Clinical Reasoning in the AI era: A focused scoping review and narrative synthesis of conceptual, pedagogical, and assessment frameworks in health professions education

Das große Ganze: Das „GPS“-Problem

Stellen Sie sich vor, Sie bringen jemandem das Autofahren bei. Jahrelang hatten Sie eine klare Vorstellung davon, was „gutes Fahren“ bedeutet: die Regeln kennen, die Straße lesen, mit einem plötzlichen Sturm umgehen können und wissen, wann man seinem Bauchgefühl vertrauen sollte und wann dem Armaturenbrett.

Stellen Sie sich nun vor, in jedes Auto wurde ein neues Super-GPS (Künstliche Intelligenz) eingebaut. Es kann Ihnen genau sagen, wohin Sie abbiegen müssen, den Verkehr vorhersagen und sogar Ihr Fahrtenbuch für Sie schreiben.

Das Problem, das diese Arbeit identifiziert, ist folgendes: Wir benutzen das GPS, um den Fahrer zu bewerten, aber wir sind uns nicht sicher, ob das GPS ihn tatsächlich das Autofahren lehrt.

Die Autorin, Naomi Campbell-Woods, hat sich hunderte Studien angesehen, um zu untersuchen, wie Medizinfakultäten dieses „Super-GPS“ nutzen, um Studenten beizubringen, wie man wie ein Arzt denkt (eine Fähigkeit, die Klinisches Denken genannt wird). Sie fand heraus, dass die Technologie zwar beeindruckend ist, wir aber hauptsächlich die Teile des „Fahrens“ testen, die für das GPS leicht zu messen sind, während wir die chaotischen, menschlichen Aspekte ignorieren, die einen Arzt wirklich sicher machen.

---

Teil 1: Die verwirrende Karte (Das „Was“)

Bevor wir überhaupt über KI sprechen, weist die Arbeit darauf hin, dass die medizinische Ausbildung damit zu kämpfen hat, sich darauf zu einigen, was „Klinisches Denken“ eigentlich ist. Es ist, als würde man versuchen, jemandem das Kochen beizubringen, ohne sich darauf zu einigen, was eine „gute Mahlzeit“ ist.

Die Arbeit beschreibt drei Hauptwege, wie Experten „gutes Denken“ derzeit definieren:

1. Das Bibliothekskarten-System (Skript-Theorie): Ärzte organisieren ihr Wissen wie eine Bibliothek. Wenn sie einen Patienten sehen, ziehen sie ein „Skript“ (eine mentale Datei) über diese Krankheit hervor.
2. Das schnelle vs. langsame Gehirn (Dual-Process): Gute Ärzte nutzen zwei Modi: einen schnellen „Bauchgefühl“-Modus und einen langsamen, sorgfältigen „Fakten-Check“-Modus.
3. Der Mannschaftssport (Situierte Kognition): Denken geschieht nicht im Vakuum. Es geschieht in einem chaotischen Krankenhauszimmer mit einem verängstigten Patienten, einer müden Pflegekraft und Zeitdruck. Man kann das Denken nicht vom Umfeld trennen.

Das Problem: Lange Zeit versuchten Schulen, dieses Denken mit einer einzigen Abschlussprüfung zu testen. Die Arbeit sagt, das ist so, als würde man eine ganze Saison eines Sportteams anhand eines einzigen Spielzugs bewerten. Das funktioniert nicht.

---

Teil 2: Die KI-Abkürzung (Das „Wie“)

Nun kommt die KI ins Spiel. Die Arbeit untersuchte 158 Studien, in denen KI eingesetzt wurde, um Medizinstudenten zu lehren oder zu testen.

Was die KI gut macht:
Die KI ist sehr gut darin, Dinge zu bewerten, die ordentlich, aufgeschrieben und strukturiert sind.

• Analogie: Stellen Sie sich vor, die KI ist eine sehr strenge Bibliothekarin. Sie kann sofort prüfen, ob Sie die richtigen Symptome aufgeschrieben haben, ob Ihre Diagnose mit dem Lehrbuch übereinstimmt und ob Ihre Notizen korrekt formatiert sind.
• Das Ergebnis: Studien zeigen, dass Studenten bei diesen spezifischen Aufgaben besser werden, wenn sie KI nutzen. Sie sammeln Daten schneller und schreiben bessere Notizen.

Was der KI fehlt:
Die KI ist schlecht darin, die chaotischen, menschlichen „Im-Moment“-Aspekte des Denkens zu messen.

• Analogie: Die Bibliothekarin kann Ihre Rechtschreibung prüfen, aber sie kann nicht sagen, ob Sie mutig genug waren, dem Patienten eine schwierige Frage zu stellen, oder ob Sie wussten, wann Sie das GPS ignorieren mussten, weil die Straße überflutet war.
• Die Lücke: Die Arbeit stellte fest, dass KI-Studien selten Folgendes messen:
  • Wie ein Student mit Unsicherheit umgeht (wenn die Antwort nicht klar ist).
  • Wie er sich anpasst, wenn sich die Situation ändert.
  • Ob er einfach blind der KI vertraut oder tatsächlich selbst denkt.

---

Teil 3: Die Gefahr der „Entqualifizierung“ (De-skilling)

Die Arbeit warnt vor einem spezifischen Risiko, das „De-skilling“ (Entqualifizierung) genannt wird.

• Analogie: Wenn Sie das GPS jeden Tag für Sie fahren lassen, vergessen Sie vielleicht, wie man eine Karte liest oder bei Schneefall lenkt.
• Das Risiko: Wenn Studenten die KI zu früh die harte Denkarbeit (wie das Erstellen einer Diagnose) erleden lassen, lernen sie vielleicht nie, dies selbst zu tun. Sie könnten zu „Never-skilled“ (nie eine Fähigkeit erlernt habend) oder „Mis-skilled“ (es auf die falsche Weise gelernt habend, weil sie die KI kopiert haben) werden.

Die Arbeit stellt fest, dass, wenn Studenten von einer Computersimulation (in der die KI ihnen half) zu echten Patienten wechselten, die Hilfe der KI oft verschwand. Die Studenten zeigten in der realen Welt keine bessere Leistung, was darauf hindeutet, dass die KI eher eine Krücke als ein Lehrer war.

---

Teil 4: Die vorgeschlagene Lösung (Der neue Rahmen)

Die Autorin argumentt, dass wir ein neues „Regelwerk“ für das KI-Zeitalter brauchen. Wir können nicht einfach alte Tests mit neuen Werkzeugen fortführen.

Sie schlägt einen „Sechsschicht-Kuchen“ vor, um das Denken im Zeitalter der KI zu lehren und zu testen:

1. Wissensorganisation: Haben sie ihre mentalen Bibliotheksdateien in Ordnung?
2. Prozessvollzug (Process Enactment): Wissen sie, wie man von einem Hinweis zu einem Schluss kommt?
3. Umgang mit Unsicherheit: Können sie ruhig bleiben, wenn die Antwort nicht klar ist?
4. Kontextuelle Leistung: Können sie auch in einem lauten, geschäftigen Krankenhaus gut denken, nicht nur in einem ruhigen Testraum?
5. Soziotechnisches Urteilsvermögen: Dies ist der neue Punkt. Können sie die KI als Werkzeug nutzen, ohne dass sie die Kontrolle übernimmt? Können sie sagen: „Die KI sagt X, aber ich denke Y, weil...“?
6. Programmatische Architektur: Anstatt eines großen Tests brauchen wir ein langfristiges System, das viele kleine Beweise sammelt (wie ein Portfolio), um einen Studenten fair zu bewerten.

Das Fazit

Die Arbeit kommt zu dem Schluss, dass KI die medizinische Ausbildung nicht zerstört hat, aber sie hat einen Riss im Fundament aufgedeckt.

Wir haben großartige Werkzeuge, um die „einfachen“ Teile des Denkens zu messen (wie das Schreiben einer Notiz oder das Treffen einer Diagnose), aber wir versagen dabei, die „schwierigen“ Teile zu messen (wie den Umgang mit Unsicherheit oder das Wissen, wann man den Computer ignorieren muss).

Die Kernbotschaft: Wir sollten nicht nur mehr KI-Studien entwickeln. Wir müssen einen neuen Rahmen schaffen, der Studenten lehrt, der Kapitän des Schiffes zu sein, der die KI als hilfreichen Navigator nutzt, anstatt zuzulassen, dass die KI das Boot steuert, während sie schlafen. Wenn wir das nicht beheben, landen wir vielleicht bei Ärzten, die zwar großartig im Umgang mit Computern sind, aber kaum fähig sind, selbstständig zu denken.