Akzeptanz messen, Gesundheitszustand berücksichtigen, Erklärbarkeit absichern

Ein internationales Forschungsteam hat die Haltung von Patientinnen und Patienten zu Anwendungen künstlicher Intelligenz in der Medizin erhoben und dafür rund 14.000 Personen aus 74 Kliniken in 43 Ländern befragt. Der Tenor ist grundsätzlich positiv, variiert aber deutlich mit dem eigenen Gesundheitszustand: Je schlechter sich Befragte einschätzten, desto skeptischer bewerteten sie KI-gestützte Verfahren. Technikaffine Gruppen äußerten im Mittel größere Zustimmung, verlangten aber ebenso wie weniger affine Gruppen nachvollziehbare Ergebnisse. Eine klare Mehrheit wünschte sich, dass ärztliche Teams die letzte Entscheidungshoheit behalten und KI als unterstützendes Instrument einsetzen. Damit rücken Transparenz und Rollenklärung in den Mittelpunkt jeder Implementierung.

Rekrutiert wurde überwiegend in radiologischen Abteilungen, in die Patientinnen und Patienten aus anderen Fachdisziplinen zur Diagnostik überwiesen wurden. Dieses Setting erlaubte eine breite Mischung von Indikationen und Krankheitslasten, zugleich aber auch nur Momentaufnahmen entlang eines Klinikpfads. Erfasst wurden Grundhaltung, wahrgenommener Nutzen, Sorgen um Datensicherheit sowie Erwartungen an Aufklärung und Mitsprache. In mehreren Subgruppen zeigte sich ein konsistentes Muster: Zustimmung steigt mit dem Gefühl, Prozesse zu verstehen, und sinkt, wenn Unsicherheit über Funktionsweise, Datenwege oder mögliche Fehlentscheidungen dominiert. Geschlechts- und Altersunterschiede traten auf, waren aber geringer als der Einfluss von Gesundheitszustand und Techniknähe.

Die stärkere Skepsis schwer Erkrankter lässt sich aus mehreren Perspektiven erklären. In Situationen hoher Betroffenheit wächst der Wunsch nach persönlicher Zuwendung, und abstrakte Modelle werden als zusätzliche Ebene statt als Hilfe erlebt. Zudem erhöht eine hohe Krankheitslast das wahrgenommene Risiko irreversibler Fehlentscheidungen; die Toleranz gegenüber „Black-Box“-Ergebnissen sinkt. Erfahrungen mit Wartezeiten, Kommunikationsbrüchen oder knapper Personaldecke färben ebenfalls auf neue Technologien ab, wenn deren Mehrwert nicht unmittelbar greifbar wird. Schließlich spielt Datenhoheit eine Rolle: Wer wiederholt intime Informationen teilen musste, reagiert sensibler auf Fragen der Speicherung, Weitergabe und Auswertung. Aus all dem folgt, dass Akzeptanz nicht allein ein Technik-, sondern vor allem ein Prozess- und Kommunikationsproblem ist.

Für die Gestaltung klinischer Pfade bedeutet das: Erklärbarkeit ist kein Selbstzweck, sondern Voraussetzung für informierte Mitwirkung. Modelle sollten mit begleitenden Kurzberichten ausgeliefert werden, die Eingangsdaten, Konfidenzbereiche und typische Fehlertypen benennen. Visuelle Darstellungen – etwa markierte Bildregionen oder Feature-Übersichten – erhöhen die Nachvollziehbarkeit, wenn sie knapp und patientengerecht sind. Aufklärungstexte müssen deutlich machen, was KI entscheidet, was sie empfiehlt und wo Grenzen liegen; zugleich braucht es klare Zuständigkeiten, wann ärztliche Erfahrung Vorrang hat. Dokumentierte „Human-in-the-loop“-Schritte sichern die Rückverfolgbarkeit und schaffen einen Anker, an dem Patientinnen und Patienten sich orientieren können.

Ein zweiter Hebel liegt in der Partizipation. Wenn Betroffene früh erfahren, an welcher Stelle KI in ihrem Behandlungspfad wirkt, steigt die Bereitschaft, Ergebnisse zu akzeptieren oder Rückfragen gezielt zu stellen. Niedrigschwellige Informationsangebote – kurze Videos, standardisierte Merkblätter, einfache FAQ – können die Schwelle senken, ohne das Gespräch zu ersetzen. Ebenso wichtig ist die Erreichbarkeit bei Unsicherheit: definierte Ansprechpartner, die Rückmeldungen bündeln, und feste Rückspielwege in Teams, die Modelle einsetzen. Akzeptanz wächst dort, wo Rückfragen ernst genommen, Korrekturen sichtbar verarbeitet und Verbesserungen zeitnah umgesetzt werden. So verschiebt sich die Wahrnehmung von „undurchsichtiger Maschine“ zu „Werkzeug mit verlässlichen Schutzgeländern“.

Schließlich entscheidet die organisatorische Einbettung über Vertrauen. Pilotphasen mit klaren Erfolgskriterien, unabhängigen Audits und veröffentlichten Leistungsdaten schaffen Glaubwürdigkeit. Robustheitstests für unterschiedliche Subpopulationen und Sprachen verhindern, dass Teilgruppen systematisch benachteiligt werden. Einfache Opt-out-Regelungen mit alternativen Pfaden respektieren individuelle Präferenzen, ohne die Versorgung zu verzögern. Und ein kontinuierliches Monitoring – Fehlalarme, Verwechslungsraten, Zeitgewinne, Beschwerdebilder – macht Wirkungen messbar. Wo Ergebnisse transparent sind und Korrekturschleifen greifen, lassen sich anfängliche Vorbehalte oft in pragmatische Zustimmung überführen. Wie sich Zustimmung und Skepsis gegenüber medizinischer KI weiterentwickeln, hängt damit weniger von einzelnen Algorithmen als von der Summe kleiner, gut erklärter Entscheidungen entlang des gesamten Versorgungspfads ab.

Die nächsten Monate werden zeigen, ob klinische Teams Erklärbarkeit, Prozessstabilität und Rückmeldewege so verzahnen, dass Betroffene Nutzen unmittelbar erleben. Gelingt das, wird aus technischer Möglichkeit gelebte Praxis.