen. Auf medizinische Themen spezialisierte LLMs sind u. A. Med-PaLM<\/a>, Meditron<\/a>, medBERT<\/a> oder ClinicalCamel<\/a>.<\/p>\n

LLMs k\u00f6nnen halluzinieren<\/h3>\n

Ein bekanntes Ph\u00e4nomen, das ein besonderes Risiko im medizinischen Bereich darstellt, sind sogenannte Halluzinationen<\/a>. Davon spricht man, wenn LLMs pl\u00f6tzlich falsche oder sinnlose Aussagen t\u00e4tigen. Durch die riesigen Mengen an Trainingsdaten und Parametern ist es schwer zu pr\u00fcfen, woher genau solche Halluzinationen stammen. Entsprechend schwer ist es, sie zu vermeiden. Allerdings gibt es inzwischen verschiedene Absicherungstechniken, durch die Halluzinationen abgefangen und korrigiert werden k\u00f6nnen. Dies kann z.B. durch Multiagentensysteme, bei denen sich verschiedene Agenten gegenseitig \u00fcberpr\u00fcfen, realisiert werden.<\/p>\n

Generative KI kann Bias reproduzieren und verst\u00e4rken<\/h3>\n

Ein weiterer wichtiger Faktor im Umgang mit k\u00fcnstlicher Intelligenz in der Medizin ist die Ber\u00fccksichtigung von Verzerrungen und Ungleichheit<\/a>. Viele Gruppen wie Frauen, People of Color oder Transpersonen sind in der medizinischen Forschung, die h\u00e4ufig auf wei\u00dfe M\u00e4nner ausgerichtet ist, unterrepr\u00e4sentiert. Diese ungleiche Repr\u00e4sentation spiegelt sich auch in Dokumenten und Daten wider, welche als Trainingsgrundlage f\u00fcr Sprachmodelle und andere KI-Systeme<\/a> dienen. Dies kann zu falschen Behandlungen und Benachteiligungen dieser Gruppen f\u00fchren und bedarf daher besonderer Aufmerksamkeit. Die unkritische Verwendung der Modelle reproduziert diese Verzerrung. Wenn sie als Grundlage f\u00fcr weitere Forschung und fortlaufendes Nachtraining der Modelle selbst dient, verst\u00e4rkt sie diese sogar.<\/p>\n

Kompetenzen k\u00f6nnen verloren gehen<\/h3>\n

Nicht zuletzt bringt die vermehrte Verwendung von Sprachmodellen auch die Gefahr von Kompetenzverlust mit sich. Wenn Fachpersonal sich vermehrt auf die Aussagen und Empfehlungen der verwendeten LLMs verl\u00e4sst, kann dies langfristig die eigene Urteilsf\u00e4higkeit in fachbezogenen Aspekten negativ beeinflussen. Dasselbe gilt f\u00fcr Aufgaben, die nicht mehr, oder nur noch kaum selbst ausgef\u00fchrt werden. Die Menschen verlernen diese mit der Zeit. Eine Studie des MIT<\/a> beschreibt dieses Ph\u00e4nomen als \u00bbkognitive Schuld\u00ab und stellt einen negativen Zusammenhang zwischen der Verwendung von ChatGPT und den kognitiven F\u00e4higkeiten der Studienteilnehmer*innen fest.<\/p>\n

Die Verwendung von LLMs im Gesundheitswesen steht noch am Anfang<\/h2>\n

Obwohl LLMs teilweise hervorragende Ergebnisse in medizinischen Tests, sowie eine hohe Verl\u00e4sslichkeit erzielen, wird die Anwendung im medizinischen Bereich, sowohl von medizinischem Personal als auch von Patient*innen, oftmals skeptisch<\/a> betrachtet. Ein zentraler Aspekt f\u00fcr eine erfolgreiche, weitreichende Anwendung wird es also sein, die Systeme vertrauensw\u00fcrdig umzusetzen und die auch zu demonstrieren. Um hier Vertrauen zu schaffen, ist es wichtig, dass transparent mit der Verwendung umgegangen wird, und, dass die Aussagen der KI-Komponenten nachvollziehbar<\/a> und \u00fcberpr\u00fcfbar sind. Au\u00dferdem besteht eine zentrale Herausforderung darin, belastbare regulatorische Rahmenbedingungen f\u00fcr den Einsatz von KI in der Medizin zu schaffen, die sowohl Sicherheit gew\u00e4hrleisten als auch Innovationen f\u00f6rdern. Hierbei spielen auch Haftungsfragen eine zentrale Rolle.<\/p>\n

Unter Beachtung dieser kritischen Aspekte und einem gezielten, verantwortungsvollen Umgang bietet der Einsatz von k\u00fcnstlicher Intelligenz in der Medizin wesentliche Vorteile, die bei der Bew\u00e4ltigung vieler Herausforderungen im Gesundheitswesen entscheidend sein k\u00f6nnen. Gerade der demografische Wandel und, damit einhergehend, der zunehmende Fachkr\u00e4ftemangel erfordern eine schnelle Ver\u00e4nderung. LLM-basierte L\u00f6sungen k\u00f6nnen hier f\u00fcr Entlastung sorgen.<\/p>\n

Das Fraunhofer IESE bringt LLMs im Gesundheitswesen zum Einsatz<\/h3>\n

Das Fraunhofer IESE besch\u00e4ftigt sich seit Jahren mit LLMs und setzt diese in Projekten wie SATURN<\/a> ein. Hier werden \u00c4rzt*innen mithilfe eines hybriden Ansatzes aus LLMs und anderen Methoden des maschinellen Lernens dabei unterst\u00fctzt, seltene Erkrankungen zu diagnostizieren oder auszuschlie\u00dfen.<\/p>\n

Aktuell arbeitet das Digital Health Engineering<\/a> Team des IESE am Projekt FHIR-Starter<\/a>. Hier werden LLMs in einem Multiagentensystem dazu verwendet, um unstrukturierte Daten aus medizinischen Volltextdokumenten wie Arztbriefen, zu extrahieren und in ein strukturiertes Datenformat zu \u00fcbertragen. Das Zielformat entspricht den FHIR Spezifikationen<\/a>, einem international etablierten Standard<\/a> f\u00fcr medizinische Daten. Somit werden die Daten digital nutzbar und interoperabel, d.h. sie k\u00f6nnen von verschiedenen Systemen gelesen und interpretiert werden, wovon Patient*innen, medizinisches Personal und Forschende profitieren k\u00f6nnen.<\/p>\n

\n

FHIR steht f\u00fcr Fast Healthcare Interoperability Resources (Schnelle Ressourcen zur Interoperabilit\u00e4t im Gesundheitswesen) und bezeichnet einen internationalen Standard zum Austausch elektronischer Gesundheitsdaten, der stetig weiterentwickelt wird. Hierf\u00fcr werden standardisierte Datenformate (z. B. JSON, XML) und ein modularer, erweiterbarer Aufbau verwendet.<\/p>\n<\/div>\n

Au\u00dferdem unterst\u00fctzt das Fraunhofer IESE, im Rahmen der \u00bbLLM Innovation Labs<\/a>\u00ab, Unternehmen bei der Integration von LLMs in eigene Produkte.<\/p>\n

Die Weiterentwicklung von generativer KI schreitet schnell voran und spiegelt sich in der Ver\u00f6ffentlichung vieler neuer Versionen verschiedener Modelle im kommerziellen und Open Source Bereich wider. Dieser Prozess beschleunigt sich selbst, da mithilfe besserer Modelle auch schneller neue, bessere, effizientere Modelle entwickelt werden k\u00f6nnen. Es ist also davon auszugehen, dass sie auch im medizinischen Bereich zunehmend an Relevanz gewinnen werden.<\/p>\n

Sie planen den Einsatz von k\u00fcnstlicher Intelligenz im Health-Bereich?<\/strong> Die Expert*innen des Fraunhofer IESE unterst\u00fctzen Sie gerne bei der sicheren und verantwortungsvollen Integration von KI-Systemen. Nehmen Sie jetzt Kontakt mit unserem Digital Health Engineering Team<\/strong><\/a> auf, um Ihr Projekt zu besprechen.<\/p>\n

Referenzen<\/h3>\n
\n
\n
1. Liu, F. et al.<\/i> Application of large language models in medicine. Nat Rev Bioeng<\/i> 1\u201320 (2025) doi:10.1038\/s44222-025-00279-5<\/a>.<\/div>\n
\n
\n
\n
2. Clusmann, J. et al.<\/i> Die kommende Entwicklung gro\u00dfer Sprachmodelle in der Medizin. Kompass Onkologie<\/i> 11<\/b>, 3\u201310 (2024).<\/div>\n
\n
\n
<\/div>\n
\n
\n
\n
\n
3. Qiu, J. et al.<\/i> LLM-based agentic systems in medicine and healthcare. Nat Mach Intell<\/i> 6<\/b>, 1418\u20131420 (2024).<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Das deutsche Gesundheitswesen steht vor vielf\u00e4ltigen Herausforderungen: Immer mehr Patient*innen treffen auf einen zunehmenden Fachkr\u00e4ftemangel, w\u00e4hrend Diagnostik und Therapie komplexer werden. Die Vielzahl, h\u00e4ufig unstrukturierter, Informationen ist f\u00fcr Behandelnde kaum noch \u00fcberschaubar. Gleichzeitig sollen die Patientensicherheit gest\u00e4rkt, der Kostendruck bew\u00e4ltigt…<\/p>\n","protected":false},"author":161,"featured_media":14539,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[399,211,177],"tags":[756,587],"coauthors":[694],"class_list":["post-14528","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digital-health","category-digitale-transformation","category-kuenstliche-intelligenz","tag-gesundheitsversorgung","tag-large-language-models-llm"],"yoast_head":"\nMehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE<\/title>\n<meta name=\"description\" content=\"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE\" \/>\n<meta property=\"og:description\" content=\"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/\" \/>\n<meta property=\"og:site_name\" content=\"Fraunhofer IESE\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/FraunhoferIESE\/\" \/>\n<meta property=\"article:published_time\" content=\"2025-11-20T15:52:13+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"776\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Stephan O. Adler\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:site\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Stephan O. Adler\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"12\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Stephan O. Adler\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/\"},\"author\":{\"name\":\"Stephan O. Adler\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/f02761af8090cd397a1f417fd8f8e1ba\"},\"headline\":\"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen\",\"datePublished\":\"2025-11-20T15:52:13+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/\"},\"wordCount\":2398,\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/11\\\/dalle_20251114_135635_small.png\",\"keywords\":[\"Gesundheitsversorgung\",\"Large Language Models (LLM)\"],\"articleSection\":[\"Digital Health\",\"Digitale Transformation\",\"K\u00fcnstliche Intelligenz\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/\",\"name\":\"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/11\\\/dalle_20251114_135635_small.png\",\"datePublished\":\"2025-11-20T15:52:13+00:00\",\"description\":\"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/11\\\/dalle_20251114_135635_small.png\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/11\\\/dalle_20251114_135635_small.png\",\"width\":1024,\"height\":776},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/chancen-von-llms-im-gesundheitswesen\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"name\":\"Fraunhofer IESE\",\"description\":\"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\",\"name\":\"Fraunhofer IESE\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"width\":183,\"height\":50,\"caption\":\"Fraunhofer IESE\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/FraunhoferIESE\\\/\",\"https:\\\/\\\/x.com\\\/FraunhoferIESE\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/fraunhoferiese\\\/\",\"https:\\\/\\\/www.youtube.com\\\/c\\\/FraunhoferIESE\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/f02761af8090cd397a1f417fd8f8e1ba\",\"name\":\"Stephan O. Adler\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/adler_C97A0231_web-96x96.jpge43bc76f1278eb45908e9da81b7740f2\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/adler_C97A0231_web-96x96.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/adler_C97A0231_web-96x96.jpg\",\"caption\":\"Stephan O. Adler\"},\"description\":\"Stephan O. Adler ist seit Anfang 2024 als Data Scientist in der Abteilung \u00bbDigital Health Engineering\u00ab am Fraunhofer IESE t\u00e4tig. Hierbei ist ihm besonders wichtig, durch digitale L\u00f6sungen zur Entlastung des Gesundheitssystems und zur Verbesserung der Behandlung von Patientinnen und Patienten beizutragen. Zuvor arbeitete er an verschiedenen Projekten mit Simulationsmodellen zu biochemischen Prozessen sowie zur Infektionsausbreitung. Hierbei besch\u00e4ftigte er sich insbesondere mit den Themen \u00bbSystembiologie\u00ab und \u00bbMaschinelles Lernen\u00ab. -- Stephan O. Adler has been working as a data scientist in the \u201cDigital Health Engineering\u201d department of Fraunhofer IESE since the beginning of 2024. He is particularly interested in using digital solutions to contribute to relieving the burden on the healthcare system and improving the treatment of patients. Previously, he worked on various projects with simulation models for biochemical processes and the spread of infection. In particular, he focused on the topics of \u201cSystems Biology\u201d and \u201cMachine Learning\u201d.\",\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/in\\\/stephan-o-adler\\\/\"],\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/author\\\/stephan-adler\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE","description":"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/","og_locale":"de_DE","og_type":"article","og_title":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE","og_description":"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.","og_url":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/","og_site_name":"Fraunhofer IESE","article_publisher":"https:\/\/www.facebook.com\/FraunhoferIESE\/","article_published_time":"2025-11-20T15:52:13+00:00","og_image":[{"width":1024,"height":776,"url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","type":"image\/png"}],"author":"Stephan O. Adler","twitter_card":"summary_large_image","twitter_creator":"@FraunhoferIESE","twitter_site":"@FraunhoferIESE","twitter_misc":{"Verfasst von":"Stephan O. Adler","Gesch\u00e4tzte Lesezeit":"12\u00a0Minuten","Written by":"Stephan O. Adler"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#article","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/"},"author":{"name":"Stephan O. Adler","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/f02761af8090cd397a1f417fd8f8e1ba"},"headline":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen","datePublished":"2025-11-20T15:52:13+00:00","mainEntityOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/"},"wordCount":2398,"publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","keywords":["Gesundheitsversorgung","Large Language Models (LLM)"],"articleSection":["Digital Health","Digitale Transformation","K\u00fcnstliche Intelligenz"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/","name":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen - Blog des Fraunhofer IESE","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#primaryimage"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","datePublished":"2025-11-20T15:52:13+00:00","description":"Die Verwendung von LLMs bietet gro\u00dfe Potenziale und vielseitige Anwendungsm\u00f6glichkeiten f\u00fcr das Gesundheitswesen.","breadcrumb":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#primaryimage","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","width":1024,"height":776},{"@type":"BreadcrumbList","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/chancen-von-llms-im-gesundheitswesen\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.iese.fraunhofer.de\/blog\/"},{"@type":"ListItem","position":2,"name":"Mehr als Chatbots: Chancen durch LLMs im Gesundheitswesen"}]},{"@type":"WebSite","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","name":"Fraunhofer IESE","description":"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering","publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.iese.fraunhofer.de\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization","name":"Fraunhofer IESE","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","width":183,"height":50,"caption":"Fraunhofer IESE"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/FraunhoferIESE\/","https:\/\/x.com\/FraunhoferIESE","https:\/\/www.linkedin.com\/company\/fraunhoferiese\/","https:\/\/www.youtube.com\/c\/FraunhoferIESE"]},{"@type":"Person","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/f02761af8090cd397a1f417fd8f8e1ba","name":"Stephan O. Adler","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2024\/07\/adler_C97A0231_web-96x96.jpge43bc76f1278eb45908e9da81b7740f2","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2024\/07\/adler_C97A0231_web-96x96.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2024\/07\/adler_C97A0231_web-96x96.jpg","caption":"Stephan O. Adler"},"description":"Stephan O. Adler ist seit Anfang 2024 als Data Scientist in der Abteilung \u00bbDigital Health Engineering\u00ab am Fraunhofer IESE t\u00e4tig. Hierbei ist ihm besonders wichtig, durch digitale L\u00f6sungen zur Entlastung des Gesundheitssystems und zur Verbesserung der Behandlung von Patientinnen und Patienten beizutragen. Zuvor arbeitete er an verschiedenen Projekten mit Simulationsmodellen zu biochemischen Prozessen sowie zur Infektionsausbreitung. Hierbei besch\u00e4ftigte er sich insbesondere mit den Themen \u00bbSystembiologie\u00ab und \u00bbMaschinelles Lernen\u00ab. -- Stephan O. Adler has been working as a data scientist in the \u201cDigital Health Engineering\u201d department of Fraunhofer IESE since the beginning of 2024. He is particularly interested in using digital solutions to contribute to relieving the burden on the healthcare system and improving the treatment of patients. Previously, he worked on various projects with simulation models for biochemical processes and the spread of infection. In particular, he focused on the topics of \u201cSystems Biology\u201d and \u201cMachine Learning\u201d.","sameAs":["https:\/\/www.linkedin.com\/in\/stephan-o-adler\/"],"url":"https:\/\/www.iese.fraunhofer.de\/blog\/author\/stephan-adler\/"}]}},"jetpack_featured_media_url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2025\/11\/dalle_20251114_135635_small.png","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/14528","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/users\/161"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/comments?post=14528"}],"version-history":[{"count":19,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/14528\/revisions"}],"predecessor-version":[{"id":14586,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/14528\/revisions\/14586"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media\/14539"}],"wp:attachment":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media?parent=14528"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/categories?post=14528"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/tags?post=14528"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/coauthors?post=14528"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}