Die Station fragen, bevor die KI kommt
Die meisten Kliniken bewerten eine klinische KI erst nach der Einführung. Diese qualitative Studie tat das Seltenere: Sie fragte die 14 Personen, die das System später nutzen würden, vorab nach ihren Erwartungen — und die Bedenken waren so aufschlussreich wie die Hoffnungen.
Dr. Sven Jungmann
CEO
Ein:e Chirurg:in beschrieb in dieser Studie eine Gewohnheit, die jede:r kennt, der auf Station gearbeitet hat: routinemäßig drei Einheiten Erythrozytenkonzentrat anzuordnen und am Ende deutlich weniger oder gar nichts zu transfundieren. Eine:e Mitarbeitende der Blutbank schilderte Anfragen weit über dem tatsächlichen Bedarf. Und jemand benannte den Teil, den kein Algorithmus berührt: „Manchmal bekommen wir keinen Aufzug, und es ist schwer für das Stationspersonal, das Blut selbst abzuholen.“ Bevor eine einzige Zeile Programmcode etwas veränderte, hatte die Arbeit bereits ihre Form.
Die meisten Kliniken führen ein klinisches Werkzeug mit künstlicher Intelligenz ein und bewerten es danach: Zufriedenheitsbefragungen, Nutzungsstatistiken, eine Fallaufarbeitung, wenn etwas schiefläuft. Diese Studie, im Januar 2026 im Journal of Medical Internet Research erschienen, tat das Seltenere. Sie ging zu den Menschen, die das System später nutzen würden, und fragte vor der Einführung, was sie davon erwarteten — und was sie befürchteten.
Was die Forschenden getan haben
Das untersuchte System heißt pMSBOS-TS und nutzt maschinelles Lernen, um den voraussichtlichen Blutbedarf einer konkreten Patient:in bei thoraxchirurgischen Eingriffen vorherzusagen, statt sich auf eine pauschale Faustregel zu stützen. Studienort war das Asan Medical Center in Seoul — ein Tertiärkrankenhaus mit 2.764 Betten und rund 70.892 Operationen pro Jahr (Stand 2023) —, was vor allem als Hinweis darauf zählt, wie weit die Ergebnisse tragen.
Es handelt sich um eine qualitative Studie, und es lohnt sich, genau zu sein, was das bedeutet. Vierzehn Fachkräfte nahmen teil — fünf Ärzt:innen, sechs Pflegende, drei Beschäftigte der Blutbank — in drei Fokusgruppensitzungen zwischen Ende 2023 und Mitte 2024, deren erste eine Pilotsitzung zur Schärfung der Fragen war. Die Mitschriften wurden mit dem SEIPS-101-Modell ausgewertet (Systems Engineering Initiative for Patient Safety), das eine klinische Umgebung als Zusammenspiel von Menschen, Umfeld, Werkzeugen und Aufgaben liest. Daraus ergaben sich 189 Bedeutungseinheiten, 61 Kernaussagen, 18 Subdomänen und 7 Domänen. Eine Rückkopplung der Ergebnisse an Teilnehmende und externe Kliniker:innen sollte verhindern, dass die Auswertenden nur das hören, was sie hören wollten. Es gibt hier keine klinischen Endpunkte und keine Vergleichsgruppe. Die Evidenzeinheit ist das, was informierte Beschäftigte vorab erwarteten.
Was die Evidenz belegt
Die Beschäftigten sahen den Sinn des Werkzeugs. Ein:e Ärzt:in sagte es schlicht: Wo Blut früher nach Erfahrung und Vermutung bestellt wurde, würde das System auf Basis dessen anordnen, was es aus Daten gelernt hat. Der Nutzen, den sie erkannten, war die Verringerung unbegründeter Schwankungen — weniger reflexhafte Überbestellungen, weniger Verschwendung —, sofern die Vorhersagen verlässlich seien und die Bedienoberfläche im ohnehin genutzten Klinikinformationssystem säße und nicht daneben.
Was die Methode gut einfing, war die Beschaffenheit der Bedenken, und diese gruppierten sich. Am häufigsten genannt wurde die erhöhte Prüflast: Wenn sich die Empfehlung für jede Patient:in ändert — diese braucht acht Einheiten, jene fünf —, verlangt jede Abweichung von der Gewohnheit nun eine Kontrolle und eine Begründung, und das ist Arbeit, die die alte Pauschalanordnung nicht erzeugte. Das zweite Bedenken galt dem Grenzfall: Patient:innen mit Alloimmunisierung, seltene Blutgruppenkonstellationen, allergische Reaktionen, die plötzliche Blutung — Situationen, die ein auf historischen Daten trainiertes Modell womöglich nicht abbildet. Das dritte war die Undurchsichtigkeit: Trotz Vorführungen nannten mehrere Teilnehmende das Modell eine geschlossene Kiste, und ein:e Ärzt:in fragte gezielt, ob frühere Bauchoperationen, die Verwachsungen und damit den Blutverlust erhöhen, ausreichend gewichtet seien.
Was die Evidenz nicht belegt
Es wäre leicht, dies als Beleg dafür zu lesen, dass Befragungen vor der Einführung Implementierungen sicherer machen. Das kann die Studie nicht zeigen. Sie belegt, dass eine strukturierte Voraberhebung konkrete, plausible Reibungspunkte sichtbar macht — nicht, dass dieses Sichtbarmachen den Verlauf der Einführung verändert, die Blutverschwendung senkt oder eine Patient:in sicherer macht. Antizipierte Bedenken sind eine Vermutung darüber, was geschehen wird, keine Messung davon. Ob die von den Pflegenden befürchtete Prüflast tatsächlich entsteht und ob sie durch weniger Verschwendung aufgewogen wird, kann nur eine prospektive Untersuchung beantworten.
Die Autor:innen benennen die Grenzen klar. Die Ergebnisse seien kontextspezifisch und ließen sich womöglich nicht auf kleinere Häuser übertragen; die Studie liege in einem einzigen Krankenhaus eines einzigen Landes; die befragten Ärzt:innen seien beruflich jünger als die übrigen Gruppen; Fokusgruppen brächten Erinnerungsverzerrung und unvollständige Wiedergabe mit sich; und das Erhebungsdesign unterscheide nicht zwischen kurz- und langfristigen Wirkungen. Finanziert wurde die Studie aus einem koreanischen nationalen Forschungsprogramm; die Autor:innen erklären keine Interessenkonflikte. Als das gelesen, was sie ist — eine sorgfältige, vorausschauende Momentaufnahme —, ist sie eine gute Arbeit. Als Urteil darüber, ob das Werkzeug nützt, schweigt sie absichtlich.
“Prozesse nehmen ein neues Werkzeug nicht einfach auf. Werkzeug und Prozess formen einander um — und genau deshalb lohnt es sich, zuerst die Menschen im Prozess zu fragen.”
Warum das hier zählt
Der strukturelle Kern überlebt die Übersetzung. Während Kliniken in ganz Europa maschinelles Lernen zur Entscheidungsunterstützung in ihre Klinikinformationssysteme einbauen, scheitert es selten an der Genauigkeit des Modells in der Validierung; es scheitert an der Lücke zwischen einem Werkzeug, das auf einem Testdatensatz funktioniert, und einer Station, die es an einem Dienstagnachmittag aufnehmen muss. Diese Studie erinnert daran, dass die billigste Information über diese Lücke verfügbar ist, bevor etwas eingeschaltet wird, und dass die Menschen, die mit dem System leben werden, die wirklichen Hindernisse — die Prüflast, die Grenzfälle, den Aufzug — genauer benennen als jede nachträgliche Übersicht. Sie beweist nicht, dass Fragen vor der Einführung wirkt. Sie zeigt konkret, was Fragen vor der Einführung sichtbar macht.
Quelle: Park YE, Ock M, Lee JH, et al. Assessing Health Care Professionals' Perceptions of a New System in Clinical Workflows. Journal of Medical Internet Research 2026;28:e86166. Eine monozentrische qualitative Studie zur Wahrnehmung von Beschäftigten vor der Einführung — gemessen wird, was Kliniker:innen erwarteten, nicht der klinische Verlauf der Patient:innen oder die Wirkung des Werkzeugs selbst.
