gms | German Medical Science

Klinische Entscheidungsfindung (KE) beschreibt die Fähigkeit von Ärzt*innen, relevante Informationen zu beschaffen, zu bewerten und zu interpretieren. Ein wesentlicher Bestandteil von KE ist das Anamnesegespräch, das traditionell an realen Patient*innen oder Simulationspatient*innen trainiert wird. Wir stellten uns die Frage, ob durch den Einsatz von großen Sprachmodellen in der künstlichen Intelligenz (KI, z.B., ChatGPT), solche kostenintensiven Lehr-Lernszenarien authentisch und lernförderlich simuliert werden können.

Hierfür erstellten wir eine KI-Eingabe (prompt), mit dem eine neurochirurgische Notaufnahmesituation in einem Chatfenster simuliert wird. Dabei schlüpft die KI in die Rolle eines/einer Patienten/Patientin, die sich mit Symptomen vorstellt und in ein realistisches Anamnesegespräch mit dem Menschen tritt. In mehreren Pilotphasen konnten wir den prompt soweit optimieren, dass sie Fragen beantwortet, ein realistisches Wissensniveau vorgibt und auch auf ungewöhnliche Fragen oder Aufforderungen adäquat reagiert. Da ein wesentlicher Baustein von Anamnesetrainings das Feedback darstellt, erweiterten wir den prompt um ein automatisiertes KI-generiertes Feedback zur KE.

Derzeit testen wir in einem randomisierten 2-Gruppen-Design, ob Medizinstudierende, die mit dieser KI trainieren und automatisiert Feedback erhalten (KI-Feedback-Gruppe), besser in der KE werden, als jene, die nur mit der KI trainieren (KI-Gruppe). Konkret werden Studierende verschiedener Fachsemester eine der beiden Gruppen zugeordnet und führen mehrere 6-minütige KI-simulierte Anamnesegespräch durch. Die KE wird mit dem Clinical Reasoning Indicator – History Taking Inventar [1] qualitativ durch zwei Rater erfasst. Als relevante Kovariaten erfassen wir zusätzlich das Geschlecht, Alter und Fachsemester, die KI-Literalität mit der Meta AI Literacy Scale [2], sowie verschiedene Items zur wahrgenommenen Realität des Gesprächs und der Qualität des KI-generierten Feedbacks.

Obwohl die finale Auswertung noch aussteht, deuten die vorläufigen Ergebnisse darauf hin, dass KI-basierte Anamnesegespräche mit Feedback authentische Lehr-Lernszenarien qualitativ hochwertig simulieren könnten. Es sei kritisch angemerkt, dass solche Formate reale Gespräche noch nicht ersetzen können, da sie non-verbale und soziale Aspekte vernachlässigen. Möglicherweise können sie jedoch als kostengünstige Ergänzung zu bisherigen Trainings eingesetzt werden, um Studierende besser auf reale Anamnesegespräche vorzubereiten.