Drei Sätze – drei Blickwinkel
„Ich habe Kopfschmerzen.“
„Ich mache mir große Sorgen wegen meiner Kopfschmerzen.“
„Ich glaube, ich habe einen Hirntumor.“
Drei Sätze. Drei Menschen könnten sie sagen. Und eigentlich geht es jedes Mal um dasselbe
Symptom.
Oder vielleicht doch nicht?
Schon beim Lesen verändert sich etwas. Während der erste Satz zunächst nur ein Symptom
beschreibt, entsteht beim zweiten sofort ein anderer Eindruck. Der dritte lenkt den Blick
schließlich ganz bewusst in eine bestimmte Richtung. Plötzlich denkt man automatisch
darüber nach, ob sich hinter den Kopfschmerzen tatsächlich eine schwerwiegende
Erkrankung verbergen könnte.
Natürlich wissen wir, dass die Sorge einer Patientin oder eines Patienten nicht automatisch
bedeutet, dass diese Vermutung richtig ist. Trotzdem fällt es schwer, sich von dieser
Information vollständig zu lösen. Sie begleitet den weiteren Denkprozess – oft ganz
unbewusst.
Wenn Sprache den Blick lenkt
Genau solche Phänomene beschäftigen die Verhaltensökonomie und die
Entscheidungspsychologie seit vielen Jahren. Informationen wirken nicht nur durch ihren
Inhalt, sondern auch dadurch, wann und wie sie vermittelt werden.
Eine frühe Vermutung kann den weiteren Denkprozess beeinflussen – ein Phänomen, das
als Anchoring bezeichnet wird. Ebenso kann die Art und Weise, wie Informationen
beschrieben werden, unsere Wahrnehmung verändern (Framing).
Doch was passiert, wenn diese Informationen nicht von einer Ärztin oder einem Arzt
bewertet, sondern an ein Large Language Model weitergegeben werden?
Vom ärztlichen Fall zur KI
Immer mehr Ärztinnen und Ärzte nutzen KI-Systeme, um Differenzialdiagnosen zu
strukturieren, seltene Erkrankungen in Betracht zu ziehen oder diagnostische Überlegungen
zu ergänzen. Der Prompt wird damit zum Ausgangspunkt eines KI-gestützten diagnostischen
Prozesses.
Doch macht es einen Unterschied, wie dieser Prompt formuliert ist?
Kommt ein Sprachmodell zu anderen diagnostischen Schwerpunkten, obwohl dieselbe Ärztin
oder derselbe Arzt denselben Fall beschreibt – lediglich mit einer anderen sprachlichen
Rahmung?
Genau an dieser Stelle setzt unser Forschungsprojekt Medical Prompting an. Wir
untersuchen, welchen Einfluss die Formulierung ärztlicher Prompts auf das diagnostische
Reasoning großer Sprachmodelle hat.
Unser Forschungsprojekt
Dafür entwickeln wir klinische Fallvignetten, deren medizinischer Kern identisch bleibt.
Lediglich die sprachliche Gestaltung verändert sich.
Jede Fallvignette liegt in drei Varianten vor:
- Neutral – ausschließlich die klinischen Informationen.
- Anchoring – ergänzt um eine diagnostische Vermutung oder Ersteinschätzung.
- Framing – derselbe medizinische Inhalt in einer anderen sprachlichen Einbettung.
Diese Fallvignetten werden anschließend von vier verschiedenen Large Language Models
beantwortet und systematisch miteinander verglichen.
Uns interessiert dabei nicht, welches Modell „gewinnt“. Viel spannender ist die Frage, ob
sich das diagnostische Reasoning verändert.
Werden andere Differenzialdiagnosen zuerst genannt? Verschiebt sich die diagnostische
Priorisierung? Bleiben Red Flags bestehen? Werden dieselben diagnostischen Schritte
empfohlen?
Warum uns das beschäftigt
Wenn KI künftig selbstverständlich zum klinischen Alltag gehört, wird nicht nur die Qualität
der Modelle entscheidend sein. Ebenso wichtig wird sein zu verstehen, wie medizinische
Informationen an diese Systeme übermittelt werden – und welchen Einfluss bereits kleine
sprachliche Unterschiede auf den diagnostischen Prozess haben können.
Denn bevor ein Large Language Model antworten kann, muss jemand einen medizinischen
Fall beschreiben.
Genau dort beginnt Medical Promptin.
