Zehntausende Befunde. Und bei den allermeisten weiß ich bis heute nicht, ob sie überhaupt jemand gelesen hat.

Ob mein Befund die klinische Entscheidung beeinflusst hat. Oder ob die Therapie längst feststand, als er ankam.

Wir Radiologinnen und Radiologen senden Befunde ins Nichts. Und das fängt nicht erst nach zehn Jahren an, sondern oft schon im ersten Weiterbildungsjahr, mit einem Satz, den fast jeder kennt: Meine Befunde liest doch sowieso keiner.

Die naheliegende Erzählung dazu lautet, dass wir nicht ernst genommen werden. Und die stimmt sogar. Sie ist nur die bequemere Hälfte, weil sie ausschließlich davon handelt, was andere mit uns machen.

In dieser Folge geht es um die andere Hälfte. Um das, was wir selbst dazu beitragen.

Darum, dass Einfluss im Krankenhaus nicht über Kompetenz verteilt wird, sondern über Anwesenheit. Darum, warum ein Arbeitstag ohne ein einziges Gespräch in unserem Fach völlig normal ist und in manchen Häusern sogar als guter Tag gilt. Und darum, warum die interventionelle Radiologie mit derselben Ausbildung und denselben Bildern einen völlig anderen Stand im Haus hat.

Es geht außerdem um den Graben zwischen Klinik und Niederlassung, über den wir selten laut sprechen. Und um den ehrlichsten Einwand gegen mehr Präsenz, nämlich die Frage, wann man das alles eigentlich machen soll.

Ich habe darauf keine bequeme Antwort. Aber ich glaube, es fängt nicht damit an, dass andere uns mehr respektieren.

Schreib mir gern in die Kommentare: Wann bist du in deinem Haus zuletzt gefragt worden, bevor entschieden wurde?

Deskilling. Ein Wort, das sich harmloser anhört, als es ist – und das beschreibt, was passiert, wenn wir aufhören, eine Fähigkeit zu üben, weil ein System sie für uns übernimmt.

Nicht dramatisch. Nicht plötzlich. Sondern schleichend.

In dieser Folge von "Radiologie: Klartext" spreche ich über etwas, das ich nur schwer gestehe: Deskilling ist mir selbst passiert. Irgendwann habe ich aufgehört, so systematisch hinzuschauen wie früher – nicht als Entscheidung, sondern weil das KI-System einfach da war. Ich habe es erst gemerkt, als es ausfiel.

Aber diese Folge geht weiter als meine persönliche Erfahrung.

Es geht um ein Lancet-Paper aus 2025, das zeigt, was mit erfahrenen Endoskopikerinnen passiert, wenn KI wegfällt. Um zentrale Bronchialkarzinome, die KI-Systeme schlecht erkennen – und die übersehen werden, weil niemand mehr selbst danach sucht. Und um einen Begriff, der mich noch mehr beunruhigt als Deskilling: Never-Skilling. Der Kompetenzverlust, der gar nicht erst beginnt.
Und dann ist da noch die unbequeme strukturelle Wahrheit: Das Fach hat sich hinter dem Anspruch versteckt, alles zu können. Schon lange vor KI. KI macht dieses Problem nicht kleiner.

Was bedeutet das für die Weiterbildung? Für uns als Fach? Und was kann jede und jeder Einzelne konkret dagegen tun?

Kapitel:
00:00 Geständnis: Deskilling ist mir selbst passiert
00:44 Was ist Deskilling – und warum geht es heute tiefer als Automation Bias
01:15 Das strukturelle Problem: Subspezialisierung lange vor KI
03:05 KI-spezifisches Deskilling am konkreten Beispiel: Bronchialkarzinom
04:13 Was die Daten sagen: Lancet-Studie 2025 zu KI und Koloskopie
05:31 Never-Skilling: die gefährlichste Form des Kompetenzverlusts
06:51 Warum strukturierte Weiterbildung jetzt wichtiger ist als je zuvor
07:07 Warum ich LernRad gegründet habe – und was das mit Deskilling zu tun hat
08:27 Was Du konkret tun kannst: als Weiterbildungsassistent, als Ausbilder, als Entscheider
09:08 Fazit: Was wir als Fach wirklich wollen müssen

🔗 Links zu den erwähnten und anderen lesenswerten Publikationen:
Budzyń A et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterology & Hepatology 2025. DOI: 10.1016/S2468-1253(25)00133-5
Abdulnour R et al. Cognitive Aids, AI, and Deskilling in Medicine. NEJM 2025; 393(8): 786–797.
Natali C, Marconi L, Dias Duran LD, Miglioretti M, Cabitza F. AI-Induced Deskilling in Medicine: A Mixed Method Literature Review for Setting a New Research Agenda. SSRN Preprint 2025. DOI: 10.2139/ssrn.5166364
Savardi M et al. Upskilling or deskilling? Measurable role of an AI-supported training for radiology residents: a lesson from the pandemic. Insights into Imaging 2025. DOI: 10.1186/s13244-024-01893-4
Artificial Intelligence and Its Effect on Radiology Residency Education: Current Challenges, Opportunities, and Future Directions. Journal of the American College of Radiology 2025. DOI: 10.1016/j.jacr.2025.03.xxx


Mehr Infos & Kurse auf meiner Lernplattform:
🌐 www.lernrad.com
📩 Für Anfragen: bettina.baessler@lernrad.com

Automation Bias. Ein Begriff, den viele noch nie gehört haben – und der trotzdem längst Teil unseres klinischen Alltags ist.

Denn jedes Mal, wenn ein KI-System eine Empfehlung abgibt, passiert etwas ganz Menschliches:
Wir neigen dazu, ihr zu folgen. Selbst dann, wenn unser eigener Blick etwas anderes sagt. 

Nicht aus Bequemlichkeit. Nicht aus Inkompetenz.
Sondern weil unser Gehirn unter Druck genau so funktioniert.

In dieser Folge von “Radiologie: Klartext” geht es um genau dieses Phänomen – und warum es weit mehr ist als ein theoretisches Risiko.

Ich spreche über eine Studie, die wir selbst durchgeführt haben. Über Radiologinnen und Radiologen mit bis zu 15 Jahren Erfahrung, die systematisch falschen KI-Vorschlägen gefolgt sind. Und über eine Fehlerart, bei der Erfahrung plötzlich kaum noch schützt.

Aber es geht nicht nur um Zahlen.

Es geht um Vertrauen.
Um Verantwortung.
Und um die unbequeme Frage: Was passiert mit uns als Fach, wenn wir anfangen, dem System mehr zu glauben als uns selbst?

Kapitel:
00:00 Warum ich damals auf der Bühne angegangen wurde
01:19 Was Automation Bias wirklich ist
02:57 Die Studie – und was sie zeigt
04:25 Der gefährlichste Fehler
05:10 Warum unser Gehirn so reagiert
07:27 KI hilft – aber du lernst nichts
08:19 Wenn KI falsch liegt
09:40 Wer haftet eigentlich?
11:21 Wie du mit KI arbeiten solltest
12:40 Das eigentliche Problem: Deskilling
13:48 Wohin sich die Radiologie entwickelt

🔗 Die Publikation zu Automation Bias, an der ich mitgewirkt habe: https://pubs.rsna.org/doi/10.1148/radiol.222176

🔗 Links zu den anderen erwähnten Publikationen:
Automation Bias Mosier KL, Skitka LJ. Human decision makers and automated decision aids: Made for each other? In: Parasuraman R, Mouloua M (Eds.), Automation and Human Performance. Erlbaum, 1996: 201–220.
Mosier KL, Skitka LJ, Heers S, Burdick M. Automation bias: Decision making and performance in high-tech cockpits. Int J Aviat Psychol 1998; 8(1): 47–63.
Chassagnon G et al. Can incorrect artificial intelligence (AI) results impact radiologists, and if so, what can we do about it? A multi-reader pilot study of lung cancer detection with chest radiography. European Radiology 2023. DOI: 10.1007/s00330-023-09747-1
Bernstein MH et al. Can incorrect artificial intelligence (AI) results impact radiologists, and if so, what can we do about it? A multi-reader pilot study of lung cancer detection with chest radiography. European Radiology 2023. DOI: 10.1007/s00330-023-09747-1
Rezazade Mehrizi MH et al. The impact of AI suggestions on radiologists' decisions: a pilot study of explainability and attitudinal priming interventions in mammography examination. Scientific Reports 2023. DOI: 10.1038/s41598-023-36435-3
Bernstein MH et al. Randomized Study of the Impact of AI on Perceived Legal Liability for Radiologists. NEJM AI 2024/2025. DOI: 10.1056/AIoa2400785
Bundesärztekammer. Stellungnahme „Künstliche Intelligenz in der Medizin." 2025. Verfügbar unter: bundesaerztekammer.de

Mehr Infos & Kurse auf meiner Lernplattform:
🌐 www.lernrad.com
📩 Für Anfragen: bettina.baessler@lernrad.com

⸻

#RadiologieKlartext #Radiologie #AutomationBias #KIinderMedizin #Medizin #Weiterbildung #Radiologe #KünstlicheIntelligenz #Diagnostik #Patientensicherheit #Gesundheitssystem #Radiology #Podcast