Interprofessionelles Clinical Reasoning zu häufigen Gesundheitsproblemen mittels KI-assistierten virtuellen Patient*innen-Fällen
KI-gestützte virtuelle Patient*innenfälle fördern das interprofessionelle klinische Denken von Medizinstudent*innen und Advanced Practice Nurses (APN) durch personalisiertes Feedback.
Laufzeit: Dezember 2025 – November 2026
Status: Laufend
Bildungsstufe: Tertiärstufe
Thema: Artificial Intelligence AI
Keywords: Klinisches Denken, Virtuelle Patient*innen, Interprofessionelle Ausbildung, Künstliche Intelligenz, Medizinische Ausbildung
Ausgangslage
Klinisches Denken ist eine zentrale Kompetenz sowohl für Medizinstudent*innen als auch für Advanced Practice Nurses (APN). Bestehende virtuelle Patient*innenfälle (VP-Fälle) bieten jedoch meist nur Musterlösungen statt personalisiertem Feedback. Dies limitiert den Lernprozess und unterstützt die diagnostische Entscheidungsfindung nur unzureichend. Zudem fehlt bisher ein interprofessioneller Ansatz, obwohl gemeinsames klinisches Denken in der Praxis essenziell ist. Gleichzeitig erfordern wachsende Studierendenzahlen und neue fallbasierte Curricula skalierbare digitale Lernformate. Frühere BeLEARN-Arbeiten zeigten, dass grosse Sprachmodelle (LLMs) hochgradig personalisiertes Feedback auf studentische Eingaben liefern können – und damit ein zentrales Defizit bisheriger VP-Fälle adressieren. Bisher existiert jedoch kein Curriculum zu häufigen Gesundheitsproblemen, das LLM-gestützte mono- und interprofessionelle VP-Fälle integriert. Dieses Projekt schliesst diese Lücke durch die Entwicklung eines Curriculums zu 20 häufigen Gesundheitsproblemen sowie drei exemplarischen LLM-gestützten VP-Fällen.
Ziele
Ziel des Projekts ist die Entwicklung eines interprofessionellen Curriculums zum klinischen Denken, das 20 häufige Gesundheitsprobleme abdeckt, sowie die Implementierung von drei LLM-gestützten VP-Fällen. Diese sollen sowohl mono- als auch interprofessionelles Lernen ermöglichen und im Vergleich zu konventionellen VP-Fällen hinsichtlich ihrer Wirksamkeit evaluiert werden.
Methode
Ein Curriculum mit 20 Themen wird entwickelt, und drei bestehende VP-Fälle werden um LLM-basiertes Feedback erweitert, das Freitexteingaben der Student*innen analysiert und darauf reagiert. Es werden separate Lernpfade für Medizinstudent*innen, APNs sowie gemischte Lernpaare konzipiert. In einer Mixed-Methods-Studie werden Lerngewinne zwischen den Kohorten mittels Key-Feature-Test verglichen und Lernerfahrungen in Fokusgruppen untersucht.
Geplante Translation
Da das Projekt auf einem etablierten VP-Format aufbaut, können die Ergebnisse direkt in die Curricula der Medizin- und APN-Ausbildung integriert werden. Die Studienresultate dienen als Entscheidungsgrundlage für eine breitere Implementation, auch im interprofessionellen Kontext. Die Zusammenarbeit zwischen der Universität Bern und der BFH ermöglicht eine nachhaltige curriculare Verankerung und fördert den weiteren Ausbau VP-basierter Lernformate in beiden Programmen. Das Projekt verbessert das Lernen durch personalisiertes KI-Feedback und stärkt die interprofessionellen diagnostischen Kompetenzen. Zudem unterstützt es skalierbare, fallbasierte Curricula. Der Impact wird über Lernzuwächse, qualitative Analysen der Lernerfahrungen sowie Rückmeldungen zur Umsetzbarkeit und Akzeptanz in beiden Studiengängen gemessen.
