Text: Physioswiss / Barbara Zesiger

Eine Studie des KOF-Instituts der ETH Zürich zeigt, dass sich der Schweizer Arbeitsmarkt durch generative KI bereits spürbar verändert. Das Entscheidende dabei: Die Forschenden messen das Automatisierungspotenzial nicht anhand ganzer Berufe, sondern auf der Ebene einzelner Aufgaben (Tasks). Stark betroffen sind sprachliche, analytische und digitale Tätigkeiten, bei denen Sprachmodelle die Bearbeitungszeit deutlich verkürzen können (Kläui & Siegenthaler, 2025). Dieser aufgabenbasierte Ansatz lässt sich auch auf die Physiotherapie übertragen. Dafür lohnt sich ein Blick auf den Kern physiotherapeutischer Arbeit.

Klinisches Reasoning: Ein kontinuierlicher Entscheidungsprozess

KI automatisiert isolierte Aufgaben. Auf den ersten Blick scheint sich auch in der Physiotherapie vieles in Einzelaufgaben gliedern zu lassen – etwa Anamnese, Befunderhebung oder Dokumentation. Der therapeutische Prozess entsteht jedoch nicht dadurch, dass einzelne Aufgaben korrekt ausgeführt werden, sondern dadurch, dass Physiotherapeut:innen sie fortlaufend miteinander verknüpfen.

Klinisches Reasoning wird in der Fachliteratur als kontextabhängiger, adaptiver und fortlaufender Entscheidungsprozess beschrieben (Huhn et al., 2019; Oostendorp et al., 2020). Physiotherapeut:innen beobachten, interpretieren, bilden Hypothesen, treffen Entscheidungen und passen ihr Vorgehen kontinuierlich an. Dabei fliessen körperliche Befunde ebenso ein wie Schmerzverhalten, Alltag, Ressourcen und persönliche Ziele der Patient:innen (Huhn et al., 2019; Oostendorp et al., 2020).

Zwei Patient:innen können sich mit derselben Diagnose vorstellen und dennoch eine unterschiedliche Behandlung benötigen. Belastbarkeit, Ziele, Vorerkrankungen, Motivation und Lebensumstände unterscheiden sich. Erst die Verknüpfung all dieser Informationen ermöglicht eine fundierte therapeutische Entscheidung (Oostendorp et al., 2020).

Die Allianz und die professionelle Berührung

Ein wesentlicher Bestandteil dieses Prozesses ist die therapeutische Beziehung. Systematische Übersichtsarbeiten weisen darauf hin, dass eine tragfähige Allianz zwischen Physiotherapeut:in und Patient:in Behandlungsergebnisse verbessert, insbesondere bei muskuloskelettalen Beschwerden (Taccolini Manzoni et al., 2018; Kinney et al., 2020; Puustinen et al., 2026). Kennzeichnend sind eine gemeinsame Zieldefinition, gegenseitiges Vertrauen und aktive Zusammenarbeit (Puustinen et al., 2026).

In der Physiotherapie entsteht diese Beziehung nicht allein im Gespräch. Auch die körperliche Untersuchung und manuelle Intervention sind Formen professioneller Berührung (Geri et al., 2019). Sie verbinden fachliche Kompetenz mit zwischenmenschlicher Interaktion und liefern gleichzeitig fortlaufend Informationen über die Reaktionen der Patient:innen. Diese Rückmeldungen fliessen unmittelbar in das klinische Reasoning und die weitere Behandlung ein (Geri et al., 2019). Bislang gibt es keine Evidenz dafür, dass KI diese Verknüpfung aus Berührung, Beziehung und situativen Entscheidungsprozessen gleichwertig übernehmen kann (Hao et al., 2025).

Fazit

Das derzeitige Automatisierungspotenzial von KI richtet sich vor allem auf einzelne Aufgaben. Die Kernkompetenz der Physiotherapie liegt jedoch darin, Informationen fortlaufend zu integrieren, Entscheidungen situativ anzupassen und gemeinsam mit den Patient:innen den weiteren Behandlungsweg zu gestalten. KI kann diesen Prozess unterstützen, aber nach heutigem Wissensstand nicht ersetzen. Sie schafft vielmehr Freiräume für das, was den Beruf ausmacht: beobachten, zuhören, Zusammenhänge erkennen und individuelle Therapieentscheidungen treffen. Gerade diese menschliche Kernkompetenz gewinnt im Zeitalter der KI weiter an Bedeutung.

Bibliografie

Geri, T., Viceconti, A., Minacci, M., Testa, M., & Rossettini, G. (2019). Manual therapy: Exploiting the role of human touch. Musculoskeletal Science and Practice, 44, 102044. https://doi.org/10.1016/j.msksp.2019.07.008

Hao, Y., et al. (2025). Artificial Intelligence in Physical Therapy: Evaluating ChatGPT’s Role in Clinical Decision Support for Musculoskeletal Care. Journal of Medical Systems. https://doi.org/10.1007/s10439-025-03676-4

Huhn, K., Gilliland, S. J., Black, L. L., Wainwright, S. F., & Christensen, N. (2019). Clinical reasoning in physical therapy: A concept analysis. Physical Therapy, 99(4), 440–456. https://doi.org/10.1093/ptj/pzy148

Kinney, M., Seider, J., Beaty, A. F., Coughlin, K., Dyal, B. W., & Clewley, D. (2020). The impact of therapeutic alliance in physical therapy for chronic musculoskeletal pain: A systematic review of the literature. Physiotherapy Theory and Practice, 36(8), 886–898. https://doi.org/10.1080/09593985.2018.1512034

Kläui, J., & Siegenthaler, M. (2025). KI und der Schweizer Arbeitsmarkt: Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen (KOF Studien Nr. 186).

Taccolini Manzoni, A. C., Bastos de Oliveira, N. T., Nunes Cabral, C. M., & Aquaroni Ricci, N. (2018). The role of the therapeutic alliance on pain relief in musculoskeletal rehabilitation: A systematic review. Physiotherapy Theory and Practice, 34(12), 901–915. https://doi.org/10.1080/09593985.2018.1431343

Omon, K., et al. (2025). Effects of Introducing Generative AI in Rehabilitation Clinical Documentation. Cureus. https://doi.org/10.7759/cureus.81313

Oostendorp, R. A. B., Elvers, J. W. H., & van Trijffel, E. (2020). Concept analysis of clinical reasoning in physical therapist practice. Physical Therapy, 100(8), 1353–1356. https://doi.org/10.1093/ptj/pzaa065

Puustinen, S., Kvist, T., & Stolt, M. (2026). The Core Components and Instruments of the Therapeutic Relationship in Musculoskeletal Physiotherapy. Musculoskeletal Care. https://doi.org/10.1002/msc.70219

Reis, F. J. J., Carvalho, M. B. L. D., Neves, G. D. A., Nogueira, L. C., & Meziat-Filho, N. (2024). Machine learning methods in physical therapy: A scoping review of applications in clinical context. Musculoskeletal Science & Practice, 74, 103184. https://doi.org/10.1016/j.msksp.2024.103184