KI in der Medizin

Aktives Lernen eignet sich besonders gut, weil die Schülerinnen und Schüler an konkreten medizinischen Beispielen die Komplexität von KI-Anwendungen selbst erleben. Die Kombination aus Debatten, Rollenspielen und Fallanalysen fördert nicht nur Fachwissen, sondern auch kritisches Denken und ethische Reflexion, die für dieses Thema zentral sind.

• Klasse 10
• Digitale Welten Gestalten: Informatik in der Praxis
• 4 Aktivitäten
• 35 Min.–50 Min.

Lernziele

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

Debatte

⏱ 45 Min.·Kleingruppen

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.

Vorbereitung & Details

Kann eine KI Krankheiten besser erkennen als ein Arzt?

Moderationstipp: Bereiten Sie für die Debatte KI vs. Arzt konkrete Statistiken und Fallbeispiele vor, um die Argumentation der Schüler zu stützen.

Setup: Zwei sich gegenüberstehende Teams, Sitzplätze für das Publikum

Materials: Thesenkarte für die Debatte, Recherche-Dossier für jede Seite, Bewertungsbogen für das Publikum, Stoppuhr

• Analysieren
• Bewerten
• Erschaffen
• Selbststeuerung
• Entscheidungsfähigkeit

Rollenspiel

⏱ 35 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.

Vorbereitung & Details

Wem gehören die Patientendaten, die zum Training genutzt werden?

Moderationstipp: Im Rollenspiel zum Datenschutz-Dilemma sollten Sie als Moderator neutrale Fragen stellen, um die Perspektiven aller Beteiligten sichtbar zu machen.

Setup: Spielfläche oder entsprechend angeordnete Tische für das Szenario

Materials: Rollenkarten mit Hintergrundinfos und Zielen, Szenario-Briefing

• Anwenden
• Analysieren
• Bewerten
• Sozialbewusstsein
• Selbstwahrnehmung

Fallstudienanalyse

⏱ 50 Min.·Partnerarbeit

Fallstudie-Analyse: Krebsdiagnose

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

Vorbereitung & Details

Wie gehen wir mit der Unvorhersehbarkeit von KI-Diagnosen um?

Moderationstipp: Bei der Fallstudie zur Krebsdiagnose achten Sie darauf, dass die Schüler nicht nur die technische Lösung, sondern auch die menschliche Komponente der Therapie bedenken.

Setup: Gruppentische mit Platz für die Fallunterlagen

Materials: Fallstudien-Paket (3-5 Seiten), Arbeitsblatt mit Analyseraster, Präsentationsvorlage

• Analysieren
• Bewerten
• Erschaffen
• Entscheidungsfähigkeit
• Selbststeuerung

Fallstudienanalyse

⏱ 40 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.

Vorbereitung & Details

Kann eine KI Krankheiten besser erkennen als ein Arzt?

Moderationstipp: Im Bias-Erkennung-Workshop geben Sie den Schülern klare Kriterien an die Hand, nach denen sie Datensätze auf Verzerrungen prüfen können.

Setup: Gruppentische mit Platz für die Fallunterlagen

Materials: Fallstudien-Paket (3-5 Seiten), Arbeitsblatt mit Analyseraster, Präsentationsvorlage

• Analysieren
• Bewerten
• Erschaffen
• Entscheidungsfähigkeit
• Selbststeuerung

Dieses Thema unterrichten

Erfahrene Lehrkräfte wissen, dass dieses Thema nicht nur Faktenwissen erfordert, sondern auch die Fähigkeit, komplexe Zusammenhänge zu analysieren und zu bewerten. Vermeiden Sie es, KI als Allheilmittel oder reine Bedrohung darzustellen – stattdessen sollten Sie immer die konkreten Anwendungsfälle und Grenzen aufzeigen. Forschung zeigt, dass Schülerinnen und Schüler besonders gut lernen, wenn sie selbst aktiv werden und ihre eigenen Urteile bilden können. Nutzen Sie daher aktivierende Methoden, die Raum für Diskussion und Reflexion lassen.

Was Sie erwartet

Erfolgreiches Lernen zeigt sich darin, dass die Schülerinnen und Schüler die Chancen und Risiken von KI in der Medizin sachlich diskutieren, konkrete Beispiele benennen und ethische sowie technische Herausforderungen in eigenen Worten erklären können. Sie erkennen die Grenzen von KI und entwickeln ein Bewusstsein für ihre Rolle als mündige Nutzer und Gestalter digitaler Technologien.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Während der Debatte KI vs. Arzt äußern einige Schüler die Ansicht, KI erkenne Krankheiten immer besser als Ärzte.

Was Sie stattdessen lehren sollten

Nutzen Sie die Debatte, um die Schüler aufzufordern, ihre Aussagen mit konkreten Beispielen zu belegen. Zeigen Sie Fakten auf, wie Ärzte durch KI unterstützt werden und wo KI an Grenzen stößt, um die Diskussion zu versachlichen.

Häufige Fehlvorstellung

Im Rollenspiel Datenschutz-Dilemma argumentieren einige, Patientendaten gehörten dem KI-Unternehmen nach dem Training.

Was Sie stattdessen lehren sollten

Führen Sie das Rollenspiel so, dass die Schüler die rechtlichen Rahmenbedingungen (z.B. DSGVO) recherchieren und in der Diskussion anwenden. Weisen Sie darauf hin, dass Daten immer Eigentum der Patienten bleiben und nur mit Zustimmung genutzt werden dürfen.

Häufige Fehlvorstellung

Bei der Fallstudie Krebsdiagnose nehmen Schüler an, KI-Diagnosen seien immer vorhersagbar und fehlerfrei.

Was Sie stattdessen lehren sollten

Nutzen Sie die Fallstudie, um den Schülern die Black-Box-Problematik zu verdeutlichen. Fordern Sie sie auf, mögliche Fehlerquellen in den Trainingsdaten oder Algorithmen zu identifizieren und kritisch zu hinterfragen.

Ideen zur Lernstandserhebung

Diskussionsfrage

Nach der Debatte KI vs. Arzt fordern Sie die Schüler auf, ihre Argumente schriftlich zu reflektieren und zu bewerten, welche Position sie überzeugt hat. Sammeln Sie die Ergebnisse und besprechen Sie sie im Plenum.

Lernstandskontrolle

Nach dem Rollenspiel Datenschutz-Dilemma geben Sie jedem Schüler eine Karte mit der Frage: Welche ethische oder technische Herausforderung hat dich in der Diskussion besonders beschäftigt? Die Antworten dienen als Grundlage für die Nachbesprechung.

Kurze Überprüfung

Während der Fallstudie Krebsdiagnose stellen Sie den Schülern die Frage: Welche zwei konkreten Chancen und zwei Herausforderungen ergeben sich aus der KI-Diagnose in diesem Fall? Die Antworten sammeln Sie ein und besprechen sie im Anschluss.

Erweiterungen & Unterstützung

• Fordern Sie Schüler, die früh fertig sind, auf, eine fiktive KI-Anwendung für die Medizin zu entwerfen und deren mögliche Auswirkungen auf Patienten und Ärzte zu skizzieren.
• Für Schüler, die Schwierigkeiten haben, bereiten Sie eine vereinfachte Version der Fallstudie vor oder bieten Sie eine Schritt-für-Schritt-Anleitung zur Bias-Erkennung an.
• Für zusätzlichen Tiefgang können Sie eine Exkursion zu einer medizinischen Einrichtung organisieren oder einen Gastredner einladen, der aus der Praxis berichtet.

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.