gms | German Medical Science

Klinisches Entscheiden („clinical reasoning“) und verwandte Konzepte wie z.B. das klinische Problemlösen oder klinisches Denken sind wichtigen Themen der medizindidaktischen Forschung. Es handelt sich dabei um ein komplexes Set von Fertigkeiten, das das Sammeln und Zusammenführen von Informationen umfasst. Ziele sind dabei eine (Arbeits-) Diagnose zu stellen – wobei Symptome und Befunde eines Patienten mit Differenzialdiagnosen abgeglichen werden – und einen Therapieplan zu entwickeln. Obwohl das klinisches Entscheiden eine fundamentale Fertigkeit ärztlichen Handelns darstellt und seit über 30 Jahren im Fokus der Ausbildungsforschung steht, ist der Prozess immer noch nicht komplett erforscht [1], [2].

Im Laufe ihres Studiums müssen Medizinstudierende das klinische Entscheiden erlernen und in ihrer späteren klinischen Tätigkeit weiterentwickeln [1]. Dabei besteht eine der Herausforderungen darin, dass es erfahrenen KlinikerInnen oft schwerfällt sich ihrer Entscheidungsstrategien bewusst zu werden und den Studierenden zu erklären; Gründe dafür sind die dynamischen und unbewussten Anteile des Prozesses [1] sowie das Fehlen von formalem Training [2]. Während des Studiums wird klinisches Entscheiden oft im Unterricht am Krankenbett oder in problem-basierten Tutorien vermittelt, zunehmend werden aber auch virtuelle Patienten (VPs) eingesetzt, um klinisches Entscheiden zu üben, zu prüfen und Studierende auf Patienten vorzubereiten [3], [4].

VPs in der medizinischen Ausbildung sind interaktive computer-basierte Programme, die reale klinische Szenarien simulieren [5]. Es gibt viele verschiedene Formen von virtuellen Patienten, die von einfachen text-basierten Szenarien bis hin zu high fidelity Simulationen und Szenarien in virtuellen Realitäten reichen [6]. Studien haben gezeigt, dass VPs in Form von interaktiven Patientenszenarien das Erlernen von klinischer Entscheidungskompetenz unterstützen [7]. Erste Artikel über die Nutzung von Computern zur Simulation von klinischen Entscheidungssituationen wurden bereits in den 1970er Jahren veröffentlicht [8]; Seitdem wurden VPs kontinuierlich weiterentwickelt und über die letzten 40 Jahre in medizinische Curricula in verschiedenen Lehrformaten, wie zum Beispiel blended-learning Kurse [9], Praktika [10] oder als Prüfungen [11] integriert.

Die Lücke, die diese Studie adressiert, wurde bereits vor Jahren erkannt, blieb seither aber weitgehend unbeantwortet. Cook et al. zeigten, dass virtuelle Patienten ein ideale Lehrmethode zur Vermittlung von klinischer Entscheidungskompetenz sind, aber es nicht klar ist, wie das Erlernen geschieht. Weiterhin folgerten sie, dass bisher nicht ausreichend gezeigt werden konnte, wie Designvariationen in VPs, beispielsweise bezüglich Inhalt, Authentizität, Interaktivität oder Feedback, das Erlernen von klinischem Entscheiden beeinflussen [7]; Wie genau VPs klinisches Entscheiden modellieren und beeinflussen und wie VPs für die Studierenden angeboten werden sollten, sind bisher unbeantwortete Fragen.

Um diesen Fragen nachzugehen folgten wir dem Vorschlag von Edelbring et al. und erweiterten den Blickwinkel auf virtuelle Patienten und deren Technologie [12]. Dementsprechend waren unsere Ziele

1.

Schlüsselkonzepte des Erlernens von klinischem Entscheiden im Allgemeinen zu identifizieren und

2.

zu evaluieren wie diese Konzepte sich in virtuellen Patienten wiederspiegeln. Darauf basierend arbeiteten wir

3.

Empfehlungen aus, wie das Erlernen von klinischem Entscheiden in VPs weiterentwickelt werden kann.

Wir haben uns für einen qualitativen Forschungsansatz basierend auf der grounded theory von Glaser [13] entschieden, um das weite Feld der klinischen Entscheidungskompetenz zu explorieren. Grounded theory ist eine induktive Forschungsmethode, die dazu geeignet ist, Phänomene besser zu verstehen und eine Theorie, die in den Daten verankert ist, zu entwickeln. In einem iterativen Prozess interagieren Datensammlung, Datenkodierung und Theorieentwicklung mit einander [14]. Somit war es uns möglich eine Vielzahl verschiedenster Datenquellen in die Analyse mit einzubeziehen; Abbildung 1 [Abb. 1] zeigt einen Überblick über das Studiendesign. Da unser Fokus darauf ausgerichtet war, Beschreibungen, Frameworks und Lehr-Lernmethoden zu explorieren, berücksichtigten wir, dem grounded theory Diktum „all is data“ [13] folgend, eine Vielzahl verschiedener Datenquellen, wie zum Beispiel wissenschaftliche Artikel, Videos oder Webseiten. In einem zweiten Schritt untersuchten wir, wie das entwickelte Framework auf virtuelle Patienten angewendet werden kann und welche Schlussfolgerungen zur Weiterentwicklung von virtuelle Patienten gezogen werden können.

IH, eine erfahrene Forscherin aus dem Bereich der Medizindidaktik, führte die Studie in engem Austausch mit den anderen Autoren durch.

IH begann die grounded theory mit dem Buch „Developing clinical problem-solving skills“ von Barrows et al. [15], das komplett kodiert wurde. Das Buch beschreibt viele Aspekte des Unterrichtens von klinischer Entscheidungskompetenz und war daher ein geeigneter Startpunkt der Analyse. Ein zyklischer Prozess [16] theoretischen Samplings auf der Grundlage der verfassten Memos leitete die weitere Datensammlung. Basierend auf den entstehenden Codes wurden Datenquellen untersucht, die

1.

weitere Erklärungen,

2.

Kontrastierungen oder

3.

neue Perspektiven boten.

Mit Hilfe der Google Suchmaschine und PubMed wurde nach neue Datenquellen gesucht, zusätzlich wurden auch Literatur-Referenzen als mögliche neue Datenquellen berücksichtigt. Die Suche war dabei weder auf einen bestimmten Zeitraum, noch eine Gruppe von ForscherInnen begrenzt. Vor der Kodierung einer Datenquelle wurde die Zusammenfassung analysiert, um basierend auf den o.g. Kriterien zu entscheiden, ob diese kodiert würde. Zum Beispiel entwickelte sich beim Kodieren des Buches von Barrows et al. das Thema „Rolle des Unterrichtenden“, das eine tiefergehende Analyse erforderte. Daraufhin wurden weitere Quellen identifiziert und analysiert, wie z.B. ein Artikel von Eva [17] oder ein Massive Open Online Course (MOOC) der University of Michigan über instruktionale Methoden in der Ausbildung von Gesundheitsberufen [https://www.coursera.org/learn/instructional-methods-education], um das Thema weitergehend zu elaborieren.

Wenn entstehenden Themen oder Codes auch nach der Explorierung von Artikeln oder online Ressourcen noch nicht hinreichend untersucht waren, wurden Interviews mit verschiedenen Akteuren, wie z.B. DozentInnen oder MedizindidaktikforscherInnen, durchgeführt, um gezielt solche Themen weiter zu untersuchen. Zum Beispiel wurden die Themen „Lernen aus Fehlern“ und „klinisches Entscheiden mit concept mapping“ mit Hilfe von Interviews weitergehend elaboriert (Anhang 1 [Anh. 1] umfasst die Details aller geführten Interviews). Die Interviews wurden im Stil eines kollegialen Gespräches geführt und mit Hilfe von Gesprächsnotizen aufgezeichnet; sie wurden sowohl persönlich als auch online in einem privaten Setting geführt. Ein Prozessschema mit alle Datenquellen inklusive warum und wann diese in die Analyse einbezogen wurden, kann auf Anfrage bereitgestellt werden.

Bevor sich die Kernkategorie – ein Schlüssel-Thema, das alle Kategorien umfasst – entwickelte, wurden alle Datenquellen offen kodiert, danach wurde selektives Kodieren angewendet, um die Zusammenhänge zwischen Konzepten zu elaborieren und die Eigenschaften der Kategorien weiter zu spezifizieren.

Die Codes wurden laufend verglichen, überarbeitet und in Konzepte zusammengeführt; dabei wurde der gesamte Prozess mit concept maps und Memos dokumentiert. Ein Memo besteht dabei aus dem Datum der Analyse, einer kurzen Zusammenfassung, Zusammenhänge der wichtigsten Aspekte, weitere Themen, die untersucht werden sollten, sich entwickelnde Ideen sowie Links zu der Datenquelle. Insgesamt wurden auf diese Weise 107 Datenquellen, davon sechs Interviews, kodiert; eine Liste der Quellen befindet sich in Anhang 1 [Anh. 1].

Dem Ansatz des theoretischen Samplings folgend, wurde die Datensammlung so lange fortgesetzt bis eine Sättigung erreicht wurde, d.h. weitere Daten keine neuen Themen oder Zusammenhänge lieferten. Die Memos und concept maps wurden ausgewertet und basierend auf den Kategorien, Konzepten und Zusammenhängen wurde ein Framework entwickelt.

In einem zweiten Schritt wurde das entwickelte Framework auf den Kontext der virtuellen Patienten angewendet und weitere Datenquellen analysiert (eine vollständige Liste findet sich in Anhang 2 [Anh. 2]). Basierend auf den Kategorien und Konzepten des Frameworks wurden VPs, VP Systeme und Autorenhandbücher [http://www.virtualpatient.eu], [http://vpsystems.virtualpatients.net] analysiert. Die daraus gewonnenen Erkenntnisse wurden mit einer Analyse von VP-bezogener wissenschaftlicher Literatur, aus einer selektiven Literatursuche für jede Kategorie, komplementiert.

IH explorierte wie die Konzepte in VPs umgesetzt sind und dokumentierte wie im ersten Schritt der Studie die Erkenntnisse in Memos und concept maps.

Die Entwicklung der Konzepte sowie des Frameworks, das Erreichen der theoretische Sättigung und die Schlussfolgerungen wurden in einer interdisziplinären Runde von zwei MedizindidaktikerInnen, zwei MitarbeiterInnen aus dem Gesundheitswesen, zwei MedizindidaktikforscherInnen, einem Medizinstudierenden und einem Informatiker diskutiert. Dazu dienten die concept maps und Memos als Basis.

Für die Durchführung der Interviews wurde ein Ethikvotum der medizinischen Fakultät der LMU München eingeholt.

Während des grounded theory Prozesses entwickelten wir die Kernkategorie „Erlernen von klinischem Entscheiden als multifaktorieller Prozess“. Auf Grundlage der Daten elaborierten wir die folgenden fünf Kategorien mit jeweils einem Hauptakteur: Lernerzentrierung (Lernender), Patientenorientierung (Patient), psychologische Theorien (Forscher), Unterrichten/Prüfen (Lehrender), und Kontext (Mitarbeiter im Gesundheitswesen). Diese Kategorien und untergeordneten Konzepte spiegeln sich in der Kernkategorie wieder, interagieren aber auch untereinander (siehe Abbildung 2 [Abb. 1]).

In den nächsten Abschnitten stellen wir die Ergebnisse der Kategorien und Beispiele für die Verankerung in den Daten vor und erörtern Erkenntnisse aus der Analyse von virtuellen Patienten in Bezug auf das Framework.

Eine zusammenfassende Darstellung zeigt Anhang 3 [Anh. 3]. Detaillierte concept maps für jede Kategorie und eine Gesamtdarstellung der Zusammenhänge aller Datenquellen können wir auf Nachfrage zur Verfügung stellen.

Der Kontext bildete sich als Kategorie aus, die die meisten Aspekte des Erlernens von klinischem Entscheiden beeinflusst [18]. Ein Patient und ein Mitarbeiter aus dem Gesundheitswesen (z.B. eine Ärztin) interagieren in einer bestimmten Umgebung oder einem Kontext miteinander, wobei Emotionen diese Interaktionen beeinflussen und eine wichtige Rolle im klinischen Entscheidungsprozess darstellen [19]. Ebenfalls relevant ist in diesem Zusammenhang der Lernkontext - wo, mit wem und wie das Lernen stattfindet [20]. In einer Lernumgebung beeinflusst ein Gleichgewicht aus Realitätsnähe und kognitiver Beanspruchung die Lernerfahrung [21], [22].

Die Zeit spielt ebenfalls auf verschiedene Arten eine wichtige Rolle. Zum einen beeinflusst sie in Form von Zeitdruck oder Tageszeit die Begegnung von PatientInnen und Arzt/Ärztinnen. Zum anderen benötigen Lernende Zeit, um klinische Entscheidungskompetenz zu erwerben [23], wohingegen im Lernkontext möglicherweise Zeit aufgrund curricularer Rahmenbedingungen nur begrenzt zur Verfügung steht. Außerdem kann die benötigte Zeit ein Hinweis für effizientes klinisches Entscheiden (Mustererkennung) oder abwägendes analytisches Entscheiden sein.

Im Gegensatz zu Patientenkontakten sind in einer virtuellen Umgebung der Lern- und der klinische Kontext getrennt, beide werden aber von zeitbezogenen Aspekten beeinflusst [24]. Virtuelle Patienten sind in dieser Hinsicht oft statisch, d.h. die Lernenden werden entweder für ein langes Beschäftigen mit dem VP oder für einen schnellen zeitsparenden Problemlöse-Ansatz belohnt.

Lernerzentrierung stellte eine weitere wichtige Kategorie im Prozess des Erlernens von klinischem Entscheiden dar [2]. Die Konzepte dieser Kategorie stehen in engen Wechselbeziehungen, sowohl miteinander als auch mit den anderen Kategorien (siehe Abbildung 2). In selbstgesteuerten Lernumgebungen (SRL) ist der Lernende selbständig und kann seine Lernaktivitäten selbst steuern, was zu einer erhöhten Lernbereitschaft („engagement“) und Motivation führt [25]. Bewusstes und aktives Lernen wiederum sind zentrale Voraussetzungen, um klinische Entscheidungskompetenz zu erwerben [26].

Das Konzept der Adaptivität entwickelte als an die Bedürfnisse und Expertise des Lernenden dynamisch anpassbare Lerninhalte, Kontexte [18], Feedback [27] und Scaffolding (gezieltes Anbieten von Hilfestellungen) [28], [29]. Beispielsweise kann Feedback an die Bedürfnisse des Lernenden angepasst werden durch Variierung des Feedbackgebers (z.B. DozentInnen, KommilitonInnen oder in einem VP), des Zeitpunktes oder Detailgrades.

Learning analytics – d.h. die Sammlung und Analyse von Lerneraktivitäten – kann die Basis für die Adaptivität einer solchen Lernaktivität sein. Außerdem kann es die Grundlage für Feedback und Empfehlungen für weitere Lernaktivitäten an den Lernenden darstellen [30].

Virtuelle Patienten sind eine Form von lernerzentrierten und adaptiven Aktivitäten [31], [32], allerdings ist die Lernerzentrierung limitiert, da VPs häufig eingesetzt werden, um den Unterricht oder Prüfungen für alle Lernenden zu standardisieren [33].

Diese Kategorie stützt sich auf psychologische Theorien und Frameworks, die entwickelt wurden, um den Prozess des klinischen Entscheidens zu beschreiben. Die Kategorie beinhaltet das sogenannte dual processing – das Zusammenspiel von analytischem Entscheiden, Mustererkennung (bzw. nicht analytisches Entscheiden) und ein Kontinuum zwischen diesen beiden Prozessen [34]. Ebenso entwickelte sich in dieser Kategorie das Konzept der Wissensenkapsulierung, ein Prozess der die Entwicklung von illness scripts unterstützt [35]. Illness scripts sind Wissensstrukturen die klinisch relevante Informationen zu einer Erkrankung mit Beispielen und Symptomen in Verbindung bringen. Sowohl illness scripts, als auch Wissensenkapsulierung sind Voraussetzungen für die Entwicklung von Mustererkennung und sind bei Experten ausgeprägter vorhanden, als bei Novizen.

Ein weiteres Konzept in dieser Kategorie ist Metakognition [23] – das Nachdenken oder Reflektieren über das eigene Denken. Metakognition stellt eine wichtige Strategie zur Vermeidung und Aufarbeitung kognitiver Fehler beim klinischen Entscheiden dar [36]. Studien zeigen, dass Novizen für die Expertise Entwicklung viele Patientenfälle vergleichen und kontrastieren müssen, um ihr Wissen zu enkapsulieren und individuelle illness scripts zu entwickeln [37].

Dabei können zusätzlich zum Umgang mit Patienten in klinischer Umgebung auch das Lernen mit papier-basierten Fällen, standardisierten Patienten oder VPs eine Antwort auf diese Anforderung sein, beispielsweise durch das Ermöglichen von deliberate practice – selbstbestimmtes und zielgerichtetes Üben, um die eigene Leistung kontinuierlich zu verbessern.

Um v.a. das analytische Denken zu fördern, basieren die meisten VPs implizit auf Komponenten von illness scripts, wie z.B. Liste von Befunden, Differenzialdiagnosen oder finalen Diagnosen [38], wobei illness scripts auch als Basis für das Erstellen von virtuellen Patienten dienen können. Lernende werden in VP Szenarien dann entweder aufgefordert die Komponenten des illness scripts aktiv zu erstellen, oder diese werden im Laufe des Szenarios automatisch angezeigt.

Das Unterrichten/Prüfen von klinischem Entscheiden entwickelte sich als eine Kategorie, die eng mit der Lernerzentrierung verknüpft ist; sie fokussiert jedoch mehr auf die Perspektive der Lehrenden und was und wie Lernende unterrichtet und geprüft werden sollten. Da der Prozess des klinischen Entscheidens komplex und nicht linear ist, stellt die Auswertung und Bewertung von Lernaktivitäten oder Prüfungsleistungen eine große Herausforderung dar [39]. Oft gibt es keine eindeutige richtige oder falsche Antwort und Unsicherheiten und Unklarheiten müssen bei einer Bewertung berücksichtigt werden.

Zahlreiche Methoden zum Überprüfen der einzelnen Schritte im klinischen Entscheidungsprozess wurden beschrieben [40], davon berücksichtigen einige wenige, wie z.B. der Skript Konkordanz Test [41] oder concept mapping [42] die Nicht-Linearität des klinischen Entscheidens.

Ausgehend von den Datenquellen haben wir auch Kommunikation als ein Konzept innerhalb der Unterrichten/Prüfen Kategorie kodiert [43]. Dabei bezieht sich Kommunikation hier hauptsächlich auf das Unterrichten und Prüfen von klinischem Entscheiden, ist aber gleichzeitig auch ein wichtiger Aspekt für Interaktionen zwischen allen Beteiligten. Typischerweise besteht das arbeitsplatz-bezogene Prüfen von klinischem Entscheiden aus der Kommunikation zwischen dem Lernenden und einem erfahreneren Arzt/Ärztin oder Ausbilder; zum Beispiel kann ein solches Szenario daraus bestehen, dass der Lernende eine kurze Zusammenfassung über einen Patienten präsentiert und über mögliche Differenzialdiagnosen elaboriert [43].

Auch VPs werden als Prüfungsinstrumente, insbesondere für formative Prüfungen verwendet [44]; weitere Methoden zum Prüfen klinischer Entscheidungskompetenz können wiederum in virtuellen Patienten integriert sein, z.B. Multiple Choice Fragen oder Entscheidungspfade. Die Nicht-Linearität des klinischen Entscheidungsprozesses stellt auch in VPs eine große Herausforderung dar, die von den oft quantitativen Bewertungsmethoden und Feedback nicht ausreichend berücksichtigt wird.

Diese Kategorie umfasst Konzepte, die sich auf Patienten beziehen, wie z.B. Patientensicherheit und kognitive Fehler – Themen, die möglicherweise nicht ausreichend in der Ausbildung von Gesundheitsberufen abgebildet sind [45]. Es gibt verschiedene Arten von Fehlern, wie z.B. premature closure (ein frühes Akzeptieren des ersten Gedankens), die an verschiedenen Punkten im klinischen Entscheidungsprozess auftreten können und sich in der Folge auf Patienten auswirken können [46]. Systematische Fehler wie z.B. Bestätigungsfehler oder Selbstüberschätzung können solche kognitiven Fehler verursachen [36].

Ein weiteres Konzept in dieser Kategorie sind Therapieentscheidungen. Auch wenn diese mit illness scripts verknüpft sind, kann die Therapie der gleichen Diagnose bei Patienten sehr verscheiden sein und sollte individuell auf Patienten zugeschnitten sein [18].

Virtuelle Patienten bieten eine sichere Umgebung für Lernende, Patienten und Dozenten. Dies ist eine zwingende Voraussetzung, damit Lernende Fehler machen und daraus lernen können ohne Patienten zu gefährden [https://members.aamc.org/eweb/upload/Effective%20Use%20of%20Educational.pdf], [47].

Die Darstellung eines Patienten in einem VP Szenario kann dabei stark variieren - von einer Ein-Satz Beschreibung ohne Namen oder Gesicht, bis hin zu eher patienten-zentrierten Darstellungen [48] die mit Hilfe von Medien auch Reaktionen und Emotionen eines Patienten abbilden.

Anhang 3 [Anh. 3] fasst die Ergebnisse des zweiten Schrittes der qualitativen Erforschung, in der wir das entwickelte Framework auf den aktuellen Stand und die Entwicklung von VPs anwenden, zusammen. Der Anhang 3 [Anh. 3] enthält zusätzlich offene Fragen, die bei der Erstellung oder Integration von VPs berücksichtigt werden sollten.

Mit dem grounded theory Ansatz haben wir fünf Kategorien und untergeordnete Konzepte für das "Erlernen klinischen Entscheidens" identifiziert. Das entwickelte Framework (siehe Abbildung 2 [Abb. 2]) visualisiert die Hauptkomponenten und Verknüpfungen. Es weist zwar eine hohe Komplexität auf, wir denken aber, dass es die Kernkategorie „Erlernen von klinischem Entscheiden als multifaktorieller Prozess“ sowie die Vielfalt und Reichhaltigkeit des Themas angemessen repräsentiert. Basierend auf den fünf Kategorien und zugeordneten Konzepten diskutieren wir im Folgenden Verbesserungen sowohl im Design als auch in der Verwendung von virtuellen Patienten für das Erlernen von klinischem Entscheiden.

Die Trennung von Lern- und klinischem Kontext in VP Szenarien ermöglicht den Lernenden beide Kontexte separat an ihre Bedürfnisse anzupassen. Wir empfehlen den Kontext eines virtuellen Szenarios individuell und abhängig von der Expertise oder den Lernzielen des Lernenden zunehmend komplexer zu gestalten, zum Beispiel durch das Hinzufügen irrelevanter Informationen oder der Darstellung emotional schwieriger Situationen. Dabei ist es wichtig, Authentizität und kognitive Belastung zu berücksichtigen, um den Lernenden nicht zu überfordern.

Die zumeist eher statischen Eigenschaften von VPs reflektieren die Dynamik des klinischen Entscheidens nicht adäquat; statt die Lernzeit für einen VP fest zu bewerten, empfehlen wir sie als adaptive Komponente für die Komplexität eines VPs zu berücksichtigen. Zum Beispiel könnte die verfügbare Zeit für ein virtuelles Szenario für fortgeschrittene Lerner oder solche, die sich fordern möchten, begrenzt werden (Zeitdruck). Um Zeitdruck und eine klinisch authentische Umgebung zu simulieren, können Lernende auch über die gleichzeitige Bearbeitung mehrerer virtueller Patienten gefordert werden.

Wir schlagen eine flexible Lernumgebung vor, um den Lernenden sowohl in individuellen, als auch in kooperativen Lernszenarien, konzentriertes und zielgerichtetes Üben zu ermöglichen. Die Lernenden sollten dabei Level und Art des Feedbacks, des Kontextes und der Komplexität des Szenarios selbst wählen können. In virtuelle Patientenprogramme integrierte Computermodelle könnten die Basis für solche anpassbaren Inhalte sein.

Ein VP Programm könnte außerdem den Lernenden weiterführende Lernaktivitäten, nicht nur auf virtuelle Patienten bezogen, oder weitere Adaptionen empfehlen. Eine solche Empfehlung könnte auf einer Analyse des bisherigen Lernerfolgs, Level des selbstgesteuerten Lernens und individuellen Lernzielen, basieren. Auf diese Weise würde es den Lernenden ermöglicht, sich auf individuelle Schwächen in den einzelnen klinischen Entscheidungsschritten zu konzentrieren. Kontinuierliches, zeitnahes und spezifisches Feedback sollten durch das VP Programm, einen Betreuer, in Form eines summativen Peer Feedbacks oder Rückmeldungen von Experten, angeboten werden.

Auch wenn noch zahlreiche unbeantwortete Fragen bezüglich der genauen Eigenschaften des dual processing bestehen, gibt es Hinweise für ein Kontinuum bzw. Interaktion zwischen den Prozessen der Mustererkennung und analytischem Entscheiden. Wir stellen uns daher eine dynamische Repräsentation des klinischen Entscheidungsprozesses vor, die es Lernern abhängig von der Komplexität des VPs, der Expertise oder den Lernzielen erlaubt analytisches Vorgehen, Mustererkennung oder eine Kombination dieser beiden Ansätze anzuwenden. Dazu empfehlen wir, einen großen Pool an kurzen und fokussierten VPs zur Verfügung zu stellen, um damit eine große Bandbreite an klinischen Problemen abzudecken und den Lernenden eine Auswahl zu ermöglichen.

Es empfiehlt sich die implizite Verbindung von VPs und den illness scripts, auf denen sie basieren, sichtbar zu machen. Somit können die Lernenden aktiv und explizit ihre eigenen Skripte für VP Szenarien entwickeln. Solche erstellten illness scripts sind wiederum eigenständige Lernleistungen, die von den Lernenden auch außerhalb einer VP Umgebung weiterentwickelt werden können.

Um Mustererkennungsansätze zu unterstützen, könnte es Lernenden erlaubt werden, bzw. sie könnten sogar ermutigt werden, einzelne Schritte der illness script Entwicklung zu überspringen und Diagnose- und Therapieentscheidungen zu jedem Zeitpunkt eines VP Szenarios zu treffen.

Um den nicht-linearen Charakter des klinischen Entscheidungsprozesses in VPs besser abzubilden, empfehlen wir klinisches Entscheiden als mehrstufigen Prozess [3] zu prüfen und verschiedene Prüfungs- und Feedbackmethoden, inklusive qualitativer Methoden, für die einzelnen Schritte umzusetzen. Ein geeignetes Prüfungsformat wäre beispielsweise die Anwendung von concept maps zur Visualisierung von illness scripts. Dies erfordert allerdings die Umsetzung von komplexeren Bewertungsalgorithmen, die auch die Vielfalt solcher concept maps berücksichtigen.

Eine minimalistische Darstellung eines Patienten in einem VP Szenario reduziert die kognitive Belastung für die Lernenden, repräsentiert aber den Patienten im klinischen Entscheidungsprozess nicht angemessen. Auch andere Faktoren, die das klinische Entscheiden beeinflussen, wie Emotionen, Voreingenommenheit oder schwierige Gesprächssituationen, können so nicht abgebildet werden.

Andererseits benötigen Lernende mehr Zeit, um medien-intensive VP Szenarien zu bearbeiten, was dem Konzept viele Fälle zur Entwicklung von illness scripts zu bearbeiten, entgegensteht. Um beiden Herangehensweisen gerecht zu werden, empfehlen wir zumindest eine einfache Beschreibung des Patienten (Name, Alter und kontextuelle Informationen) sowie eine mediale Darstellung des Patienten in alle VP Szenarien zu integrieren und einige VPs mit zusätzlichen Medien und elaborierten Patientendarstellungen anzureichern, um die Rolle des Patienten und emotionale Situationen abzubilden.

Virtuelle Patienten Szenarien bieten eine sichere Lernumgebung in der die Lernenden in ihrer Lerngeschwindigkeit arbeiten können und Patienten nicht gefährdet werden. Daher sind sie geeignet, Fehler zuzulassen und aus diesen zu lernen. Dieses Konzept könnte sogar insofern weiterentwickelt werden, als dass Fehler provoziert werden und z.B. systemische Fehler explizit in VP Szenarien integriert werden. Zusätzlich sollte unmittelbares und elaboriertes Feedback, sowie Strategien zur Vermeidung angeboten werden.

Als letzten Aspekt empfehlen wir expliziter auf die Individualität von Therapieentscheidungen und -maßnahmen einzugehen und Einflussfaktoren auf Entscheidungen zu elaborieren.

Wir sind uns bewusst, dass die Studie Limitationen aufweist. Verglichen mit der großen Anzahl an Datenquellen, insbesondere der wissenschaftlichen Literatur, die sich auf klinisches Entscheiden, und Problemlösen bezieht, war der Anteil der kodierten Quellen relativ gering, auch wenn wir auf eine breite Abdeckung geachtet haben und die theoretische Sättigung mit Inhaltsexperten ausführlich diskutiert wurde.

Auch das Studiendesign ist etwas ungewöhnlich, da wir nicht direkt das entstehende Framework diskutierten, sondern seine Anwendung auf das Themengebiet der virtuellen Patienten.

Unser Ziel war es, das Expertenpanel so interdisziplinär wie möglich zu bilden und möglichst viele Blickwinkel zu berücksichtigen; leider war es uns aber nicht möglich PatientInnen mit einzubeziehen, obwohl die Sichtweise von PatientInnen natürlich sehr wichtig ist und in Folgestudien berücksichtigt werden sollte.

Abgesehen von der fehlenden Patientensicht fanden wir die Größe und Zusammensetzung des Expertenpanels (sieben Teilnehmer) ideal, um die Studie zu diskutieren. Wir können jedoch nicht ausschließen, dass sich mit einer größeren Anzahl von Akteuren weitere Perspektiven entwickelt und das Framework beeinflusst hätten.

Mit dem zwei-stufigen Ansatz und dem erweiterten Blickwinkel auf virtuelle Patienten haben wir zunächst ein Framework zum Erlernen von klinischem Entscheiden entwickelt. In einem zweiten Schritt haben wir das Framework auf das Themengebiet der virtuellen Patienten angewendet und Schlussfolgerungen für eine Weiterentwicklung gezogen.

Ausgehend von diesen Schlussfolgerungen planen wir die Entwicklung eines plattform-unabhängigen open source Werkzeuges für virtuelle Patienten Programme, das speziell das Üben von klinischen Entscheidungen unterstützen soll. In einer multi-institutionellen Studie werden wir das Werkzeug evaluieren, wobei die Ergebnisse dieser Studie in die weitere Entwicklung des Werkzeuges und der VPs einfliessen werden.

Wir denken, dass das Framework wegen seines allgemeinen Charakters auch unabhängig von VPs Anwendung finden kann, z.B. für die Konzeptionierung oder Weiterentwicklung von Curricula oder Fakultätsentwicklungskurse zum klinischen Entscheiden.

Das Projekt (IH) wird aus dem Europäischen Horizon 2020 Forschungs- und Innovationsprogramm unter dem Marie Sklodowska-Curie Fellowship Nr. 654857 und AK durch finanzielle Mittel der Jagiellonian University No K/ZDS/006367 gefördert.

Wir möchten uns bei allen Studierenden, ForscherInnen, KlinikerInnen und Unterrichtenden, die Feedback in Interviews oder Diskussionsrunden gegeben haben, bedanken. Auch danken wir Dr. Katja Kühlmeyer vom Institut für Ethik, Geschichte und Theorie der Medizin, die uns bezüglich des Studiendesigns beraten und unterstützt hat, ganz herzlich. Abschließend möchten wir uns bei Prof. Leslie Fall, Prof. Martin Fischer und Martin Adler für die großartige Unterstützung des Projektes bedanken.

Die Autoren erklären, dass sie keine Interessenkonflikte im Zusammenhang mit diesem Artikel haben.