Vom Umgang mit kritischen Nachfragen
Bibliographic record
Abstract
Liebe Leserin, lieber Leser, wurde Ihnen schon einmal ein Behandlungsfehler vorgeworfen? Ihre Antwort hängt wahrscheinlich davon ab, an was Sie jetzt denken: Vor Gutachterkommissionen, Schlichtungsstellen oder Gerichten landen nur relativ wenige Fälle. Aber vielleicht haben Patienten Ihnen schon einmal Sätze gesagt wie „Hätte man das nicht verhindern können?“ oder „Warum haben Sie denn nichts gemacht?“ Das heißt nicht, dass Ihnen gleich eine Anzeige droht: Bei komplizierten Verläufen und Komplikationen möchten Patienten oder Angehörige zunächst v. a. wissen, was genau passiert ist und wie es dazu kommen konnte. Was Sie dann sagen können, ohne vorschnell einen Fehler zuzugeben – und damit evtl. Ihren Versicherungsschutz zu riskieren – erklären Elmar Biermann und Rolf-Werner Bock in diesem Heft auf Seite 12. Zum Glück sind die Verläufe selten so tragisch wie der Fall, von dem der Internist Walter Möbius in seinem Buch „Der Krankenflüsterer“ berichtet: Bei einem Patienten mit neurologischen Ausfällen diagnostizierten die Ärzte nach Angiografie einen Hirntumor – CT oder MRT gab es damals noch nicht. Eine Kollegin hatte zwar Zweifel und plädierte für eine zusätzliche Gewebepunktion, wurde aber überstimmt. Nachdem sich der Zustand nach Bestrahlung zunächst besserte, bekam der Patient nach 10 Tagen hohes Fieber, in der Lunge zeigte sich eine diffuse Zeichnung. Die Ärzte gaben ihm Antibiotika, trotzdem erlitt er einige Tage später einen Kreislauf-Schock und starb kurz darauf. Bei der Obduktion fand sich zur Überraschung aller eine Gehirntuberkulose. Bei der abgelehnten Punktion hätte man diese höchstwahrscheinlich festgestellt. Die Ärzte gaben gegenüber der Witwe des Patienten zu, dass ihr Mann falsch behandelt wurde – und rieten ihr sogar zu einer Klage gegen die Klinik, um eine Entschädigung zu erhalten. Auch wenn ein solches Schuldeingeständnis heutzutage nicht unbedingt empfehlenswert ist: In strittigen Fällen sollten Sie dem Patienten bzw. den Angehörigen die Fakten ehrlich darlegen, Kooperationsbereitschaft und Anteilnahme zeigen. Mit etwas Glück geht es Ihnen dann wie Dr. Möbius und seinen Kollegen: Die Witwe bedankte sich für die Aufrichtigkeit der Ärzte – und verzichtete auf eine Anzeige. Wir wünschen Ihnen ähnlich gute Erfahrungen! Herausgeber P. Galle, Mainz G. Geldner, Ludwigsburg A. Königsrainer, Tübingen F.-G. B. Pajonk, Schäftlarn Experten-Panel P. Berlit, Essen S. Bleich, Hannover J. Bossenmayer, Stuttgart H.- P. Bruch, Lübeck M. Christ, Nürnberg B. Debong, Karlsruhe J. Glatzle, Tübingen T. Hemmerling, Montreal D. F. Hollo, Celle J. Riemann, Ludwigshafen Schlichtungsstelle für Arzthaftpflichtfragen der norddeutschen Ärztekammern, Hannover Redaktion Dr. Julia Rojahn Georg Thieme Verlag KG Rüdigerstraße 14 70469 Stuttgart E-Mail: legeartis@thieme.de Im Internet Aktuelle Ausgabe: http://www.thieme.de/legeartis Online-Archiv: http://www.thieme-connect.de/products Ärztliche Weiterbildung auf Facebook: ThiemeliebtAerzteinWeiterbildung
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.146 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.006 | 0.008 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.190 | 0.094 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".