Digitale Inhalte im Medizin­studium: KI im Curriculum

KI-Tools spielen in der Medizin eine wachsende Rolle. Das Interesse der Studierenden an der neuen Technologie ist riesig, das Angebot an Lerninhalten auch. Und niemand vermag zu beurteilen, wohin die Reise geht.
 

"Wir befinden uns in einem Transformationsprozess. Das betrifft nicht nur die Universitäten, sondern das gesamte Gesundheitssystem. Deshalb müssen wir flexibel bleiben." Die Transformation in Richtung KI, die Vizerektorin für Lehre an der MedUni Wien Anita Rieder hier anspricht, wird seit dem 30. November 2022 stakkatoartig vorangetrieben. Anlass war die Veröffentlichung eines digitalen Tools, das mittlerweile jedes Kind kennt: ChatGPT.

Nur der Anfang

ChatGPT war nur der Anfang. Was für die gesamte Gesellschaft gilt, trifft auch auf die Ausbildung der zukünftigen Medizinerinnen und Mediziner zu: KI ist allgegenwärtig – und ihre Bedeutung nimmt rasant zu. „Seit 2022 ist die Zahl der wissenschaftlichen Publikationen, die sich mit der Verbindung von Medical Education und Künstlicher Intelligenz im engeren Sinn beschäftigen, sprunghaft gestiegen“, sagt Vizerektorin Rieder. „Wenn man heute ein systematisches Review zum Thema machen möchte, muss man mehrere Hundert Arbeiten berücksichtigen. Das zeigt, wie schnell sich dieses Feld entwickelt hat.“ Fachleute wie Rieder weisen darauf hin, dass KI bei aller verständlichen Begeisterung über ihre Möglichkeiten nicht isoliert gesehen werden darf. „2019 gab es ein Treffen europäischer Universitätsvertreter, bei dem es darum ging, wie digitale Kompetenzen in die Ausbildung der nächsten Generation von Ärztinnen und Ärzten integriert werden können“, erzählt die Wiener Vizerektorin. „Damals war bereits klar, dass man KI-Kompetenzen immer im Kontext der digitalen Transformation des Gesundheitssystems sehen muss.“

An der MedUni Wien werden digitale Inhalte nicht als einzelnes Fach unterrichtet. Sie sind Teil des gesamten Pflichtcurriculums. „Wir versuchen, vom ersten Semester an Grundlagen zu vermitteln, die notwendig sind, um KI im medizinischen Kontext zu verstehen“, erklärt Rieder. Dazu gehören Kenntnisse über Datenstrukturen, Algorithmen, neuronale Netzwerke, Big-Data-Analysen oder klinische Entscheidungsunterstützungssysteme. Ziel sei nicht, Informatikerinnen oder Informatiker auszubilden, sondern Ärztinnen und Ärzte, die digitale Werkzeuge kompetent einordnen können. „Es geht darum, dass Medizinstudierende ein ausreichendes Verständnis entwickeln, um beurteilen zu können, was ein System kann und was nicht.“

Verstehen, was Systeme tun

Martin Holler erläutert dies an einem plastischen Beispiel: „Niemand erwartet, dass Ärztinnen und Ärzte selbst ein Medikament entwickeln. Aber sie lernen im Studium sehr genau, wie Wirkstoffe funktionieren“, so Holler, der an der Uni Graz den Forschungsbereich Machine Learning leitet und an zahlreichen KI-Projekten im medizinischen Bereich beteiligt ist – von der Klassifikation medizinischer Daten bis zur Rekonstruktion eines schlagenden Herzens aus MRT-Bildern. Holler: „Genauso wie bei den Medikamenten sollte es bei der KI sein. Man wird Systeme verwenden, die von anderen entwickelt wurden. Und man sollte verstehen, was sie tun, wie zuverlässig sie sind und wo ihre Grenzen liegen.“ Ohne dieses Verständnis bestehe die Gefahr, „dass man einem System entweder zu sehr vertraut oder es grundlos ablehnt“.

Die Basis für die Arbeit mit KI bildet aus Sicht von Experten die strukturierte Aufbereitung der Daten: KI kann nur mit den Daten arbeiten, die ihr zur Verfügung stehen. „Häufig fließen über 90 Prozent der Arbeit in KI-Projekten in die Aufbereitung der Daten“, meint Holler. Das medizinische Personal könne ganz wesentlich dazu beitragen, dass KI-Systeme funktionieren, „wenn sie verstehen, warum es so wichtig ist, dass Daten strukturiert, in einer klaren Systematik erfasst werden und nicht unstrukturiert in diversen PDF-Files und Word-Dokumenten“.

„Ein ganz zentraler Punkt sind die Daten, mit denen KI-Systeme trainiert werden. KI funktioniert nur dann zuverlässig, wenn die zugrunde liegenden Daten korrekt, vollständig und gut strukturiert sind“, unterstreicht auch Martin Zauner, Leiter des De­partments Medical Engineering der FH Oberösterreich. „Wenn die Datenqualität schlecht ist, werden auch die Ergebnisse schlecht sein. Deshalb muss man sicherstellen, dass die KI-Systeme mit validierten Daten arbeiten und dass die gewählten Verfahren zur jeweiligen Fragestellung passen“, so Zauner, und „darauf sollen auch Anwenderinnen und Anwender sensibilisiert sein“.

„Ich glaube, dass Medizinerinnen und Mediziner ein Grundverständnis von Statistik, Datenverarbeitung und maschinellem Lernen haben sollten“, ist KI-Experte Holler überzeugt. Er hält einen kompakten Programmier- oder Machine-Learning-Kurs für sinnvoll, damit die zukünftigen Ärzte verstehen, wie Daten verarbeitet werden und ein Modell entsteht. Holler: „Wenn man einmal selbst ein einfaches Modell trainiert hat, verliert das Ganze seinen magischen Charakter. Man sieht, dass es sich um mathematische Verfahren handelt und nicht um eine echte Intelligenz.“

Das Themenfeld Datenaufbereitung und Statistik spielt auch bei der Ausbildung der zukünftigen Ärzte an der MedUni Wien eine große Rolle. Neben den verpflichtenden Inhalten gibt es eine wachsende Zahl von Wahlfächern, in denen sich Studierende intensiver mit digitalen Methoden beschäftigen können. Lehrveranstaltungen mit Bezug auf Künstliche Intelligenz finden sich etwa in der Radiologie, der Dermatologie, im Bereich Public Health oder in der Präzisionsmedizin. Gerade dort zeige sich besonders deutlich, wie stark datenbasierte Methoden an Bedeutung gewinnen, erläutert Vizerektorin Rieder. „Im Bereich Precision Public Health kann man mithilfe von KI nicht nur einzelne Patientinnen und Patienten analysieren, sondern ganze Bevölkerungsgruppen untersuchen und Präventionsstrategien entwickeln.“
 

Kein fertiges Konzept

Trotz oder gerade wegen der dynamisch wachsenden Bedeutung der KI-Inhalte in den Lernangeboten betont Rieder, dass es noch kein endgültiges Konzept für ein vollständiges KI-Curriculum gibt. Die Entwicklung sei zu dynamisch, um bereits von einem abgeschlossenen Modell sprechen zu können. „Ein vollständig evidenzbasiertes Curriculum gibt es noch nicht. Die Entwicklung ist so schnell, dass wir alle noch lernen“, meint sie. Universitäten weltweit arbeiten derzeit daran, geeignete Ausbildungsformate zu entwickeln und sie wissenschaftlich zu evaluieren. Rieder: „Wir befinden uns in einem laufenden Prozess. Deshalb müssen wir flexibel bleiben.“

Wie stark das Thema Künstliche Intelligenz im Studium an der MedUni Wien bereits verankert ist, lässt sich schwer in Zahlen ausdrücken. Klar ist, dass das Interesse bei Forschenden und Lernenden mit einem Tempo wächst, das mit dem Wort „schnell“ wohl nur unzureichend umschrieben sein dürfte. Das zeigt sich laut Rieder auch daran, dass immer mehr Diplomarbeiten im Bereich Künstliche Intelligenz entstehen. Studierende suchen gezielt nach Themen, bei denen sie mit großen Datensätzen, Algorithmen oder digitalen Analyseverfahren arbeiten können. „Dadurch wächst das Thema ganz organisch“, sagt sie. Die medizinische Ausbildung werde sich daher auch in den kommenden Jahren weiter verändern – nicht durch einen einmaligen Reformschritt, sondern durch einen fortlaufenden Anpassungsprozess.

Die MedUni Wien verfolgt daher zwei Ansätze: „Einerseits gibt es einen Top-down-Prozess, bei dem wir Inhalte gezielt in das Studium einbauen. Andererseits gibt es einen Bottom-up-Prozess aus der Forschung und aus Lehrenden- und Studierenden-Initiativen“, erläutert Rieder. Etwas mehr als 300 Forschende der MedUni Wien, so die Vizerektorin weiter, beschäftigen sich bereits mit KI-Methoden, und diese Dynamik wirke automatisch in die Lehre hinein.

Ebenso wichtig wie die fachlichen Themen sind aus ihrer Sicht die rechtlichen und ethischen Fragen. „KI ist ein Unterstützungswerkzeug, kein Ersatz für ärztliche Verantwortung“, betont Rieder. Das System könne eine Diagnose vorschlagen, die Entscheidung liege aber weiterhin beim Arzt. Deshalb müsse die Ausbildung vermitteln, wie man Ergebnisse kritisch überprüft und Unsicherheiten bewertet.

In der klinischen Praxis zeige sich, so Rieder weiter, dass technologische Systeme niemals vollständig verlässlich seien. Sie verweist auf Beispiele aus der dermatologischen Diagnostik, wo KI-gestützte Programme bei der Erkennung von Hautkrebs eingesetzt werden. „Wenn die KI zu 80 Prozent sicher ist, dass etwas kein Melanom ist, muss ich mich trotzdem mit den restlichen 20 Prozent auseinandersetzen. Diese Unsicherheit kann mir niemand abnehmen“, hält sie fest. Genau deshalb bleibe die klinische Kompetenz entscheidend, auch in einer zunehmend digitalisierten Medizin.
 

Auch ohne digitale Hilfe

Hinzu kommt aus ihrer Sicht, dass Ärztinnen und Ärzte auch ohne digitale Unterstützung handlungsfähig bleiben müssen. „Wir dürfen uns nicht ausschließlich auf digitale Systeme verlassen. Wenn kein Strom da ist oder kein Zugriff auf elektronische Daten möglich ist, muss man trotzdem in der Lage sein, Patientinnen und Patienten zu versorgen“, sagt Rieder. Klassische ärztliche Fähigkeiten würden daher weiterhin einen zentralen Stellenwert im Studium behalten.

Für die Vizerektorin steht fest, dass diese Entwicklung langfristig nicht nur das Studium, sondern das gesamte Berufsbild prägen wird. Ärztinnen und Ärzte müssten künftig sowohl klinisch als auch digital kompetent sein. Gleichzeitig dürfe die Medizin nicht auf Technik reduziert werden. „Medizin besteht nicht nur aus Daten und Diagnosen, sondern auch aus Kommunikation, Empathie und Verantwortung“, sagt Rieder. „Genau dieses Zusammenspiel aus technologischer Entwicklung und menschlicher Kompetenz wird darüber entscheiden, wie gut das Gesundheitssystem die Herausforderungen der kommenden Jahre bewältigen kann.“

Machine-Learning-Fachmann Holler verweist auf die Vorzüge der Technik. Sie könne helfen, den Personalmangel im Gesundheitswesen zumindest teilweise abzufedern. Er nennt dabei das Beispiel des Taschenrechners. „Früher musste man Rechnungen händisch machen, heute übernimmt das ein Gerät.“ Dadurch bleibe mehr Zeit für andere Aufgaben. Holler: „In der Medizin kann das bedeuten, dass Ärztinnen und Ärzte mehr Zeit für die Patientinnen und Patienten haben.“ 

Quelle: ÖKZ 2/2026, 67. Jahrgang, Springer-Verlag.
 

Links:

• AI Plattform der MedUni Wien: caim.meduniwien.ac.at
• Methoden des maschinellen Lernens: idea-lab.uni-graz.at/de/fachbereiche/machine-learning
• Artificial Intelligence und Machine Learning: www.meduniwien.ac.at/web/forschung/artificial-intelligence-und-machine-learning