Impliziter Bias in der Diagnose: Geschlecht, Ethnie, Alter

Es ist zwei Uhr morgens, und mit zehn Minuten Abstand kommen zwei Personen mit Brustschmerz. Ein 58-jähriger Mann, der mit geballter Faust auf das Sternum drückt, und eine Frau im selben Alter, die von Müdigkeit, Übelkeit und einem schwer zu beschreibenden Druck spricht. Beide haben Bluthochdruck und rauchen. Der Assistenzarzt fordert das EKG des Mannes an, bevor er die Anamnese beendet. Für die Frau ist die erste Hypothese, die er notiert, Angst. Niemand dort hält sich für voreingenommen, und vielleicht ist es auch niemand im üblichen Sinn des Wortes. Aber etwas hat, noch vor jedem bewussten Denken, einem der beiden Krankheitsbilder mehr Gewicht gegeben.

Dieses Etwas hat einen Namen: implizite Voreingenommenheit. Es sind automatische Assoziationen, die wir alle über Personengruppen tragen und die unbemerkt verändern können, wie wir die Daten eines Patienten interpretieren. Dieser Leitfaden erklärt, was implizite Voreingenommenheit ist, wie sie gemessen wird, was die Übersichtsarbeiten bei Gesundheitsfachkräften gefunden haben, wie sie sich in Bezug auf Geschlecht, ethnische Herkunft und Alter zeigt und was wirkt oder nicht, um ihren Einfluss auf das klinische Denken zu verringern.

Die wichtigsten Punkte

• Implizite Voreingenommenheit ist eine automatische, unbewusste Assoziation, die dazu führt, eine Person nach Merkmalen zu beurteilen, die für den Fall keine Rolle spielen, etwa ethnische Herkunft oder Geschlecht.
• Systematische Übersichtsarbeiten fanden implizite Voreingenommenheit bei Gesundheitsfachkräften auf einem Niveau ähnlich dem der Allgemeinbevölkerung.
• Der Zusammenhang zwischen dem gemessenen Maß an Voreingenommenheit und der klinischen Entscheidung ist weniger eindeutig, als oft behauptet wird: Manche Studien finden einen Zusammenhang, andere nicht.
• In Studien mit simulierten Patienten und Fallvignetten veränderten ethnische Herkunft, Geschlecht und Alter die geschätzte Krankheitswahrscheinlichkeit sowie die Empfehlungen für Untersuchung und Behandlung.
• Kurze Schulungen ändern das Verhalten kaum. Am meisten hilft ein Verfahren, das dazu zwingt, die Daten jedes einzelnen Patienten anzusehen, bevor man die Gruppe betrachtet, zu der er gehört.

Was implizite Voreingenommenheit ist

Assoziationen, die vor dem Denken wirken

Implizite Voreingenommenheit ist der Name für Assoziationen, die unbewusst ablaufen und dazu führen, eine Person aufgrund von Merkmalen negativ zu beurteilen, die keine Rolle spielen, etwa ethnische Herkunft oder Geschlecht (FitzGerald und Hurst, 2017). Kulturelle Stereotype müssen nicht bewusst akzeptiert werden, um zu beeinflussen, wie Informationen über eine Person verarbeitet werden (Chapman et al., 2013).

In der klinischen Praxis bedeutet das, dass zwei Patienten mit denselben Daten unterschiedliche Interpretationen erhalten können. Ein Symptom kann je nachdem, wer es beschreibt, wahrscheinlicher, schwerwiegender oder "emotionaler" erscheinen.

Anders als offene Vorurteile

Offene Vorurteile sind eine Überzeugung, die eine Person erkennt und äußert. Implizite Voreingenommenheit kann es auch bei Menschen geben, die jede Diskriminierung aufrichtig ablehnen. In einer Studie mit Assistenzärzten berichteten die Ärzte keine offene Bevorzugung zwischen weißen und schwarzen Patienten, doch die Assoziationstests zeigten eine implizite Bevorzugung weißer Patienten (Green et al., 2007). Diese Trennung zwischen dem, was man äußert, und dem, was gemessen wird, steht im Zentrum des Problems.

Warum sie ins klinische Denken einfließt

Klinisches Denken beruht auf dem Erkennen von Mustern, und Muster entstehen aus Gruppen: "Brustschmerz bei einem rauchenden Mann", "Müdigkeit bei einer älteren Frau". Das ist ein nützliches Werkzeug, wenn die Gruppe tatsächlich die Krankheitswahrscheinlichkeit verändert. Das Problem beginnt, wenn die Gruppe mehr wiegt als die Daten des Patienten oder wenn die erlernte Assoziation nicht der tatsächlichen Epidemiologie entspricht. Der Leitfaden zu Beispielen von Heuristiken im klinischen Denken zeigt, wann diese Abkürzungen helfen und wann sie schaden.

Was dieser Text nicht ist

Dieser Text behandelt den Einfluss von Voreingenommenheit auf Diagnose und klinische Entscheidung. Ungleichheiten beim Zugang, im System und in der Gesellschaft sind größer als das Denken jedes einzelnen Arztes und gehören nicht hierher. Sie sind wichtig, verlangen aber andere Antworten als die, die ein Student allein einüben kann.

Wie implizite Voreingenommenheit gemessen wird

Der implizite Assoziationstest

Das am häufigsten verwendete Instrument ist der Implizite Assoziationstest, kurz IAT. Er misst die Reaktionszeit beim Verknüpfen von Begriffen, etwa Gesichtern verschiedener Gruppen und positiven oder negativen Wörtern. Kleine Zeitunterschiede, über viele Versuche summiert, ergeben einen Wert für automatische Assoziation. In einer Übersicht von Studien zwischen 2003 und 2013 nutzten 17 Artikel ein implizites Maß, 15 davon den IAT (FitzGerald und Hurst, 2017).

Vignetten und simulierte Patienten

Die zweite Methode sind identische klinische Vignetten, bei denen sich nur ein Merkmal des Patienten ändert, etwa Ethnie, Geschlecht oder Alter. Dieselbe Übersicht umfasste 25 Artikel mit diesem Design, das die implizite Haltung nicht isoliert, aber von Forschenden des Bereichs als Möglichkeit anerkannt ist, das mögliche Vorliegen einer Verzerrung zu erkennen (FitzGerald und Hurst, 2017). Einige Studien nutzen Schauspieler oder Videos, was die Situation einem echten Arztgespräch annähert.

Die Grenzen der Messung

Eine systematische Übersicht mit Notfallmedizinern kritisierte die vorherrschende Verwendung von Vignetten und kam zu dem Schluss, dass zwar eine implizite Bevorzugung weißer Personen verbreitet war, die Belege dafür, dass sie die klinische Entscheidung verändert, jedoch begrenzt und von geringer Qualität waren (Dehon et al., 2017). Das heißt nicht, dass Verzerrung keine Rolle spielt, sondern dass ein Testergebnis allein nicht vorhersagt, was ein Arzt mit einem Patienten tun wird.

Was die Übersichten zeigen

Angehörige der Gesundheitsberufe haben Verzerrungen wie alle anderen

In einer Übersicht von 42 Artikeln fanden 35 Belege für implizite Verzerrung bei Angehörigen der Gesundheitsberufe, und alle Studien, die einen Zusammenhang suchten, fanden eine Beziehung zwischen stärkerer Verzerrung und schlechterer Versorgungsqualität (FitzGerald und Hurst, 2017). Die Autoren kamen zu dem Schluss, dass diese Berufsgruppen dieselben Ausmaße impliziter Verzerrung zeigen wie die Allgemeinbevölkerung (FitzGerald und Hurst, 2017).

Ethnie und Herkunft

Eine Übersicht von 15 Studien fand in allen bis auf einer geringe bis mittlere Ausmaße impliziter rassischer oder ethnischer Verzerrung bei Angehörigen der Gesundheitsberufe (Hall et al., 2015). Die Verzerrung war signifikant mit der Interaktion zwischen Behandelndem und Patient, mit Behandlungsentscheidungen, mit der Adhärenz und mit Gesundheitsergebnissen verbunden, wenngleich einige Zusammenhänge nicht signifikant waren (Hall et al., 2015).

Eine weitere Übersicht mit 37 Studien, die den IAT nutzten, fand in 31 davon eine Verzerrung gegen Schwarze, hispanische, indigene Menschen oder Menschen mit dunkler Hautfarbe (Maina et al., 2018). Von den 14, die den Zusammenhang mit der Versorgung in Vignetten oder mit simulierten Patienten prüften, fanden 8 keinen signifikanten Zusammenhang und 6 einen (Maina et al., 2018). Die 7, die echte Arztgespräche beobachteten, fanden eine schlechtere Kommunikation zwischen Behandelnden mit stärkerer Verzerrung und ihren Patienten (Maina et al., 2018).

Die Effektstärke in der medizinischen Ausbildung

Eine Metaanalyse von 29 Studien mit dem IAT schätzte eine kleine, aber vorhandene implizite rassische Verzerrung sowohl bei Ärzten als auch bei Medizinstudierenden (Ahadinezhad et al., 2022). Klein heißt nicht unbedeutend: ein kleiner Effekt, der sich jährlich in Tausenden Entscheidungen wiederholt, verändert die Versorgung vieler Menschen.

Eine Zusammenfassung der Belege

Quelle	Was sie zusammenfasste	Was sie fand
FitzGerald und Hurst, 2017	42 Artikel mit Angehörigen der Gesundheitsberufe	Verzerrung in 35 davon; Ausmaße ähnlich der Allgemeinbevölkerung
Hall et al., 2015	15 Studien zu Ethnie und Herkunft	Geringe bis mittlere Verzerrung in fast allen; Zusammenhang mit Interaktion und Behandlung in einem Teil davon
Maina et al., 2018	37 Studien mit dem IAT	Verzerrung in 31; Zusammenhang mit der Versorgung in 6 von 14 Studien mit Vignetten
Dehon et al., 2017	9 Studien mit Ärzten	Implizite Bevorzugung verbreitet; Zusammenhang mit der Entscheidung in 2, von geringer Qualität
Ahadinezhad et al., 2022	29 Studien mit dem IAT	Kleine rassische Verzerrung bei Ärzten und Studierenden

Jede Zeile enthält den Link zur Übersicht, aus der die Zahlen stammen.

Geschlecht in der Diagnose

Thoraxschmerz und geschätzte Wahrscheinlichkeit

Eine klassische Studie nutzte Schauspieler, die in aufgezeichneten Gesprächen Patienten mit Thoraxschmerz darstellten, mit identischen Drehbüchern und wechselnder Ethnie, Geschlecht und Alter (Schulman et al., 1999). Teilgenommen haben 720 Hausärzte. Die geschätzte Wahrscheinlichkeit einer koronaren Herzkrankheit war bei Frauen mit 64,1% niedriger als bei Männern mit 69,2% (Schulman et al., 1999).

Selbst nach Kontrolle für die geschätzte Wahrscheinlichkeit, die Schmerzart und das Ergebnis des Belastungstests hatten Frauen eine geringere Chance, zur Katheterisierung überwiesen zu werden, mit einer Odds Ratio von 0,60 (Schulman et al., 1999). Die Eröffnungsszene dieses Textes ist fiktiv, aber das Muster, das sie beschreibt, stützt sich auf diese Art von Studie.

Unterschätzter Schmerz

In drei Studien mit 532 Teilnehmenden, die Videos von echten Menschen mit Schmerz sahen, unterschätzten die Beobachtenden den Schmerz von schwarzen Frauen und von Menschen anderer nicht weißer Ethnien stärker als den jeder anderen Gruppe (Ruben und Stosic, 2024). Die Überschneidung von Geschlecht und Race wog schwerer als jedes Merkmal für sich.

Wenn das "Emotionale" den Fall abschließt

In der Praxis zeigt sich der Gender-Bias oft als psychologische Erklärung, die zu früh gegeben wird. Angst, Stress und Somatisierung sind echte Diagnosen, aber wenn sie als erste Hypothese auftauchen, bevor schwerwiegende organische Ursachen ausgeschlossen sind, werden sie zu einer Form des vorzeitigen Abschlusses. Der Leitfaden zum affektiven Bias behandelt, wann die Emotion der Ärztin oder des Arztes in die Entscheidung einfließt; hier ist das Risiko die Emotion, die der Patientin zugeschrieben wird.

Race in der Diagnose

Thrombolyse und implizite Präferenz

Die erste Studie, die den impliziten Bias von Ärztinnen und Ärzten maß und prüfte, ob er eine klinische Entscheidung vorhersagte, verwendete eine Vignette zum akuten Koronarsyndrom, bei der die Race des Patienten zufällig zugewiesen wurde, und legte sie 287 Assistenzärztinnen und -ärzten der Inneren Medizin und der Notaufnahme vor (Green et al., 2007). Je größer die implizite Präferenz für weiße Menschen, desto höher die Chance, eine Thrombolyse für den weißen und nicht für den schwarzen Patienten anzuordnen (Green et al., 2007).

In der Studie mit Schauspielenden hatten schwarze Patienten ebenfalls eine geringere Chance, zur Katheterisierung überwiesen zu werden, mit einer Odds Ratio von 0,60, und schwarze Frauen hatten noch weniger Chance als weiße Männer (Schulman et al., 1999).

Falsche Überzeugungen über den Körper

Eine Studie mit Medizinstudierenden und weißen Assistenzärztinnen und -ärzten ergab, dass die Hälfte von ihnen mindestens eine falsche Überzeugung über biologische Unterschiede zwischen Schwarzen und Weißen akzeptierte, etwa dass die Haut von Schwarzen dicker sei (Hoffman et al., 2016). Wer diese Überzeugungen akzeptierte, schätzte den Schmerz des schwarzen Patienten als geringer ein und gab weniger präzise Behandlungsempfehlungen (Hoffman et al., 2016). Das ist ein Bias, der sich mit Wissen korrigieren lässt: erlernte falsche Überzeugungen müssen verlernt werden.

Wenn der Bias im Instrument steckt

Ein Teil des Bias steckt im Gerät selbst, außerhalb des Kopfes der Ärztin oder des Arztes. In einer Studie mit mehr als 30.000 Paaren von Messwerten der Pulsoximetrie und der arteriellen Blutgasanalyse bei stationären Patienten war die okkulte Hypoxämie, jene, die die Blutgasanalyse erkennt und das Pulsoximeter nicht, bei schwarzen Patienten häufiger: 19,6% gegenüber 15,6% bei weißen Patienten mit einer Pulssättigung von 92% oder mehr (Valbuena et al., 2022). Das zu wissen verändert das Vorgehen: ein beruhigender Wert kann eine Überprüfung verdienen, wenn das Bild nicht dazu passt.

Alter in der Diagnose

Ageismus und Gesundheit

Eine systematische Übersichtsarbeit, die Studien aus 45 Ländern zusammenfasste, ergab, dass Ageismus in 95,5% der Studien mit schlechteren Gesundheitsergebnissen verbunden war (Chang et al., 2020). Der Effekt zeigte sich unabhängig vom Alter, Geschlecht und von der Race der Person, die Ageismus ausübte (Chang et al., 2020), was junge Fachkräfte ebenso einschließt wie ältere.

"Das ist das Alter"

Die häufigste Form von Ageismus im klinischen Denken ist, ein neues Symptom dem Altern zuzuschreiben. Eine aktuelle Studie beschreibt eine 72-jährige Patientin, deren Symptome als normales Altern behandelt wurden und deren Krebs spät diagnostiziert wurde (Cheung, 2026). Der Text nennt die Verankerung am Alter anstelle der individuellen Beurteilung als Mechanismus des Fehlers (Cheung, 2026).

Das Alter verändert auch die Wahrscheinlichkeit

Das Alter ist ein legitimes klinisches Datum: Es verändert die Wahrscheinlichkeit vieler Krankheiten. In der Studie von Schulman et al. war die geschätzte Wahrscheinlichkeit einer koronaren Herzkrankheit bei 55-jährigen Patienten geringer als bei 70-jährigen (Schulman et al., 1999), was epidemiologisch sinnvoll ist. Die Frage ist nicht, ob das Alter in die Überlegung einfließen soll, sondern ob es die anderen Daten ersetzt. Der Leitfaden zur Basishäufigkeit in der Diagnose erklärt, wie man die Prävalenz nutzt, ohne dass sie den Fall abschließt.

Anzeichen dafür, dass das Alter zu stark gewichtet wurde

Einige Formulierungen in der Patientenakte oder in der Falldiskussion deuten oft darauf hin, dass die Altersgruppe die individuelle Beurteilung ersetzt hat. Es lohnt sich innezuhalten, wenn Sie sich beim Schreiben oder Zuhören bei folgenden Sätzen ertappen:

• "Normal für das Alter", ohne Vergleich mit dem früheren Zustand der Person selbst.
• "Älterer Patient, verwirrt", ohne zu dokumentieren, wie er vor dem aktuellen Zustand war.
• "Nicht abklären", entschieden, bevor mit dem Patienten darüber gesprochen wurde, was er möchte.
• "War schon immer so", gesagt von jemandem, der den Patienten erst seit Kurzem kennt.
• "Chronischer Schmerz des Alters" für einen Schmerz, der vor wenigen Tagen begann.

Jeder dieser Sätze kann richtig sein. Sie dürfen nur nicht die zentrale Frage ersetzen: Was hat sich bei dieser Person verändert, und was erklärt diese Veränderung? Die Anamnese mit Aufmerksamkeit für das, was für den Patienten neu ist, ist der erste Schritt, und der Leitfaden zu Zeichen, Symptomen und Anamnese zeigt, wie man diese Erhebung ordnet. Auf der anderen Seite gibt es auch den umgekehrten Fehler: aggressiv abklären, ohne Gespräch, bei einem Zustand, den die Person und die Familie lieber eng begleitet hätten. Individualisieren gilt in beide Richtungen.

Was man mit dem eigenen Bias tun kann

Was kurze Schulungen bewirken

Eine Metaanalyse von 492 Studien zu Verfahren zur Veränderung impliziter Maße ergab, dass sich diese Maße verändern lassen, aber meist mit schwachen und kurzfristigen Effekten (Forscher et al., 2019). Wichtiger: Die Veränderungen der impliziten Maße schlugen sich nicht in Verhaltensänderungen nieder (Forscher et al., 2019). Einen Test machen, feststellen, dass man einen Bias hat, und einen Vortrag anhören, hilft im nächsten Dienst wenig.

Was eher zu helfen scheint

Zwei Strategien tauchen in der Literatur über Ärzte häufiger auf: bewusst die Perspektive des Patienten einnehmen und sich gezielt auf seine individuellen Informationen konzentrieren, getrennt von der sozialen Gruppe, zu der er gehört (Chapman et al., 2013). In einer Studie mit Beobachtern von Schmerzvideos verringerte eine Intervention auf Basis von Übung mit sofortigem Feedback den Bias bei der Schmerzbeurteilung stärker als Sensibilisierungsschulungen (Ruben und Stosic, 2024).

Prüffragen im Gespräch

Eine praktische Art zu individualisieren ist, in Entscheidungsmomenten feste Fragen zu verwenden. Die folgende Tabelle ist ein redaktioneller Vorschlag, ohne formale Prüfung, basierend auf den oben beschriebenen Strategien.

Moment	Frage	Wovor sie schützt
Erste Hypothese	Würde ich dieselbe Hypothese schreiben, wenn dieser Patient ein anderes Geschlecht, eine andere Herkunft oder ein anderes Alter hätte?	Vorschneller Abschluss durch die Gruppe
Psychologische Erklärung	Habe ich mit den Daten, die ich habe, die schweren organischen Ursachen ausgeschlossen?	Zu frühe emotionale Diagnose
Symptom dem Alter zugeschrieben	Ist dieses Symptom für diese Person neu, oder nur in der Altersgruppe häufig?	"Das ist das Alter"
Schmerz	Beurteile ich den Schmerz nach Bericht und Untersuchung oder nach dem Ausdruck?	Unterschätzter Schmerz
Beruhigender Wert	Hat das Gerät bei diesem Patienten eine bekannte Einschränkung?	Bias des Instruments

Gewohnheiten für den Alltag

• Schreiben Sie die Haupthypothese und zwei Alternativen auf, bevor Sie an das "Profil" des Patienten denken.
• Listen Sie die Daten auf, die die Hypothese stützen, und nicht die Merkmale der Gruppe.
• Wenn die Hypothese psychologisch ist, halten Sie fest, was zuvor ausgeschlossen wurde.
• Bitten Sie eine Kollegin oder einen Kollegen, den Fall ohne die demografischen Angaben zu lesen, wenn Sie unsicher sind.
• Gehen Sie Ihre Fehlerfälle durch und suchen Sie nach Mustern: Ähnelten sich die schlecht beurteilten Patienten?

In der Ausbildung

Studierende kommen ins Praktische Jahr mit Assoziationen, die durch Bücher, Unterricht und Prüfungsfälle bereits geformt sind, viele davon mit dem "typischen Patienten", der immer dasselbe Profil hat. Der Text zum heimlichen Lehrplan in der Medizin zeigt, wie das, was außerhalb des Unterrichts gelernt wird, das Verhalten prägt. Das Profil der Patienten in Lernfällen zu variieren ist eine einfache Möglichkeit, diese Assoziationen nicht zu verstärken.

Wie NEXO hilft, von den Daten aus zu denken

Hinweise vor dem Profil

Bei NEXO kommt jeder Fall mit bis zu sechs aufeinander aufbauenden Hinweisen, und die Hypothese erhält Rückmeldung zur Nähe in der ICD-10 auf fünf Stufen. Es sind fiktive Fälle mit realer klinischer Präsentation. Dieses Format lädt dazu ein, ausgehend von den Daten in jedem Hinweis zu denken und festzuhalten, was Sie dazu gebracht hat, die Hypothese zu ändern oder beizubehalten.

Das eigene Muster überprüfen

Wenn Sie die Fälle durchgehen, bei denen Sie falsch lagen, lohnt es sich, das Profil des fiktiven Patienten anzusehen und sich zu fragen, ob es bei der Ohne Hypothese eine Rolle gespielt hat. Die Verteilung der Treffer nach Hinweis auf dem Startbildschirm zeigt, an welchem Punkt des Falls Sie üblicherweise zur Diagnose kommen. Wenn Sie merken, dass Sie bei bestimmten Arten der Präsentation häufiger falsch liegen, ist das ein Ansatzpunkt zum Lernen. Um das Spiel kennenzulernen, lesen Sie was NEXO ist. Die Nutzungsgrenzen stehen in der Wirtschaft von NEXO.

Zum Recherchieren und Schreiben von Fällen

Wenn Sie Bias im klinischen Denken untersuchen, erklärt die Seite für Researcher, wie Sie mitmachen können. Wer Fälle schreibt oder überprüft, kann die Curator kennenlernen. Die Vielfalt der Profile in den Fällen ist ein Thema, das in diese Überprüfung gehört.

Häufige Fragen

Was ist impliziter Bias in der Medizin?

Es ist eine automatische, unbewusste Verknüpfung, die dazu führen kann, dass die Fachperson einen Patienten wegen Merkmalen wie Herkunft, Geschlecht oder Alter anders bewertet, ohne es zu bemerken (FitzGerald und Hurst, 2017).

Bedeutet impliziter Bias, voreingenommen zu sein?

Es bedeutet, Verknüpfungen zu haben, die alle in ihrem Umfeld lernen. Ärzte, die keine ausdrückliche Präferenz angaben, zeigten im Test eine implizite Präferenz (Green et al., 2007). Entscheidend ist, was Sie tun, damit diese Verknüpfungen nicht für den Patienten entscheiden.

Sagt der Test der impliziten Assoziation voraus, was der Arzt tun wird?

Er sagt es kaum und uneinheitlich voraus. In einer Übersichtsarbeit fanden 6 von 14 Studien mit Vignetten oder simulierten Patienten einen Zusammenhang zwischen dem gemessenen Bias und der Versorgung (Maina et al., 2018), und eine andere Übersichtsarbeit bewertete diese Evidenz als von geringer Qualität (Dehon et al., 2017).

Funktioniert Training gegen Bias?

Kurze Trainings verändern die impliziten Messwerte kaum und das Verhalten fast gar nicht (Forscher et al., 2019). Praktiken, die dazu zwingen, sich auf die individuellen Daten des Patienten zu konzentrieren, und Training mit sofortiger Rückmeldung scheinen vielversprechender (Chapman et al., 2013; Ruben und Stosic, 2024).

Sollte das Alter des Patienten nicht ins Denken einfließen?

Es sollte, denn es verändert die Wahrscheinlichkeit vieler Krankheiten. Das Problem ist, wenn das Alter die individuelle Bewertung ersetzt und ein neues Symptom ohne Abklärung dem Altern zugeschrieben wird (Cheung, 2026).

Wie hängt NEXO mit implizitem Bias zusammen?

NEXO zeigt fiktive Fälle mit bis zu sechs Hinweisen, was es ermöglicht, die Gewohnheit zu trainieren, ausgehend von den Daten in jedem Hinweis zu denken, und später die eigenen Fehler zu überprüfen. Keine der hier zitierte Studie misst NEXO.

Checkliste zum impliziten Bias

1. Schreiben Sie die Hypothese und zwei Alternativen auf, bevor Sie an das Profil des Patienten denken.
2. Listen Sie die Daten auf, die die Hypothese stützen, und nicht die Merkmale der Gruppe.
3. Fragen Sie sich, ob Sie dieselbe Hypothese schreiben würden für einen Patienten anderen Geschlechts, anderer Herkunft oder anderen Alters.
4. Schließen Sie die schweren Ursachen aus, bevor Sie eine psychologische Erklärung festhalten.
5. Behandeln Sie das neue Symptom als neu, auch wenn es in der Altersgruppe häufig ist.
6. Bewerten Sie den Schmerz nach der Schilderung und nach der Untersuchung, mit derselben Skala für alle.
7. Überprüfen Sie beruhigende Werte, wenn das Bild nicht zu ihnen passt.
8. Korrigieren Sie falsche Überzeugungen über biologische Unterschiede, wann immer Sie ihnen begegnen.
9. Überprüfen Sie Ihre Fehler und suchen Sie nach Mustern im Profil der schlecht bewerteten Patienten.
10. Variieren Sie das Profil der Patienten in den Fällen, die Sie bearbeiten.

Möchten Sie das Denken ausgehend von den Daten in jedem Hinweis trainieren? Spielen Sie den Fall des Tages bei NEXO.

Literatur

1. FitzGerald C, Hurst S. Implicit bias in healthcare professionals: a systematic review. BMC Med Ethics. 2017. https://pubmed.ncbi.nlm.nih.gov/28249596/
2. Hall WJ, Chapman MV, Lee KM, Merino YM, Thomas TW, Payne BK, et al. Implicit Racial/Ethnic Bias Among Health Care Professionals and Its Influence on Health Care Outcomes: A Systematic Review. Am J Public Health. 2015. https://pubmed.ncbi.nlm.nih.gov/26469668/
3. Maina IW, Belton TD, Ginzberg S, Singh A, Johnson TJ. A decade of studying implicit racial/ethnic bias in healthcare providers using the implicit association test. Soc Sci Med. 2018. https://pubmed.ncbi.nlm.nih.gov/28532892/
4. Dehon E, Weiss N, Jones J, Faulconer W, Hinton E, Sterling S. A Systematic Review of the Impact of Physician Implicit Racial Bias on Clinical Decision Making. Acad Emerg Med. 2017. https://pubmed.ncbi.nlm.nih.gov/28472533/
5. Ahadinezhad B, Khosravizadeh O, Maleki A, Hashtroodi A. Implicit racial bias among medical graduates and students by an IAT measure: a systematic review and meta-analysis. Ir J Med Sci. 2022. https://pubmed.ncbi.nlm.nih.gov/34495481/
6. Chapman EN, Kaatz A, Carnes M. Physicians and implicit bias: how doctors may unwittingly perpetuate health care disparities. J Gen Intern Med. 2013. https://pubmed.ncbi.nlm.nih.gov/23576243/
7. Green AR, Carney DR, Pallin DJ, Ngo LH, Raymond KL, Iezzoni LI, et al. Implicit bias among physicians and its prediction of thrombolysis decisions for black and white patients. J Gen Intern Med. 2007. https://pubmed.ncbi.nlm.nih.gov/17594129/
8. Schulman KA, Berlin JA, Harless W, Kerner JF, Sistrunk S, Gersh BJ, et al. The effect of race and sex on physicians' recommendations for cardiac catheterization. N Engl J Med. 1999. https://pubmed.ncbi.nlm.nih.gov/10029647/
9. Hoffman KM, Trawalter S, Axt JR, Oliver MN. Racial bias in pain assessment and treatment recommendations, and false beliefs about biological differences between blacks and whites. Proc Natl Acad Sci U S A. 2016. https://pubmed.ncbi.nlm.nih.gov/27044069/
10. Ruben MA, Stosic MD. Documenting Race and Gender Biases in Pain Assessment and a Novel Intervention Designed to Reduce Biases. J Pain. 2024. https://pubmed.ncbi.nlm.nih.gov/38692397/
11. Valbuena VSM, Seelye S, Sjoding MW, Valley TS, Dickson RP, Gay SE, et al. Racial bias and reproducibility in pulse oximetry among medical and surgical inpatients in general care in the Veterans Health Administration 2013-19: multicenter, retrospective cohort study. BMJ. 2022. https://pubmed.ncbi.nlm.nih.gov/35793817/
12. Chang ES, Kannoth S, Levy S, Wang SY, Lee JE, Levy BR. Global reach of ageism on older persons' health: A systematic review. PLoS One. 2020. https://pubmed.ncbi.nlm.nih.gov/31940338/
13. Cheung K. The Silent Threat to Clinical Excellence: Ageism in Medicine. J Gen Intern Med. 2026. https://pubmed.ncbi.nlm.nih.gov/41239116/
14. Forscher PS, Lai CK, Axt JR, Ebersole CR, Herman M, Devine PG, et al. A meta-analysis of procedures to change implicit measures. J Pers Soc Psychol. 2019. https://pubmed.ncbi.nlm.nih.gov/31192631/