Text

Hintergrund: Klinisches Reasoning ist eine zentrale Kompetenz in der Primärversorgung, die durch undifferenzierte Symptome und diagnostische Unsicherheit geprägt ist. KI-basierte Anwendungen zeigen Potenzial im diagnostischen Support, bilden klinische Entscheidungslogiken jedoch oft nicht transparent oder didaktisch nutzbar ab. Entscheidend ist, wie Leitlinienwissen in KI-Assistenzsystemen repräsentiert wird: als unstrukturierte, semantisch abgerufene Textsegmente oder als explizite Abbildung klinischer Relationen.

Zielsetzung/Fragestellung: Ziel ist die Entwicklung eines leitlinienbasierten KI-Assistenten für strukturiertes klinisches Reasoning in der Primärversorgung. Verglichen werden drei technische Ansätze hinsichtlich didaktischer Nutzbarkeit und Leitliniennähe.

Material & Methoden: Die drei Ansätze nutzen ein Large Language Model mit didaktisch ausgerichtetem Systemprompt und unterscheiden sich in der Wissensintegration: (1) ohne externe Wissensbasis, (2) mit vektorbasiertem Retrieval, bei dem Leitlinieninhalte als Textsegmente eingebunden werden, (3) mit graphbasiertem Retrieval, bei dem klinische Entscheidungspfade (Zusammenhänge zwischen Anamnese, Befunden, Differentialdiagnosen) explizit und relational strukturiert hinterlegt sind. In dieser ersten Phase war die Wissensbasis auf den Beratungsanlass „Husten“ beschränkt. Evaluiert wurde anhand standardisierter Fallvignetten mit Fokus auf Anamnese, körperliche Untersuchung und frühe Entscheidungsfindung. Die Antworten wurden von drei unabhängigen Prüfern mittels eigens entwickelter Bewertungsmatrix beurteilt.

Ergebnisse: Präsentiert werden Antwortmuster der drei Ansätze auf standardisierte Fallvignetten sowie die Ergebnisse der Bewertungsmatrix, insbesondere in Hinblick auf Unterschiede in didaktischer Nutzbarkeit und Leitliniennähe.

Diskussion: Der graphbasierte Ansatz nutzt strukturierte und relationale Wissensrepräsentationen, um klinische Zusammenhänge explizit abzubilden und klinisches Reasoning nachvollziehbar zu unterstützen. Diese Verbindung ermöglicht regelbasierte, leitliniengestützte Entscheidungspfade. Dies ist für die Primärversorgung besonders relevant, da der Erwerb von Kompetenzen im klinischen Reasoning in Aus- und Weiterbildung ressourcen- und supervisionsintensiv ist.

Take Home Message für die Praxis: Ein wissensbasierter KI-Assistent kann klinisches Reasoning in der Primärversorgung didaktisch fördern und damit klinische Expertise sowie Supervision sinnvoll unterstützen.

Interessenkonflikte: Keine