Informatik · Klasse 10 · Künstliche Intelligenz und Ethik · 2. Halbjahr

KI in der Medizin

Die Schülerinnen und Schüler diskutieren die Chancen und Herausforderungen der computergestützten Diagnose und Therapie.

• KMK Bildungsstandards
• KMK: STD.07
• KMK: STD.11

Über dieses Thema

Das Thema KI in der Medizin thematisiert die Einsatzmöglichkeiten künstlicher Intelligenz bei computergestützter Diagnose und Therapie. Schülerinnen und Schüler in Klasse 10 untersuchen, wie Algorithmen Röntgenbilder analysieren, Tumore erkennen oder Therapien individuell anpassen. Sie diskutieren Chancen wie präzisere und schnellere Diagnosen sowie Herausforderungen wie Datenschutz, Bias in Trainingsdaten und die Verantwortung für Fehlentscheidungen. Dies schließt an den Alltag an, da viele Jugendliche bereits KI-Anwendungen in Fitness-Apps oder Chatbots kennen.

Im Fach Digitale Welten Gestalten verbindet das Thema Informatik mit Ethik gemäß KMK-Standards STD.07 und STD.11. Schüler beantworten Leitfragen: Kann KI Krankheiten besser als Ärzte erkennen? Wem gehören Patientendaten? Wie umgehen wir Unvorhersehbarkeit? So entsteht ein Verständnis für technische Funktionsweisen, ethische Dilemmata und gesellschaftliche Auswirkungen. Es fördert systemisches Denken über Mensch-Maschine-Interaktionen.

Aktive Lernformen passen hervorragend, weil kontroverse Aspekte durch Debatten und Simulationen greifbar werden. Wenn Schüler Rollen übernehmen oder reale Fälle analysieren, argumentieren sie fundiert, entdecken Nuancen und internalisieren ethische Prinzipien nachhaltig. (178 Wörter)

Leitfragen

1. Kann eine KI Krankheiten besser erkennen als ein Arzt?
2. Wem gehören die Patientendaten, die zum Training genutzt werden?
3. Wie gehen wir mit der Unvorhersehbarkeit von KI-Diagnosen um?

Lernziele

• Analysieren Sie die Funktionsweise von Algorithmen zur Bilderkennung in medizinischen Diagnosesystemen.
• Bewerten Sie die ethischen Implikationen der Datennutzung für das Training medizinischer KI-Systeme hinsichtlich Datenschutz und Eigentumsrechten.
• Vergleichen Sie die Genauigkeit und Geschwindigkeit computergestützter Diagnosen mit denen menschlicher Ärzte anhand von Fallstudien.
• Entwickeln Sie Argumente für oder gegen den Einsatz von KI in der Therapieentscheidung unter Berücksichtigung von Verantwortung und Fehlerrisiken.
• Erklären Sie die Rolle von Bias in Trainingsdaten und dessen potenzielle Auswirkungen auf die Fairness von KI-Diagnosen.

Bevor es losgeht

Grundlagen der Künstlichen Intelligenz

Warum: Schüler müssen die grundlegenden Konzepte von Algorithmen, maschinellem Lernen und Datenverarbeitung verstehen, um die Funktionsweise medizinischer KI nachvollziehen zu können.

Datenschutz und Datensicherheit

Warum: Ein grundlegendes Verständnis von Datenschutz ist notwendig, um die ethischen Herausforderungen im Umgang mit sensiblen Patientendaten zu erfassen.

Schlüsselvokabular

Computergestützte Diagnose	Der Einsatz von Algorithmen und Software zur Analyse medizinischer Daten, wie z.B. Bilder oder Patientenhistorien, zur Unterstützung oder Durchführung von Diagnosen.
Trainingsdaten	Umfangreiche Datensätze, die Algorithmen der künstlichen Intelligenz lernen, um Muster zu erkennen und Vorhersagen zu treffen, z.B. anonymisierte Patientendaten für medizinische KI.
Bias (in KI)	Systematische Verzerrungen in den Trainingsdaten oder im Algorithmus selbst, die zu unfairen oder diskriminierenden Ergebnissen führen können, z.B. bei der Diagnose bestimmter Patientengruppen.
Datenschutz	Regelungen und Maßnahmen zum Schutz sensibler persönlicher Informationen, wie z.B. von Patientendaten, vor unbefugtem Zugriff und Missbrauch.
Verantwortlichkeit	Die Frage, wer die Verantwortung trägt, wenn eine KI eine falsche Diagnose stellt oder eine fehlerhafte Therapieempfehlung gibt – der Entwickler, der Arzt oder die KI selbst.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

KI erkennt Krankheiten immer besser als Ärzte.

Was Sie stattdessen lehren sollten

KI übertrifft Ärzte in spezifischen Aufgaben wie Bildanalyse, versagt aber bei Kontext oder Seltenheitsfällen. Aktive Debatten helfen, Vor- und Nachteile abzuwägen und hybride Modelle zu verstehen.

Häufige Fehlvorstellung

Patientendaten gehören dem KI-Unternehmen nach Training.

Was Sie stattdessen lehren sollten

Daten bleiben Eigentum der Patienten; Nutzung erfordert Einwilligung. Rollenspiele klären Rechte und fördern Diskussionen über DSGVO, was ethisches Bewusstsein stärkt.

Häufige Fehlvorstellung

KI-Diagnosen sind immer vorhersagbar und fehlerfrei.

Was Sie stattdessen lehren sollten

Black-Box-Effekte machen Erklärbarkeit schwierig. Fallanalysen enthüllen Limitationen und trainieren Schüler im kritischen Hinterfragen.

Ideen für aktives Lernen

Debatte: KI vs. Arzt

Teilen Sie die Klasse in Pro- und Contra-Teams ein. Jede Seite bereitet Argumente zu Genauigkeit und Zuverlässigkeit vor, präsentiert 3 Minuten und rebuttet. Schließen Sie mit Abstimmung und Reflexion ab.

45 Min.·Kleingruppen

Rollenspiel: Datenschutz-Dilemma

Gruppen übernehmen Rollen als Patient, Arzt, KI-Firma und Ethikrat. Sie verhandeln über Datennutzung für Training. Protokollieren Sie Kompromisse und diskutieren Sie Lösungen.

35 Min.·Kleingruppen

Fallstudie-Analyse: Krebsdiagnose

Verteilen Sie reale KI-Fälle wie IBM Watson. Gruppen identifizieren Stärken, Schwächen und Bias. Erstellen Sie eine Bewertungstabelle und präsentieren.

50 Min.·Partnerarbeit

Bias-Erkennung: Workshop

Schüler trainieren ein einfaches Modell mit biased Daten (z.B. via Teachable Machine). Testen Sie es und diskutieren Korrekturen für medizinische Anwendungen.

40 Min.·Partnerarbeit

Bezüge zur Lebenswelt

• Radiologen in großen Universitätskliniken wie der Charité in Berlin nutzen KI-gestützte Software, um Röntgenbilder und CT-Scans auf Anomalien zu überprüfen, was die Erkennungszeit verkürzen kann.
• Unternehmen wie Google Health entwickeln Algorithmen, die Muster in Netzhautscans erkennen, um Anzeichen von Diabetes oder anderen Augenerkrankungen frühzeitig zu identifizieren, noch bevor Symptome auftreten.
• Die Entwicklung von personalisierten Therapieplänen für Krebspatienten durch KI-Systeme, die genetische Daten und Behandlungsverläufe analysieren, um die wirksamste Behandlung zu empfehlen.

Ideen zur Lernstandserhebung

Diskussionsfrage

Teilen Sie die Klasse in zwei Gruppen auf. Eine Gruppe argumentiert für die Vorteile der KI-gestützten Diagnose (z.B. Geschwindigkeit, Präzision), die andere für die Risiken (z.B. Bias, Verantwortung). Fordern Sie die Schüler auf, konkrete Beispiele aus der Medizin zu nennen und die Argumente der Gegenseite zu entkräften.

Lernstandskontrolle

Geben Sie jedem Schüler eine Karte mit einer der Leitfragen. Bitten Sie die Schüler, eine kurze Antwort (2-3 Sätze) zu formulieren, die eine spezifische ethische oder technische Herausforderung im Zusammenhang mit KI in der Medizin aufzeigt.

Kurze Überprüfung

Stellen Sie den Schülern eine kurze Fallstudie vor, in der eine KI eine Diagnose stellt. Bitten Sie sie, auf einem Blatt Papier zwei potenzielle Chancen und zwei potenzielle Herausforderungen dieser Diagnose zu notieren, die sich aus den Trainingsdaten oder der Funktionsweise der KI ergeben könnten.

Häufig gestellte Fragen

Kann KI Krankheiten besser als ein Arzt erkennen?

KI excelliert bei Mustererkennung in großen Datensätzen, z.B. Lungenkrebs in CT-Scans mit höherer Präzision als Einzelärzte. Sie ergänzt jedoch menschliche Intuition bei unklaren Fällen. In der Praxis kombinieren Kliniken beide für beste Ergebnisse, wie Studien zu Dermatologie zeigen. (62 Wörter)

Wem gehören Patientendaten bei KI-Training?

Patientendaten unterliegen DSGVO; Einwilligung ist zwingend, Anonymisierung empfohlen. Eigentum bleibt beim Patienten, Nutzungsrechte werden vertraglich geregelt. Ethikkommissionen überwachen, um Missbrauch zu verhindern. Schüler lernen, dass Transparenz Vertrauen schafft. (58 Wörter)

Wie hilft Active Learning beim Thema KI in der Medizin?

Active Learning wie Debatten und Rollenspiele macht abstrakte Ethik greifbar. Schüler argumentieren aktiv, entdecken Bias selbst und entwickeln nuancierte Positionen. Solche Methoden steigern Retention um 20-30%, da emotionale Beteiligung Konzepte festigt und Transfer auf reale Szenarien erleichtert. (64 Wörter)

Wie gehen wir mit Unvorhersehbarkeit von KI-Diagnosen um?

Erklärbare KI (XAI) macht Entscheidungen nachvollziehbar. Klinische Validierung, menschliche Überprüfung und kontinuierliches Retraining mindern Risiken. Regulatorische Frameworks wie EU-KI-Verordnung fordern Transparenz. In der Lehre simulieren Fälle diese Strategien effektiv. (59 Wörter)