26gma229 10.3205/26gma229 urn:nbn:de:0183-26gma2295 Meeting Abstract Koch Koch Cora C

Universitätsklinikum Freiburg, Klinik für Neurologie und Neurophysiologie, Freiburg, Deutschland

author Brich Brich Jochen J

Universitätsklinikum Freiburg, Klinik für Neurologie und Neurophysiologie, Freiburg, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20260904 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). M0655 229 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) SYM-14 Large Language Models in Lehr- und Prüfungsszenarien Dresden 20260917 20260919 SYM-1406 TextProblembeschreibung/Zielsetzung: Clinical Reasoning ist ein komplexer Prozess, der bislang überwiegend in personalintensiven Kleingruppensettings vermittelt wird . Die rasante Entwicklung generativer Künstlicher Intelligenz (KI) eröffnet die Möglichkeit, die Lehre von Clinical Reasoning skalierbar zu gestalten. Der Einsatz KI-basierter Chatbots als virtuelle Patient*innen (VP) und insbesondere die Nutzung zur Generierung von Feedback wird bereits von einigen Autoren als vielversprechend beschrieben , . Ziel des aktuellen Projekts ist die Entwicklung, Pilotierung und Evaluation von Machbarkeit und Akzeptanz eines KI-gestützten Blended-Learning-Kurses zur Vermittlung von Clinical Reasoning.Projektbeschreibung/Evaluationsmethoden: Der Kurs besteht aus drei Modulen. In einem Einführungsseminar (Präsenzveranstaltung) werden Grundlagen des Clinical Reasonings sowie Chancen und Limitationen KI-basierter Clinical Decision Support Systeme anhand eines virtuellen Patientenfalls vermittelt. Das zweite Modul umfasst ein E-Learning, in dem Studierende asynchron anhand weiterer VPs die vermittelten Kompetenzen einüben. Das dritte Modul ist der Unterricht am Krankenbett, in dem nach einer realen Patient*inneninteraktion KI-generiertes Feedback integriert wird, bevor der Patient*innenfall in der Kleingruppe dem Dozierenden präsentiert wird. Didaktische Grundlagen des Kurskonzeptes sind die Adult Learning Theory und Deliberate Practice.Der Kurs wird im Sommersemester mit 20-40 Studierenden auf freiwilliger Basis pilotiert. Die Akzeptanz wird fragebogenbasiert bei Studierenden und Dozierenden evaluiert. Die Effektivität wird über eine lernzielorientierte Selbsteinschätzung der Studierenden erfasst. Die Analyse der Chatinhalte dient zur Qualitätskontrolle der Chatbots.Ergebnisse: Ergebnisse der Evaluation werden beim Kongress vorliegen.Diskussion: Das vorgestellte Kurskonzept adressiert die bislang ressourcenintensive Vermittlung von Clinical Reasoning und untersucht das Potenzial generativer KI, diese zu verbessern. Insbesondere die Kombination aus realer Patient*inneninteraktion und KI-gestütztem Feedback stellt eine bislang wenig untersuchte Schnittstelle zwischen digitaler Lehre und klinischer Ausbildung dar. Aufgrund der flexiblen Anpassungsmöglichkeiten von KI und prinzipiellen Gemeinsamkeiten des Clinical Reasonings in unterschiedlichen Disziplinen erscheint das Konzept perspektivisch auf andere klinische Disziplinen übertragbar. Die im Projekt gewonnenen Erkenntnisse zu Akzeptanz, Implementationshürden und Qualitätskontrolle können damit über die Neurologie hinaus richtungsweisend für den Einsatz generativer KI in der kompetenzorientierten medizinischen Ausbildung sein.Take-Home-Messages: Die Kombination aus KI-gestützem Feedback und realen Patient*inneninteraktionen ist ein vielversprechender Ansatz für die Vermittlung von Clinical Reasoning. Die Ergebnisse der Pilotierung liefern wichtige Hinweise für die Umsetzung in der Neurologie und anderen Disziplinen. Daniel M Rencic J Durning SJ Holmboe E Santen SA Lang V Ratcliffe T Gordon D Heist B Lubarsky S Estrada CA Ballard T Artino AR Jr Sergio Da Silva A Cleary T Stojan J Gruppen LD Clinical Reasoning Assessment Methods: A Scoping Review and Practical Guidance 2019 Acad Med 902-912 Daniel M, Rencic J, Durning SJ, Holmboe E, Santen SA, Lang V, Ratcliffe T, Gordon D, Heist B, Lubarsky S, Estrada CA, Ballard T, Artino AR Jr, Sergio Da Silva A, Cleary T, Stojan J, Gruppen LD. Clinical Reasoning Assessment Methods: A Scoping Review and Practical Guidance. Acad Med. 2019;94(6):902-912. DOI: 10.1097/ACM.0000000000002618 https://doi.org/10.1097/ACM.0000000000002618 Ba S Yang L Yan Z Looi CK Gašević D Unraveling the mechanisms and effectiveness of AI-assisted feedback in education: A systematic literature review 2025 Comput Educ Open 100284 Ba S, Yang L, Yan Z, Looi CK, Gašević D. Unraveling the mechanisms and effectiveness of AI-assisted feedback in education: A systematic literature review. Comput Educ Open. 2025;9:100284. DOI: 10.1016/j.caeo.2025.100284 https://doi.org/10.1016/j.caeo.2025.100284 Cook DA Overgaard J Pankratz VS Del Fiol G Aakre CA Virtual Patients Using Large Language Models: Scalable, Contextualized Simulation of Clinician-Patient Dialogue With Feedback 2025 J Med Internet Res e68486 Cook DA, Overgaard J, Pankratz VS, Del Fiol G, Aakre CA. Virtual Patients Using Large Language Models: Scalable, Contextualized Simulation of Clinician-Patient Dialogue With Feedback. J Med Internet Res. 2025;27:e68486. DOI: 10.2196/68486 https://doi.org/10.2196/68486 0 0 0 0