Tokgöz, PinarPinarTokgöz2026-08-122026-08-122026-04-04https://dspace.ub.uni-siegen.de/handle/ubsi/10735Hintergrund: Das Potenzial Künstlicher Intelligenz (KI) und darauf basierender Systeme für die gesundheitliche Versorgung ist in den letzten Jahren stetig gewachsen. KI-basierte Entscheidungsunterstützungssysteme (EUS) ermöglichen es, in großen Datenmengen schnell Zusammenhänge zu erkennen und fundierte Vorhersagen für die klinische Entscheidungsfindung zu treffen – auch im Kontext der Antibiotikatherapie. Jedoch nutzen Krankenhäuser in Deutschland KI-basierte EUS derzeit kaum, da u. a. ihre Implementierung komplex ist. Ziel und Methoden: Ziel ist die Erfassung von Implementierungsanforderungen KI-basierter EUS im Kontext der Antibiotikatherapie im Krankenhaus aus Perspektive beteiligter Versorgungsakteure sowie die Ableitung künftiger Forschungs- und Handlungsbedarfe. Vier Einzelstudien untersuchten dabei Determinanten der Implementierung mit quantitativen und qualitativen Forschungsmethoden. Alle Peer-Review-Veröffentlichungen rekurrieren auf das Human-Organization-Technology(HOT)-fit-Modell und explizieren systematisch Förderfaktoren und Barrieren, die den Implementierungsprozess KI-basierter EUS determinieren. Ergebnisse: Die Implementierung KI-basierter EUS umfasst organisationale, nutzer- und technologiebezogene Maßnahmen, wobei die Eigenschaften der Systeme selbst determinierende Faktoren sind. Insbesondere Bedienbarkeit, Interoperabilität, Empfehlungsqualität und Systemtransparenz stellen die Weichen einer erfolgreichen Implementierung. Auf organisationaler Ebene sind Echtzeit-Infrastrukturen, organisationale Veränderungsbereitschaft, Ressourcen sowie politische und regulative Rahmenbedingungen in Bezug auf Bildung, Verantwortung und Finanzierung zentrale Anforderungen. Eine geringe Veränderungsbereitschaft hängt häufig mit situativen Faktoren zusammen, wie einem fehlenden wahrgenommenen Bedarf oder der als zu hoch eingeschätzten Komplexität neuer Technologien. Auch sind auf der nutzerbezogenen Ebene Ängste, Überforderung, Haltung, Wissen und die Wahrnehmung des klinischen Nutzens entscheidend. Zudem erfordert die Abgrenzung zwischen Entscheidungsassistenz und -übernahme spezifische KI-Kompetenzen sowie die Berücksichtigung normativer und berufsethischer Fragen. Schlussfolgerungen: Die erfolgreiche Implementierung KI-basierter EUS entscheidet nicht die Nutzungsabsicht einzelner Personen. Implementierungsprozesse müssen die Organisationsstrukturen, kulturellen und beruflichen Normen sowie soziale und politische Rahmenbedingungen wie Richtlinien, Gesetze und Vorschriften berücksichtigen. Inter- und transdisziplinäre Ansätze sind dabei notwendig, um Problembereiche frühzeitig zu erkennen und praktische sowie ethische Herausforderungen zu antizipieren.Background: The potential of artificial intelligence (AI) and AI-based systems for healthcare has steadily increased in recent years. AI-based clinical decision support systems (CDSS) make it possible to rapidly identify patterns within large datasets and generate robust predictions to support clinical decision-making – including in the context of antibiotic therapy. However, hospitals in Germany currently make little use of AI-based CDSS, partly because their implementation is complex. Objective and methods: The aim is to examine the requirements for successful implementation of AI-based CDSS for antibiotic therapy in hospitals from the perspective of healthcare stakeholders, and to derive future research and action needs. Four studies examined determinants of implementation using both quantitative and qualitative research methods. All peer-reviewed publications draw on the structuring elements of the Human–Organization–Technology(HOT)-fit model and to systematically outline facilitators and barriers that determine the implementation process of AI-based CDSS. Results: The imple-mentation of AI-based CDSS involves organizational, user-related, and technology-related measures, with the characteristics of the systems themselves representing key determining factors. In particular, usability, interoperability, recommendation quality, and system transparency set the course for successful implementation. At the organizational level, real-time-capable infrastructures, readiness for change, resources, as well as political and regulatory frameworks concerning education, responsibility, and financing constitute central requirements. Insufficient readiness for change often results from situational factors, including a perceived lack of need or the complexity of new technologies being considered too high. This may also reflect underlying fears or feelings of being overwhelmed. In addition, the attitudes, knowledge, and perceived clinical benefit among potential users are crucial. At the same time, the boundary between decision support and decision-making requires AI-specific competencies and an ongoing discourse on normative and professional-ethical issues. Conclusion: Implementation processes must take into account organizational structures, cultural and professional norms, as well as social and political factors such as guidelines, laws, and regulations. Interdisciplinary and transdisciplinary approaches are necessary to identify problem areas at an early stage and to anticipate practical as well as ethical challenges.de610 Medizin, GesundheitKünstliche IntelligenzAntibiotikatherapieEntscheidungsunterstützungPublic HealthImplementierungArtificial IntelligenceAntibiotic therapyDecision supportPublic healthImplementationDoctoral ThesisDockweiler, Christophurn:nbn:de:hbz:467-107356