Apples Gesundheits-KI-Studie: Gemessen wird Vertrauen, nicht ob Menschen gesünder werden
Apple lässt bis zu 200.000 iPhone-Nutzer in den USA Gesundheitsfragen an die Ärzte-KI OpenEvidence stellen. Wir haben das Studiendesign neben die Oxford-Studie in Nature Medicine und die widersprüchlichen Tests von OpenEvidence gelegt. Das Ergebnis: Die Studie kann zeigen, ob Menschen der KI vertrauen. Ob sie dadurch bessere Entscheidungen für ihre Gesundheit treffen, kann sie in ihrer bekannten Form kaum belegen.

Darum geht es
Apple hat am 15. November 2026 die „Apple Health AI Usage Study“ gestartet. Bis zu 200.000 Erwachsene in den USA stellen darin einer eigenen Studien-App Fragen zu ihrer Gesundheit. Die Antworten liefert OpenEvidence, ein KI-Dienst, den bisher vor allem Ärztinnen und Ärzte nutzen. Mitmachen darf, wer mindestens 21 Jahre alt ist und ein iPhone 15 Pro oder neuer mit iOS 26 hat. Laut Apple soll die Studie zeigen, was Vertrauen in Gesundheits-KI erzeugt, wie gut die Antworten sind, ob Menschen sie verstehen und wie sie danach im Alltag handeln.
Die meisten Meldungen haben die Pressemitteilung nacherzählt. Wir legen drei Befunde nebeneinander: eine große Oxford-Studie zum Gespräch zwischen Laien und KI, die widersprüchlichen unabhängigen Tests von OpenEvidence und das, was Apple über sein Studiendesign verschweigt. Unsere These: Die Studie misst Vertrauen und Zufriedenheit. Ob Menschen mit der KI gesündere Entscheidungen treffen, kann sie in der bisher bekannten Form kaum zeigen.
Was Apple misst und was fehlt
Laut Apple Newsroom stellen die Teilnehmer Alltagsfragen, bekommen zu jeder Antwort Quellen aus Fachzeitschriften und bewerten die Antworten in kurzen Umfragen in der App. Wer will, gibt der App Daten aus Apple Health frei, etwa Ruhepuls, Schlaf, Bewegung oder Laborwerte. Laut Martin CID dauert die Teilnahme bis zu zwölf Monate. Dazu gehören eine Eingangsbefragung, monatliche Check-ins und zusätzliche Fragebögen rund um Arztbesuche.
Beim Datenschutz hat Apple sich Mühe gegeben, zumindest nach eigenen Angaben. Das iPhone entfernt zuerst identifizierende Angaben aus jeder Frage. Danach läuft sie über eine Cloud des Dienstleisters UST Global und wird dort von der Teilnehmerkennung getrennt. OpenEvidence löscht Fragen und Antworten innerhalb von 24 Stunden. Die Studiendaten sollen kein KI-Training speisen. Eine unabhängige Prüfung dieser Zusagen gibt es nicht.
Die Leitplanken sind dagegen dünn. Die App soll bedenkliche Fragen erkennen und dann auf Ärzte oder Hilfsangebote verweisen. Live liest niemand mit. Laut CNET, zitiert von Martin CID, meldet sich das Studienteam auch dann nicht, wenn jemand nach Selbstverletzung fragt.
Was Apple nicht nennt, wiegt schwerer:
- keine Kontrollgruppe, also keine Vergleichsgruppe, die etwa normal googelt oder gar keine Hilfe bekommt
- keine vorab festgelegten Endpunkte, also keine Zielgrößen, an denen Erfolg oder Misserfolg gemessen wird
- kein Ethikvotum: Apple erwähnt keine Prüfung durch eine Ethikkommission (in den USA ein IRB). Wir haben im US-Studienregister ClinicalTrials.gov unter dem Suchbegriff „Apple Health AI“ gesucht und keinen Eintrag gefunden.
- kein Termin für die Ergebnisse und keine Zusage, sie in einer Fachzeitschrift zu veröffentlichen
Befund 1: Gesundheits-KI scheitert am Gespräch, nicht am Wissen
Im Februar 2026 veröffentlichte ein Team um Andrew Bean und Adam Mahdi (Oxford Internet Institute) in Nature Medicine eine randomisierte, präregistrierte Studie. Präregistriert heißt: Fragestellung und Auswertung standen vorher öffentlich fest. 1.298 Erwachsene aus Großbritannien bearbeiteten von Ärzten entworfene Fallszenarien. Ein Teil nutzte GPT-4o, Llama 3 oder Command R+, die Kontrollgruppe ihre üblichen Hilfsmittel, meist eine Suchmaschine.
| Situation | Richtige Erkrankung erkannt | Richtiges Vorgehen gewählt |
|---|---|---|
| Modell allein, mit vollständigem Fall | 94,9 % | 56,3 % |
| Laien mit Modell im Gespräch | unter 34,5 % | unter 44,2 % |
| Kontrollgruppe ohne KI | nicht schlechter als mit KI | nicht schlechter als mit KI |
Das Wissen steckte also im Modell, ging aber im Gespräch verloren. Die Teilnehmer ließen wichtige Angaben weg, und die Modelle mischten gute mit schlechten Ratschlägen. Laut The Register schickten zwei Nutzer fast gleiche Beschreibungen einer Subarachnoidalblutung, einer lebensgefährlichen Hirnblutung. Der eine bekam den Rat, sich in einem dunklen Raum hinzulegen. Der andere wurde richtig in die Notaufnahme geschickt. Seniorautor Mahdi zieht daraus diese Lehre:
„Wir können uns nicht allein auf standardisierte Tests verlassen, um zu entscheiden, ob diese Systeme für die Öffentlichkeit sicher sind.“
Er fordert Tests mit vielen verschiedenen echten Nutzern, ähnlich wie klinische Studien für neue Medikamente. Genau hier ist Apples Ansatz im Prinzip richtig: Die Studie setzt echte Laien vor echte Antworten.
Befund 2: Die Tests von OpenEvidence widersprechen sich
OpenEvidence arbeitet mit RAG (Retrieval-Augmented Generation). Die KI schlägt also zuerst in einer Fachbibliothek nach und schreibt dann eine Antwort mit Quellen. Laut einer in JAMA veröffentlichten Auswertung stieg die Zahl der monatlichen Nutzer von 355 im Januar 2024 auf über 703.000 im Juni 2026. Wie gut das Werkzeug ist, bleibt umstritten:
| Untersuchung | Art | Ergebnis |
|---|---|---|
| Jagarapu et al., medRxiv, Dez. 2025 | Preprint, nicht begutachtet; 100 schwere Prüfungsfragen (MedXpertQA, je 10 Antwortoptionen) | Schnellsuche 28–34 %, „Deep Consult“ 38–41 % richtig; gleiche Antwort bei Wiederholung nur in 77 bzw. 72 % |
| NYU Langone (Oermann), Nature Medicine, Juni 2026 | 500 MedQA-Fragen, 500 HealthBench-Aufgaben, 100 echte Arztfragen, verblindet bewertet | Gemini 3.1 Pro 97,4 %, GPT-5.2 94,2 %, OpenEvidence 89,6 % bei MedQA; Spitzenmodelle siegen in allen drei Teilen |
| Feng et al., arXiv, Juni 2026 | Preprint; 149 Ärzte bewerten 620 echte OpenEvidence-Anfragen plus 187 HealthBench-Fragen | OpenEvidence schlägt GPT-5.5, Gemini 3.1 Pro und Claude Opus 4.8 in allen fünf Kategorien |
| Artsi et al., npj Digital Medicine, Aug. 2026 | Übersichtsarbeit über 11 Studien | stark bei Leitlinienfragen, schwankend bei komplexen Fällen, weniger erfundene Quellen als allgemeine Chatbots |
| Lotan et al., npj Health Systems, Sept. 2026 | 150 Anfragen, 5 Fachgebiete, 4.979 Quellen geprüft | keine erfundenen Quellen, 3 Zuordnungsfehler; ob die Quellen die Aussagen stützen, wurde nicht geprüft |
Wichtig für die Einordnung: OpenEvidence verlangte die Rücknahme der NYU-Studie und warf ihr Interessenkonflikte und Methodenfehler vor. Autor Eric Oermann steht nach eigenen Worten zu den Ergebnissen. Die Gegenstudie von Feng et al. stützt sich auf Anfragen von der Plattform von OpenEvidence selbst. Laut dem Blog iatroX haben beide Seiten mögliche Interessen. Zudem wurden unterschiedliche Modellversionen getestet, und die Bewertungskriterien unterscheiden sich: Der Preprint gewichtet Quellenqualität und Nachprüfbarkeit stark, worin ein Quellen-Werkzeug naturgemäß glänzt.
Unser Befund: Jede dieser Untersuchungen prüft Fragen von Ärzten oder Prüfungsfragen. Keine prüft, wie OpenEvidence im Gespräch mit Laien abschneidet. Nach der Oxford-Studie ist genau dort aber der Engpass. Ein Werkzeug, das für Fachleute mit Fachsprache gebaut wurde, kommt nun zu Menschen, die vielleicht nicht wissen, welche Symptome sie erwähnen müssen.
Befund 3: So sähe eine kontrollierte Studie aus
Es geht auch anders, und zwar bei OpenEvidence selbst. Die PRECISE-Studie ist unter NCT07037940 auf ClinicalTrials.gov registriert. Internisten in Ausbildung und Fachärzte bearbeiten darin anonymisierte Fälle, per Zufall entweder mit OpenEvidence oder mit ChatGPT (GPT-4). Verblindete Gutachter bewerten die Qualität der klinischen Begründung nach einem geprüften Bewertungsschema. Laut iatroX liegen noch keine Ergebnisse vor.
| Oxford (Nature Medicine) | PRECISE (OpenEvidence) | Apple Health AI Study | |
|---|---|---|---|
| Teilnehmer | 1.298 Laien (UK) | Ärzte | bis zu 200.000 Laien (USA) |
| Zufallszuteilung | ja | ja | nicht genannt |
| Kontrollgruppe | ja (übliche Mittel) | ja (ChatGPT) | nicht genannt |
| Hauptzielgröße | richtige Diagnose und richtiges Vorgehen | Qualität der Begründung, verblindet bewertet | Vertrauen, Verständnis, Zufriedenheit, Verhalten laut Selbstauskunft |
| Registrierung | präregistriert | NCT07037940 | nicht gefunden |
Auch PRECISE misst übrigens nicht, ob es Patienten am Ende besser geht. Aber man kann dort zumindest eine Wirkung einer Ursache zuordnen. Bei Apple bleibt offen, ob ein geändertes Verhalten an der KI liegt, an der Auswahl der Teilnehmer oder am bloßen Mitmachen.
Warum gerade jetzt, und was das für Deutschland bedeutet
Der Druck ist groß. Laut OpenAI stellen täglich mehr als 40 Millionen Menschen weltweit ChatGPT Gesundheitsfragen. Unsere Rechnung: Apples gesamte Studie entspricht damit einem halben Prozent der Nutzer eines einzigen Tages. Google bietet in seiner App Google Health einen Gemini-Coach an, der Arztunterlagen einbezieht, und verbindet Gemini seit dem 13. November in den USA mit Google Wallet. Wie riskant solche Dienste sind, zeigt eine weitere Studie in Nature Medicine zu ChatGPT Health: Bei echten Notfällen stufte es in 52 Prozent der Fälle die Dringlichkeit zu niedrig ein.
Für deutsche Leser bleibt das alles vorerst Theorie. Die Studie läuft nur in den USA. Und OpenEvidence schließt laut seinen Nutzungsbedingungen die EU, den EWR und Großbritannien aus, auch für Nutzer mit VPN oder einem Konto aus dem Ausland. Laut den Anbietern CliniAtlas und Vera Health, beides Konkurrenten, zog sich OpenEvidence am 27. April 2026 zurück. Als Grund nannte das Unternehmen demnach regulatorische Unsicherheit, vor allem durch die europäische KI-Verordnung (AI Act). Eine Stellungnahme von OpenEvidence selbst haben wir nicht gefunden. Ob auch das Medizinprodukterecht (MDR) eine Rolle spielte, ist unklar. Laut einer Bitkom-Umfrage von November 2025 nutzten 45 Prozent derjenigen, die online nach Gesundheitsthemen suchen, dafür bereits KI-Chatbots.
Einordnung
Apples Studie hat echte Stärken. Sie testet mit echten Laien, sie ist groß, und sie schützt die Daten der Teilnehmer, soweit sich das von außen beurteilen lässt. Damit erfüllt sie einen Teil dessen, was die Oxford-Forscher verlangen. Doch die bekannten Messgrößen sind weiche Faktoren: Vertrauen, Verständnis, Zufriedenheit und Verhalten laut eigener Auskunft. Ohne Vergleichsgruppe, festgelegte Endpunkte und öffentliche Registrierung lässt sich daraus kaum ableiten, ob die KI Menschen zu besseren Entscheidungen verhilft.
Unsere Einschätzung: Gerade das Vertrauen ist der heikle Punkt. Die Oxford-Studie zeigt, dass überzeugend klingende Antworten falsch sein können. Ein hoher Vertrauenswert wäre dann kein Erfolg, sondern ein Warnsignal. Ob Apple das trennen kann, hängt von Details ab, die Apple bisher nicht veröffentlicht hat. Dazu gehört auch eine Frage, die sich aus dem Datenschutz ergibt: Wenn Gespräche nach 24 Stunden gelöscht und Fragen auf dem Gerät nur in Kategorien einsortiert werden, lässt sich dann noch auswerten, woran ein Gespräch gescheitert ist? Genau das war in Oxford der entscheidende Befund. Solange Apple kein Studienprotokoll vorlegt, ist die Studie vor allem ein großer Feldtest für ein mögliches Produkt, keine Antwort auf die Frage, ob Gesundheits-KI für Laien sicher ist.
Quellen
- Apple Newsroom: Apple launches research study to explore the use of AI for health apple.com
- Martin CID: Apple wants 200,000 iPhone owners to grade AI answers about their health martincid.com
- Chief Healthcare Executive: Apple plans to study how consumers use AI for health needs chiefhealthcareexecutive.com
- iMore: Apple's new health AI app is a study, not your doctor imore.com
- Mashable: Apple needs your help to make health AI better mashable.com
- Oxford Internet Institute: Pressemitteilung zur Nature-Medicine-Studie oii.ox.ac.uk
- Nature Asia: Pressemitteilung Bean et al. natureasia.com
- The Register: AI chatbots are no better at medical advice than a search engine theregister.com
- AAFP Community Blog: AI Health Tools for the General Public Fall Short aafp.org
- medRxiv: Jagarapu et al., Accuracy and repeatability of OpenEvidence medrxiv.org
- arXiv 2512.01191: Vishwanath et al. (NYU) arxiv.org
- arXiv 2606.28960: Expert Evaluation of Clinical AI Tools on Real Point-of-Care Clinical Queries arxiv.org
- iatroX: Why two 2026 studies reached opposite conclusions iatrox.com
- iatroX: OpenEvidence PRECISE trial iatrox.com
- npj Digital Medicine: Artsi et al., Systematic review of OpenEvidence nature.com
- npj Health Systems: Lotan et al., Reference quality of OpenEvidence nature.com
- Clinical AI Report: Is OpenEvidence available in the UK? clinicalaireport.com
- CliniAtlas: OpenEvidence left Europe cliniatlas.com
- Axios: 40 million people turn to ChatGPT for health care axios.com
- Google Blog: Fitbit personal health coach updates 2026 blog.google
- BetaNews: Gemini can now connect to Google Wallet betanews.com
- Pharmazeutische Zeitung: Wer ist schuld, wenn der Chatbot falsch liegt? pharmazeutische-zeitung.de
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.