Revolutionierung der Bewertung klinischer Fähigkeiten durch KI – Neueste Version der „Medical Education Suite“ von Treatment.com AI startet im vollen Betrieb an der Universität von Minnesota

Inhaltsverzeichnis

1. Einleitung

2. Hintergrund der MES-Entwicklung – Die Schnittstelle von KI und medizinischer Ausbildung

3. Was ist ein KI-simuliertes Patient?

4. Einführungsbeispiel an der Universität von Minnesota

5. Technische Merkmale der Plattform

6. Auswirkungen auf die Reduzierung von Bildungs- und Betriebskosten

7. Verbesserung der Objektivität der OSCE-Bewertung und Lerneffekte

8. Internationale Expansion und Implikationen für Japan

9. Herausforderungen und zukünftige Perspektiven

10. Zusammenfassung

---

1. Einleitung

Die OSCE, die klinische Fähigkeiten von Medizinstudenten quantitativ misst, hat sich traditionell stark auf "standardisierte Patienten (SP)" und die personellen Ressourcen von Lehrkräften verlassen. Infolgedessen sind Bewertungsvariabilität, Vorbereitungsaufwand und steigende Kosten zu chronischen Herausforderungen geworden. MES nutzt KI-Technologien, um die Erstellung, den Dialog und die Bewertung klinischer Szenarien zu automatisieren, um diese Herausforderungen grundlegend zu überdenken.

2. Hintergrund der MES-Entwicklung – Die Schnittstelle von KI und medizinischer Ausbildung

Seit der COVID-19-Pandemie ist die Nachfrage nach Fernunterricht und E-Learning gestiegen, und die Forschung zu Simulationen mit LLM (Large Language Models) hat stark zugenommen. Zum Beispiel berichten die Stanford University und andere, die "MedSimAI" und "Synthetic Patients" testen, über die Wirksamkeit von interaktivem Training mit KI-Patienten.  

Treatment.com AI hat diesen Trend berücksichtigt und eine SaaS-Suite entwickelt, die auf einem GLM mit über 10.000 klinischen Reviews basiert und von Bildungseinrichtungen sofort genutzt werden kann.

3. Was ist ein KI-simuliertes Patient?

KI-Patienten kombinieren Falldaten mit einem Modell zur natürlichen Sprachgenerierung, um Anamnese, körperliche Untersuchung, Testergebnisse und emotionale Ausdrucksformen in Echtzeit nachzubilden. MES umfasst

• Diagnostisches Schlussfolgern: Anpassung der Symptome basierend auf den Fragen der Studenten

• Echtzeit-Bewertung: Automatische Zuordnung zu Bewertungsindikatoren für jedes Lernziel

• Sofortiges Feedback: Individuelle Bereitstellung von Erklärungen und Wiederlernressourcen

  und andere Funktionen.

4. Anwendungsfall an der Universität von Minnesota

An der medizinischen Fakultät der Universität von Minnesota wurde eine hochriskante OSCE mit 11 Stationen für 240 Drittsemester-Studenten durchgeführt. Es wurden keine technischen Störungen gemeldet, und die Verwaltungskosten wurden im Vergleich zu herkömmlichen Methoden um etwa 40 % gesenkt. Professor Claudio Violato, Assistant Dean, kommentierte: „KI hat die Zuverlässigkeit und Konsistenz der Studentenevaluation dramatisch verbessert.“

5. Technische Merkmale der Plattform

Funktionen	Übersicht	Bildungsvorteile
GLM-basierte AI-Patienten	Über 700 Fallvorlagen und sofortige Anpassung	Vielfalt nahe an der realen klinischen Praxis sicherstellen
Echtzeitbewertung	Verknüpfung mit LCME-Standards und Bloom-Taxonomie	Objektivität und Unmittelbarkeit der Bewertung
Cloud-Distribution	Unterstützung sowohl für Campus als auch für Fernzugriff	Ortunabhängige Prüfungsumgebung
Analyse-Dashboard	Individuelle und Kohortenanalyse, Schwächenanalyse	Datengetriebene Curriculum-Verbesserung

6. Auswirkungen der Reduzierung von Bildungs- und Betriebskosten

• Vorbereitungszeit: Deutliche Reduzierung der Personalkosten für SP-Organisation, Skripterstellung und Bewertungsbogen

• Lehrerbelastung: Automatisierung von Bewertung und Feedback, Umverteilung der Unterrichtszeit auf qualitative Anleitung

• Finanzielle Auswirkungen: Universitätsseitige Schätzung einer 40%igen Reduzierung der Verwaltungskosten (jährlich mehrere hunderttausend Dollar)

7. Verbesserung der Objektivität der OSCE-Bewertung und der Lerneffekte

Da AI-Patienten allen Prüflingen die gleichen Bedingungen bieten können, wird die Bewertungsverzerrung reduziert. Darüber hinaus ermöglicht die Verwendung von natürlicher SprachverarbeitungWort-für-Wort-Aufzeichnungen, dass Kommunikationsfähigkeiten und empathische Haltungen quantifiziert werden können. Die mit GLM ausgestattete klinische Schlussfolgerungs-Engine analysiert Fehlermuster und generiert automatisch Leitlinien für individuelle Nachbesserungen.

8. Internationale Expansion und Implikationen für Japan

Treatment.com AI führt Gespräche mit medizinischen Fakultäten in Nordamerika und Großbritannien und plant, in Zukunft auch den asiatischen Markt ins Auge zu fassen. In Japan ist ab dem Geschäftsjahr 2028 eine Online-Demonstration von OSCE geplant, und das Beispiel von MES könnte ein wertvolles Modell darstellen. In der medizinischen Ausbildung in Regionen, die unter einem Mangel an Ärzten und Ausbildern leiden, könnte die Fernbewertung durch AI-Patienten eine vielversprechende Lösung sein.

9. Herausforderungen und zukünftige Perspektiven

• Bias-Management: Berücksichtigung regionaler und ethnischer Unterschiede in den klinischen Daten, die das AI-Modell gelernt hat

• Teilnehmerauthentifizierung: Technologien zur Identitätsüberprüfung bei Fernprüfungen

• Ethische Überprüfung: Transparenz und Rechenschaftspflicht der AI-Bewertungsalgorithmen

• Nationale gesetzliche Regelungen: Prüfung des Datenschutzes und der Einstufung als Medizinprodukt

Um diese Herausforderungen zu bewältigen, plant das Unternehmen, gemeinsam mit Drittorganisationen zu forschen und begutachtete wissenschaftliche Arbeiten zu veröffentlichen.

10. Zusammenfassung

Die Medical Education Suite ist eine Plattform, die durch die Unterstützung von AI bei der Bewertung klinischer Fähigkeiten gleichzeitig die langjährigen Herausforderungen "begrenzte personelle Ressourcen", "Bewertungsvariabilität" und "steigende Kosten" löst. Die Einführungsergebnisse der Universität von Minnesota zeigten, dass AI-Patienten eine realistische Lösung sind, die SP ergänzen und die Bildungseffizienz sowie den Betrieb verbessern. In der japanischen medizinischen Ausbildung, in der die Reformen von CBT und OSCE voranschreiten, könnten die Erkenntnisse von MES als Kompass für die Bildungs-Digitalisierung dienen.

---

Referenzartikel

• Treatment.com AI Ankündigungsartikel (Aktiencheck.de)

• GlobeNewswire Pressemitteilung

  Hicke Y. et al. “MedSimAI: Simulation und formative Feedback-Generierung zur Verbesserung des gezielten Übens in der medizinischen Ausbildung.” arXiv:2503.05793 (2025).

• Chu S. N. & Goodell A. J. “Synthetische Patienten: Simulation schwieriger Gespräche mit multimodalem generativem KI für die medizinische Ausbildung.” arXiv:2405.19941 (2024).