Wenn Algorithmen Geburtsentscheidungen mitbestimmen – Fortschritt mit Vertrauensfrage
KI kann Vorhersagen für eine natürliche Geburt nach einem vorangegangenen Kaiserschnitt liefern. Doch wie verlässlich sind sie und wie viel Vertrauen können werdende Mütter in sie setzen?
KI-gestützte Entscheidungsfindung nach Kaiserschnitt
In Deutschland erfolgt etwa jede dritte Geburt per Kaiserschnitt [1]. Viele Frauen werden danach erneut schwanger und stehen vor der Frage, ob die nächste Geburt natürlich oder erneut per Kaiserschnitt erfolgen soll. Häufig bestehen Unsicherheiten, vor allem im Hinblick auf mögliche Geburtsrisiken oder Komplikationen. Aus Vorsicht entscheiden sich viele für einen weiteren Kaiserschnitt, obwohl eine natürliche Geburt in vielen Fällen ebenfalls sicher wäre [2]. Künstliche Intelligenz kann werdende Mütter in diesen Situationen unterstützen [3]. Durch die Analyse großer Datenmengen lassen sich individuelle Risiken genauer einschätzen und Empfehlungen ableiten. So entsteht eine verlässliche Informationsgrundlage, auf der sich Patientinnen aktiv und selbstbestimmt in die Geburtsplanung einbringen können [4-6]. Auch Ärzte profitieren vom Einsatz KI-gestützter Modelle. In der Geburtshilfe, wo persönliche und klinische Faktoren zusammenwirken, kann KI helfen, komplexe Situationen strukturiert zu bewerten. Sie ergänzt die ärztliche Erfahrung durch datenbasierte Entscheidungsgrundlagen – ohne die ärztliche Verantwortung zu ersetzen [4,7]. Darüber hinaus kann der Einsatz von KI den Dialog zwischen Patientinnen und Ärzten stärken. Die Entscheidung über die Geburtsmethode erfolgt dabei im gemeinsamen Gespräch – auf Basis medizinischer Einschätzungen und unter Berücksichtigung der individuellen Vorstellungen und Wünsche der werdenden Mutter [5,6].
Webbasierte KI-Plattform unterstützt Patientinnen bei der Geburtswahl
In diesem Zusammenhang untersuchten Yang et al. (2024) ein KI-Tool, das die Wahrscheinlichkeit einer erfolgreichen natürlichen Geburt nach einem Kaiserschnitt berechnet. Grundlage waren medizinische Daten von 40 Schwangeren mit vorangegangenem Kaiserschnitt aus den Jahren 2019 bis 2023. Auf dieser Basis entwickelten die Forschenden ein Vorhersagemodell und bewerteten dessen Qualität im Vergleich zu anderen Modellansätzen [8].
Die Ergebnisse deuten darauf hin, dass KI-Modelle Risiken zuverlässig einschätzen und wichtige Einflussfaktoren einer natürlichen Geburt erkennen. Dazu zählen insbesondere die medizinische Vorgeschichte, geburtshilfliche Merkmale und der allgemeine Gesundheitszustand der Patientin. Der Einsatz von KI erwies sich in dieser Untersuchung als hilfreiche Ergänzung in der Entscheidungsfindung.
Vertrauen als Voraussetzung für den erfolgreichen Einsatz von KI
Neben der technischen Genauigkeit ist entscheidend, unter welchen Bedingungen KI in der Geburtshilfe von Patientinnen und Ärzten akzeptiert wird. Akzeptanz entsteht nicht allein durch fehlerfreie Technik, sondern vor allem durch Vertrauen. Dieses Vertrauen wächst, wenn Systeme nachvollziehbar arbeiten, verständlich erklärt werden und sich in der Praxis als verlässlich erweisen [9]. Bestimmte Eigenschaften von KI-Anwendungen können das Vertrauen in ihrer praktischen Nutzung fördern. Dazu gehören eine verständliche Darstellung, transparente Abläufe, einfache Bedienbarkeit und begleitende Schulungen für das medizinische Fachpersonal. Diese Faktoren erleichtern die Integration in den klinischen Alltag und unterstützen die Zusammenarbeit zwischen Mensch und Technik – insbesondere in komplexen Entscheidungssituationen [10].
Gleichzeitig ist für die Akzeptanz digitaler Entscheidungshilfen entscheidend, dass sie die individuellen Bedürfnisse der Patientinnen einbeziehen. Personalisierte Risikobewertungen, die Möglichkeit zur Einbindung persönlicher Präferenzen sowie deren gemeinsame Reflexion mit dem Behandlungsteam stärken das Vertrauen. Wird medizinisches Fachpersonal aktiv in die Entwicklung eingebunden, erhöht das zusätzlich die Glaubwürdigkeit [9]. Sind diese Eigenschaften gegeben, kann KI dazu beitragen, Patientinnen besser zu informieren, ihr Vertrauen in die Geburtsplanung zu stärken und unnötige Kaiserschnitte zu vermeiden.
Quellen
[1] Schäfers R, Mattern E, Striebich S et al. Würfel, Hocker, Matten: Alternative Möbel im Kreißsaal. Hebammen Wissen, 2024. 5: 48-51. Doi: 10.1007/s43877-023-0857-3.
[2] Akgün M, Boz I. Women’s decision-making processes and experiences of vaginal birth after caesarean birth: A phenomenological study. International Journal of Nursing Practice. 2019.
[3] Deng B, Li Y, Chen JY, et al. Prediction models of vaginal birth after cesarean delivery: A systematic review. International Journal of Nursing Studies. 135:104359. Doi: 10.1016/j.ijnurstu.2022.104359.
[4] Giordano C, Brennan M, Mohamed B, et al. Accessing Artificial Intelligence for Clinical Decision-Making. Frontiers Digital Health. 2021. 3. Doi: 10.3389/fdgth.2021.645232.
[5] Shorey S, Chan v, Lalor JG. Perceptions of women and partners on labor and birth positions: A meta-synthesis. Birth. 2021. Doi: 10.1111/birt.12574.
[6] Shareed N, Scholten N, Nieuwenhuijze M. The role of birth plans for shared decision-making around birth choices of pregnant women in maternity care: A scoping review. Women and Birth. 2023. 36(4): 327-333. Doi: 10.1016/j.wombi.2022.11.008.
[7] Shadap, A. Evidence based practice in midwifery care. International Journal of Obstetrics and Gynaecological Nursing.2022. 4. Doi: 10.33545/26642298.2022.v4.i1a.75.
[8] Yang CC, Wang CF, Lin WM et al. Evaluating the performance of an AI-powered VBAC prediction system within a decision-aid birth choice platform for shared decision-making. Digital Health. 2024. 10:1-10. Doi: 10.1177/20552076241257014.
[9] Shorten A, Fagerlin A, Illuzzi J, et al. Developing an Internet-Based Decision Aid for Women Choosing Between Vaginal Birth After Cesarean and Planned Repeat Cesarean. Journal of Midwifery & Womens Health. 2015. Doi: 10.1111/jmwh.12298.
[10] Tucci V, Saary J, Doyle T. Factors influencing trust in medical artificial intelligence for healthcare professionals: a narrative review. Journal of Medical Artificial Intelligence. 2022. 5. Doi: 10.21037/jmai-21-25.
