ZAHNMEDIZIN | 25 handlung uneingeschränkt beim Menschen. Daraus folgt, dass der kompetente Umgang mit KI nicht als optionales Zusatzwissen betrachtet werden kann, sondern als integraler Bestandteil zahnärztlicher Professionalität. Ziel muss der kompetente Umgang mit der KI sein Diese Kompetenz ist weniger technischer Natur als gemeinhin angenommen wird. Es geht nicht darum, Algorithmen zu programmieren oder komplexe mathematische Modelle zu verstehen. Entscheidend ist vielmehr ein grundlegendes Verständnis dafür, wie KI-Systeme entstehen, auf welchen Daten sie basieren und welche systematischen Verzerrungen oder Fehlannahmen sie enthalten können. Ebenso wichtig ist die Fähigkeit, Unsicherheiten in KI-Ausgaben zu erkennen und diese transparent in die Kommunikation mit den Patientinnen und Patienten einzubeziehen. Ohne diese Fähigkeiten besteht die Gefahr, dass KI als scheinbar objektive Autorität wahrgenommen wird, deren Ergebnisse unkritisch übernommen werden. Ausbildung und Weiterbildung tragen daher eine zentrale Verantwortung, KI-Kompetenz nicht nur technisch, sondern auch ethisch und kommunikativ zu vermitteln. In diesem Sinne wird der reflektierte Umgang mit KI zu einer modernen Form ärztlicher Verantwortung. Hierfür wurde bereits ein international abgestimmtes, evidenzinformiertes und konsensbasiertes Rahmenwerk für digitale Gesundheitskompetenzen in der medizinischen Lehre entwickelt, das Kompetenzen in vier Domänen (Professionelles Handeln im digitalen Gesundheitswesen, Digitale Gesundheit auf Patienten- und Bevölkerungsebene, Gesundheitsinformationssysteme und Gesundheitsdatenwissenschaft), zusammenfasst [Car et al., 2025]. Besonders deutlich wird der Anpassungsbedarf im Bereich der Fort- und Weiterbildung. KI-Systeme unterliegen einem schnellen Wandel. Neue Versionen, veränderte Trainingsdaten und erweiterte Einsatzbereiche führen dazu, dass einmal erworbenes Wissen rasch veralten kann. Damit unterscheidet sich KI grundlegend von vielen klassischen zahnmedizinischen Verfahren. Für die Profession bedeutet dies, dass KI-Kompetenz nicht punktuell, sondern kontinuierlich aufgebaut und aktualisiert werden muss. Gleichzeitig zeigt sich innerhalb der Zahnärzteschaft ein zunehmendes Kompetenzgefälle. Während jüngere Kolleginnen und Kollegen KI-gestützte Systeme häufig selbstverständlich nutzen, besteht bei älteren oft eine Mischung aus Zurückhaltung, Unsicherheit und fehlender strukturierter Schulung. Hier liegt eine wichtige Aufgabe für Fortbildungsanbieter. Qualitativ hochwertige, praxisnahe Fortbildungsangebote könnten nicht nur Wissen vermitteln, sondern auch Orientierung bieten: Welche Systeme sind evidenzbasiert? Wo liegen deren Grenzen? Und wie lassen sie sich sinnvoll in bestehende Behandlungsprozesse integrieren? Auf diese Weise ließe sich verhindern, dass KI-Kompetenz zu einem zufälligen individuellen Zusatzwissen wird – und stattdessen zu einem gemeinsamen professionellen Standard heranwächst. Der EU AI Act fordert bereits heute ein ausreichendes Maß an KI-Kompetenz bei Anwendern von KI-Systemen, lässt jedoch offen, wie diese Kompetenz praktisch nachgewiesen oder aktualisiert werden soll. Für medizinische Professionen könnte sich daraus mittelfristig eine Entwicklung ergeben, die bekannten Modellen wie dem Strahlenschutz ähnelt: ein strukturierter, regelmäßig zu erneuernder Kompetenznachweis für den verantwortungsvollen Einsatz KI-gestützter Systeme. zm116 Nr. 05, 01.03.2026, (307) EMPFEHLUNGEN ZU EINEM „CORE CURRICULUM“ ZU KI IN DER ZAHNMEDIZIN Domäne Inhaltlicher Schwerpunkt Zentrale Lerninhalte (zusammengefasst) Lernzielniveau 1. Grundlagen von KI Was KI ist und wie sie funktioniert Grundbegriffe (KI, ML, Deep Learning, SaMD), Funktionsprinzipien von KI, maschinelles Lernen (überwacht, un-/ semi-/self-supervised), Trainings-, Validierungs- und Testprozesse, Rolle von Referenzstandards, Unterschiede zwischen statischer und dynamischer KI, Black-Box-Problematik Wissen 2. KI-Anwendungen in der Zahnmedizin Wo und wie KI eingesetzt wird Relevante zahnmedizinische Use Cases (z. B. Bildanalyse, Diagnostik, Entscheidungsunterstützung), Zuordnung geeigneter KI-Typen zu Anwendungsfällen (z. B. Klassifikation, Detektion, Segmentierung), typische Softwarearchitektur (Frontend/Backend, Cloud-basierte Inferenz) Wissen 3. Evaluation von KI-Systemen Wie KI bewertet und interpretiert wird Leistungsmetriken (z. B. Sensitivität, Spezifität, AUC), Interpretation auf verschiedenen Ebenen (Patient, Zahn, Oberfläche, Pixel), Limitationen klassischer Metriken, Unterschied zwischen Vorhersage und Kausalität, klinische und gesellschaftliche Outcome-Maße Wissen/ Fähigkeiten 4. Übergreifende Aspekte und Governance Was zusätzlich berücksichtigt werden muss Generalisierbarkeit und Repräsentativität von Trainingsdaten, Bias und Fairness, Explainability als Voraussetzung klinischer Nutzung, Autonomie und Verantwortung des Menschen, Prinzipien der Governance und regulatorische Rahmen (z. B. MDR, FDA, risikobasierte Regulierung) Wissen Tab. 1 Quelle: [Schwendicke et al., 2023]
RkJQdWJsaXNoZXIy MjMxMzg=