TrialsgramBetaRCTs are beautiful
Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

Bolton AI antimicrobial prescribing

The Impact of Artificial Intelligence-Driven Decision Support on Uncertain Antimicrobial Prescribing: A Randomised, Multimethod Study

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 42 antibiotikaverordnenden Klinikern bei der Beurteilung von Fallvignetten, unterschied sich eine KI-Entscheidungsunterstützung mit Erklärungen zur Umstellung von i.v. auf oral nicht von Standardinformationen allein bei den meisten Umstellungsentscheidungen und Bearbeitungszeiten.

N
42Patienten
Design
Randomisierte Multimethoden-Vignettenstudie, Kliniker randomisiert, UK
Endpunkt
Differenz der klinischen Entscheidungen zur Umstellung von intravenös auf oral mit vs. ohne KI-CDSS, pro Vignette und insgesamt; Usability (SUS) und Akzeptanz (TAM)
Relevanz
2Wichtig — eine von mehreren Säulen.
ErgebnisDie meisten Entscheidungen und Bearbeitungszeiten äquivalent; wo ein Unterschied auftrat, lenkte das CDSS die Kliniker in Richtung Nicht-Umstellung (OR 0,13; 95 %-KI 0,03–0,50; p=0,0031). Erklärungen nur in 9 % der Fälle genutzt; SUS 72,3/100.
Bolton WJ, et al. Lancet Digit Health. 2025;7(11):100912. 10.1016/j.landig.2025.100912
Diskussion & Kritik

Ein seltener randomisierter Blick darauf, wie ein KI-CDSS das Verordnungsverhalten tatsächlich prägt: Kliniker konnten falsche Ratschläge erkennen und ignorieren, ließen sich vor allem in Richtung Fortführung der intravenösen Therapie beeinflussen und zogen die Erklärungen fast nie heran — ein ernüchternder Befund für das Design erklärbarer KI. Vignetten statt Patienten, 42 selbstselektierte, über persönliche Netzwerke rekrutierte Kliniker und keine Sicherheits- oder Outcome-Daten.