This paper reports on experiments designed to identify and implement mechanisms for enhancing the explanation capabilities of reasoning programs for medical consultation. The goals of an explanation system are discussed, as is the additional knowledge needed to meet these goals in a medical domain. We have focussed on the generation of explanations that are appropriate for different types of system users. This task requires a knowledge of what is complex and what is important; it is further strengthened by a classification of the associations or causal mechanisms inherent in the inference rules. A causal representation can also be used to aid in refining a comprehensive knowledge base so that the reasoning and explanations are more adequate. We describe a prototype system which reasons from causal inference rules and generates explanations that are appropriate for the user. Diese Arbeit berichtet über Experimente, die dazu dienten, Methoden zur Verbesserung der Aussagekraft von Grundlagenprogrammen für medizinische Beratungen zu erkennen und anzuwenden. Diese Programme benutzen eine Codierung der medizinischen Information in einem Spezialbereich, um mittels logischer Folgerungen die möglichen Ursachen eingetragener Symptome auszugeben. Die Ziele des Erklärungssystems werden im Zusammenhang mit dem zusätzlichen Wissen, das zur Lösung dieser Aufgabe im medizinischen Bereich benötigt wird, diskutiert. Wir haben uns darauf konzentriert, solche Erklärungen zu erzeugen, die für die unterschiedlichen Systembenutzer geeignet sind. Diese Aufgabe benötigt eine Kenntnis davon, was komplex und was wichtig ist in den Beratungen, und wird von einer Klassifizierung der ursächlichen Verbindungen, welche den Regeln für die Folgerungen unterliegen, unterstützt. Das Folgerungsnetz kann auch benutzt werden, um die Entwicklung eines Systems für die Erkennung von Zusammenhängen zu unterstützen, kann aber nicht genug Informationen enthalten, um neue Folgerungen aus dem bestehenden Wissen abzuleiten. Wir beschreiben den Prototyp eines solchen Systems, das aus dem Folgerungsnetz Schlüsse ableitet und dem Benutzer geeignete Erklärungen darbietet. * This work was supported by Contract NR 049—479 from the Office of Naval Research and by a grant from the Henry J. Kaiser Family Foundation. Dr. Shortliffe is recipient of research career development award LM00048 from the National Library of Medicine. The computing was undertaken on the SUMEX-AIM machine, a shared national resource funded by the Biotechnology Resources Program of the NIH under grant RR-00785.