Forschung zum diagnostischen Clinical Reasoning (CR) zeigt, wie klinische Entscheidungen entstehen und warum gut organisiertes Wissen dabei zentral ist. Gleichzeitig lässt sich diagnostische Kompetenz durch gezielte Lernstrategien systematisch aufbauen.
Text: Dr. Roger Hilfiker
Fotos: StarDweller/peopleimages.com – AdobeStock
Physiotherapeut:innen treffen täglich zahlreiche Entscheidungen – oft unter Zeitdruck und mit unvollständigen Informationen. Der Denkprozess, der diesen Entscheidungen zugrunde liegt, wird als CR bezeichnet: das Sammeln, Interpretieren und Verknüpfen von Informationen über den gesamten Behandlungsverlauf hinweg. Ein zentraler Bestandteil dieses Prozesses ist das Stellen physiotherapeutischer Diagnosen – und genau darauf richtet sich der Fokus dieses Artikels. Andere Bereiche des CR werden bewusst ausgeklammert: etwa das narrative Reasoning (Verständnis der Patientengeschichte und des Erlebens), das prozedurale Reasoning (Planung und Durchführung von Behandlungsmassnahmen), das interaktive Reasoning (therapeutische Beziehung), das kollaborative Reasoning (gemeinsame Zielsetzung), das edukative Reasoning (gezielte Wissensvermittlung), das prädiktive Reasoning (Vorhersage) sowie das ethische Reasoning (Umgang mit moralischen Dilemmata) (Edwards et al., 2004). Wo diagnostische Entscheidungen getroffen werden, sind Fehler unvermeidlich: Eine falsche Diagnose kann angenommen werden – oder eine richtige verworfen. Eine zentrale Frage der CR-Forschung lautet daher: Wie lassen sich solche Fehler reduzieren?
Schon in den 1970er-Jahren zeigte die Forschung, dass CR keine isolierte Problemlösungsstrategie ist, die losgelöst von klinischem Wissen gelernt oder angewandt werden kann. Vielmehr unterscheiden sich Anfänger:innen und Expert:innen in ihrem Vorgehen. Während Anfänger:innen lange Daten sammeln und ihre Hypothesen oft zu präzise und «lehrbuchartig» formulieren, entwickeln Expert:innen früh drei bis fünf eher breit gefasste Hypothesen. Diese können sie dank gut organisiertem Wissen und mit relevanten Informationen schnell präzisieren (Arocha et al., 1993). Ebenfalls stellen Expertinnen weniger, aber relevantere Fragen mit hoher Aussagekraft für das Ein- oder Ausschliessen einer Diagnose. Anfänger:innen hingegen stellen mehr Fragen, diese haben jedoch nur wenig Einfluss auf die Wahrscheinlichkeit einer Hypothese (Barrows & Bennett, 1972; Elstein et al., 1978; Kleinmuntz, 1968).
In den 1980er-Jahren zeigte sich zudem, dass erfahrene Kliniker:innen Hypothesen über Mustererkennung generieren. Dabei werden aktuelle Patientensituationen unbewusst mit gespeicherten Fallbeispielen verglichen – schnell und automatisch. Bei Routinefällen dominiert dieser Prozess, während bei atypischen Fällen auch Expert:innen analytisch vorgehen (Feltovich & Barrows, 1984; Norman et al., 2007). Weniger erfahrenen Kliniker:innen fehlen solche Muster, weshalb sie auf das langsamere hypothetisch-deduktive Vorgehen zurückgreifen müssen (Jones et al., 2018).
Damit Mustererkennung überhaupt möglich ist, muss Wissen gut organisiert sein – also so abgespeichert, dass neue Patientensituationen schnell mit früheren Erfahrungen und gelerntem Fachwissen verknüpft werden können. Ein Konzept, das genau diese Art der Wissensstruktur beschreibt, kam in den 1980er-Jahren auf: die sogenannten Illness Scripts (Krankheitsskripte) (Feltovich & Barrows, 1984). Sie erklären, wie typische Krankheitsverläufe im Gedächtnis abgelegt werden und bei der klinischen Entscheidungsfindung rasch aktiviert werden können. Nach Feltovich & Barrows (1984) bestehen Illness Scripts aus drei klassischen Elementen:
Bereits in der Antike wurde zwischen schnellem, intuitivem und langsamem analytischem Denken unterschieden. Im CR entspricht die Mustererkennung dem schnellen, intuitiven Prozess, während das hypothetisch-deduktive Vorgehen dem langsameren, analytischen Denkprozess zugeordnet wird (Croskerry, 2009). Der sogenannte Dual-Process-Ansatz, der seit den 1980er-Jahren systematisch diskutiert wird, beschreibt kognitive Verarbeitung als Zusammenspiel dieser beiden Denkprozesse (Evans, 1984). Bekannt wurden die beiden Denkprozesse und die Notwendigkeit ihres Zusammenspiels, beispielsweise um Fehler zu vermeiden, durch das Buch «Thinking, Fast and Slow» von Daniel Kahnemann (Kahneman, 2011).
Einige Autor:innen sehen die Hauptursache diagnostischer Fehler primär im unkontrollierten intuitiven Denken und empfehlen metakognitive Strategien, um diese zu reduzieren (Gojanovic et al., 2022; Schwartzstein & Iyer, 2025). Andere vertreten die Meinung, dass gutes CR primär vom problemspezifischen Fachwissen abhängt und nicht von der bewussten Wahl einer Reasoningstrategie (Norman et al., 2024). Lehrstrategien, die allgemeine Denkprozesse vermitteln, wie kognitive De-Biasing-Strategien, sind wahrscheinlich weniger wirksam als Strategien, die gezielt Wissen aufbauen (Cooper et al., 2021; Norman et al., 2024). Dazu gehört etwa strukturierte Reflexion im Sinne einer systematischen, fallbezogenen Gegenüberstellung von Hypothesen, stützenden und widerlegenden Befunden sowie alternativen Erklärungen – zum Beispiel anhand von Fragen wie «Was spricht dafür? Was dagegen? Was könnte es sonst sein?» (Mamede & Schmidt, 2023; Prakash et al., 2019). Wichtig sind auch wiederholte Fallbeispiele mit Feedback.
Diagnostische Fehler können sowohl bei schneller als auch bei analytischer Verarbeitung entstehen. Je nach Situation ist wohl die Wahrheit auch hier nicht Schwarz oder Weiss (Elstein & Schwartz, 2002). So können in sehr komplexen Situationen mit vielen Einflussgrössen und viel Unsicherheit wie Ursachendiagnose oder Prognose bei unspezifischen Rückenschmerzen einfache Entscheidungsregeln besser sein als ein komplexes analytisches Vorgehen (Gigerenzer & Gaissmaier, 2011). Entscheidend ist daher nicht die Reasoningstrategie per se, sondern ob sie zur jeweiligen Situation passt – was wiederum Fachwissen voraussetzt. Auch die Intuition verdient Beachtung: Sie ist Mustererkennung und entsteht auch durch Erfahrung und gelerntes Wissen. Gedanken wie «etwas stimmt hier nicht» sind ernst zu nehmen (Langridge et al., 2016; Oliva-Fanlo et al., 2022), besonders wenn das Bauchgefühl und die Befunde nicht zueinander passen (Stolper et al., 2011).
In der Praxis haben sich aktive Lernstrategien als besonders effektiv erwiesen. Dazu gehören zum Beispiel das Selbsttesten mit Karteikarten oder Quizformaten, das mündliche oder schriftliche Erklären von Befunden und deren Ursachen sowie das systematische Gegenüberstellen von Argumenten für oder gegen eine Diagnose. Hilfreich ist ebenfalls, die wichtigsten Informationen zusammenzufassen, zu notieren und zu überlegen, welche Befunde noch fehlen. Wirksam ist auch der Vergleich ähnlicher Diagnosen, bei dem Gemeinsamkeiten und Unterschiede – etwa in Leitsymptomen und Red Flags – gezielt herausgearbeitet werden.
Weitere hilfreiche Methoden sind Fallbesprechungen in Kleingruppen sowie strukturierte Austauschformate. Dazu gehört etwa Think-Pair-Share: Jede Person denkt alleine rund 90 Sekunden und notiert zwei Punkte, danach tauschen sich die Lernenden für 1 bis 3 Minuten zu zweit aus und klären offene Fragen. Falls es ein Plenum gibt, werden die Ergebnisse geteilt. Ein weiteres Hilfsmittel ist das One-Minute-Paper, bei dem Lernende sehr kurz schriftlich zusammenfassen, was sie als wichtigste Erkenntnis mitnehmen, was noch unklar ist und wie sie sich in ihrer Einschätzung fühlen (Bucklin et al., 2021; Chernikova et al., 2020; Mamede & Schmidt, 2023).
Die Lernstrategien sollten dem Vorwissen angepasst werden: Ist nur wenig vorhanden, sind ausgearbeitete Beispiele mit Musterlösungen besonders effektiv. Erst wenn mehr Vorwissen besteht, sollten eigene Fallbeispiele gelöst werden. Wer bereits über eine solide Wissensbasis verfügt, profitiert stärker davon, eigene Fälle systematisch zu analysieren. Lösungsweg-Beispiele bringen Erfahrenen dagegen meist keinen zusätzlichen Lerngewinn mehr. Wichtig: Aktive Lernstrategien wirken deutlich besser mit Rückmeldungen. Dies kann extern durch Kolleg:innen geschehen oder intern über Selbstabgleich oder durch das Erkennen und Reflektieren von Fehlern (Chernikova et al., 2020; Chernikova et al., 2023; Chernikova et al., 2024).
Wenn Sie Fallbeispiele zur persönlichen Weiterbildung lösen, formulieren Sie Ihre eigenen Hypothesen, bevor Sie die Auflösung lesen. Organisieren Sie jede Diagnose als Illness Script mit den drei folgenden Komponenten:
Enabling Conditions: Wer bekommt diese Erkrankung typischerweise? Diese epidemiologischen Merkmale bestimmen Ihre Vortestwahrscheinlichkeit – also wie wahrscheinlich die Diagnose ist, bevor Sie überhaupt untersucht haben. Ein 25-jähriger Läufer mit Knieschmerzen hat eine andere Vortestwahrscheinlichkeit für Kniearthrose als eine 65-jährige Patientin mit Übergewicht.
Fault: Was ist pathophysiologisch gestört? Dieses Verständnis hilft Ihnen, die erwarteten Befunde abzuleiten und atypische Verläufe zu erkennen.
Consequences: Welche Befunde erwarten Sie – und wie stark verändern sie Ihre Wahrscheinlichkeitseinschätzung? Hier kommen die Likelihood Ratios ins Spiel: Diese sagen, wie stark ein Testergebnis die eigene Einschätzung verändern sollte, ob ein:e Patient:in eine bestimmte Diagnose hat oder nicht. Es ist eine Kennzahl, die aus Sensitivität und Spezifität eines Tests berechnet wird und hilft, die Wahrscheinlichkeit einer Diagnose nach dem Test aus der Wahrscheinlichkeit einer Diagnose vor dem Test abzuschätzen. Ein positiver Test macht die Diagnose (LR+) wahrscheinlicher, ein negativer Test (LR−) macht sie unwahrscheinlicher (Pewsner et al., 2001). Manche Befunde sind diagnostisch stark, andere verändern die Wahrscheinlichkeit kaum. Ihre Illness Scripts sollten deshalb nicht nur typische Merkmale enthalten, sondern explizit auch diagnostisch starke Befunde markieren – solche, die stark für die Diagnose sprechen (LR+ >5), und solche, die sie praktisch ausschliessen (LR− <0.2). Welche Befunde unterscheiden diese Erkrankung von den wichtigsten Differentialdiagnosen? Was passt nicht zu Ihrer Hypothese? Schreiben Sie bei den Illness Skripts auch potentielle Vorsichtssituationen und Vorsichtsmassnahmen auf.
Physiotherapeut/Epidemiologe PhD, Mitinhaber der Physiotherapie Tschopp und Hilfiker in Glis
Arocha, J. F., Patel, V. L., & Patel, Y. C. (1993). Hypothesis generation and the coordination of theory and evidence in novice diagnostic reasoning. Medical Decision Making, 13(3), 198–211.
Barrows, H. S., & Bennett, K. (1972). The diagnostic (problem solving) skill of the neurologist: experimental studies and their implications for neurological training. Archives of Neurology, 26(3), 273–277.
Boshuizen, H. P., & Schmidt, H. G. (1992). On the role of biomedical knowledge in clinical reasoning by experts, intermediates and novices. Cognitive science, 16(2), 153–184.
Bucklin, B. A., Asdigian, N. L., Hawkins, J. L., & Klein, U. (2021). Making it stick: use of active learning strategies in continuing medical education. BMC Medical Education, 21(1), 44.
Chernikova, O., Heitzmann, N., Fink, M. C., Timothy, V., Seidel, T., Fischer, F., & COSIMA, D. R. g. (2020). Facilitating diagnostic competences in higher education—a meta-analysis in medical and teacher education. Educational Psychology Review, 32(1), 157–196.
Chernikova, O., Holzberger, D., Heitzmann, N., Stadler, M., Seidel, T., & Fischer, F. (2023). Where salience goes beyond authenticity. Zeitschrift für Pädagogische Psychologie.
Chernikova, O., Sommerhoff, D., Stadler, M., Holzberger, D., Nickl, M., Seidel, T., Kasneci, E., Küchemann, S., Kuhn, J., & Fischer, F. (2024). Personalization through adaptivity or adaptability? A meta-analysis on simulation-based learning in higher education. Educational Research Review, 100662.
Cooper, N., Bartlett, M., Gay, S., Hammond, A., Lillicrap, M., Matthan, J., Singh, M., & group, U. C. R. i. M. E. c. s. (2021). Consensus statement on the content of clinical reasoning curricula in undergraduate medical education. Medical Teacher, 43(2), 152–159.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public interest, 14(1), 4–58.
Edwards, I., Jones, M., Carr, J., Braunack-Mayer, A., & Jensen, G. M. (2004). Clinical reasoning strategies in physical therapy. Phys Ther, 84(4), 312–330; discussion 331–315.
Elstein, A. S., & Schwartz, A. (2002). Clinical problem solving and diagnostic decision making: selective review of the cognitive literature. BMJ, 324(7339), 729–732. https://doi.org/10.1136/bmj.324.7339.729
Elstein, A. S., Shulman, L. S., & Sprafka, S. A. (1978). Medical problem solving: An analysis of clinical reasoning. Harvard University Press.
Evans, J. S. B. (1984). Heuristic and analytic processes in reasoning. British Journal of Psychology, 75(4), 451–468.
Feltovich, P. J., & Barrows, H. S. (1984). Issues of generality in medical problem solving. Tutorials in problem-based learning, 128–142.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual review of psychology, 62(2011), 451–482.
Gojanovic, B., Fourchet, F., & Gremeaux, V. (2022). Cognitive biases cloud our clinical decisions and patient expectations: A narrative review to help bridge the gap between evidence-based and personalized medicine. Ann Phys Rehabil Med, 65(4), 101551. https://doi.org/10.1016/j.rehab.2021.101551
Harvey, C.-J., Leedham-Green, K. E., Koppel, C., Maini, A., Smith, S. F., Morrell, M. J., & Emerson, M. (2025). Improving medical students’ learning strategies, management of workload and wellbeing: a mixed methods case study in undergraduate medical education. BMC Medical Education, 25(1), 606.
Jones, M., Edwards, I., & Jensen, G. M. (2018). Clinical reasoning in physiotherapy. Clinical reasoning in the health professions, 4, 247–260.
Kahneman, D. (2011). Thinking, fast and slow. macmillan.
Kleinmuntz, B., & (1968). Formal representation of human judgment (Vol. 3). Wiley.
Langridge, N., Roberts, L., & Pope, C. (2016). The role of clinician emotion in clinical reasoning: Balancing the analytical process. Manual therapy, 21, 277–281.
Mamede, S., & Schmidt, H. G. (2023). Deliberate reflection and clinical reasoning: Founding ideas and empirical findings. Med Educ, 57(1), 76–85. https://doi.org/10.1111/medu.14863
Norman, G., Pelaccia, T., Wyer, P., & Sherbino, J. (2024). Dual process models of clinical reasoning: The central role of knowledge in diagnostic expertise. J Eval Clin Pract, 30(5), 788–796. https://doi.org/10.1111/jep.13998
Norman, G., Young, M., & Brooks, L. (2007). Non‐analytical models of clinical reasoning: the role of experience. Medical education, 41(12), 1140–1145.
Oliva-Fanlo, B., March, S., Gadea-Ruiz, C., Stolper, E., Esteva, M., & group, C. (2022). Prospective Observational Study on the Prevalence and Diagnostic Value of General Practitioners’ Gut Feelings for Cancer and Serious Diseases. Journal of general internal medicine, 37(15), 3823–3831.
Pewsner, D., Bleuer, J. P., Bucher, H. C., Battaglia, M., Jüni, P., & Egger, M. (2001). Der Intuition auf der Spur? Das Bayes’sche Theorem und die Diagnostik in der Grundversorgung: Teil I. Schweizerisches Medizinisches Forum, 1(3), 41–45.
Prakash, S., Sladek, R. M., & Schuwirth, L. (2019). Interventions to improve diagnostic decision making: a systematic review and meta-analysis on reflective strategies. Medical Teacher, 41(5), 517–524.
Schwartzstein, R. M., & Iyer, A. A. (2025). Critical Thinking for 21st-Century Medicine-Moving Beyond Illness Scripts. JAMA, 334(17), 1509–1510. https://doi.org/10.1001/jama.2025.14901
Stolper, E., Van de Wiel, M., Van Royen, P., Van Bokhoven, M., Van der Weijden, T., & Dinant, G. J. (2011). Gut feelings as a third track in general practitioners’ diagnostic reasoning. Journal of general internal medicine, 26(2), 197–203.
