Comprehension of an artificial intelligence-generated discharge letter versus a traditional discharge letter: two controlled quasi-experimental parallel-group studies
Verständnis eines von künstlicher Intelligenz erzeugten Entlassungsbriefs versus eines traditionellen Entlassungsbriefs: zwei kontrollierte quasi-experimentelle Parallelgruppenstudien
International Journal for Quality in Health Care · 05.10.2026 · 38 (4)
DOI: 10.1093/intqhc/mzag133 ↗Auf einen Blick
Zwei kontrollierte quasi-experimentelle Studien zeigten: Ein GPT-4-generierter, barriereoptimierter Entlassungsbrief wurde besser verstanden als ein konventioneller Brief. Auch die Zufriedenheit war höher.
Fragestellung
Verbessert ein von GPT-4 erzeugter, barriereoptimierter Entlassungsbrief das Verständnis zentraler Entlassungsinformationen im Vergleich zu einem konventionellen Entlassungsbrief?
Methode
Zwei kontrollierte quasi-experimentelle Parallelgruppenstudien; Studie 1 mit online rekrutierten Erwachsenen, Studie 2 mit Medizinstudierenden und Pflegestudierenden; Zuordnung nach Altersparität; Regressionen.
Ergebnisse
Studie 1: medianer Verständnisscore 4 vs. 2; Studie 2: medianer Verständnisscore 4 vs. 3; jeweils P < .001. Auch alle sekundären Endpunkte verbesserten sich (jeweils P < .001), außer Termindatum.
Einschränkungen
Keine Verbesserung bei der Identifikation des Termins für die Nachsorge. Validierung mit realen klinischen Briefen und diversen Patient:innen erforderlich.
Schlussfolgerung der Autor:innen
GPT-4-generierte Entlassungsbriefe verbesserten das gemessene Verständnis und die Zufriedenheit in allgemeinen und höher literalisierten Populationen; weitere Validierung ist erforderlich.
Kernaussagen
- Bessere Verständnisscores mit dem KI-Brief in beiden Studien
- Auch Klarheit, Struktur und Zufriedenheit waren höher
- Kein signifikanter Gewinn bei der Erkennung von Nachsorgeterminen
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift International Journal for Quality in Health Care, online erschienen am 12.09.2026. Verfasst von Fabrizio Bert und 6 weiteren Autor:innen. Beteiligte Einrichtung: Department of Public Health and Pediatric Sciences, University of Turin, Turin, Italy. Hauptthemen laut MEDLINE: Comprehension, Patient Discharge, Artificial Intelligence. Die Arbeit nennt 31 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Background
Discharge letters are essential for continuity of care, yet patients often misunderstand their content. Poor discharge communication is associated with medication errors, inappropriate healthcare use, and hospital readmissions. Artificial intelligence (AI) language models may improve discharge documentation clarity and accessibility. This study aimed to compare a GPT-4-generated, accessibility-optimized discharge letter with a conventional discharge letter regarding comprehension of key discharge information and to evaluate satisfaction and identify predictors of comprehension.
Methods
Two controlled quasi-experimental parallel-group studies were conducted. Study 1 included adults recruited online (n = 341 analysed), while Study 2 involved medical and nursing students at the University of Turin (n = 791 analysed). Allocation was based on age parity. The primary outcome was a structured comprehension score assessing diagnosis, treatment, investigations, and follow-up instructions. Secondary outcomes included readability, clarity, perceived comprehension, organization, and satisfaction. Health literacy (HL) was assessed using the HLS-EU-Q6. Multiple linear regression analyses identified predictors of comprehension.
Results
Participants receiving the AI-generated discharge letter achieved significantly higher comprehension scores in both studies (Study 1: median 4 vs. 2; Study 2: median 4 vs. 3; both P < .001). Differences remained significant after adjustment for sociodemographic variables, HL, and healthcare background. AI-generated letters also improved all secondary outcomes (all P < .001). No significant improvement was observed for identification of follow-up appointment dates. Higher comprehension was associated with healthcare background, higher education, sufficient HL, and better perceived health status.
Conclusion
AI-generated discharge letters significantly improved measured comprehension and satisfaction in both general and higher-literacy populations; validation using real clinical letters and diverse patients is required.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Public Health and Pediatric Sciences, University of Turin, Turin, Italy.
- AOU City of Health and Science of Turin, Turin, Italy.
ORCID-Profile: Fabrizio Bert, Lorenzo Rosset, Francesco Conrado, Daniele Consoli, Giacomo Scaioli, Giuseppina Lo Moro, Roberta Siliquini
Zitieren
APA
Bert, F., Rosset, L., Conrado, F., Consoli, D., Scaioli, G., Lo Moro, G., & Siliquini, R. (2026). Comprehension of an artificial intelligence-generated discharge letter versus a traditional discharge letter: two controlled quasi-experimental parallel-group studies. International Journal for Quality in Health Care, 38(4). https://doi.org/10.1093/intqhc/mzag133
Vancouver
Bert F, Rosset L, Conrado F, Consoli D, Scaioli G, Lo Moro G, et al. Comprehension of an artificial intelligence-generated discharge letter versus a traditional discharge letter: two controlled quasi-experimental parallel-group studies. International Journal for Quality in Health Care. 2026;38(4). doi:10.1093/intqhc/mzag133
BibTeX
@article{Bert2026,
author = {Bert, Fabrizio and Rosset, Lorenzo and Conrado, Francesco and Consoli, Daniele and Scaioli, Giacomo and Lo Moro, Giuseppina and Siliquini, Roberta},
title = {Comprehension of an artificial intelligence-generated discharge letter versus a traditional discharge letter: two controlled quasi-experimental parallel-group studies},
journal = {International Journal for Quality in Health Care},
year = {2026},
volume = {38},
number = {4},
doi = {10.1093/intqhc/mzag133}
}
EUVIMED