KI verändert die Ausbildung von Sanitätern und Rettungssanitätern für lebensbedrohliche Einsätze

Anbieter von Notfallrettungsdiensten arbeiten in einigen der unberechenbarsten und folgenreichsten Umgebungen des Gesundheitswesens, was eine umfassende und realitätsnahe Ausbildung unerlässlich macht. Herkömmliche Simulationsmethoden – Trainingsmannnequins, vorgefertigte Szenarien – vermögen die volle Komplexität der präklinischen Versorgung nur unzureichend abzubilden. Dieses Scoping-Review beurteilte systematisch, wie künstliche Intelligenz in die Ausbildung von Rettungsdiensten integriert wird und welche Möglichkeiten sich für die Zukunft ergeben.

Das Forschungsteam führte eine bibliothekarisch unterstützte Suche in PubMed, Embase und Web of Science durch und beschränkte die Ergebnisse auf englischsprachige, rettungsdienstspezifische Artikel, die zwischen Januar 2010 und März 2025 veröffentlicht wurden. Studien wurden eingeschlossen, wenn sie direkt Rettungsdienstpersonal einbezogen, präklinische Umgebungen nachgebildet oder KI-gestützte Interventionen in Rettungsdienstkontexten validiert hatten. Elf Schlüsselstudien wurden thematisch in vier Bereiche synthetisiert: Simulationsverbesserung, Verfahrens- und Beurteilungsschulung, personalisiertes Lernen sowie Katastrophenschutz.

Im Bereich Simulation erzielten KI-gestützte AR- und Mixed-Reality-Tools bemerkenswerte Fortschritte hinsichtlich Realitätsnähe und Lernendenbeteiligung. Ein Machine-Learning-Modell namens Robust Vision Model half Ersthelfern, Verletzte in Rettungsszenarien mit schlechter Sicht mithilfe von Wärmebildkameras zu erkennen. Daneben ermöglichten KI-integrierte virtuelle Patienten auf Basis von ChatGPT ein unvorbereitetes, adaptives Kommunikationstraining für medizinische Ersthelfer, wobei Rechenverzögerungen und gelegentlich erfundene Antworten als Hürden vermerkt wurden. Das SaNuRN-Programm nutzte NLP, damit Auszubildende innerhalb virtueller klinischer Simulatoren sowohl die Perspektive des Versorgers als auch die des Patienten einnehmen konnten.

Beim Verfahrenstraining zeigten KI-Modelle starke diagnostische Leistung. Ein Deep-Learning-Modell (ResNet50-V2) klassifizierte Ultraschallbilder für FAST-Untersuchungen mit einer Genauigkeit von 96 % und könnte weniger erfahrenen Rettungsdienstmitarbeitern ermöglichen, POCUS im Einsatz durchzuführen. Ein KI-System, das Videoaufnahmen von endotrachealen Intubationsversuchen analysiert, erkannte Glottisöffnungen mit bis zu 80 % Genauigkeit mithilfe von KNN- und SVM-Modellen und bietet unerfahrenen Versorgern Echtzeit-Feedback. Ein duales Deep-Learning-Modell (ResNeXt-101 und Vision Transformer) klassifizierte Wundtypen anhand von Bildern mit einer Genauigkeit von 92,78 % und ermöglichte so eine Voranmeldungskoordination mit aufnehmenden Krankenhäusern.

Personalisiertes Lernen erwies sich als weiterer vielversprechender Bereich. Das LEARNER-System nutzt tragbare physiologische und verhaltensbezogene Sensoren, um Schulungsinhalte dynamisch an das individuelle Stressniveau und die Wissenslücken jedes Einzelnen anzupassen. LLMs wie ChatGPT werden daraufhin evaluiert, Fallvignetten und Lernmaterialien zu generieren, die auf einzelne Lernende zugeschnitten sind, obwohl Halluzinationen – also selbstsichere, aber ungenaue Ausgaben – ein wesentliches Problem darstellen. Im Bereich Katastrophenmedizin ermöglichen föderierte Machine-Learning-Modelle eine dezentralisierte Echtzeit-Schulung, die rettungsdienstübergreifend eingesetzt werden kann, ohne sensible Daten zentral zu erfassen.

Das Review erkennt wichtige Einschränkungen an: Die meisten eingeschlossenen Studien sind kleinskalig oder Machbarkeitsnachweise, eine formale statistische Synthese war aufgrund der Studienheterogenität nicht möglich, und ethische Fragen rund um KI-Genauigkeit, Verzerrungen und Datenschutz in Ausbildungskontexten bleiben ungeklärt. Dennoch vertreten die Autoren die Auffassung, dass eine kontinuierliche Forschungsinvestition und ethische Leitplanken die KI-Integration erheblich verbessern könnten – hinsichtlich der Einsatzbereitschaft von Rettungsdienstmitarbeitern, der klinischen Urteilsfähigkeit und letztlich der Patientenergebnisse.