Bettina Baeßler
Menü

Klartext ·

Deskilling in der Radiologie: Verlieren wir unsere diagnostischen Fähigkeiten?

Das Video liegt bei YouTube. Erst wenn du es lädst, wird eine Verbindung zu YouTube hergestellt, einem Dienst von Google, und dabei werden Daten wie deine IP-Adresse dorthin übertragen. Mehr dazu in der Datenschutzerklärung.

→ Reinhören (Spotify)

Ich muss Dir etwas gestehen.

Ich bin jemand, die seit Jahren über die Risiken von KI in der Radiologie spricht. Die auf Podien sitzt und mahnt (und sich dafür niedermachen lässt). Die Studien dazu publiziert hat. Und trotzdem ist es mir passiert.

Irgendwann habe ich angefangen, weniger genau hinzuschauen. Nicht bewusst. Nicht als Entscheidung. Einfach so — schleichend. Weil das Lung-CAD-System mitläuft. Weil es da ist. Weil es zuverlässig ist.

Ich hab das erst gemerkt, als ich einen Fall ohne das System befundet habe, weil es vorübergehend ausgefallen war. Und ich plötzlich nicht mehr so sicher war. Die Systematik, mit der ich früher jeden Millimeter Lungenparenchym abgesucht hatte — sie war irgendwo auf dem Weg verloren gegangen.

Das nennt sich Deskilling. Und es passiert nicht nur anderen. Es passiert mir. Wahrscheinlich auch Dir — ob Du es weißt oder nicht.

In der letzten Episode haben wir über den Automation Bias gesprochen. Den einzelnen Fehler — den Moment, in dem wir einem falschen KI-Vorschlag folgen.

Heute geht es um etwas noch Tieferes. Um die langfristige Konsequenz. Nicht der eine falsche Klick — sondern die schleichende Erosion der Fähigkeit, überhaupt noch eigenständig zu entscheiden.

Und ich möchte Dir heute etwas sagen, das über KI hinausgeht. Denn Deskilling ist kein reines KI-Problem. Es ist ein Grundproblem unseres Fachs. Und es hat schon lange vor dem ersten KI-System in der Radiologie begonnen.

Die Medizin subspezialisiert sich zunehmend. Fundamental, nicht graduell. Die Kardiologin, die heute an Deinem Krankenhaus arbeitet, hat einen Schwerpunkt. Interventionell oder nicht. Elektrophysiologie oder Herzinsuffizienz. Und innerhalb dieser Schwerpunkte geht die Tiefe noch weiter. Das gilt für alle medizinischen Fächer.

Das ist die logische Konsequenz daraus, dass die Medizin so tief geworden ist, dass niemand mehr alles wissen kann.

Und die Radiologie?

Ich habe Kollegen sagen hören - wörtlich, mehr als einmal: Wir sind hier gute Wald- und Wiesen-Radiologen. Wir können alles.

Das stimmt schlichtweg nicht. Es stimmt schon lange nicht mehr.

Wir kommen mit den klinischen Spezialisten überhaupt nicht mehr mit. Die haben uns in ihrer Tiefe längst überholt. Und wie sollen wir ihnen adäquat antworten — wenn wir nicht wirklich verstehen, worum es ihnen geht? Die Kardiologin braucht eine Antwort auf ihre kardiologische Frage. Nicht eine allgemeine Bildbeschreibung. Der Neurochirurg will wissen, ob diese Läsion operabel ist. Nicht ob sie vorhanden ist. Ist es ein Wunder, dass unsere Zuweiser inzwischen die Bilder lieber selber anschauen, anstatt unseren radiologischen Befund zu lesen (geschweige denn, ihm zu vertrauen)?

Wenn wir uns als Fach darauf zurückziehen, alles ein bisschen zu können — aber nichts wirklich — dann entwerten wir uns selbst. Dann betreiben wir eine Form von Deskilling, die nichts mit KI zu tun hat. Aber dieselbe Konsequenz hat: Wir werden ersetzbar.

Das Fach hat das größtenteils noch nicht verstanden. Einige wenige haben es erkannt. Aber die Mehrheit verteidigt das Generalisten-Modell — nicht weil es besser ist, sondern weil Spezialisierung unbequem ist.

Das ist die strukturelle Ausgangslage, in die KI jetzt hineinkommt. Und sie macht das Problem nicht kleiner.

Jetzt zum KI-spezifischen Teil. Und ich bleibe beim konkreten Beispiel — weil Abstraktion hier nichts hilft.

Bronchialkarzinome. Zentrale Tumoren. Klassische Befunde. Seit Jahrzehnten auf Thorax-Röntgen und spätestens in der CT zu sehen — wenn man hinschaut.

Ich mache daraus gerade einen Fall des Monats. Weil er eines der besten Beispiele ist, was passiert, wenn man sich auf ein CAD-System verlässt und nicht mehr selbst hinschaut.

Zentrale Bronchialkarzinome werden von den aktuell verfügbaren LungCAD-Systemen relativ schlecht erkannt. Sie passen nicht in das Muster, für das diese Systeme optimiert sind. Und wer nicht mehr selbst systematisch schaut — wer die KI als Erstmeinung nutzt und nur noch bestätigt — der übersieht diese Tumoren.

Nicht weil er sie früher nicht gesehen hätte. Sondern weil er verlernt hat, danach zu suchen.

Ich habe das an mir selbst erlebt. Seit ich das Lung-CAD-Tool routinemäßig nutze, habe ich gemerkt, dass ich nicht mehr so gründlich schaue wie früher. Dass ich mich auf das System verlasse. Und damit verliere ich einen Skill — nämlich den, systematisch und aufmerksam auch kleine Lungenrundherde selbst zu entdecken.

Das ist Deskilling. In Echtzeit. In der Klinik. Heute.

Ich höre manchmal das Argument: Das ist doch alles Theorie. Wir passen uns an, wir kompensieren. Und die KI-Systeme werden ja auch immer besser.

Das klingt beruhigend. Die Daten sagen etwas anderes.

2025 erschien im Lancet eine Studie, die viele aufgeschreckt hat. Neunzehn erfahrene Endoskopiker. Vier Zentren. Über 1.400 Koloskopien. Die Frage: Was passiert, wenn diese erfahrenen Kollegen nach einer Phase routinemäßiger KI-Nutzung plötzlich wieder ohne KI arbeiten?

Die Adenomdetektionsrate sank um 6 Prozentpunkte. Das war ein relativer Rückgang von 20 Prozent.

Das sind keine Schwankungen. Das sind reale Befunde, die nicht gefunden wurden. Von erfahrenen Endoskopikerinnen und Endoskopikern — die durch routinemäßige KI schleichend verlernt hatten, ohne sie gleich gut zu sein.

Ja — das ist Endoskopie, nicht Radiologie. Aber die Mechanismen sind identisch. Routinierte Bildbeurteilung. KI als Standard. Und dann — wenn das System ausfällt oder für diesen Befundtyp nicht ausgelegt ist — steht man da. Und merkt, dass der eigene Blick nicht mehr so scharf ist wie früher.

Und dann gibt es noch einen neueren Begriff, der mich noch viel mehr beschäftigt als Deskilling.

Never-Skilling.

Nicht der Verlust einer vorhandenen Fertigkeit. Sondern das Versäumnis, sie überhaupt erst aufzubauen. Assistenzärztinnen und -ärzte, die von Anfang an mit KI befunden — und nie lernen, ohne KI hinzuschauen. In Studien dazu steigt die Performance mit KI. Aber wenn die KI entfernt wird, kehrt sie auf das Ausgangsniveau zurück. Kein Lerneffekt. Kein Kompetenzaufbau. Die Weiterbildungszeit läuft — aber die Kompetenz, um die es geht, entsteht nicht.

Das ist die gefährlichste Form von Deskilling. Weil man es nicht merkt. Weil man glaubt, man kann es — denn mit KI macht man es ja immer richtig.

Stell Dir eine Weiterbildungsassistentin vor, die heute anfängt. In einer Klinik — wie die meisten — mit KI im Workflow. Lung-Nodule-Detection läuft mit. Stroke-Triage ist automatisiert. Thorax-Röntgen werden vorgefiltert. Frakturdetektion läuft mit.

Sie befundet von Tag eins an mit KI. Sie wird gut darin — schnell, effizient, sicher. Aber lernt sie, wie ein normales Lungenparenchym aussieht? Entwickelt sie ein Gespür dafür, wenn etwas nicht stimmt — bevor die KI es flaggt? Weiß sie, was ein zentrales Bronchialkarzinom ist, das kein System erkennt?

Vielleicht. Wenn sie eine gute Ausbilderin hat. Wenn jemand sie zwingt, auch ohne KI zu befunden.

Aber hier ist die Wahrheit: Die Weiterbildung in der Radiologie war schon vor KI kein gut strukturiertes System. Kein Onboarding. Kein systematisches Curriculum am Patientenfall. Learning by doing — und Glück, wenn man an eine Klinik kam, die das ernst nahm.

Und jetzt wird es in vielen Häusern noch schlechter. Weil KI den Eindruck erweckt, dass man keine strukturierte Ausbildung mehr braucht. Weil das System ja läuft. Weil niemand fragt, was auf der anderen Seite verloren geht.

Das ist ein Grund, warum ich vor einigen Jahren LernRad gegründet und aufgebaut habe.

Nicht als Reaktion auf KI — das wäre zu kurz gedacht. Sondern als Reaktion auf genau das, was ich gerade beschrieben habe. Auf eine Weiterbildungsrealität, die an vielen Orten strukturell versagt. Auf das fehlende systematische Lernen am Fall. Auf die Lücken, die entstehen — und die durch KI nicht geschlossen werden, sondern größer werden.

LernRad ist meine Antwort auf Never- und De-Skilling.

Der Gedanke dahinter ist simpel: Kompetenz entsteht nicht dadurch, dass man Bescheid weiß. Sie entsteht dadurch, dass man am echten Fall arbeitet. Systematisch. Mit Feedback. Immer wieder.

Wenn die Weiterbildung das nicht liefert — und in vielen Häusern tut sie das nicht — dann muss man es sich selbst schaffen. Das ist eine Realität, die wir annehmen und mit der wir arbeiten müssen.

Wer seinen eigenen Blick aktiv trainiert — unabhängig von dem, was ein KI-System vorschlägt — der baut etwas auf, das ihm niemand nehmen kann. Nicht KI. Nicht ein schlechtes Weiterbildungsverhältnis. Nicht der Druck des Klinikalltags.

Das ist kein Werbeslogan. Das ist meine persönliche Überzeugung — und der Grund, warum ich dieses Projekt für wichtiger halte als je zuvor.

Was kannst Du konkret tun?

Wenn Du in der Weiterbildung bist:

Übe bewusst ohne KI. Regelmäßig. Befunde Fälle, bei denen Du zuerst selbst zu einem Ergebnis kommst — bevor Du nachschaust, was das System sagt. Nicht immer. Aber genug, um Deine eigene Baseline zu kennen. Und zu halten.

Wenn Du ausbildest:

Bau unassistierte Befundung strukturell in die Ausbildung ein. Nicht als Ausnahme. Als Standard. Regelmäßige Fälle ohne KI. Feedback auf den eigenen Blick — nicht auf die KI-Ausgabe.

Wenn Du auf der politischen Ebene Einfluss hast:

Fordere Standards. KI-Kompetenz in der Facharztweiterbildung — gut. Aber KI-Kompetenz ohne Basiskompetenz ist eine leere Hülle. Beides muss verankert sein. Jetzt — solange wir noch die Wahl haben.

Und zur Subspezialisierung: Es ist Zeit für eine ehrliche Antwort auf die Frage, was wir als Fach wirklich können wollen. Nicht was wir bisher konnten. Was wir in Zukunft gut können wollen. Ein Fach, das sich hinter dem Anspruch versteckt, alles zu können, und dabei schleichend die Tiefe verliert — das ist kein starkes Fach. Das ist ein sehr verwundbares Fach - gerade im Zeitalter von KI.

Ich habe Dir heute etwas gestanden, das ich nicht leicht gestehe. Dass mir Deskilling selbst passiert ist. Dass ich an mir selbst erlebt habe, wie ein System, dem ich vertraue, meinen eigenen Blick schleichend stumpfer gemacht hat.

Ich erzähle das nicht, um mich zu geißeln. Ich erzähle es, weil wir in der Medizin viel zu selten ehrlich darüber reden, was uns Technologie kostet — während wir ausführlich darüber reden, was sie uns bringt.

KI bringt uns etwas. Das ist real. Aber sie kostet uns auch etwas. Und dieser Preis hängt davon ab, wie wir mit ihr umgehen. Ob wir sie als Werkzeug nutzen — oder als Krücke. Ob wir unsere eigene Kompetenz aktiv schützen — oder stillschweigend abgeben.

Ich bin Radiologin. Ich liebe dieses Fach. Und genau deshalb mache ich mir Sorgen. Nicht um die Technologie. Um uns. Um das, was wir sind, wenn sie wegfällt. Um das, was wir der nächsten Generation mitgeben.

Die Antwort liegt nicht in weniger KI. Sie liegt in mehr Bewusstsein. Mehr Ausbildung. Und mehr Ehrlichkeit darüber, was wir wirklich können — und was wir aktiv dafür tun müssen, es zu behalten.

Wenn Du Gedanken, Erfahrungen oder Widerspruch hast — schreib es in die Kommentare. Diese Themen brauchen mehr Stimmen, nicht weniger. Und ich möchte gerne deine Meinung hören.

Bis zur nächsten Episode - bleib neugierig und kritisch!

Quellen

Andersdenken, mein Newsletter.

→ Zum Blog