Gamification im Endoskopie-Training mit KI-basierter Bild- und Spracherkennung

Einleitung: Endoskopisches Training als vorbereitende Maßnahme vor dem ersten Patientenkontakt hat sich sowohl in Studien als auch im klinischen Alltag als hilfreich erwiesen. Obwohl verschiedene auf Silikon basierte Trainingsmodelle verfügbar sind, fehlt es ihnen oft an interaktiven Elementen zur Motivationssteigerung, was in Folge den Erwerb von Fähigkeiten einschränkt. Gamifizierung, die Anwendung spielerischer Elemente im nicht-spielerischen Kontext, hat sich als vielversprechend erwiesen, um das Lernen und die Motivation in der medizinischen Ausbildung zu fördern.

Ziele: Das Ziel dieser Studie ist, das Erlebnis beim endoskopischen Training durch die Gamifizierung eines handelsüblichen Silikon-Modells zu steigern.

Methodik: Es wurde ein Silikonmodell des oberen Gastrointestinaltrakts (SimStar Gastro Advanced, Dr. Henke GmbH, Deutschland) mit vier pathologischen Befunden verwendet: Barrett-Ösophagus, Magenpolyp, Fundusvarizen und Magenulkus. Ein KI-basiertes System, das Echtzeit-Bilderkennung mittels eines ResNet18-Deep-Learning-Modells zur Erkennung von Pathologien im Videostream, sowie Spracherkennung mit Whisper AI (OpenAI, San Francisco, USA) wurden zur automatischen Protokollierung der Befunde integriert. Den Teilnehmenden wurde die Aufgabe gestellt, eine vollständige diagnostische Untersuchung so schnell und präzise wie möglich durchzuführen und dabei jede Pathologie mündlich zu nennen. Das KI-basierte System gab dabei in Echtzeit Rückmeldung hinsichtlich der mündlich gestellten Diagnose. Die Teilnehmenden kannten das Modell oder die interaktiven Elemente nicht. Nach Abschluss der Aufgabe füllten die Teilnehmenden den System Usability Scale (SUS) aus.

Ergebnis: Fünf von sechs Endoskopierenden identifizierten und nannten alle vier Pathologien erfolgreich. Die Untersuchungszeit betrug im Median 64.4 Sekunden. Das KI-basierte Bilderkennungssystem erreichte eine Präzision von 74.4%, während das Spracherkennungssystem eine Transkriptionsgenauigkeit von 90% aufweist. Mit einem SUS-Wert von 74.5 wurde die Benutzerfreundlichkeit durch die Teilnehmenden, die den Test erfolgreich abgeschlossen haben, positiv bewertet, was auf eine gute Akzeptanz und einfache Handhabung hinweist.

Schlussfolgerung: Die in dieser Pilotstudie erprobte Integration von KI-basierter Sprach- und Bilderkennung in Echtzeit zur Gamifizierung eines endoskopischen Simulationsmodells stellt eine vielversprechende Methode für die Weiterbildung dar.

Informationen zum Einsatz von KI: Verwendung eines großen Sprachmodells zur Grammatikprüfung.

Publication History

Article published online:
04 September 2025