Wirksamer AI-Einsatz setzt Grundwissen voraus. Welche Inhalte eine Grundlagenschulung abdecken muss – bedarfsgerecht nach Rolle, Vorkenntnissen und Einsatzkontext, wie es Artikel 4 der KI-Verordnung (EU) 2024/1689 verlangt.[4]
Ohne gemeinsames Grundverständnis passiert im Alltag eines von beidem: AI wird gar nicht genutzt – oder unkritisch. Beides kostet Wirkung. Damit AI im Gesundheitswesen tatsächlich Nutzen stiftet, braucht es eine Grundlagenschulung für Mitarbeitende mit und ohne Vorkenntnisse, die bedarfsgerecht auf Rolle, Vorwissen und Einsatzkontext zugeschnitten ist.
Das ist nicht nur didaktisch sinnvoll, sondern seit dem 2. Februar 2025 rechtlich verankert: Artikel 4 der KI-Verordnung verpflichtet Anbieter und Betreiber, ein ausreichendes Maß an KI-Kompetenz sicherzustellen – „wobei ihre technischen Kenntnisse, ihre Erfahrung, ihre Ausbildung und Schulung und der Kontext, in dem die KI-Systeme eingesetzt werden sollen, sowie die Personen oder Personengruppen, bei denen die KI-Systeme eingesetzt werden sollen, zu berücksichtigen sind“.[4] Die Europäische Kommission stellt in ihren Fragen und Antworten zur KI-Kompetenz ausdrücklich klar, dass es kein Standardformat für alle gibt und das bloße Weiterreichen einer Gebrauchsanweisung nicht genügt.[12]
Eine wirksame Grundlagenschulung verbindet deshalb technische Grundlagen (AI/ML/Deep Learning, Algorithmen, Foundation Models) mit klinischer Praxis (Anwendungsfelder, Metriken, Prompting), ethischen Prinzipien und rechtlichem Rahmen (EU AI Act, DSGVO, MDR/IVDR). Zentral ist das Verständnis, dass AI kein neutrales Werkzeug ist: Systeme können Verzerrungen aus Daten, Labels, Messprozessen und organisatorischen Entscheidungen übernehmen.[1,4,6-9]
Die hier vorgeschlagenen Inhalte stützen sich auf peer-reviewte Übersichtsarbeiten, internationale Leitlinien und geltende EU-Regulatorik.[1,4,7,9,13-15]
Nicht alle Mitarbeitenden brauchen dasselbe. Stufe 1 gilt für alle, Stufe 2 für alle, die mit AI-Ergebnissen arbeiten, Stufe 3 für Führung und Projektverantwortung. Der konkrete Zuschnitt ergibt sich aus Rolle, Vorkenntnissen und Risikoklasse der eingesetzten Systeme.[4,12]
Unabhängig von Rolle und Vorkenntnissen – das gemeinsame Fundament.
Begriffsunterscheidung, ML-Lerntypen (supervised/unsupervised/reinforcement), klassische Algorithmen (Decision Trees bis Neural Networks), Foundation Models und LLMs. Stärken und Grenzen im klinischen Kontext.[2,7,9]
Anwendungsfelder von Radiologie und Bildgebung über Entscheidungsunterstützung, Früherkennung und automatische Kodierung bis Monitoring und Genomik – jeweils gespiegelt an Fehlerrisiken, Bias, Validierungsgrenzen und dem Halluzinationsrisiko generativer Systeme.[2,3,7,9]
Was nicht in ein frei zugängliches Tool gehört, Zweckbindung und Rechtsgrundlagen nach DSGVO bei Gesundheitsdaten, Umgang mit nicht freigegebenen Tools und klare Meldewege im Zweifelsfall.[6,9]
Offenlegung gegenüber Patientinnen und Patienten, Transparenz- und Kennzeichnungspflichten nach Art. 50 EU AI Act sowie die saubere Trennung von AI-Vorschlag und menschlicher Entscheidung.[4,5]
Wer AI-Ausgaben bewertet oder in Entscheidungen einfließen lässt, braucht Beurteilungskompetenz – nicht nur Bedienwissen.
Trade-off zwischen Sensitivität und Spezifität, Bedeutung der Prävalenz (Base-Rate-Problem), Kalibrierung und warum Modelle außerhalb ihres Trainings- und Validierungskontexts deutlich schlechter funktionieren können.[7,10]
Repräsentationsbias, historischer Bias, Messbias, Label Bias und Subgruppen-Performance. XAI-Methoden wie SHAP oder Grad-CAM können Analyse und Kommunikation unterstützen, ersetzen aber keine Validierung, Fairness-Prüfung und klinische Bewertung.[7,8]
Human-in-the-Loop konkret: Automation Bias erkennen, dem System begründet widersprechen können und die fachliche Verantwortung eindeutig zugeordnet halten. Aufsicht muss operativ festgelegt sein, nicht nur im Konzept stehen.[1,4,9]
Effektives Prompting (Kontext, Rolle, Quellen einfordern, Unsicherheit adressieren), kritische Prüfung generativer Antworten und getrennte Dokumentation von AI-Empfehlung und menschlicher Entscheidung.[2,4,9]
Wer über Einführung, Beschaffung und Aufsicht entscheidet, braucht den regulatorischen und den strategischen Rahmen.
7 EU-HLEG-Anforderungen an vertrauenswürdige AI,[1] EU AI Act mit risikobasiertem Ansatz, verbotenen Praktiken, Hochrisiko-Pflichten und Transparenzanforderungen,[4,5] DSGVO für personenbezogene Gesundheitsdaten sowie MDR/IVDR bei medizinischer Zweckbestimmung.[3,4,6] Ergänzend adressiert der European Health Data Space (EHDS, Verordnung (EU) 2025/327) die Nutzung von Gesundheitsdaten.
Vier Konstruktionsprinzipien – Menschenzentrierung, Nachvollziehbarkeit, Entlastung, verteilte Kontrolle – und die drei Kernfragen vor jedem Einsatz. Dazu Go / Wait / Stop als Entscheidungslogik, Haftungsverteilung und messbare KPIs für Adoption.[1,7,9]
Diese Aufstellung adressiert eine praktische Lücke in vielen Gesundheitsorganisationen: Mitarbeitende, die mit AI-Outputs arbeiten oder AI-Einführungsprojekte begleiten, brauchen Grundwissen zu Datenqualität, Validierung, Bias, menschlicher Aufsicht und regulatorischer Einordnung. Ohne dieses Wissen können Stärken und Grenzen realer AI-Systeme nur schwer eingeschätzt werden, mit Folgen für Patientensicherheit, Compliance und Vertrauen.[1,7,9]
Die Lücke ist belegt: Übersichtsarbeiten identifizieren fehlende standardisierte AI-Ausbildung als zentrales Adoptionshindernis und weisen zugleich darauf hin, dass einheitliche Curriculum-Rahmen bislang fehlen und anpassbar sein müssen.[14,15] Gezielte Schulung verbessert AI-Wissen deutlich und hält an; sichtbar sind dabei rollenspezifische Adoptionslücken – ein weiteres Argument gegen das Einheitsformat.[13]
Die Inhalte folgen dem europäischen Regulierungsrahmen und sind für ein nicht-technisches Publikum aufbereitet. Aussagen mit fachlichem oder regulatorischem Gewicht sind auf die unten aufgeführten Quellen gestützt.
Sofern nicht anders angegeben, Abrufzeitpunkt: April 2026; Quellen [12]–[15] abgerufen im August 2026.
Hinweis zur Evidenzlage: Die Übersichtsarbeiten [13]–[15] stammen überwiegend aus dem Pflege- und Medizinstudiumskontext. Sie belegen Wirksamkeit von Schulung und rollenspezifische Adoptionslücken; eine Übertragung auf Industrie- und Verwaltungssettings ist plausibel, aber nicht separat belegt.
Dieses Material wurde mit größtmöglicher Sorgfalt erstellt. Es ersetzt keine rechtliche, medizinische oder fachliche Beratung. Die Wiedergabe von Regelungen aus EU AI Act, DSGVO und MDR/IVDR dient der Orientierung und stellt keine Rechtsberatung dar. Keine Gewähr für Vollständigkeit und Aktualität.
Teile dieses Dokuments wurden mit Unterstützung generativer AI erstellt und redaktionell geprüft. Diese Inhalte sind kein Ersatz für rechtliche, medizinische oder fachliche Beratung.