Grundlagenschulung für Mitarbeitende mit und ohne Vorkenntnisse: kompakt, praxisnah und regulatorisch eingeordnet – von AI/ML-Grundbegriffen über Bias & Fairness bis zu EU AI Act und praktischem Prompting.
Die Grundlagenschulung richtet sich an Mitarbeitende mit und ohne Vorkenntnisse und vermittelt zentrale Schulungsinhalte, um AI im Gesundheitswesen zu verstehen, einzuordnen und verantwortungsvoll einzusetzen. Sie wurde auf Basis peer-reviewter Quellen, internationaler Leitlinien und geltender EU-Regulatorik erstellt und redaktionell überprüft.[1,4,7,9]
Das Material kombiniert technische Grundlagen (AI/ML/Deep Learning, Algorithmen, Foundation Models) mit klinischer Praxis (Anwendungsfelder, Metriken, Prompting), ethischen Prinzipien und rechtlichem Rahmen (EU AI Act, DSGVO, MDR/IVDR). Wichtig ist das Verständnis, dass AI kein neutrales Werkzeug ist: Systeme können Verzerrungen aus Daten, Labels, Messprozessen und organisatorischen Entscheidungen übernehmen.[1,4,6-9]
Begriffsunterscheidung, ML-Lerntypen (supervised/unsupervised/reinforcement), klassische Algorithmen (Decision Trees bis Neural Networks), Foundation Models und LLMs. Stärken und Grenzen im klinischen Kontext.[2,7,9]
Radiologie und Bildgebung, klinische Entscheidungsunterstützung, Früherkennung, automatische Kodierung, Monitoring, Arzneimittelentwicklung und Genomik. Chancen müssen immer gegen Fehlerrisiken, Bias, Validierungsgrenzen und den konkreten klinischen Einsatzkontext geprüft werden.[3,7,9]
Trade-off zwischen Sensitivität und Spezifität, Bedeutung der Prävalenz (Base-Rate-Problem), Kalibrierung und warum Modelle außerhalb ihres Trainings- und Validierungskontexts deutlich schlechter funktionieren können.[7,10]
Repräsentationsbias, historischer Bias, Messbias, Label Bias und Subgruppen-Performance. XAI-Methoden wie SHAP oder Grad-CAM können Analyse und Kommunikation unterstützen, ersetzen aber keine Validierung, Fairness-Prüfung und klinische Bewertung.[7,8]
7 EU-HLEG-Anforderungen an vertrauenswürdige AI,[1] EU AI Act mit risikobasiertem Ansatz, verbotenen Praktiken, Hochrisiko-Pflichten und Transparenzanforderungen,[4,5] DSGVO für personenbezogene Gesundheitsdaten sowie MDR/IVDR bei medizinischer Zweckbestimmung.[3,4,6] Ergänzend adressiert der European Health Data Space (EHDS, Verordnung (EU) 2025/327) die Nutzung von Gesundheitsdaten.
Effektives Prompting (Kontext, Rolle, Quellen einfordern, Unsicherheit adressieren), kritische Prüfung generativer Antworten, Transparenz bei AI-Einsatz und getrennte Dokumentation von AI-Empfehlung und menschlicher Entscheidung.[2,4,9]
Die Unterlage adressiert eine praktische Lücke in vielen Gesundheitsorganisationen: Mitarbeitende, die mit AI-Outputs arbeiten oder AI-Einführungsprojekte begleiten, brauchen Grundwissen zu Datenqualität, Validierung, Bias, menschlicher Aufsicht und regulatorischer Einordnung. Ohne dieses Wissen können Stärken und Grenzen realer AI-Systeme nur schwer eingeschätzt werden, mit Folgen für Patientensicherheit, Compliance und Vertrauen.[1,7,9]
Die Inhalte folgen dem europäischen Regulierungsrahmen und sind für ein nicht-technisches Publikum aufbereitet. Aussagen mit fachlichem oder regulatorischem Gewicht sind auf die unten aufgeführten Quellen gestützt.
Sofern nicht anders angegeben, Abrufzeitpunkt: April 2026.
Dieses Material wurde mit größtmöglicher Sorgfalt erstellt. Es ersetzt keine rechtliche, medizinische oder fachliche Beratung. Keine Gewähr für Vollständigkeit und Aktualität.
Teile dieses Dokuments wurden mit Unterstützung generativer AI erstellt und redaktionell geprüft. Diese Inhalte sind kein Ersatz für rechtliche, medizinische oder fachliche Beratung.