KI im klinischen Denken

Sie lesen gerade einen schwierigen Fall zu Ende, öffnen einen Assistenten für künstliche Intelligenz, fügen die Geschichte ein und erhalten in Sekunden eine Liste mit zehn gut erklärten Diagnosen. Das scheint das Ende des Problems zu sein. Eine randomisierte klinische Studie mit 50 Ärzten zeigte etwas weniger Offensichtliches: Ein verfügbares Sprachmodell zusätzlich zu den üblichen Hilfsmitteln verbesserte die Leistung der Ärzte beim diagnostischen Denken nicht signifikant, obwohl das Modell allein besser abschnitt als die Ärzte (Goh et al., 2024).

NEXO ist ein tägliches medizinisches Diagnosespiel: ein klinischer Fall pro Tag, sechs progressive Hinweise und ICD-10-Nähefeedback in fünf Stufen.

Dieser Text fasst zusammen, was die Studien über künstliche Intelligenz beim klinischen Denken zeigen, welche Risiken auftreten, wenn sie in den Alltag einzieht, und wie man mit der KI an der Seite lernen kann, ohne das eigene Denken zu vernachlässigen.

Die wichtigsten Punkte

• Sprachmodelle schneiden in Tests und Vignetten bereits gut ab, aber die Verfügbarkeit des Werkzeugs garantiert nicht, dass der Arzt besser denkt.
• In einigen Studien kamen Ärzte mit KI-Unterstützung zu vollständigeren Listen von Differenzialdiagnosen.
• Die Automatisierungsverzerrung, die Neigung, der Maschine zu sehr zu vertrauen, ist ein bekanntes Risiko, und es gibt Wege, sie zu verringern.
• Eine Beobachtungsstudie deutet darauf hin, dass die ständige Exposition gegenüber KI die Leistung verschlechtern kann, wenn sie nicht verfügbar ist.
• Für Lernende zählt die Reihenfolge: zuerst das eigene Denken, dann der Vergleich mit dem Werkzeug.

Inhalt

• Was die KI bei der Diagnose bereits leisten kann
• KI in den Händen des Arztes: was sich ändert
• Die Risiken: Automatisierungsverzerrung und Verlust der Fähigkeit
• Wie man klinisches Denken mit der KI an der Seite lernt
• Wo das Training ohne Hilfe weiterhin unverzichtbar ist
• Häufige Fragen
• Checkliste für den Einsatz von KI beim klinischen Denken

Was die KI bei der Diagnose bereits leisten kann

Die Idee, Computer zur Unterstützung der Diagnose einzusetzen, ist alt, und die Qualität der Werkzeuge hat sich in wenigen Jahren stark verändert. Es lohnt sich, die Entwicklung zu betrachten, um zu verstehen, was die aktuellen Zahlen bedeuten.

Vor den Sprachmodellen

Im Jahr 2015 testete eine Studie 23 Online-Symptomprüfer mit 45 standardisierten Vignetten (Semigran et al., 2015). Die Werkzeuge nannten die richtige Diagnose an erster Stelle in 34% der Bewertungen und nahmen sie in 58% unter die ersten 20 auf (Semigran et al., 2015). Bei der Triage neigten die Ratschläge dazu, zu vorsichtig zu sein, und verwiesen auf die Suche nach Versorgung in Situationen, in denen Selbstfürsorge angemessen war (Semigran et al., 2015).

Die Sprachmodelle in Prüfungen

Im Jahr 2023 bewertete eine Studie Sprachmodelle anhand einer Sammlung medizinischer Fragenkataloge, und eine der Versionen erreichte 67,6% richtige Antworten bei Fragen im Stil der medizinischen Zulassungsprüfung der Vereinigten Staaten (Singhal et al., 2023). Die menschliche Bewertung der Antworten offenbarte jedoch wichtige Lücken, und selbst die für die Medizin angepasste Version blieb hinter den Klinikern zurück (Singhal et al., 2023).

Die Autoren betonen, wie wichtig es ist, die Antworten in mehreren Dimensionen zu bewerten, etwa Faktenrichtigkeit, Verständnis, Denken, Schadenspotenzial und Verzerrung (Singhal et al., 2023). Die richtige Antwortalternative in einer Prüfung zu wählen ist etwas anderes, als gut über einen Patienten nachzudenken.

Differenzialdiagnose bei schwierigen Fällen

Im Jahr 2025 wurde ein für diagnostisches Denken optimiertes Modell an 302 in der Literatur veröffentlichten herausfordernden Fallberichten getestet, bewertet von 20 Klinikern (McDuff et al., 2025). Allein nahm das Modell die richtige Diagnose in 59,1% der Fälle unter die ersten zehn Hypothesen auf, gegenüber 33,6% bei den Klinikern ohne Hilfe (McDuff et al., 2025).

Eine weitere Studie derselben Gruppe verglich ein System für diagnostische Gespräche mit Ärzten der Grundversorgung in Textkonsultationen mit geschulten Schauspielern (Tu et al., 2025). Das System hatte eine höhere diagnostische Genauigkeit und war in den meisten bewerteten Dimensionen besser, doch die Autoren mahnen zur Vorsicht: Die Konsultation per Textchat ist nicht die übliche Art der Behandlung, und es braucht mehr Forschung, bevor das System in die Praxis gelangt (Tu et al., 2025).

Wo die KI im Gesundheitswesen auftaucht

Die Diagnose ist nur eine der Fronten. Die Orientierung der Weltgesundheitsorganisation zu großen multimodalen Modellen beschreibt fünf große Anwendungen im Gesundheitswesen (WHO, 2024):

• Diagnose und klinische Versorgung, etwa die Beantwortung schriftlicher Fragen von Patienten;
• vom Patienten selbst gesteuerte Nutzung, etwa zur Abklärung von Symptomen und Behandlungen;
• administrative Aufgaben wie das Dokumentieren und Zusammenfassen von Konsultationen in der elektronischen Patientenakte;
• medizinische und pflegerische Ausbildung, einschließlich simulierter Patientengespräche;
• wissenschaftliche Forschung und Arzneimittelentwicklung.

Für Studierende bedeutet das, dass KI an vielen Stellen der Ausbildung auftauchen wird, von der Zusammenfassung eines Artikels bis zur Simulation einer Konsultation. An jeder dieser Stellen ist die Frage dieselbe: Erledigt das Werkzeug die Arbeit für mich oder hilft es mir, sie besser zu machen?

Wie diese Ergebnisse zu lesen sind

Studientyp	Was gemessen wird	Was nicht gemessen wird
Multiple-Choice-Prüfungen	Wissen und Erkennen von Mustern in geschlossenen Fragen	Datenerhebung, körperliche Untersuchung, Kontext des Patienten
Vignetten und Fallberichte	Fähigkeit, aus einem fertigen Text eine Differenzialdiagnose zu erstellen	Die Aufgabe zu entscheiden, welche Daten zu erheben sind
Simulierte Konsultationen per Text	Gespräch und Denken in einem kontrollierten Format	Die persönliche Behandlung mit begrenzter Zeit und begrenzten Mitteln
Studien mit Ärzten	Die Wirkung, das Werkzeug denen zu geben, die behandeln	Die Wirkung auf Patienten, außer wenn der Endpunkt klinisch ist

Quelle der Tabelle: Zusammenfassung des Editorials aus den Studien von Singhal et al., 2023, McDuff et al., 2025, Tu et al., 2025 und Goh et al., 2024.

Im Zusammenspiel zeigt sich, dass KI bei Aufgaben gut abschneidet, bei denen die Daten bereits geordnet vorliegen. Die Arbeit zu entscheiden, was zu fragen, was zu untersuchen und was anzufordern ist, bleibt bei denen, die behandeln.

KI in den Händen des Arztes: was sich ändert

Zu wissen, dass das Werkzeug allein richtig liegt, ist eine Sache. Zu wissen, ob der Arzt mit dem Werkzeug besser entscheidet, ist eine andere, und das ist die Frage, die für die Praxis zählt.

Die randomisierte Studie mit Ärzten

In der Studie von 2024 wurden Ärzte der Allgemeinmedizin, der Inneren Medizin und der Notaufnahme per Zufall zugeteilt, entweder ein Sprachmodell zusammen mit den üblichen Hilfsmitteln zu nutzen oder nur die üblichen Hilfsmittel, mit bis zu sechs Vignetten in einer Stunde (Goh et al., 2024). Der primäre Endpunkt bewertete die Genauigkeit der Differenzialdiagnose, die Wahl der Faktoren für und gegen jede Hypothese und die nächsten Schritte der Abklärung (Goh et al., 2024).

Der Median der Punktzahl lag bei 76% in der Gruppe mit dem Modell und bei 74% in der Gruppe ohne es, ein Unterschied ohne statistische Signifikanz (Goh et al., 2024). Das Modell allein erreichte 16 Prozentpunkte mehr als die Gruppe mit den üblichen Hilfsmitteln, und die Autoren schlussfolgern, dass sowohl die Technologie als auch die Art, wie Fachkräfte damit arbeiten, weiterentwickelt werden müssen (Goh et al., 2024).

Als die Hilfe die Differenzialdiagnose erweiterte

In der Studie mit den Fallberichten kamen die Kliniker mit Unterstützung des Modells zu vollständigeren Listen von Differenzialdiagnosen und lagen bei den ersten zehn Hypothesen häufiger richtig (51,7%) als die Kliniker ohne Hilfe (36,1%) und diejenigen, die eine Internetsuche nutzten (44,4%) (McDuff et al., 2025). In dieser Studie erstellten alle Kliniker zuerst eine Differenzialdiagnose ohne Hilfe und nutzten erst danach das Werkzeug (McDuff et al., 2025).

Was den Unterschied zwischen den Studien erklärt

Die Studienanlagen sind unterschiedlich, und die Zahlen lassen sich nicht direkt vergleichen. Doch ein Punkt fällt auf: Das Werkzeug zu haben ist nicht dasselbe wie zu wissen, wie man es nutzt. Die Studie von 2024 legt nahe, dass der Arzt ohne Training und ohne eine festgelegte Arbeitsweise mit der KI möglicherweise nicht nutzt, was sie bietet. Die Studie von 2025 legt nahe, dass erst zu denken und dann nachzuschlagen eine Nutzungsform ist, die die Liste der Hypothesen erweitert.

Die Risiken: Automatisierungsfehler und Verlust von Fertigkeiten

Jedes Werkzeug, das beim Entscheiden hilft, bringt ein Risiko mit sich: das Risiko, für Sie zu entscheiden. Dieses Risiko hat einen Namen und wurde lange vor den Sprachmodellen untersucht.

Automatisierungsfehler

Eine systematische Übersichtsarbeit definierte Automatisierungsfehler als die Neigung, automatisierten Systemen zu sehr zu vertrauen, und fasste 74 Studien zu diesem Thema zusammen (Goddard et al., 2012). Die Autoren erinnern daran, dass Entscheidungsunterstützungssysteme in den meisten Untersuchungen zwar die Gesamtleistung verbessern, die neuen Fehler, die sie einführen können, aber oft nicht erkannt werden (Goddard et al., 2012).

Faktoren, die den Automatisierungsfehler beeinflussen	Was zu seiner Verringerung beiträgt
Vertrauen in das Werkzeug	Training
Kognitiver Stil und Erfahrung mit der Aufgabe	Betonen, dass die Verantwortung bei denen liegt, die entscheiden
Arbeitsbelastung	Aktuelle Konfidenzniveaus zusammen mit der Antwort anzeigen
Komplexe Aufgabe und wenig Zeit	Information anbieten statt fertiger Empfehlung

Quelle der Tabelle: Mediatoren und Formen der Abschwächung beschrieben von Goddard et al., 2012.

Die Weltgesundheitsorganisation nennt den Automatisierungsbias ebenfalls unter den Risiken großer multimodaler Modelle, neben falschen, ungenauen, verzerrten oder unvollständigen Antworten (WHO, 2024). Dieselbe Leitlinie listet die medizinische Ausbildung mit simulierten Patientengesprächen unter den möglichen Anwendungen dieser Modelle auf (WHO, 2024).

Verlust der Fertigkeit

Eine Beobachtungsstudie in vier Endoskopiezentren in Polen verglich Koloskopien, die ohne KI durchgeführt wurden, vor und nach der Einführung eines Polypenerkennungswerkzeugs (Budzyń et al., 2025). Die Adenomdetektionsrate bei den Untersuchungen ohne KI sank von 28,4% auf 22,4% nach der Exposition gegenüber dem Werkzeug (Budzyń et al., 2025).

Die Autoren interpretieren, dass die kontinuierliche Exposition gegenüber KI negative Auswirkungen auf die Leistung haben kann, wenn sie nicht verfügbar ist (Budzyń et al., 2025). Es ist eine Beobachtungsstudie, bei einer visuellen Aufgabe und in einer Fachdisziplin, und sie beweist nicht denselben Effekt beim diagnostischen Denken. Aber die Warnung gilt für alle, die ihre eigene Grundlage aufbauen: Die Fertigkeit, die man nicht übt, neigt dazu, schwächer zu werden.

Das Risiko für diejenigen, die noch lernen

Für den Studierenden ist das größte Risiko, den Schritt zu überspringen, der das Denken formt. Wenn die Hypothesenliste fertig ankommt, trainiert man genau das nicht mehr, was ein Text über klinisches Denken im klinischen Zyklus als Kern der Fertigkeit beschreibt: Daten sammeln, Hypothesen bilden und sie prüfen. Und ohne eigene Grundlage ist es schwer zu erkennen, wann das Werkzeug irrt.

Wie man klinisches Denken mit KI an der Seite studiert

Die nützliche Frage ist nicht, ob man KI verwenden sollte, sondern zu welchem Zeitpunkt und wofür. Die Reihenfolge, in der man das Werkzeug verwendet, verändert, was man lernt.

Zuerst Sie, dann das Werkzeug

Das Design der Studie zu den Fallberichten, bei der jeder Kliniker eine Differenzialdiagnose allein stellte, bevor er das Werkzeug konsultierte, ist ein gutes Modell zum Lernen (McDuff et al., 2025). In der Praxis:

1. Lesen Sie den Fall und schreiben Sie Ihre Zusammenfassung in einem Satz.
2. Erstellen Sie Ihre Differenzialdiagnose mit drei bis fünf Hypothesen, in der Reihenfolge.
3. Schreiben Sie je ein Argument dafür und eines dagegen für jede Hypothese.
4. Erst dann konsultieren Sie das Werkzeug.
5. Vergleichen Sie: Welche Hypothese hat es gebracht, die Sie nicht hatten? Hat es ein Datum ignoriert, das Sie für wichtig hielten?

Mit diesem Leitfaden wird die KI zu einer Rückmeldung über Ihr Denken und nicht zu einem Ersatz dafür. Es ist dieselbe Logik, sich zu testen, bevor man die Antwort ansieht, erklärt im Text über Wiederholen durch Spielen.

Nutzen Sie die KI zum Fragen, nicht nur zum Antworten

Einige Nutzungsformen neigen dazu, das Denken stärker zu trainieren:

• Das Gegenargument verlangen. "Welches Datum dieses Falls schwächt meine Haupthypothese?"
• Die Diagnose verlangen, die nicht fehlen darf. "Welche schwerwiegende Ursache passt zu diesen Befunden und ich habe sie ausgelassen?"
• Die nächste Frage verlangen. "Welche Frage aus der Anamnese würde die ersten beiden Hypothesen trennen?"
• Die Erklärung des Mechanismus verlangen. "Warum verursacht diese Krankheit diesen Befund?"

In allen Fällen prüfen Sie die Antwort in einer verlässlichen Quelle. Die Modelle können falsche oder unvollständige Aussagen produzieren (WHO, 2024), und die Flüssigkeit des Textes garantiert nicht, dass er richtig ist.

Rückmeldung zu dem, was Sie schreiben

Die KI wird auch als Möglichkeit untersucht, Rückmeldung zum schriftlichen Denken zu geben. Eine Studie an zwei amerikanischen Institutionen entwickelte Modelle zur Bewertung der Dokumentation des klinischen Denkens in Aufnahmenotizen von Assistenzärzten, und die Autoren schlussfolgern, dass diese Art von Werkzeug die Rückmeldung zum Denken erweitern kann (Schaye et al., 2025). Die Leistung variierte zwischen den Modellen, und einige hatten eine für die Implementierung unzureichende Leistung (Schaye et al., 2025).

Ein kommentiertes Beispiel

Sehen Sie, wie der Leitfaden bei einem Studienfall funktioniert. Der Fall ist eine didaktische Vignette des Editorial, und das Ziel ist, die Methode zu zeigen, und nicht, das Vorgehen zu lehren.

Der Fall. 34-jährige Frau mit Müdigkeit seit zwei Monaten, Gewichtszunahme und Verstopfung. Sie berichtet, dass ihr kälter ist als ihren Arbeitskolleginnen.

Schritt 1, Ihre Zusammenfassung. "Junge Frau mit Fatigue, Gewichtszunahme, Obstipation und Kälteintoleranz seit zwei Monaten."

Schritt 2, Ihre Differenzialdiagnose. Sie listen Hypothyreose an erster Stelle, dann Depression, Anämie und Medikamenteneffekt, und markieren, was jeweils dafür spricht. Beachten Sie, dass die Kälteintoleranz für die erste Hypothese spricht.

Schritt 3, die Konsultation. Du bittest das Werkzeug um ein Differenzial für dieselbe Zusammenfassung. Es liefert eine ähnliche Liste und ergänzt Schlafapnoe und Schwangerschaft, die du nicht bedacht hattest.

Schritt 4, der Vergleich. Die Frage ist nicht, wer richtig lag, sondern warum seine Liste Punkte enthielt, die deine nicht hatte. Schwangerschaft zum Beispiel ist eine Hypothese, die man bei jeder Frau im gebärfähigen Alter prüft, und sie zu vergessen ist ein Fehler der Gewohnheit, nicht des Wissens.

Schritt 5, die Quelle. Du prüfst in einer verlässlichen Referenz, welche Untersuchungen helfen würden, die Hypothesen zu trennen, und notierst, was du gelernt hast. Der Eintrag kommt in dein Fehlerheft, zusammen mit der Gewohnheit, die gefehlt hat.

Am Ende diente das Werkzeug dazu, eine Lücke in deinem Denken zu zeigen, und nicht dazu, an deiner Stelle zu denken. Genau diese Unterscheidung schützt die Methode.

Häufige Fehler beim Lernen mit KI

• Nachschlagen, bevor man denkt. Die fertige Liste nimmt dir den Teil der Übung, der das Denken formt.
• Die erste Antwort annehmen. Eine flüssige Erklärung wirkt richtig, auch wenn sie es nicht ist.
• Wissen mit Denken verwechseln. Die Liste der Ursachen eines Symptoms zu kennen ist etwas anderes, als für einen Patienten die wahrscheinlichste auszuwählen.
• Nur mit geschlossenen Fragen lernen. Modelle sind gut bei Multiple Choice; die Behandlung beginnt mit einer offenen Beschwerde.
• Den lokalen Kontext vergessen. Epidemiologie, Protokolle und Ressourcen deiner Einrichtung verändern die Entscheidung, und das Werkzeug berücksichtigt das nicht immer.

Praktische Vorsichtsmaßnahmen

• Schütze die Daten. Füge niemals Namen, Ausweis oder irgendeine Information, die eine Person identifiziert, in ein öffentliches Werkzeug ein.
• Prüfe die Quelle. Verlange Referenzen und öffne jede einzelne; Modelle können Artikel nennen, die es nicht gibt.
• Befolge die Regeln deiner Einrichtung. Fakultäten und Krankenhäuser können eigene Vorschriften zur Nutzung von KI haben.
• Dokumentiere deine Entscheidung. Wenn die KI geholfen hat, sich an eine Hypothese zu erinnern, bleiben die Entscheidung und die Begründung deine.

Ethik und Transparenz

KI im Studium zu nutzen beinhaltet auch Ehrlichkeit. Wenn eine Arbeit an der Fakultät oder eine Falldiskussion mit Hilfe eines Werkzeugs entstanden ist, sag es, genauso wie du ein Buch zitieren würdest. In der Behandlung liegt die Verantwortung für die Entscheidung bei der Person, die behandelt, und deshalb weist die Übersichtsarbeit zum Automatisierungsbias die Stärkung der individuellen Verantwortung als eine der Möglichkeiten hin, übermäßiges Vertrauen zu verringern (Goddard et al., 2012).

Wo Training ohne Hilfe weiterhin unverzichtbar bleibt

Auch wenn KI in der Behandlung üblich wird, braucht der Arzt eigenes Denken, um zu wissen, wann er vertrauen und wann er zweifeln sollte. Dieses Denken entsteht durch Übung ohne Hilfe.

Was nur die Übung formt

Zu wissen, welche Daten man suchen muss, zu bemerken, wenn ein Befund nicht zusammenpasst, zu spüren, dass ein Fall ernster ist, als er scheint: Diese Fähigkeiten entstehen durch viele Fälle und Rückmeldung. Der Text über Differenzialdiagnose mit Hinweisen zeigt, wie man das Bilden und Prüfen von Hypothesen trainiert, und der über Spiele zum klinischen Denken vergleicht Trainingsformate.

Das Vertrauen in das Werkzeug kalibrieren

Der KI im richtigen Maß zu vertrauen verlangt, aus eigener Erfahrung zu wissen, wie gutes Denken aussieht. Wer schon viele Fälle ohne Hilfe gelöst hat, merkt, wenn die Antwort des Werkzeugs ein wichtiges Datum ignoriert, wenn die HauptHypothese einen Befund nicht erklärt oder wenn die Liste zu allgemein wirkt. Wer diesen Schritt übersprungen hat, neigt dazu, die erste gut geschriebene Antwort anzunehmen. Deshalb konkurrieren Training ohne Hilfe und die Nutzung von KI nicht: Ersteres ist das, was Letzteres sicher macht.

Trainieren im NEXO

Im NEXO kommt der Fall in bis zu sechs Hinweisen, einer nach dem anderen, und du gibst deine Hypothese über den Namen der Diagnose oder den ICD-10-Code ab, ohne dass jemand die Antwort vorschlägt. Bei jeder falschen Hypothese zeigt das Spiel die Nähe in fünf Stufen, von Anderes Kapitel bis Exakter ICD, und öffnet den nächsten Hinweis. Es ist ein Training des eigenen Denkens: mit unvollständigen Informationen entscheiden und die Hypothese mit der Rückmeldung anpassen.

Das Diário bringt einen Fall pro Tag, für alle gleich, und das Arquivo sammelt die früheren Tagesfälle. Das Multimídia ergänzt Bild, Audio und weitere Untersuchungen, und das Continentes ändert die Hintergrundepidemiologie. Das Adrenalina bringt die Zeit ins Spiel. Wie jeder Modus freigeschaltet wird, steht auf der Seite Wirtschaft des NEXO. Nach dem Fall kannst du, wenn du willst, dein Denken mit dem eines KI-Werkzeugs vergleichen und dabei dem obigen Leitfaden folgen.

Speichern, diskutieren und recherchieren

Der Anki-Button erstellt die Karte direkt aus NEXO und öffnet sie in der Anki-App, nützlich, um den Hinweis zu speichern, den Sie nicht gewertet haben. Der Tab Gruppe des Rankings, der eingeladene Kollegen zusammenbringt, ermöglicht die Diskussion mit der Klasse, bei welchem Hinweis jeder richtig lag. Wenn Sie eine Fakultät, eine Liga oder eine Residenz koordinieren und solche Fälle in der Lehre nutzen möchten, lernen Sie NEXO Closer kennen. Forscher, die KI und klinisches Denken untersuchen, können Studien über NEXO Researcher vorschlagen, und Ärzte, die Fälle ihrer Fachrichtung überprüfen möchten, können über NEXO Curator teilnehmen. Wer Inhalte zur Medizin produziert, kann NEXO Creators kennenlernen.

Häufige Fragen

Stellt künstliche Intelligenz Diagnosen besser als der Arzt?

In einigen Studien mit Vignetten und Fallberichten erzielte das Modell allein eine höhere Punktzahl als die Ärzte (Goh et al., 2024; McDuff et al., 2025). Diese Studien verwenden bereits in Textform organisierte Daten und messen weder die Datenerhebung noch die persönliche Betreuung.

Verbessert die Nutzung von KI das Denken des Arztes?

Es hängt davon ab, wie sie eingesetzt wird. In einer randomisierten Studie verbesserte die Verfügbarkeit des Werkzeugs das Denken der Ärzte nicht signifikant (Goh et al., 2024). In einer anderen Studie, in der die Kliniker zuerst dachten und danach konsultierten, wurden die Differenzialdiagnosen vollständiger (McDuff et al., 2025).

Was ist Automatisierungsverzerrung?

Es ist die Neigung, automatisierten Systemen zu sehr zu vertrauen. Eine systematische Übersichtsarbeit identifizierte Einflussfaktoren wie Arbeitsbelastung und Zeitmangel sowie Möglichkeiten, sie zu verringern, etwa Schulung und Stärkung der Verantwortung der entscheidenden Person (Goddard et al., 2012).

Kann die Nutzung von KI dazu führen, dass der Arzt Fertigkeiten verliert?

Eine Beobachtungsstudie zur Koloskopie fand einen Rückgang der Adenom-Detektionsrate bei Untersuchungen ohne KI, nachdem die Ärzte das Werkzeug zu nutzen begannen (Budzyń et al., 2025). Das Ergebnis gilt für jene Aufgabe, unterstreicht aber die Bedeutung, die Praxis ohne Hilfe beizubehalten.

Kann ich als Student KI zum Lernen von Fällen nutzen?

Ja, mit Methode: Erstellen Sie zuerst Ihre Differenzialdiagnose, konsultieren Sie danach und vergleichen Sie. Prüfen Sie jede Information in einer verlässlichen Quelle und geben Sie niemals Daten ein, die Personen identifizieren. Die WHO warnt, dass diese Modelle falsche oder unvollständige Antworten liefern können (WHO, 2024).

Wofür wird KI im Gesundheitswesen noch genutzt?

Die WHO beschreibt Anwendungen in Diagnose und klinischer Versorgung, Nutzung durch den Patienten selbst, administrative Aufgaben wie die Dokumentation von Konsultationen, medizinische Ausbildung und wissenschaftliche Forschung (WHO, 2024).

Wie hilft NEXO bei diesem Training?

Bei NEXO lösen Sie den Fall mit bis zu sechs Hinweisen und erhalten die Nähe Ihrer Hypothese zur ICD-10, wodurch Sie das eigene Denken mit Rückmeldung bei jedem Versuch trainieren. Um das Spiel kennenzulernen, lesen Sie was NEXO ist.

Checkliste für die Nutzung von KI im klinischen Denken

1. Erstellen Sie Ihre Differenzialdiagnose, bevor Sie ein Werkzeug öffnen.
2. Notieren Sie Daten, die für und gegen jede Hypothese sprechen.
3. Konsultieren Sie die KI als zweite Meinung, nicht als erste Antwort.
4. Fragen Sie nach dem Gegenargument und nach der schweren Ursache, die ausgelassen worden sein könnte.
5. Prüfen Sie jede Information in einer verlässlichen Quelle.
6. Öffnen Sie die Referenzen, die das Werkzeug angibt.
7. Schützen Sie die Daten: Nichts, was eine Person identifiziert, gelangt in das Werkzeug.
8. Misstrauen Sie mehr, wenn Sie müde oder in Eile sind.
9. Behalten Sie das Training ohne Hilfe bei, um die Grundlage nicht zu verlieren.
10. Übernehmen Sie die Entscheidung: Die Begründung liegt bei Ihnen.

Möchten Sie Ihr Denken heute ohne Hilfe trainieren? Spielen Sie den Fall des Tages bei NEXO.

Referenzen

1. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open. 2024. https://pubmed.ncbi.nlm.nih.gov/39466245/
2. McDuff D, Schaekermann M, Tu T, et al. Towards accurate differential diagnosis with large language models. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205049/
3. Tu T, Schaekermann M, Palepu A, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205050/
4. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023. https://pubmed.ncbi.nlm.nih.gov/37438534/
5. Semigran HL, Linder JA, Gidengil C, Mehrotra A. Evaluation of symptom checkers for self diagnosis and triage: audit study. BMJ. 2015. https://pubmed.ncbi.nlm.nih.gov/26157077/
6. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012. https://pubmed.ncbi.nlm.nih.gov/21685142/
7. Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025. https://pubmed.ncbi.nlm.nih.gov/40816301/
8. Weltgesundheitsorganisation. WHO releases AI ethics and governance guidance for large multi-modal models. 2024. https://www.who.int/news/item/18-01-2024-who-releases-ai-ethics-and-governance-guidance-for-large-multi-modal-models
9. Schaye V, DiTullio D, Guzman BV, et al. Large Language Model-Based Assessment of Clinical Reasoning Documentation in the Electronic Health Record Across Two Institutions: Development and Validation Study. J Med Internet Res. 2025. https://pubmed.ncbi.nlm.nih.gov/40117575/