26kgg357 10.3205/26kgg357 urn:nbn:de:0183-26kgg3572 Meeting Abstract Lin Lin Ting-Chun TC

Universitätsklinikum Bonn, Institute for Genomic Statistics and Bioinformatics, Bonn, Deutschland

author Krawitz Krawitz Peter P

Universitätsklinikum Bonn, Institute for Genomic Statistics and Bioinformatics, Bonn, Deutschland

author Hsieh Hsieh Tzung-Chien TC

Universitätsklinikum Bonn, Institute for Genomic Statistics and Bioinformatics, Bonn, 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 357 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 Digitale Posterpräsentation 7: Digitalisierung & E-Health Göttingen 20260930 20261002 P-07-01 TextHintergrund: KI-Sprachmodelle wie ChatGPT sind im Alltag weit verbreitet. Auch die KI-gestützte Gesichtsanalyse findet in der Medizin Anwendung, z. B. zur Diagnostik von Morbus Parkinson oder Alzheimer. Gleichzeitig bestehen Sprachbarrieren und systemische Verzerrungen im deutschen Gesundheitssystem, die Health Equity gefährden. Die Gesichtsanalyse als non-verbales Verfahren könnte theoretisch dazu beitragen, wirft aber Datenschutz- und Kontrollbedenken auf.Zielsetzung/Fragestellung: Ziel der Studie ist es zu untersuchen, ob und unter welchen Bedingungen die automatisierte Gesichtsanalyse als Instrument zur Überwindung sprach- und herkunftsbedingter Barrieren im deutschen Gesundheitssystem akzeptiert wird.Material & Methoden: Monozentrische, explorative Querschnittsstudie mittels standardisiertem Online-Fragebogen (Deutsch, Englisch, Chinesisch). Die Rekrutierung erfolgte über soziale Medien und eine Berliner Hausarztpraxis. Der primäre Endpunkt ist die Akzeptanz (4-stufige Likert-Skala). Zur Charakterisierung wurden sieben Parameter erhoben: Geschlecht, Alter, Bildungsstand, Migrationshintergrund, Deutschkenntnisse, KI-Affinität und subjektiver Gesundheitszustand.Ergebnisse: Von den N = 213 Teilnehmenden war die Mehrheit weiblich bzw. verfügte über einen Migrationshintergrund. Die Ergebnisse zeigen eine signifikante Korrelation zwischen der Nutzungshäufigkeit von KI-Anwendungen und der Akzeptanz der automatisierten Diagnostik: Teilnehmende mit täglicher KI-Exposition zeigten die höchste Akzeptanz, während die Zustimmung mit abnehmender Nutzungshäufigkeit schrittweise sank (p < 0,05). Weitere Analysen ergaben, dass eine signifikant positivere Einstellung gegenüber der Gesichtsanalyse mit dem Vorliegen eines Migrationshintergrunds, einem höheren Bildungsabschluss sowie einem guten subjektiven Gesundheitszustand assoziiert war (p < 0,05). Dennoch äußerte mehr als die Hälfte der Befragten deutliche Bedenken hinsichtlich des Datenschutzes.Diskussion: In dieser überwiegend jungen, weiblichen Stichprobe ist die Akzeptanz bei Migranten höher. Dies darf jedoch nicht als Beleg für eine Verbesserung von Health Equity interpretiert werden, da die am stärksten benachteiligten Gruppen (z. B. ohne Digitalzugang) in der Stichprobe nicht repräsentiert sind.Take Home Message für die Praxis: Die KI-gestützte Gesichtsanalyse könnte den Versorgungszugang in der Primärversorgung verbessern. Die Berücksichtigung der Patientenakzeptanz ist dabei essenziell, um gesundheitliche Chancengleichheit nachhaltig zu fördern.Interessenkonflikte: Keine 0 0 0 0