⚠️ Kein offizielles Philips-Schulungsmaterial — dieses Modul ist ein Beispiel-/Pilotmodul für eine Produktschulung, erstellt zu Demonstrationszwecken.
MR
Basiswissen MRTLearning Academy ICARUS · Pilotmodul-Prototyp
0 / 6 Themen

Basiswissen Magnetresonanztomographie

Ein Einstiegsmodul für medizinische Fachpersonen ohne Vorkenntnisse in der MR-Schnittbildgebung. Sie lernen Sicherheitsgrundlagen, den typischen Software-Workflow, die drei Bildebenen sowie Grundkontraste, Fettsättigung und Kontrastmittel kennen.

Lernziele:

  • Zentrale Gefahrenquellen in der MRT benennen können
  • Den groben Ablauf einer MR-Untersuchung an der Software nachvollziehen
  • Transversale, sagittale und coronale Ebene unterscheiden
  • Erklären, wofür T1-, T2- und PD-Wichtung, Fettsättigung und Kontrastmittel jeweils dienen

Themenübersicht

Wählen Sie ein Thema. Am Ende aller Themen schaltet sich die Abschlussprüfung frei.

THEMA 1 / 6

Sicherheit in der MRT

Das starke, permanente Magnetfeld ist die zentrale Besonderheit der MRT. Klicken Sie jede Gefahrenquelle an, um zu erfahren, worauf zu achten ist.

Bilanzfrage: Warum wird jeder Patient vor der Untersuchung nach Implantaten gefragt?
THEMA 2 / 6

Grundlagen der MR-Software

Ein typischer Untersuchungsablauf an der MR-Konsole folgt immer denselben Schritten. Klicken Sie sich chronologisch durch.

Bilanzfrage: In welcher Phase wird das passende Untersuchungsprotokoll (z.B. „Knie nativ“) ausgewählt?
THEMA 3 / 6

Anatomische Bildebenen

MR-Bilder werden in drei Standardebenen aufgenommen. Wählen Sie eine Ebene, um die Schnittrichtung am Körperschema zu sehen.

Bilanzfrage: Eine Ebene, die den Körper von oben nach unten in vordere und hintere Hälften teilt, heißt …
THEMA 4 / 6

T1-, T2- und PD-Wichtung

Jede Wichtung betont andere Gewebeeigenschaften. Vergleichen Sie die drei Grundkontraste.

Bilanzfrage: Welche Wichtung zeigt Flüssigkeit typischerweise signalreich (hell)?
THEMA 5 / 6

Fettsättigung

Szenario: Bei einer Schulter-MRT mit Kontrastmittel soll beurteilt werden, ob sich Gadolinium in einer entzündeten Struktur anreichert. Das umgebende Fettgewebe ist auf T1-Bildern jedoch ebenfalls hell und könnte die Anreicherung überdecken.

Fettsättigung unterdrückt gezielt das Fettsignal, damit sich signalreiche Strukturen wie Kontrastmittelanreicherung, Ödeme oder Entzündungen klar davon abheben. Gängige Techniken sind SPIR, SPAIR, STIR und mDixon.

THEMA 6 / 6

Kontrastmittel

Szenario: Ein Patient soll auf einen Tumorverdacht im Gehirn untersucht werden. Der Radiologe möchte wissen, ob die Läsion gut durchblutet ist und wie scharf sie sich vom umliegenden Gewebe abgrenzt.

Gadoliniumhaltiges Kontrastmittel verkürzt die T1-Zeit angereicherten Gewebes und macht es signalreich. So werden Durchblutung, Gefäßversorgung und die Abgrenzung von Läsionen sichtbar, die nativ oft nicht eindeutig zu erkennen sind.

PRAXISSIMULATION

Fall: Knie-MRT bei V.a. Meniskusriss

AI AGENT SYSTEM — PROTOTYP

Drei-Schichten-Architektur

Dieses Modul dient als erster Pilot der geplanten Forschungsinfrastruktur — ein begrenzter, kontrollierbarer „Walled Garden“ mit eigenen Kursmaterialien, bevor auf universitätsweite Wissenssysteme zugegriffen wird.

🗂️Systems of Record

Lernaufgaben, Bewertungen und Kompetenznachweise — die echten Fortschrittsdaten dieser Sitzung.

🧭Systems of Discovery

Freigegebene Lernmaterialien, erkannte Kompetenzlücken und der empfohlene Lernpfad.

💬Systems of Assistance — AI Learning Coach

Unterstützt im Moment eines echten Problems — beschränkt auf freigegebene Inhalte dieses Moduls.

🔒 Walled Garden: Nur die 6 Themen und die Fallsimulation dieses Moduls sind zugängliche Quellen. Kein Zugriff auf weitere Universitätssysteme. Fragen außerhalb dieses Rahmens werden abgelehnt und können an eine Lehrperson eskaliert werden (Human-in-the-Loop).

Abschlussprüfung

Frage 1 / 6
0/6

Ergebnis

PILOTMODUL 2 — INSTITUTIONELLE EBENE

Institutionelles Capability Dashboard

Während der AI Coach auf der Ebene einzelner Lernender arbeitet, zeigt dieses Pilotmodul, wie dieselben Trainingsdaten aggregiert und institutionell ausgewertet werden können — z.B. für eine Fakultät, die Schulungen wie „Basiswissen MRT“ mehreren Fachbereichen anbietet.

Drei-Ebenen-Bewertungsmodell

Dashboard-EbeneGemessene IndikatorenInstitutioneller Nutzen
Utility LayerLizenzanzahl, Systemverfügbarkeit, InfrastrukturnutzungVerwaltung der technischen Infrastruktur
Engagement LayerWorkshop-Teilnahme, LMS-Logins, AbschlussratenBewertung von Zugang und Teilnahme an Schulungen
Capability LayerSkill Density, verifizierte Kompetenzen, eigenständiger AufgabenerfolgIdentifikation von Kompetenzlücken und Schulungsplanung

Diese Ebenen ersetzen einander nicht — Teilnahmequoten zeigen z.B., ob eine Schulung ihre Zielgruppe erreicht. Der entscheidende Perspektivwechsel besteht darin, Teilnahme oder Systemnutzung nicht isoliert als Erfolgsnachweis zu verwenden: Nur die Capability Layer zeigt, ob Kompetenzen tatsächlich erworben wurden.

Dashboard 1 · Institutional Skill Density

Zeigt, welcher Anteil der teilnehmenden Lehrenden eine Kompetenz nachweislich verifiziert hat (Beispielwerte).

KompetenzVerifiziertSkill DensityAssessment Coverage
AI Literacy21/3070%30 von 45 Zielgruppe (67%)
Data Privacy12/3040%30 von 50 Zielgruppe (60%)
Instructional Design24/3080%30 von 40 Zielgruppe (75%)

Gesamt-Skill-Density: 63,3% — dieser Durchschnitt wird bewusst nicht allein angezeigt, da zwei Fachbereiche mit identischem Durchschnitt sehr unterschiedliche Kompetenzprofile haben können. Die Assessment Coverage verhindert zudem, dass die Leistung weniger Freiwilliger fälschlich als Kompetenzniveau der gesamten Fakultät dargestellt wird.

Dashboard 2 · Capability Heat Map

Vergleich verifizierter Kompetenzen zwischen Fachbereichen (aggregiert, nicht personenbezogen).

Beispiel: Die Pflegewissenschaft zeigt eine niedrige verifizierte Kompetenz bei Data Privacy — das begründet eine gezielte Schulungsintervention für diesen Bereich. Die Heat Map dient nicht dazu, einzelne Lehrende zu ranken oder zu überwachen; ausgewertet werden nur Gruppen mit ausreichender Teilnehmerzahl.

3. Point of Inquiry — Dashboard mit Lernintervention verknüpfen

Die eigentliche Funktion des Capability Dashboards ist nicht die Visualisierung allein, sondern die Ableitung passender Lernunterstützung.

Beispiel: Die Daten zeigen häufige Fehler bei Data-Privacy-Aufgaben. Statt einer zusätzlichen zweistündigen Pflichtschulung für alle wird eine in den echten Arbeitsablauf eingebettete Intervention entwickelt: Möchte eine Lehrperson bei der Erstellung KI-gestützter Lernmaterialien Studierendendaten verwenden, zeigt das System einen kurzen Entscheidungs­unterstützungs-Hinweis. Die Lehrperson selbst beurteilt, ob die Daten personenbezogen sind, und entscheidet über die passende Verarbeitungsweise.

Dieses Design folgt demselben pädagogischen Prinzip wie der zuvor entwickelte Citation Decision Coach: Die Technologie unterstützt die Entscheidung, übernimmt aber nicht die notwendige kognitive Aufgabe anstelle der Lehrperson bzw. Studierenden.

✗
Nicht messen: Wie oft die Checkliste geöffnet wurde
✓
Impact Metric: Anteil korrekt & eigenständig abgeschlossener Data-Privacy-Aufgaben

Ergänzend lassen sich Aufgabendauer und die Rate kritischer Fehler erfassen.

4. Predictive ROI — methodische Vorsicht

Im Kursmaterial findet sich eine gängige, aber methodisch problematische Aussage: Ein sinkender Time-to-Competency-Wert werde als Beleg für finanzielle Einsparungen der digitalen Intervention dargestellt.

120 Min.
Klassischer Workshop — Ø Zeit bis Kompetenznachweis
75 Min.
Eingebettete Unterstützung — Ø Zeit bis Kompetenznachweis
Warum das allein keine Kosteneinsparung beweist: Ein kürzerer Time-to-Competency zeigt unter vergleichbaren Bewertungsbedingungen nur, dass die neue Intervention schneller zur Kompetenz führt. Für eine finanzielle Aussage müssen zusätzlich Entwicklungs-, Implementierungs- und Wartungskosten der Intervention berücksichtigt werden. Zudem sollte separat geprüft werden, ob die erworbene Kompetenz eigenständig erhalten bleibt (Retention).

Das Dashboard kann vergangene und aktuelle Leistung zuverlässig abbilden. Eine Prognose des künftigen institutionellen Werts erfordert dagegen ein separates, mit ausreichenden Daten validiertes Vorhersagemodell.