Die Zukunft der Künstlichen Intelligenz wird nicht nur durch neue Technologien geprägt, sondern durch Verständnis, Vertrauen und eine gemeinsame Vision, die Sektoren und Grenzen überwindet. Von der Erkenntnis zur Umsetzung stehen praxisnahe Kompetenz-anforderungen des EU AI Acts, Artikel 4 im Blick.
Krankenhäuser als Betreiber von KI-Systemen stehen vor der Herausforderung, den Anforder-ungen des EU AI Acts (Verordnung (EU) 2024/1689) Rechnung zu tragen, insbesondere seit dem 2. Februar 2025. Artikel 4 verpflichtet Anbieter und Betreiber „nach besten Kräften“, sicherzustel-len, dass Personal und beauftragte Dritte über ausreichende KI-Kompetenzen verfügen. Diese umfassen technische Kenntnisse, Erfahrung, Aus- und Weiterbildung, angepasst an den Einsatzkontext, die Zielgruppen (z. B. Patienten) und das Risikoprofil der KI-Systeme.
Verbindliche Anforderungen an KI-Kompetenzen
KI-Kompetenz geht über reines Fachwissen hinaus und integriert technisches Verständnis (z. B. Funktionsweise von Large Language Models oder neuronalen Netzen), prozedurale Fähigkeiten (z. B. Umsetzung von KI-Projekten) sowie ethisches und rechtliches Reflexionsvermögen (z. B. GDPR, NIS2, EU AI Act). Im Krankenhauskontext müssen Ärzte, Pflegekräfte, IT-Spezialisten und Verwaltungsmitarbeiter differenzierte Profile aufbauen: Klinikpersonal benötigt grundlegendes KI-Literacy für Diagnoseunterstützungssysteme, IT-Teams fortgeschrittene Skills in Risikomanagement und Datenqualität. Verbindlich ist eine risikobasierte Differenzierung – hochriskante Systeme (z. B. in Medizinprodukten) erfordern zertifizierte Schulungen mit Nachweis der Kompetenz.
Handlungsanweisungen für Krankenhäuser
Krankenhäuser sollten ein zweistufiges Prozessmodell implementieren: Zuerst eine Kompetenzanalyse mittels standardisierter Assessments (z. B. Fragebögen zu KI-Grundlagen, Ethik und regulatorischen Pflichten), gefolgt von gezielten Weiterbildungsmaßnahmen. Praxisnah empfehlen Whitepapers wie von hessian.AI ein Kompetenzmodell mit Rollenmatrizen: Führungskräfte schulen in Governance, Entwickler in Modellvalidierung, Nutzer in menschlicher Überwachung. Schulungen umfassen E-Learning-Module zu KI-Beispielen (z. B. Bildanalyse in der Radiologie), ethische Dilemmata und Haftungsfragen; regelmäßige Updates (jährlich) sind essenziell.
Impulse für Verantwortliche
Dokumentation ist zentral: Erstellen Sie ein KI-Kompetenzregister mit Nachweisen (Zertifikate, Trainingsprotokolle), integriert in das Klinische Informationssystem (KIS). Für KMU-Krankenhäuser bieten sich Kooperationen mit Verbänden (z. B. DKI) oder Plattformen wie i.s.h.med an, um Kosten zu senken. Verantwortlichkeiten klar verteilen: IT-Leitung überwacht Umsetzung, Ärztliche Leitung prüft klinische Relevanz, Datenschutzbeauftragter integriert Compliance. Pilotprojekte, z. B. mit chatGPT-ähnlichen Tools in der Administration, testen Kompetenzen praxisnah.
Zweistufiges Bewertungsmodell für KI-Kompetenz im Klinikum
Ein zweistufiges Bewertungsmodell für KI-Kompetenz im Klinikum basiert auf EU AI Act Art. 4 und praxisnahen Leitlinien, um Lücken zu identifizieren und Maßnahmen zu priorisieren. Es kombiniert eine Ist-Analyse mit Bedarfsermittlung für risikobasierte Weiterbildung.
Stufe 1: Ist-Analyse (Kompetenzinventur)
Führen Sie eine Bottom-up-Selbstbewertung durch, um den aktuellen Stand zu erfassen.
- Selbsteinschätzung: Mitarbeiter füllen anonyme Fragebögen aus (z. B. Likert-Skalen zu technischen, anwendungs-, reflexions- und managementbezogenen Kompetenzen). Fragen: „Können Sie KI-Bias erkennen?“ (1–5 Punkte); Tools wie KI-Campus-Frameworks nutzen.
- Datenaggregation: Gruppiere nach Rollen (Ärzte, IT, Pflege) und Abteilungen; ziele auf 80–90% Rücklauf ab. Ergänzen durch Interviews mit Führungskräften.
- Ergebnis: Heatmap der Kompetenzlücken, z. B. IT stark in Technik, Klinik schwach in Ethik.
Stufe 2: Bedarfsanalyse (Risiko-gestützte Priorisierung)
Vergleichen Sie Ist-Stand mit Soll-Profilen und leiten Sie Handlungsempfehlungen ab.
- Risikobewertung: Ordnen Sie Abteilungen KI-Risikoklassen zu (z. B. Radiologie: Hochrisiko; Administration: Niedrig). Definieren Sie Soll-Kompetenzen pro Rolle (siehe Kompetenzmatrix aus vorherigem Kontext).
- Gap-Analyse: Berechnen Sie Differenzen (z. B. Soll: 4/5 in Reflexion; Ist: 2/5 Lücke priorisieren). Integrieren Sie externe Faktoren wie NIS2 oder KIS-Interoperabilität.
- Maßnahmenplan: Entwickeln Sie personalisierte Weiterbildungspläne (E-Learning, Workshops); setzen Sie KPIs (z. B. 90% Kompetenzerreichung in 12 Monaten) und Nachverfolgungstermine.
Umsetzungsschritte im Klinikum
- Vorbereitung: Bilden Sie ein KI-Kompetenzteam (IT, HR, Ärzte); wählen Sie Tools (z.B. Google Forms für Stufe 1, Excel/Tableau für Analyse).
- Zeitlicher Ablauf: Stufe 1: 4 Wochen; Stufe 2: 2 Wochen; jährliche Wiederholung.
- Dokumentation: Führen Sie ein zentrales Register (z. B. in SharePoint) für Nachweise, um Audits (BfArM, DSGVO) zu erfüllen. Dieses Modell fördert Compliance und Digitalisierung, mit Fokus auf Nachhaltigkeit.
Verantwortlichkeiten bei Kompetenzsicherung
Die Geschäftsführung trägt die oberste Verantwortung, Bußgelder bis 35 Mio. € drohen bei Nichteinhaltung. Interdisziplinäre KI-Steering-Teams koordinieren Maßnahmen, externe Audits validieren Fortschritte.
Ziel: Bis Ende 2026 flächendeckende Kompetenzsicherung, um Innovationen wie prädiktive Analysen sicher zu nutzen. Diese Einführung schafft Resilienz und Wettbewerbsvorteile in der digitalen Transformation.
Autor: Wolf-Dietrich Lorenz
Symbolbild: KI-generierte Illustration, erstellt mit OpenAI (ChatGPT)
