Seit vielen Jahren nutzen Banken das Machine Learning. Von diesen Erfahrungen k\u00f6nnen andere Branchen profitieren: die Medizinproduktehersteller, aber auch pr\u00fcfende Organisationen wie Beh\u00f6rden und Benannte Stellen.<\/p>\n\n\n\n
Aus den Parallelen beider Branchen lassen sich f\u00fcnf Best Practices sowie Empfehlungen ableiten und damit Kosten und unn\u00f6tiger \u00c4rger mit Pr\u00fcfern vermeiden<\/strong>.<\/p>\n\n\n\n Ein Beitrag von Prof. Dr. Christian Johner mit einem Video<\/strong> mit Dr. Daniel Lohner<\/em><\/p>\n\n\n\n\n\n\n\n Sie sehen gerade einen Platzhalterinhalt von YouTube<\/strong>. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfl\u00e4che unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.<\/p> Mehr Informationen<\/a> <\/div> Bei beiden Branchen spielt das Risikomanagement<\/a> eine entscheidende Rolle. Bei den Banken geht es um die Beherrschung finanzieller Risiken wie Kredit- oder Marktrisiken, bei den Medizinprodukteherstellern um die Beherrschung von Risiken durch unsichere Medizinprodukte. <\/p>\n\n\n\n Die Risiken sind in beiden Branchen enorm: In dem einen Fall muss die Stabilit\u00e4t von Banken und damit von Volkswirtschaften gew\u00e4hrleistet sein, in dem anderen Fall die k\u00f6rperliche Unversehrtheit von Patienten, Anwendern und Dritten.<\/p>\n\n\n\n Zudem sind beide Branchen angehalten, regulatorische Risiken<\/strong> zu analysieren und minimieren. Denn beide Branchen sind stark reguliert und die Anforderungen steigen st\u00e4ndig. <\/p>\n\n\n\n Die Versch\u00e4rfung der Regulierung fand bei den Banken bereits Anfang der 2000er Jahre (Basel II) statt. Im Rahmen der Aufarbeitung der Bankenkrise 2009, die u.a. Folge von drastischen Fehleinsch\u00e4tzungen von Kreditrisiken war, wurden die Anforderungen weiter zugespitzt. <\/p>\n\n\n\n Neuentwicklungen sowie \u00c4nderungen unterliegen nun einem strengen Zulassungsprozess und sind regelm\u00e4\u00dfig zu validieren.<\/p>\n\n\n\n Die Regulierungsstruktur ist komplex und unterscheidet sich selbst innerhalb der EU. Allerdings hat man 2014 zumindest f\u00fcr gr\u00f6\u00dfere Banken mit einer Harmonisierung der Vorgaben begonnen.<\/p>\n\n\n\n Die Regulatoren von Banken haben sogar finanzielle Anreize geschaffen, damit Banken interne Risikomodelle entwickeln und sich tiefergehend mit dem Inhalt ihrer Anlagen besch\u00e4ftigen. <\/p>\n\n\n\n Der Skandal um Brustimplantate bescherte der Medizinproduktewelt 2017 die EU-Verordnungen MDR<\/a> und IVDR<\/a>.<\/p>\n\n\n\n Der Fokus bei Audits<\/a> und Inspektionen liegt bei beiden, sowohl den Banken als auch den Medizinprodukteherstellern, auf der Herstellung von Transparenz sowie auf den Ma\u00dfnahmen zur Risikobeherrschung<\/a>.<\/p>\n\n\n\n Beide Branchen hat der aktuelle Technologiehype erfasst (FinTech bzw. MedTech\/BioTech). Gemeinsam ist ihnen der verst\u00e4rkte Einsatz des Machine Learnings. <\/p>\n\n\n\n Kunden bzw. Patienten d\u00fcrfen sich auf innovative Produkte freuen. Aber neben den positiven Erwartungen bergen Algorithmen, insbesondere das Machine Learning, aus Sicht der Regulatoren auch gro\u00dfe Risiken.<\/p>\n\n\n\n Erfahren Sie hier mehr zum Einsatz der k\u00fcnstlichen Intelligenz (inkl. Machine Learning) in der Medizin<\/a>.<\/p>\n<\/div>\n\n\n\n Die Bankenbranche war ein \u201eEarly Adopter\u201c der Computertechnologie. Bankh\u00e4user begannen bereits in den 70er Jahren mit der beleglosen Transaktionsabwicklung und bieten ihren Kunden seit Jahrzehnten digitale Produkte an.<\/p>\n\n\n\n Auch spielen Algorithmen seit vielen Jahren eine wichtige Rolle. Zu den Beispielen z\u00e4hlen Kreditrisikomodelle bei der Absch\u00e4tzung der Ausfallwahrscheinlichkeit von Kundenkrediten. Viele dieser Modelle verwenden Verfahren des Machine Learnings.<\/p>\n\n\n\n Weil die Banken so fr\u00fch Algorithmen einsetzten und insuffiziente Algorithmen bereits katastrophale Folgen hatten (Bankenkrise), haben die Regulierer viel fr\u00fcher als in anderen Branchen damit begonnen, Regeln zum Einsatz dieser Algorithmen aufzustellen und einzufordern. <\/p>\n\n\n\n Diese Anforderungen betreffen:<\/p>\n\n\n\n Ein Beispiel f\u00fcr Anforderungen an den Einsatz des Machine Learnings bei Medizinprodukten enth\u00e4lt der KI-Leitfaden des Johner Instituts<\/a>.<\/p>\n<\/div>\n\n\n\n Als Folge dieser strengen Regulierung setzen Banken viele Verfahren des Machine Learnings nicht ein. Im Gegenzug haben sie sich gew\u00f6hnt an:<\/p>\n\n\n\n Medizinproduktehersteller, die Machine Learning einsetzen m\u00f6chten, k\u00f6nnen von den Banken lernen. <\/p>\n\n\n\n Dieses Kapitel hebt f\u00fcnf Aspekte hervor. Zu jedem Aspekt beschreibt es:<\/p>\n\n\n\n Viele Banken hatten zun\u00e4chst die Erwartung, dass Algorithmen einmalig entwickelt, zugelassen und produktiv genommen werden. <\/p>\n\n\n\n Folglich verstanden sie die Modellentwicklung als einmalige Projektt\u00e4tigkeit. Entsprechend setzten sie diese Projekte organisatorisch auf und dokumentierten nur das finale Projektergebnis.<\/p>\n\n\n\n R\u00fcckblickend zeigt sich allerdings, dass dies sowohl aus fachlicher als auch aus regulatorischer Sicht kein guter Ansatz war: <\/p>\n\n\n\n Algorithmen wie die des maschinellen Lernens m\u00fcssen fortlaufend validiert und an sich ver\u00e4ndernde Anforderungen, an neue Daten und an neue Erkenntnisse angepasst werden.<\/p>\n\n\n\n Darauf waren viele Banken sowohl organisatorisch als auch technisch nicht vorbereitet. <\/p>\n\n\n\n Das f\u00fchrte dazu, dass Pr\u00fcfungen, Ad-hoc-Anfragen und die obligatorische j\u00e4hrliche Modellvalidierung viele Finanzinstitute vor massive Herausforderungen und Kapazit\u00e4tsengp\u00e4sse stellten. H\u00e4ufig mussten diese die Datenaufbereitung neu aufbauen und die Konsistenz mit alten Reports aufwendig manuell pr\u00fcfen.<\/p>\n\n\n\n Diejenigen Banken, die bereits fr\u00fch klare organisatorische Verantwortlichkeiten sowie Regelprozesse inklusive Datenmanagement aufgesetzt und standardisierte Prozesse weitestgehend automatisiert hatten, konnten dagegen Kosten und Probleme umgehen. <\/p>\n\n\n\n Es haben sich nachhaltig bew\u00e4hrt:<\/p>\n\n\n\n Prozesse und Infrastruktur sollten von Anfang an auf eine iterative und inkrementelle Weiterentwicklung ausgelegt werden. <\/strong><\/p>\n\n\n\n Eine leistungsf\u00e4hige technologische und organisatorische Infrastruktur f\u00fcr eine Validierungs- und Entwicklungsumgebung sowie f\u00fcr das Datenmanagement stellt zwar eine hohe Anfangsinvestition dar, amortisiert sich aber relativ schnell. Letztendlich sind diese Aspekte nach negativen Erfahrungen sogar regulatorisch verankert worden.<\/p>\n\n\n\n Daher ist zu erwarten, dass auch Medizintechnikunternehmen, die diese Themen fr\u00fchzeitig in Eigeninitiative angehen, mittelfristig von Kosteneinsparungen und besseren Pr\u00fcfungsergebnissen profitieren werden.<\/p>\n\n\n\n Viele Banken archivierten nur die \u201efertigen Endresultate\u201c. Das wurde zum Problem, da die Bankenaufsicht bei Regelvalidierungen im Produktivumfeld und besonders bei \u00c4nderungen der Modelle und Verfahren immer wieder vergleichende Analysen zur Entwicklungsstichprobe verlangte. <\/p>\n\n\n\n So mussten Banken immer wieder begr\u00fcnden, weshalb sie ein bestimmtes Verfahren des Machine Learnings verwenden und nicht ein anderes oder ein klassisches Berechnungsverfahren.<\/p>\n\n\n\n Die Finanzinstitute konnten nicht nachweisen, dass die Ergebnisse mit aktuellen Daten den Ergebnissen mit Trainingsdaten entsprachen. Sie waren auch nicht in der Lage, die verschiedenen Modelle miteinander zu vergleichen und damit Verbesserungen nachzuweisen. Das f\u00fchrte zu regulatorischen Problemen.<\/p>\n\n\n\n Die Herkunft von Daten und die Datenaufbereitung sollten vollst\u00e4ndig nachvollziehbar sowie reproduzierbar sein. Dies gilt insbesondere f\u00fcr die Datenstichprobe der Modellentwicklung.<\/p>\n\n\n\n Die Modelle m\u00fcssen aus mehreren Gr\u00fcnden st\u00e4ndig weiterentwickelt werden:<\/p>\n\n\n\n Vollst\u00e4ndig historisierte Datenmodelle bedeuten zwar eine h\u00f6here Anfangsinvestition, haben sich aber in der Praxis als nachhaltige L\u00f6sung bew\u00e4hrt. Historisierung beinhaltet dabei eine Versions- und Konfigurationskontrolle<\/strong> von <\/p>\n\n\n\n Lesen Sie hier mehr zum Thema Validierung von Machine Learning Libraries<\/a>.<\/p>\n<\/div>\n\n\n\n Die Modellauswahl sollte nachvollziehbar und reproduzierbar sein, insbesondere im Hinblick auf Modellalternativen (z.B. andere Verfahren des Machine Learnings, andere Hyperparameter). <\/p>\n\n\n\n Bei der Zulassung neuer Modelle sowie \u00c4nderungen am Modell fragt die Bankenaufsicht nach alternativen oder historischen Modelldesigns.<\/p>\n\n\n\n In der Vergangenheit wurden solche Anfragen h\u00e4ufig als Sonderanalysen betrachtet und im Rahmen einer Einzelanalyse neben der eigentlichen Modellentwicklung analysiert.<\/p>\n\n\n\n Die Erfahrung zeigt, dass solche Nachfragen immer wieder aufkommen und unter Zeitdruck das Risiko von Fehlern und Inkonsistenzen deutlich steigt.<\/p>\n\n\n\n Deshalb und auch aus fachlicher Sicht ist es sinnvoll, Modelle in der Validierung regelm\u00e4\u00dfig mit alternativen Modellen und Verfahren zu vergleichen. Firmen k\u00f6nnen die Aufw\u00e4nde erheblich reduzieren, indem sie alternative Modelle und Ans\u00e4tze direkt in die Modellentwicklungs- und Validierungsumgebung integrieren.<\/p>\n\n\n\n Firmen sollten ein Modellportfolio mit \u201eChallenger\u201c-Modellen<\/strong> entwickeln, die parallel zum Produktivmodell auf der gleichen Datengrundlage ausgef\u00fchrt werden. Damit gelingt es stets konsistente Ergebnisse zu produzieren und es l\u00e4sst sich nachvollziehen, weshalb man welche Modelle gew\u00e4hlt und andere verworfen hat.<\/p>\n\n\n\n Im Seminar „K\u00fcnstliche Intelligenz“<\/a> lernen Hersteller, diese Modellvergleiche ohne Overhead durchzuf\u00fchren und zu dokumentieren und damit regulatorische Anforderungen zu erf\u00fcllen.<\/p>\n<\/div>\n\n\n\n Ein wesentliches Learning aus der Finanzkrise ist, dass mangelnde Transparenz der Risiken und blindes Vertrauen auf \u201eBlack-Box-Vorhersagen\u201c viele Banken dazu verleitet hatte, zu stark mit vermeintlich sicheren, aber tats\u00e4chlich hochriskanten Produkten Gesch\u00e4fte zu machen.<\/p>\n\n\n\n Mit verantwortlich daf\u00fcr waren die Ratingagenturen, deren Prognosen bis heute nicht transparent gestaltet sind.<\/p>\n\n\n\n Die Regulatoren legen heute ein besonderes Augenmerk auf die Nachvollziehbarkeit und \u00f6konomische Plausibilit\u00e4t von Modellvorhersagen. <\/p>\n\n\n\n Dies bedeutet in der Praxis auch Einschr\u00e4nkungen in der Modellauswahl beim Machine Learning. <\/strong><\/p>\n\n\n\n Das war letztendlich eine Konsequenz der unkritischen Verwendung externer Modellergebnisse, wie es vor der Finanzkrise \u00fcblich war.<\/p>\n\n\n\n Die Aufsicht f\u00fchrt seither ganz gezielt Einzelfallpr\u00fcfungen durch, in denen sie Modellergebnisse sowie deren interne Akzeptanz (sog. \u201euse tests\u201c) genau pr\u00fcft.<\/p>\n\n\n\n Zudem konnten die Banken dem Auskunftsrecht ihrer Kunden nicht gerecht werden, welches bereits unter dem Bundesdatenschutzgesetz bestand und nicht erst seit Einf\u00fchrung der DSGVO<\/a>.<\/p>\n\n\n\n Firmen sollten die Algorithmen und Modelle nicht nur anhand ihrer Leistungsf\u00e4higkeit (z.B. Spezifit\u00e4t und Sensitivit\u00e4t) ausw\u00e4hlen, sondern auch anhand ihrer Erkl\u00e4rbarkeit und Nachvollziehbarkeit. Dies ist aus drei Gr\u00fcnden wichtig.<\/p>\n\n\n\n Bei der Wahl der Modelle sollte die \u201eInterpretability\u201c<\/strong> bereits eine Rolle spielen. Anwender m\u00fcssen nachvollziehen k\u00f6nnen, welchen Einfluss die Input-Daten (Feature) auf die Vorhersagen eines Machine-Learning-Modells haben. Regulatoren sollten nachvollziehen k\u00f6nnen, dass ein Modell nicht nur zuf\u00e4llig oder innerhalb enger Grenzen korrekte Prognosen liefert. <\/p>\n\n\n\n Das zwingt Hersteller dazu, gut nachvollziehbare und stabile Methoden wie Decision Trees, logistische Regression oder Szenariosimulationsmodelle unn\u00f6tig komplexen Modellen vorzuziehen.<\/strong><\/p>\n\n\n\n Bei der Modellwahl gilt also: \u201eKeep it simple<\/strong>\u201c. Weniger verst\u00e4ndliche Modelle wie neuronale Netzwerke sollten Firmen nur bei nachweisbaren Vorteilen verwenden. Bei Banken gelingt es aktuell kaum, solche Verfahren des Machine Learnings „zuzulassen“.<\/p>\n\n\n\n Zus\u00e4tzlich sollten die Firmen Verfahren einsetzen, um die Interpretierbarkeit<\/strong> der Modelle zu verbessern, d.h. Pr\u00fcfern und Anwendern zu offenbaren, wie die Modelle arbeiten. Dazu z\u00e4hlen beispielsweise die Layerwise Relevance Propagation<\/a> (LPR) und die Spectral Relevance Analysis<\/a> (SpRAy).<\/p>\n\n\n\n Viele Banken warteten bei regulatorischen \u00c4nderungen bis zum letzten Augenblick mit der Umsetzung.<\/p>\n\n\n\n Diese abwartende Haltung hat in Einzelf\u00e4llen durchaus Aufw\u00e4nde vermindert, z.B. wenn sich regulatorische Anforderungen nach Industriekonsultationen kurz vor dem Inkrafttreten ge\u00e4ndert haben oder es sich zeigte, dass gewisse Aspekte in der Praxis nicht so streng ausgelegt wurden.<\/p>\n\n\n\n In den meisten F\u00e4llen hat diese Strategie jedoch zu erheblichen Mehrkosten gef\u00fchrt: zum einen durch \u201eLast-Minute\u201c-Umsetzungsprojekte, zum anderen durch die verpasste M\u00f6glichkeit, durch die fr\u00fchzeitige Umsetzung einer technologisch und organisatorisch nachhaltigen Infrastruktur langfristig Kosten einzusparen und \u00c4rger mit dem Regulator zu vermeiden.<\/p>\n\n\n\n Firmen sollten das tun, was richtig und anst\u00e4ndig<\/strong> ist, und nicht warten, bis eine Beh\u00f6rde oder Aufsicht sie zum Handeln zwingt. Von solch einem aktiven Ansatz profitieren Hersteller gleich mehrfach:<\/p>\n\n\n\n Firmen sollen aktiv und unabh\u00e4ngig von regulatorischen Anforderungen ihre Best Practices<\/strong> f\u00fcr den Einsatz von Algorithmen und insbesondere von Machine Learning kontinuierlich verbessern<\/strong>. Sie sollten eher als Taktgeber agieren als von \u00c4nderungen \u00fcberrascht werden.<\/p>\n\n\n\n Die Medizintechnikbranche durchl\u00e4uft aktuell eine Entwicklung, wie sie in der Bankenbranche bereits vor 10 Jahren eingesetzt hat. Daher sollten Medizinproduktehersteller genau hinsehen, was sie von den Banken lernen k\u00f6nnen.<\/p>\n\n\n\n Wer obigen Empfehlungen folgt, wird \u00e4hnlich wie die \u201eproaktiven\u201c Banken in der Regel immer gut durch Pr\u00fcfungen kommen und von einer nachhaltigen Infrastruktur f\u00fcr die Modellpflege profitieren.<\/p>\n\n\n\n Over-Engineering, insbesondere hochkomplexe Machine-Learning-Modelle, f\u00fchren h\u00e4ufig zu h\u00f6heren Folgekosten, liefern in der Praxis aber oft nur einen geringen Mehrwert gegen\u00fcber einfacheren Modellen.<\/p>\n\n\n\n Bei den Banken<\/strong> liegt der Schl\u00fcssel zur maximalen Effizienz in einer kritische Kosten-Nutzen-Abw\u00e4gung bei der Komplexit\u00e4t der Modellwahl unter gleichzeitiger Einhaltung der Rahmenbedingungen wie Nachvollziehbarkeit, Reproduzierbarkeit und klaren Verantwortlichkeiten.<\/p>\n\n\n\n Bei den Medizinprodukteherstellern<\/strong> m\u00fcssen die Sicherheit und der Nutzen f\u00fcr die Patienten die Maxime sein. Ein komplexerer Algorithmus mag den Nutzen f\u00fcr viele Patienten erh\u00f6hen, die Sicherheit von einigen Patienten aber beeintr\u00e4chtigen.<\/p>\n","protected":false},"excerpt":{"rendered":" Seit vielen Jahren nutzen Banken das Machine Learning. Von diesen Erfahrungen k\u00f6nnen andere Branchen profitieren: die Medizinproduktehersteller, aber auch pr\u00fcfende Organisationen wie Beh\u00f6rden und Benannte Stellen. Aus den Parallelen beider Branchen lassen sich f\u00fcnf Best Practices sowie Empfehlungen ableiten und damit Kosten und unn\u00f6tiger \u00c4rger mit Pr\u00fcfern vermeiden. Ein Beitrag von Prof. Dr. Christian Johner…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"Machine Learning: 5 bittere Learnings der Banken, von denen die Medizinproduktehersteller profitieren sollten","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2}},"categories":[1108,184],"tags":[1271,337],"ppma_author":[1210],"class_list":["post-3281822","post","type-post","status-publish","format-standard","hentry","category-regulatory-affairs","category-iec-62304-medizinische-software","tag-kuenstliche-intelligenz","tag-risikoanalyse","category-1108","category-184","description-off"],"yoast_head":"\n1. Gemeinsamkeiten von Banken und Medizinprodukteherstellern<\/h2>\n\n\n\n
a) Bedeutung des Risikomanagements<\/h3>\n\n\n\n
b) Starke und komplexe Regulierung<\/h3>\n\n\n\n
Regulierung bei Banken<\/h4>\n\n\n\n
Regulierung bei Medizinprodukteherstellern<\/h4>\n\n\n\n
c) Digitalisierung<\/h3>\n\n\n\n
2. Wo die Banken der Medizintechnik bereits einen Schritt voraus sind<\/h2>\n\n\n\n
a) Fr\u00fche Digitalisierung der Bankenbranche<\/h3>\n\n\n\n
b) Strengere Regulierung von Algorithmen<\/h3>\n\n\n\n
\n
\n
3. F\u00fcnf Learnings: Was Medizinproduktehersteller von Banken lernen sollten<\/h2>\n\n\n\n
\n
Learning 1: Modellentwicklung als kontinuierlichen Prozess verstehen<\/h3>\n\n\n\n
Bad Practice<\/h4>\n\n\n\n
Die Folgen<\/h4>\n\n\n\n
Better Practice<\/h4>\n\n\n\n
\n
Empfehlung<\/h4>\n\n\n\n
Learning 2: Daten, Code und Modelle dem Konfigurationsmanagement unterwerfen<\/h3>\n\n\n\n
Bad Practice<\/h4>\n\n\n\n
Die Folgen<\/h4>\n\n\n\n
Better Practice<\/h4>\n\n\n\n
\n
Empfehlung<\/h4>\n\n\n\n
\n
Learning 3: Entscheidungen f\u00fcr Modelle bzw. Algorithmen begr\u00fcnden<\/h3>\n\n\n\n
Bad Practices<\/h4>\n\n\n\n
Die Folgen<\/h4>\n\n\n\n
Better Practice<\/h4>\n\n\n\n
Empfehlung<\/h4>\n\n\n\n
Learning 4: Modelle und Modellergebnisse erkl\u00e4ren k\u00f6nnen<\/h3>\n\n\n\n
Bad Practice<\/h4>\n\n\n\n
Die Folgen<\/h4>\n\n\n\n
Better Practice<\/h4>\n\n\n\n
\n
Aufgrund der steuernden Wirkungsweise sollten Modellergebnisse f\u00fcr Entscheider nachvollziehbar sein, insbesondere, wenn sich die Modellergebnisse von intuitiven Einsch\u00e4tzungen unterscheiden. Solche F\u00e4lle resultieren h\u00e4ufig aus einer selektiven Wahrnehmung von Einzelf\u00e4llen oder Fehlern bei der Datenerfassung.<\/li>\n\n\n\n
Dar\u00fcber hinaus unterst\u00fctzt die Nachvollziehbarkeit eine effektivere Mensch-Maschine-Interaktion. Die Transparenz dar\u00fcber, wie sich eingegebene Daten auf das Modellergebnis auswirken, f\u00f6rdert neben der Modellakzeptanz auch die Datenqualit\u00e4t.<\/li>\n\n\n\n
Ein nachvollziehbarer Algorithmus kann der Verhaltenssteuerung dienen: Kreditrisikobewertungen geben dem Bankkunden ein Feedback dar\u00fcber, wie \u00f6konomisch \u201egesund\u201c ihr Einnahmen-Ausgaben-Verhalten ist.
Dies l\u00e4sst sich auch auf die personalisierte Medizin \u00fcbertragen: Ein Algorithmus sollte nicht nur einen personalisierten Vorschlag berechnen, welche Dosis eines Medikaments ein Patient einnehmen sollte; er sollte dem Patienten auch ein Feedback dazu geben, ob er mit seinem Verhalten den Heilungsverlauf positiv beeinflusst.<\/li>\n<\/ol>\n\n\n\nEmpfehlung<\/h4>\n\n\n\n
Learning 5: Dem Regulator einen Schritt voraus sein<\/h3>\n\n\n\n
Bad Practice<\/h4>\n\n\n\n
Die Folgen<\/h4>\n\n\n\n
Better Practice<\/h4>\n\n\n\n
\n
Empfehlung<\/h4>\n\n\n\n
4. Fazit<\/h2>\n\n\n\n