Einsatz generativer Künstlicher Intelligenz zur Unterstützung der Diagnostik innerhalb der elektronischen Patientenakte (ePA)

Die elektronische Patientenakte wurde eingeführt, um Mediziner*innen einen schnellen Überblick über
Gesundheitsdaten ihrer Patient*innen zu ermöglichen. Zum aktuellen Stand kann die elektronische
Patientenakte diese Anforderungen jedoch nicht erfüllen. Mit zunehmender Datenmenge wird der
schnelle Zugriff auf die relevanten Daten erschwert. Dadurch steigt die kognitive Belastung der
Nutzenden im Praxisalltag. Eine mögliche Lösung bietet die Integration generativer Künstlicher
Intelligenz, welche unstrukturierte Daten aufbereiten, und für die Diagnostik zusammenfassen kann.
Dazu wird untersucht, welche Systemeigenschaften eine generative Künstliche Intelligenz aufweisen
muss, um im Praxisalltag akzeptiert zu werden. Die Literaturrecherche zeigt, dass Erklärbarkeit ein
zentraler Aspekt für die Akzeptanz ist. Dazu wurde ein mentales Modell entwickelt, wonach
Erklärbarkeit durch Transparenz, Begründbarkeit, Unsicherheitskommunikation und Wissenserwerb
erreicht wird und Vertrauen, Nutzungsintention und Reliance stärkt. Diese Theorie wird prototypisch
durch den Einsatz eines Chain-of-Thought-Promptings innerhalb der elektronischen Patientenakte
simuliert. Die qualitative Evaluation zeigt, dass durch schrittweise Darstellungen, Quellenverweise und
Unsicherheitenkommunikation das mentale Modell erfüllt wird. Gleichzeitig wird betont, dass
Validierung, kompakte Darstellungen und nachvollziehbare Ergebnisse weitere zentrale Anforderungen
im Praxisalltag sind. Damit zeigt die Arbeit, dass Erklärbarkeit die Akzeptanz von generativer
Künstlicher Intelligenz nachhaltig fördert und eine Integration in die elektronische Patientenakte die
Nutzung und Digitalisierung im medizinischen Bereich langfristig verbessern kann.