gms | German Medical Science

Im Hinblick auf eine vermehrte gesellschaftliche Wahrnehmung des Themas Diversität und ihre Bedeutung in der medizinischen Ausbildung, besonders im Bereich der Gesprächsführung mit Schauspielpatienten, stellt sich die Frage nach Möglichkeiten, um verschiedene Aspekte kultureller Diversität darzustellen. Dabei zeigt sich in Befragungen, die 2012 von der Zeit und der Süddeutschen Zeitung bereits der Wunsch nach einer Diversifizierung des Ensembles an mehreren Staatstheatern in Großstädten [1], [2]. Die frühere Intendantin des Schauspiel Köln, Karin Beyer, suchte dieses Ziel mit einer „Migrantenqoute“ zu erreichen. Hierbei stellte sich jedoch aus ihrer Sicht das Problem ein, dass „die Verfügbarkeit von hochqualitativem Schauspiel bei migrantisierten Menschen gering erscheint“ [3].

Vor diesem Hintergrund ist ebenso zu erwarten, dass das Schauspielen von Patient*innen vor ähnlichen Problemen steht, da auch diese in der Regel auf ausgebildete Schauspieler*innen zurückgreifen. Hierbei ergibt sich ein Problem für die Erstellung von realistischen Simulationspatienten.

Vor diesem Hintergrund stellt sich als Frage, ob Large Languages Models (LLM) in der Entwicklung von Skripten für Schauspielpatienten zum Einsatz kommen können.

Als LLM wurde ChatGPT des Herstellers OpenAI genutzt. Es wurde als Aufgabe an die KI gefordert, Patientenskripte mit 4 verschiedenen kulturellen Diversitätsleveln zu erstellen. Dies wurde für zwei verschiedene Krankheiten mit insgesamt 80 Rollenskripen durchgeführt und diese statistisch ausgewertet. Dabei ergaben sich folgende

Ergebnisse: Bei beiden Krankheiten zeigte sich ein entsprechendes variables Bild im Hinblick auf die medizinischen Werte. So hatten Patienten mit Diabetes Typ 2 mit zunehmender Diversität ein höheres Alter, höhere HbA1c- und BMI-Werte. Für Alzheimer Demenz fehlen Laborparameter. Jedoch variiert hier das Auftreten von Begleiterkrankungen, Inkontinenz und Pflegebedürftigkeit, Aspekte die bei Diabetes Typ 2 praktisch fehlen.

Die Ergebnisse im Hinblick auf die kulturelle Diversität sind im Gegensatz dazu in beiden Krankheiten sehr ähnlich. Patienten haben mit steigendem Diversitätslevel zunehmend Sprachbarrieren, Ablehnungen von westlicher Medizin und Hinwendungen zu traditionellen Heilversuchen, leben vermehrt in prekären Wohn- und Einkommenssituationen und pflegen im Hinblick auf Diabetes Typ 2 krankheitsverstärkende Ernährungsgewohnheiten. Mit zunehmendem Diversitätslevel ändern sich die Muttersprachen von ausschließlich Deutsch bei Diversität 1 zu fast ausschließlich Arabisch bei Demenzerkrankten und ostafrikanischen Sprachen bei Diabetespatient*innen.

Daraus lässt sich ableiten, dass auch wenn KI-basierte Sprachmodelle wie ChatGPT gerade bei der schnellen Generierung von Patientenfällen, meist im Bereich weniger Sekunden für vollständige Rollenskripte eine große Unterstützung sind, ist es von entscheidender Wichtigkeit, Minderheiten in den Prozess miteinzubeziehen. Da sich Sprachmodelle hauptsächlich auf in der Vergangenheit erstellte Texte beziehen, führt die Verwendung unweigerlich zur Reproduktion rassistischer Stereotype. Dass Patienten mit hohem Diversitätslevel keine Varianz im Bezug zu westlicher Medizin empfinden, einen überdurchschnittlichen Anteil an arabischsprachigen Menschen aufwiesen und im Fall von Diabetes Typ 2 fast ausschließlich in Geflüchtetenunterbringungen verordnet sind, zeugt genau von dieser Reproduktion. Somit bleibt zu postulieren, dass die Einbeziehung von realen Menschen mit Flucht- und Migrationserfahrung ein unerlässlicher Teil von Diversifikation in der Erstellung von realistischen, glaubhaften Simulationspatient*innen ist. Ebenso sollte der Einsatz von LLMs gezielt erfolgen und der Anwender sich dieser Reproduktion bewusst sein.