Do AI-generated surgical cases improve clinical reasoning? A quasi-experimental comparison in surgical clerkship

Chirurgie ist ebenso sehr eine mentale Disziplin wie eine physische. Bevor ein Chirurg jemals ein Skalpell in die Hand nimmt, muss er lernen, wie ein Detektiv zu denken – Hinweise aus der Anamnese und den Symptomen eines Patienten zu sammeln, verschiedene Möglichkeiten abzuwägen und sich für eine Vorgehensweise zu entscheiden, selbst wenn das Bild unvollständig ist. Dieser mentale Prozess, bekannt als klinische Argumentation, ist der Motor einer sicheren medizinischen Praxis. Wenn er funktioniert, erhalten Patienten die richtige Behandlung; wenn er versagt, passieren Fehler. Traditionell erlernen Medizinstudenten diese Fähigkeit, indem sie anhand schriftlicher Berichte über reale Patienten, sogenannter Fälle, unter Anleitung von Lehrkräften arbeiten. Das Erstellen dieser Geschichten ist jedoch eine langsame, teure Arbeit für beschäftigte Ärzte, und die daraus resultierende Sammlung von Fällen wirkt oft repetitiv, da sie den Studenten eher die typischsten Versionen von Krankheiten zeigt als die chaotische, verwirrende Realität, der sie im Krankenhaus begegnen werden.

Künstliche Intelligenz hat kürzlich eine potenzielle Lösung für diesen Engpass geboten. Large Language Models, also Computerprogramme, die auf riesigen Mengen von Text trainiert wurden, können diese Patientengeschichten nun augenblicklich schreiben. Doch eine kritische Frage blieb unbeantwortet: Hilft es einem Studenten tatsächlich, besser zu denken, wenn er eine von einer Maschine geschriebene Geschichte liest, als wenn er eine von einem Menschen geschriebene liest? Ein Forscherteam in Shanghai ging der Frage nach, indem es testete, ob durch eine künstliche Intelligenz generierte Fälle die Argumentationsfähigkeiten von Chirurgie-Studenten effektiver verbessern können als traditionelle, von Menschen geschriebene Fälle.

Die Studie fand über zwei separate sechsmonatige Zeiträume an einem großen Lehrkrankenhaus in China statt. Die Forscher arbeiteten mit zwei Gruppen von Medizinstudenten im fünften Studienjahr, wobei jede Gruppe aus dreißig Studenten bestand, die gerade ihr chirurgisches Praktikum absolvierten. Die erste Gruppe, die Kontrollgruppe, arbeitete mit vierundzwanzig Patientenfällen, die in den vorangegangenen drei Jahren von erfahrenen Fakultätsmitgliedern verfasst worden waren. Dies waren die standardmäßigen, von Experten verfassten Geschichten, die die Abteilung bisher immer verwendet hatte. Die zweite Gruppe, die Experimentalgruppe, arbeitete mit einem anderen Satz von vierundzwanzig Fällen. Diese wurden nicht von Menschen geschrieben, sondern von einem spezifischen KI-Modell namens DeepSeek generiert. Die Forscher passten die beiden Fallsätze sorgfältig an, sodass sie exakt dieselben Arten von Krankheiten abdeckten, wie etwa Appendizitis, Gallenblasenentzündung und Darmverschlüsse, um sicherzustellen, dass der einzige wesentliche Unterschied darin bestand, wer oder was die Geschichten geschrieben hatte.

Um zu messen, wie gut die Studenten lernten, fragten die Forscher nicht einfach nach dem Abrufen von Fakten oder der Auswahl der richtigen Antwort aus einer Liste. Stattdessen nutzten sie eine hochentwickelte digitale Plattform, die die Denkprozesse der Studenten abbildete. Während die Studenten neue, bisher unbekannte Patientenszenarien durcharbeiteten, verfolgte das System jede Entscheidung, die sie trafen: welche Fragen sie stellten, welche Tests sie anforderten und wie sie die Ergebnisse interpretierten. Dies ermöglichte es den Forschern, nicht nur zu sehen, ob der Student die richtige Diagnose stellte, sondern wie er zu ihr gelangte. Sie untersuchten, ob die Studenten wichtige Schritte übersprangen, zu schnell zu Schlüssen kamen oder einem logischen Pfad folgten, den ein Experte erkennen würde. Zudem baten sie die Studenten, darüber zu berichten, wie anstrengend die geistige Arbeit empfunden wurde und wie sicher sie sich in ihren eigenen Fähigkeiten fühlten.

Die Ergebnisse zeigten einen klaren Vorteil für die Studenten, die mit den KI-generierten Fällen trainierten. Bei der Abschlussprüfung erzielte die Gruppe, die die KI-generierten Geschichten verwendete, eine signifikant höhere Punktzahl in ihrer allgemeinen Argumentationsleistung als die Gruppe, die die von Menschen geschriebenen Geschichten verwendete. Der Unterschied war groß genug, um als erhebliche Verbesserung gewertet zu werden. Als die Forscher die Ergebnisse aufschlüsselten, fanden sie heraus, dass die KI-Gruppe in zwei spezifischen Bereichen besser war: Sie war genauer in ihren endgültigen Diagnosen und sie folgte wesentlich besser einem vollständigen, logischen Pfad der Untersuchung, ohne Schritte zu überspringen oder zu früh zu einem Ergebnis zu gelangen. Vielleicht am wichtigsten war, dass die Studenten in der KI-Gruppe weniger Urteilsfehler machten, wie etwa das Ignorieren widersprüchlicher Beweise oder das Zulassen, dass ihre anfänglichen Vermutungen ihr Denken trübten.

Die Studie beleuchtete auch, warum dies geschehen sein könnte. Die Studenten, die mit den KI-Fällen arbeiteten, berichteten, dass die Art der Präsentation des Materials für sie weniger mentale Belastung bedeutete und dass sie sich eher in der Lage fühlten, ein tiefes Verständnis der Materie aufzubauen. Dies deckt sich mit einer Lerntheorie, die besagt, dass das Gehirn stärker arbeiten muss, um zugrunde liegende Muster zu finden, wenn Studenten mit einer Vielzahl verschiedener Szenarien konfrontiert werden, anstatt nur eine einzelne, vorhersehbare Geschichte auswendig zu lernen. Die künstliche Intelligenz war in der Lage, diese vielfältigen Szenarien mühelos zu generieren. Für jede Krankheit erstellte die KI drei verschiedene Versionen: eine, die typisch aussah, eine mit ungewöhnlichen Symptomen und eine, die durch andere gesundheitliche Probleme kompliziert war. Diese Vielfalt zwang die Studenten dazu, flexibler zu denken. Im Gegensatz dazu folgten die von Menschen geschriebenen Fälle, obwohl sie korrekt waren, eher einem Standardmuster, was es den Studenten ermöglicht haben könnte, auf Denkabkürzungen zurückzugreifen.

Die Effizienz war ein weiterer wichtiger Befund. Die Forscher stellten fest, dass die Generierung dieser Fälle mithilfe der künstlichen Intelligenz dramatisch schneller war als das Schreiben von Hand. Während ein menschlicher Experte vier bis acht Stunden aufwenden könnte, um einen einzigen detaillierten Fall zu erstellen, konnte die KI einen Entwurf in Momenten produzieren. Die menschliche Fakultät spielte dennoch eine entscheidende Rolle, indem sie etwa zwölf Minuten damit verbrachte, jeden KI-generierten Bericht zu überprüfen, um sicherzustellen, dass er medizinisch fundiert und frei von gefährlichen Fehlern war. Ein Fall wurde sogar abgelehnt, weil die KI ein Medikament vorschlug, das für den beschriebenen Patienten unsicher war. Dieser Überprüfungsprozess bedeutete, dass die Abteilung über ein Jahr verteilt etwa einhundertsechzig Stunden an Arbeitszeit der Fakultät einsparte – Zeit, die wieder in die Lehre und Mentorenschaft investiert werden konnte.

Die Forscher merkten vorsichtig an, dass dieser Erfolg davon abhing, dass menschliche Experten in den Prozess eingebunden waren. Die künstliche Intelligenz ist ein mächtiges Werkzeug zur Generierung von Volumen und Vielfalt, aber sie ist nicht perfekt. Sie kann Fehler machen, wie etwa die falsche Medikation vorschlagen, wescht die Notwendigkeit besteht, dass ein Mensch die Arbeit immer überprüft, bevor sie einen Studenten erreicht. Die Studie räumte zudem ein, dass die Studenten, die mit den KI-Fällen arbeiteten, möglicherweise einfach deshalb motivierter waren, weil das Material neu und neuartig war – ein Faktor, der ihre Leistung hätte steigern können. Des Weiteren wurde die Studie an einem einzelnen Krankenhaus mit einer spezifischen Gruppe von Studenten durchgeführt, sodass die Ergebnisse in anderen Kontexten oder bei anderen Lerngruppen anders aussehen könnten.

Trotz dieser Einschränkungen liefert die Studie starke Belege dafür, dass künstliche Intelligenz die medizinische Ausbildung auf eine bedeutsame Weise verbessern kann. Sie legt nahe, dass Pädagogen durch die Nutzung von KI zur Erstellung einer breiteren, vielfältigeren Bibliothek an Patientengeschichten den Studenten helfen können, die Art des flexiblen, robusten Denkens zu entwickeln, die in der Chirurgie erforderlich ist. Die Technologie ersetzt nicht den Lehrer; vielmehr befreit sie den Lehrer von der Mühsal des endlosen Schreibens von Fallakten, damit er sich darauf konzentrieren kann, die Köpfe der Studenten zu führen. Das ultimative Ziel besteht nicht darin, dass Studenten die Geschichten auswendig lernen, die der Computer schreibt, sondern darin, sie darin zu trainieren, die Ungewissheit des echten Lebens durchzudenken, in dem jeder Patient ein einzigartiges Rätsel ist, das sich nicht durch eine einfache Formel lösen lässt.