Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Review
. 2025 Aug;68(8):889-897.
doi: 10.1007/s00103-025-04090-w. Epub 2025 Jul 4.

[AI in rehabilitation-application of artificial mental models for personalized medicine]

[Article in German]
Sabine Janzen  1 , Prajvi Saxena  2 , Cicy Agnes  2 , Wolfgang Maaß  2
Affiliations
Review

[AI in rehabilitation-application of artificial mental models for personalized medicine]

[Article in German]
Sabine Janzen et al. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2025 Aug.

Abstract
in English, German

Artificial intelligence (AI) can support patient-centered care in prevention and rehabilitation. In Germany, almost 1.9 million patients were treated in rehabilitation hospitals in 2023, mostly due to musculoskeletal disorders. The success of rehabilitation depends on cooperation between patient, doctor, and therapist as well as active participation. However, cognitive limitations, language barriers, and psychological factors tackle decision-making and communication abilities of patients. This leads to incomplete or distorted data and impairs individualized therapy. A potential solution approach is to apply artificial mental models (AMMs) that anticipate patients' unknown mental models. These concepts are based on cognitive science theories and world models from AI. AMMs can optimize treatment decisions, correct misjudgments, and thus increase the success of rehabilitation. Particularly in knee rehabilitation, an AI agent can determine how patients perceive their recovery and enable individual adjustments. The BMFTR project FedWELL investigates the use of AMM in rehabilitation. A non-discriminatory base model was developed using data from online forums, user studies, and machine learning models. Initial results show that AI-supported models can predict individual assumptions and expectations of patients within the rehabilitation process and enable personalized therapies. This article presents the research design of the project and reports the first results of the initial survey phase.

Künstliche Intelligenz (KI) kann in der Prävention und Rehabilitation eine patient*innenzentrierte Versorgung unterstützen. In Deutschland wurden 2023 fast 1,9 Mio. Patient*innen in Rehaeinrichtungen behandelt, viele aufgrund von Erkrankungen des Muskel-Skelett-Systems. Der Erfolg einer Reha hängt von der Zusammenarbeit zwischen Patient*in, Arzt oder Ärztin und Therapeut*in sowie der aktiven Mitarbeit ab. Kognitive Einschränkungen, Sprachbarrieren und psychische Faktoren erschweren jedoch die Entscheidungsfindung und Kommunikation vieler Patient*innen. Dies führt zu unvollständigen oder verzerrten Daten und beeinträchtigt eine individualisierte Therapie. Ein Lösungsansatz besteht im Einsatz künstlicher mentaler Modelle (KMM), die unbekannte mentale Modelle von Patient*innen antizipieren. Diese Konzepte basieren auf kognitionswissenschaftlichen Theorien und World Models aus der KI. KMM können Therapieentscheidungen optimieren, Fehleinschätzungen korrigieren und so den Rehaerfolg steigern. Beispielsweise in der Knierehabilitation kann ein KI-Agent ermitteln, wie Patient*innen ihre Genesung wahrnehmen, und individuelle Anpassungen ermöglichen. Das BMFTR-Projekt „FedWell“ erforscht den Einsatz von KMM in der Rehabilitation. Ein diskriminierungsfreies Basismodell wurde mithilfe von Daten aus Online-Foren, Nutzer*innenstudien und maschinellen Lernmodellen entwickelt. Erste Ergebnisse zeigen, dass KI-gestützte Modelle individuelle Annahmen und Erwartungen von Patient*innen im Rehaprozess vorhersagen und personalisierte Therapien ermöglichen können. Dieser Beitrag stellt das Forschungsdesign des Projekts vor und berichtet erste Ergebnisse der initialen Erhebungsphase.

Keywords: Data-driven decision support; Knee rehabilitation; Large Language Models (LLMs); Personalized therapy planning; Psychological factors.

PubMed Disclaimer

Conflict of interest statement

Einhaltung ethischer Richtlinien. Interessenkonflikt: S. Janzen, P. Saxena, C. Agnes und W. Maaß geben an, dass kein Interessenkonflikt besteht. Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Figures

Abb. 1
Abb. 1
Zusammenhang zwischen dem mentalen Modell eines Patienten und einem künstlichen mentalen Modell im Kontext einer Rehabilitationssituation nach einer Knie-OP (Foto: iStock.com/Charday Penn)
Abb. 2
Abb. 2
Forschungsdesign zur Untersuchung künstlicher mentaler Modelle (KMM) in KI-Systemen im Gesundheitswesen im Forschungsprojekt „FedWell“ am Deutschen Forschungszentrum für Künstliche Intelligenz (Abbildung aus [31], Rechte bleiben bei den Autor*innen)
Abb. 3
Abb. 3
Beispiel für eine Anweisung (Prompt) an das Basismodell im Kontext der Feinjustierung (Fine-Tuning) mit Angabe von Daten der Person (z. B. Persönlichkeitsprofil, Alter, Geschlecht, Aktivität) sowie die Antwort des Modells (Response), d. h. dessen Vorhersage der voraussichtlichen Anstrengung, die Angabe des Pain-Scores für diese Person bei der Durchführung einer Übung (10 Kniebeugen) und die Angabe einer Begründung für die Vorhersage
See this image and copyright information in PMC

References

    1. Polacsek-Ernst R, Benda F, Bretschneider J, Pagel C (2024) Digitales Mindset im Gesundheitswesen – Chancen und Herausforderungen digitaler Technologien. In: Technologien und Technologiemanagement im Gesundheitswesen. Springer, Wiesbaden, S 89–111
    1. Valle C (2024) Rehabilitation in der Knieendoprothetik. Orthopädie 53:817–818. 10.1007/s00132-024-04572-w - PubMed
    1. Dildine TC, Amir CM, Parsons J, Atlas LY (2023) How pain-related facial expressions are evaluated in relation to gender, race, and emotion. Affect Sci. 10.1007/s42761-023-00181-6 - PMC - PubMed
    1. Dildine TC, Necka EA, Atlas LY (2020) Confidence in subjective pain is predicted by reaction time during decision making. Sci Rep 10:21373–21373 - PMC - PubMed
    1. Meyer AND, Giardina TD, Khawaja L, Singh H (2021) Patient and clinician experiences of uncertainty in the diagnostic process: current understanding and future directions. Patient Educ Couns 104:2606–2615 - PubMed

LinkOut - more resources