Ergebnisse einer Befragung unter 155 Hausärztinnen und Hausärzten des mediX Schweiz Netzwerks zu Einstellungen, Wissen, ethischen Bedenken und Managed-Care-Potenzial von KI in der Primärversorgung.
Erhebungszeitraum: 2024 – rund zwei Jahre nach dem Launch von ChatGPT (November 2022). Die rasante KI-Entwicklung seit diesem Zeitpunkt bildet den Kontext für die Einstellungen und das Wissen der befragten Ärztinnen und Ärzte.
Die Rücklaufquote von 25% liegt im erwarteten Bereich für Online-Befragungen unter Ärztinnen und Ärzten. Internationale Vergleichsstudien berichten typischerweise Rücklaufquoten zwischen 10% und 35% bei ähnlichen Erhebungen in der Primärversorgung.
Vergleich: Ähnliche Studien
Die zentrale Erkenntnis: Während 69% der Hausärzte KI positiv gegenüberstehen, verfügen nur 15% über adäquates Wissen. Diese Diskrepanz von 54 Prozentpunkten (Cohen's h = 1.18) ist der grösste Effekt der gesamten Erhebung und deutet auf einen erheblichen Bildungsbedarf hin.
Verteilung auf 5-Punkt-Likert-Skala. Die Schere zwischen Einstellung (rot) und Wissen (blau) ist markant.
Effektstärke: Cohen's h = 1.18 (sehr gross). Die Diskrepanz persistiert über alle Subgruppen.
Mittelwerte mit Standardabweichung (Fehlerbalken). Mann-Whitney U, p < 0.001.
Cohen's d = 0.82 (grosser Effekt). LLM-Nutzer zeigen signifikant höheres KI-Wissen.
Mehrfachantworten möglich. Administrative Anwendungen dominieren deutlich.
Die Präferenz für administrative Anwendungen (80%) gegenüber diagnostischen (49%) deutet auf einen pragmatischen Zugang hin.
Robustheit der Wissens-Einstellungs-Diskrepanz unter verschiedenen Non-Response-Szenarien
Selbst im konservativsten Szenario (Non-Responder mit 50% positiverer Einstellung und 100% mehr Wissen) bleibt eine substanzielle Diskrepanz bestehen.
Die ethischen Bedenken der Ärzteschaft konzentrieren sich auf zwei Kernthemen: Verantwortung für Fehler (66.7%) und mangelnde Transparenz (58.8%). Die Konvergenz mit technischen Bedenken (φ = 0.23) zeigt, dass Vertrauen in KI-Zuverlässigkeit eine Voraussetzung für ethische Akzeptanz ist.
Mehrfachantworten mit 95%-Wilson-Score-Konfidenzintervallen
Vergleich zweier Erhebungsperspektiven – bemerkenswerte Konvergenz bei Accountability
Mehrfachantworten mit 95%-Wilson-Score-Konfidenzintervallen
Die Korrelation (φ = 0.23, p < 0.01) zwischen Accountability-Bedenken und Transparenzforderungen deutet darauf hin, dass Ärzte KI-Verantwortung und technische Nachvollziehbarkeit als untrennbar verbunden betrachten.
50.7% der Befragten sehen hohes bis sehr hohes Potenzial für KI bei der Erreichung von Managed-Care-Zielen (M=3.47, SD=0.94). Treatment-Pathway-Support (58%) und Qualitätsmessung (49.3%) werden als prioritäre Anwendungsbereiche identifiziert.
Mehrfachantworten mit 50%-Referenzlinie
Infrastrukturelle Bedenken dominieren
Akzeptanz unter Netzwerkmitgliedern (30.0%) wird als geringste Barriere eingestuft – die Herausforderungen sind primär infrastruktureller, nicht motivationaler Natur.
Cohen's d = 0.40 (kleiner bis mittlerer Effekt)
Donut-Diagramm der 5-Punkt-Likert-Verteilung
Die Wissens-Einstellungs-Diskrepanz (Cohen's h = 1.18) ist der dominante Befund. Schweizer Hausärzte stehen KI grundsätzlich positiv gegenüber, verfügen aber über unzureichendes Wissen für eine informierte Implementierung. Dies birgt das Risiko sowohl unkritischer Übernahme als auch unbegründeter Ablehnung.
Die Ärzteschaft fordert klare Verantwortungsrahmen, bevor KI breiter eingesetzt wird. Die Konvergenz von ethischen und technischen Bedenken (φ = 0.23) zeigt, dass Vertrauen in KI-Zuverlässigkeit eine Voraussetzung für ethische Akzeptanz ist. Regulatorische Klarheit ist dringend notwendig.
Die starke Korrelation zwischen allgemeiner KI-Einstellung und MC-spezifischem Potenzial (r = 0.54) legt nahe, dass Investitionen in allgemeine KI-Bildung auch die Akzeptanz netzwerkspezifischer Anwendungen fördern. Infrastrukturelle Hürden – nicht mangelnde Motivation – sind die Hauptbarrieren.
Praxisnahe Curricula für die hausärztliche Weiterbildung entwickeln, die sowohl technisches Grundwissen als auch ethische Reflexion umfassen. Der hohe Weiterbildungswunsch (81.9%) bietet eine günstige Ausgangslage.
Die Forderung nach rechtlichen Rahmenbedingungen (74%) und Haftungsklärung (66.7%) erfordert eine proaktive Zusammenarbeit zwischen Ärzteschaft, Regulierungsbehörden und Technologieanbietern.
Die grösste Implementierungsbarriere (71.3%) ist technischer Natur. Investitionen in interoperable Systeme sind eine Voraussetzung für erfolgreiche KI-Integration in Ärztenetzwerken.
Administrative KI-Anwendungen (80% Zustimmung) als Einstiegspunkt nutzen. Begleitforschung zur Wirksamkeit und Akzeptanz im Praxisalltag ist essenziell.
Im Sinne wissenschaftlicher Transparenz werden die methodischen Einschränkungen dieser Erhebung nachfolgend offen dargelegt. Die Kenntnis dieser Limitationen ist für eine angemessene Interpretation der Ergebnisse unerlässlich.
Convenience Sampling mit einer Rücklaufquote von 24.2–25.0% begünstigt wahrscheinlich KI-interessierte Ärztinnen und Ärzte. Die Sensitivitätsanalyse zeigt jedoch, dass die Wissens-Einstellungs-Diskrepanz – der zentrale Befund – über alle modellierten Szenarien hinweg robust bleibt (Spanne: 2.5–54.2 Prozentpunkte).
Die Daten stammen ausschliesslich aus dem mediX Schweiz Netzwerk. Eine Generalisierung auf die gesamte Schweizer Hausärzteschaft oder auf Ärztinnen und Ärzte ausserhalb von Managed-Care-Strukturen ist nicht ohne Weiteres zulässig. Replikationsstudien in anderen Netzwerken und Versorgungskontexten wären wünschenswert.
Als explorative Querschnittsbefragung erlaubt das Design keine kausalen Schlüsse. Die beobachteten Zusammenhänge (z.B. LLM-Nutzung und höheres Wissen) könnten in beide Richtungen wirken. Longitudinale Studien wären erforderlich, um Veränderungen über die Zeit abzubilden.
KI-Wissen wurde per Selbsteinschätzung erhoben, nicht durch objektive Wissenstests. Die Dunning-Kruger-Literatur legt nahe, dass Personen mit geringem Wissen ihre Kompetenz tendenziell überschätzen – die tatsächliche Wissenslücke könnte somit noch grösser sein als hier berichtet.
Trotz Anonymisierung kann bei Fragen zu ethischen Bedenken und KI-Einstellungen ein Bias in Richtung sozial erwünschter Antworten nicht ausgeschlossen werden. Dies könnte insbesondere die Zustimmung zu ethischen Governance-Forderungen nach oben verzerren.
88.4% der Teilnehmenden stammen aus der Deutschschweiz, 10.3% aus dem Tessin und lediglich 1.3% aus der Romandie. Die Ergebnisse bilden daher primär die Perspektive deutschsprachiger Hausärztinnen und Hausärzte ab.
Der Fragebogen wurde nicht extern validiert. Obwohl er auf bestehender Literatur basiert und durch fachlichen Austausch (Prof. Senn) optimiert wurde, fehlt eine formale psychometrische Validierung der Erhebungsinstrumente.
Die Befragung ist explizit als hypothesengenerierend positioniert, ohne vorregistriertes Studienprotokoll. Die Ergebnisse sollten als Ausgangspunkt für konfirmatorische Forschung betrachtet werden, nicht als definitive Evidenz.
Dieses Forschungsprojekt wurde vollständig unabhängig und ohne finanzielle Unterstützung durch öffentliche, kommerzielle oder gemeinnützige Organisationen durchgeführt. Es bestanden keinerlei Drittmittel oder Auftragsbeziehungen.
Der Autor erklärt, dass keine Interessenkonflikte im Zusammenhang mit dieser Forschungsarbeit bestehen. Es bestehen keine finanziellen, persönlichen oder beruflichen Beziehungen, die die Objektivität der Ergebnisse beeinflussen könnten.
Die erhobenen Datensätze sind aus Datenschutzgründen und aufgrund von Vertraulichkeitsvereinbarungen mit den teilnehmenden Ärztinnen und Ärzten sowie der mediX-Organisation nicht öffentlich zugänglich. Sie können jedoch auf begründete Anfrage beim korrespondierenden Autor unter Einhaltung der ethischen Vorgaben eingesehen werden.
Gemäss dem Schweizerischen Humanforschungsgesetz (HFG Art. 2) war für diese anonymisierte Befragung ohne Erhebung von Gesundheitsdaten keine Ethikkommissionsgenehmigung erforderlich. Die Teilnahme war freiwillig und anonym.
Die explorativen Querschnittsbefragungen wurden 2024 innerhalb des mediX Schweiz Netzwerks durchgeführt und folgen den STROBE- und CHERRIES-Richtlinien.
Explorative Querschnittsbefragung mittels Online-Fragebogen (SurveyMonkey). Einladung per E-Mail an alle registrierten Ärztinnen und Ärzte des mediX Schweiz Netzwerks (N≈620).
Deskriptive Statistik, Mann-Whitney-U-Tests, Spearman-Korrelationen, Chi-Quadrat-Tests, Wilson-Score-Konfidenzintervalle. Effektstärken: Cohen's h, Cohen's d, Cramér's V, Phi-Koeffizient.
Die vollständige Methodik und alle Ergebnisse sind im Preprint auf medRxiv verfügbar:
Volltext auf medRxiv lesen81.9% (127/155) – Spearman ρ = −0.02, p = 0.78
Diese Studie wäre ohne die grosszügige Unterstützung zahlreicher Personen und Institutionen nicht möglich gewesen. Der Autor möchte seinen aufrichtigen Dank aussprechen:
Für die Ermöglichung der Umfrage innerhalb des mediX Schweiz Netzwerks und die wertvolle Unterstützung bei der Durchführung der Befragung. Ohne ihren Einsatz und ihre Vermittlung wäre der Zugang zu dieser Studienpopulation nicht realisierbar gewesen.
Für den initialen fachlichen Austausch zum Fragenkatalog und die methodischen Anregungen, die massgeblich zur Qualität des Erhebungsinstruments beigetragen haben.
Für die Ermöglichung der Umfrage im Netzwerk und die organisatorische Unterstützung, die eine reibungslose Durchführung der Befragung gewährleistete.
Ein besonderer Dank gilt allen aktiv teilnehmenden Hausärztinnen und Hausärzten des mediX-Netzwerks. Im Bewusstsein darum, dass diese Kolleginnen und Kollegen im hausärztlichen Alltag ausgesprochen gefordert sind und über wenig freie Zeit verfügen, ist ihre Bereitschaft zur Teilnahme an dieser Befragung umso höher zu schätzen. Ihre Perspektiven und Erfahrungen bilden das Fundament dieser Arbeit und tragen wesentlich dazu bei, die Diskussion über den verantwortungsvollen Einsatz von KI in der Primärversorgung evidenzbasiert zu führen.
Dr. med. Marco Vecellio ist Facharzt für Allgemeine Innere Medizin und Psychosomatik. Seit über 15 Jahren ist er in einer Zürcher Praxisgemeinschaft tätig und beobachtet die Auswirkungen der digitalen Transformation auf die Primärversorgung aus nächster Nähe.
Die vorliegenden Daten wurden im Rahmen des mediX Schweiz Netzwerks erhoben. ORCID: 0009-0000-1772-5620.