26kgg180 10.3205/26kgg180 urn:nbn:de:0183-26kgg1800 Meeting Abstract Merkle Merkle Michael M

Technische Universität München, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

author Bruckdorfer Bruckdorfer Tim T

Technische Universität München, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

author Herzog Herzog Therese T

Technische Universität München, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

author Dural Dural Selina S

Technische Universität München, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

author Schneider Schneider Antonius A

Technische Universität München, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20251030 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0662 180 Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin Deutsche Gesellschaft für Sozialmedizin und Prävention Netzwerk Evidenzbasierte Medizin e.V. Deutsche Gesellschaft für Medizinische Soziologie 60. Kongress für Allgemeinmedizin und Familienmedizin Gesundheit gestalten Medizinstudium: innovative Lehrformate Göttingen 20260930 20261002 V-32-06 TextHintergrund: Die ärztliche Anamnese ist zentral für die klinische Entscheidungsfindung, ihre Vermittlung im Studium jedoch häufig durch Zeit- und Personalmangel eingeschränkt. Große Sprachmodelle (LLMs) ermöglichen heute adaptive Interaktionen mit virtuellen Patienten sowie individualisiertes Feedback.Zielsetzung/Fragestellung: Die Studie untersuchte Machbarkeit und Usability eines solchen Systems.Material & Methoden: Es wurde ein virtuelles Patientensystem auf Basis von GPT-4o mit sieben allgemeinmedizinischen Fällen zu typischen Beratungsanlässen entwickelt. Das automatisierte Feedback zur erhobenen Anamnese basierte auf der validierten Clinical Reasoning Indicators-History Taking-Scale (CRI-HT-S), welche die Vollständigkeit und Qualität der erhobenen Anamnese bewertet. Medizinstudierende des dritten klinischen Studienjahres der Technischen Universität München (WS 2025/26) nahmen teil und bewerteten das System anhand des Chatbot Usability Questionnaire (CUQ) sowie Freitextkommentaren.Ergebnisse: 161 Studierende nahmen an der Evaluation teil. Der mittlere CUQ-Gesamtscore (Skala 0–100) betrug 68,9 (Median: 70,3; SD: 12,6; Spannweite: 39,1–98,4), was einer guten Usability entspricht. Besonders stark bewertet wurden Bedienbarkeit (75,4) und visuelles Design (73,9); der Umgang mit Fehlern wies mit 58,3 den niedrigsten Kategoriescore auf. In den Freitextkommentaren wurden am häufigsten fallspezifischeres Feedback sowie eine authentischere Patientensprache gewünscht. Die grundsätzliche Idee und die einfache Bedienbarkeit wurden wiederholt positiv hervorgehoben.Diskussion: Der CUQ-Score von 68,9 belegt eine gute Usability des Systems. Zentraler Optimierungsbedarf besteht beim automatisierten Feedback, das von Studierenden als zu wenig fallspezifisch bewertet wurde. Zukünftig wäre eine Erweiterung des Feedbacks sinnvoll, die neben der Anamneseerhebung auch das nachfolgende diagnostische und therapeutische Vorgehen erfasst – da eine vollständige Anamnese allein noch kein adäquates klinisches Handeln sicherstellt.Take Home Message für die Praxis: Ein LLM-basiertes virtuelles Patientensystem lässt sich technisch zuverlässig und kosteneffizient in den Studienbetrieb integrieren. Die positiven Usability-Werte und das Nutzerfeedback belegen das große Potenzial solcher Systeme als skalierbare Ergänzung zu klassischen Lehrformaten.Interessenkonflikt: Die Entwicklung des virtuellen Patientensystems wurde durch die Virtuelle Hochschule Bayern (vhb) finanziell unterstützt. Die Förderung hatte keinen Einfluss auf Studiendesign, Datenerhebung oder Auswertung. 0 0 0 0