Diagnose auf Knopfdruck: Wenn klinische Entscheidungsunterstützungssysteme den entscheidenden Hinweis geben!

In seiner Comicreihe »Näher als wir denken!« prophezeite der amerikanische Künstler Arthur Radebaugh bereits in den 1960er Jahren den Einsatz von Computern zur Entscheidungsunterstützung in der Medizin. In den 1970er Jahren gingen die ersten klinischen Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«; kurz: CDSS) an den Start. Warum sie sich zunächst nicht durchsetzten, gegenwärtig ihr Comeback feiern und dabei helfen können, Leib und Leben zu schützen, erklärt das Fraunhofer IESE in diesem Blogartikel.

Ob Flachbildschirme, Navigationsgeräte, Videotelefonie, Elektrofahrzeuge, das autonome Fahren oder tragbare Geräte samt intelligenter Sensoren – die visionäre Comicreihe »Näher als wir denken!« (»Closer than we think!«, 1958 – 1963) des amerikanischen Künstlers Arthur Radebaugh war ihrer Zeit weit voraus. Er prophezeite auch den Einsatz von Computern zur Entscheidungsunterstützung in der Medizin. Ob er wohl geahnt hat, vor welchen Herausforderungen die moderne Medizin steht?

Medizinische Entscheidungen werden immer komplexer

Hat sich das medizinische Fachwissen im Jahr 1950 noch etwa alle 50 Jahre verdoppelt, war das laut Prognosen im Jahr 2020 bereits alle 0,2 Jahre (etwa alle 73 Tage) der Fall [1]. Damit wächst es derzeit – je nachdem, welche Quelle man für das sogenannte »Mooresche Gesetz« zugrunde legt – ungefähr 5- bis 10-mal schneller als die Zahl der Transistoren auf einem Computerchip [2]. Und Computerchips haben sich bekanntlich rasant entwickelt. Gleichzeitig werden medizinische Entscheidungen komplexer und beruhen auf immer größeren Datenmengen. Dazu zählen genetische Informationen und Daten rund um die Funktionsweise bestimmter Proteine im menschlichen Körper [3].

Die Komplexität wächst uns über den Kopf

Allerdings werden wir weder dem verfügbaren Wissen gerecht noch sind wir der Komplexität einzelner Entscheidungen gewachsen. Denn wie viel Wissen und Erfahrung medizinisches Fachpersonal erwerben und anwenden kann, ist zwar abhängig von der Ausbildungsqualität, der Motivation und der Unterstützung innerhalb des Gesundheitssystems, wird aber letztendlich durch die individuelle Arbeitszeit begrenzt [4]. Noch dazu hat sich unser Auffassungsvermögen seit Tausenden von Jahren nicht wesentlich verändert. Vielmehr ist es durch ein Leben jenseits großer Datenmengen geprägt worden. So können wir durchschnittlich nur etwa sieben unabhängige Informationen bewusst in unsere Entscheidungen einfließen lassen [5]. Stößt unser Auffassungsvermögen erst einmal an seine Grenzen, verlassen wir uns schnell auf mentale Abkürzungen und grobe Faustregeln [6]. Beispielsweise suchen wir gezielt nach Informationen, die unsere initiale Einschätzung bestätigen oder mit denen wir bereits vertraut sind. Oft sind wir uns dessen nicht einmal bewusst [7, 8]. Auch Ärztinnen und Ärzte sind davor nicht gefeit. Mehr als 100 verschiedene kognitive Verzerrungen und Denkfehler können den medizinischen Entscheidungsfindungsprozess beeinträchtigen [8–12].

Es droht Gefahr für Leib und Leben

Auch deshalb handelt es sich – je nach Studie – heute bereits bei 10-15 % aller gestellten Diagnosen um Fehldiagnosen [13]. Schlimmstenfalls droht Gefahr für Leib und Leben. Ein solcher »Lapsus« ist jedoch nicht nur gefährlich, sondern auch extrem teuer. In Deutschland fallen etwa 6,7 % der Gesundheitsausgaben an, weil Ärztinnen und Ärzte die falschen Medikamente verschreiben (ca. 6 Mrd. Euro) oder Patient*innen ihre Medikamente nicht ordnungsgemäß einnehmen (ca. 13 Mrd. Euro) [14]. Neben- und Wechselwirkungen von Medikamenten sind die fünfthäufigste Todesursache: Mehr als 50 000 Menschen sterben jährlich an ihren Folgen [15]. Zusätzlich wurden im Jahr 2022 landesweit etwa 2700 Behandlungsfehler mit Folgeschäden nachgewiesen [16]. Die Dunkelziffer liegt laut Expert*innen aber weitaus höher. Zwar existieren Leitlinien für eine optimale medizinische Versorgung, jedoch werden sie in der Praxis nicht flächendeckend umgesetzt [17–19].

Unser Gesundheitssystem steht unter Druck

Darüber hinaus kämpft unser Gesundheitssystem mit vielen Herausforderungen. Dazu zählen eine wachsende Ökonomisierung, der damit einhergehende Kosten- und Zeitdruck, der fortschreitende demografische Wandel und ein flächendeckender Personalmangel. Der demografische Wandel schlägt hier gleich doppelt zu Buche. In einer alternden Gesellschaft treffen immer mehr ältere Menschen, die medizinisch versorgt werden müssen, auf immer weniger jüngere Menschen, die eine solche Versorgung aufrechterhalten können. Gleichzeitig sehnen junge Menschen sich nach einer besseren Vereinbarkeit von Beruf und Privatleben. So werden auch im Gesundheitswesen die Rufe nach einer 4-Tage-Woche lauter [20]. Es wird also immer weniger Menschen geben, die medizinische Entscheidungen treffen können oder – rund um die Uhr – treffen wollen [21, 22].

Klinische Entscheidungsunterstützungssysteme können Abhilfe schaffen

Klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) können helfen, eine hochwertige medizinische Versorgung zu gewährleisten, die dem vorhandenen medizinischen Fachwissen gerecht wird und gleichzeitig den obengenannten Herausforderungen gewachsen ist. Hierbei handelt es sich um Computersysteme, die in erster Linie medizinischem Fachpersonal dabei helfen sollen, Patient*innen möglichst optimal zu versorgen. Sie variieren in ihrer Komplexität und reichen von einem einfachen Frühwarnsystem, das Abweichungen bestimmter Vitalparameter von der Norm erkennt, bis hin zu komplexen Systemen, die Daten aus verschiedenen Quellen integrieren und – darauf basierend – Verdachtsdiagnosen stellen oder Behandlungsempfehlungen aussprechen [23]. Oft wird zwischen einer aktiven Entscheidungsunterstützung, etwa zur Findung einer Diagnose, und einer passiven Entscheidungsüberwachung, etwa der automatischen Erkennung von Allergien, Arzneimittelwechselwirkungen und unnötigen Mehrfachanordnungen, unterschieden [23].

Warum klinische Entscheidungsunterstützungssysteme sich zunächst nicht durchsetzten

Die ersten klinischen Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) wurden bereits in den 1970er Jahren entwickelt. INTERNIST-1 konnte anhand von eingegebenen Symptomen und Befunden etwa 570 Erkrankungen aus dem Fachbereich der Inneren Medizin erkennen [24]. Bei Infektionen half MYCIN, die jeweiligen Bakterienstämme zu identifizieren und empfahl geeignete Antibiotika, und das sogar dosisangepasst an das Körpergewicht der Patient*innen [25, 26]. Allerdings setzte sich keines dieser Entscheidungsunterstützungssysteme durch. Die Gründe sind vielfältig und reichen von der aufwendigen Unterhaltung der zugrundeliegenden Wissensdatenbanken bis hin zu ihrer umständlichen Bedienung. So hat der Aufbau und die Instandhaltung der INTERNIST-1 Wissensdatenbank, welche die für die Anwendnung der Entscheidungsregeln wichtigen Krankheitsprofile enthielt, rückwirkend etwa 50 Personenjahre (Stand 2010) in Anspruch genommen [26]. Noch dazu dauerte die Konsultation pro Fall etwa 30 bis 90 Minuten, da alle Informationen einzeln und manuell in das Entscheidungsunterstützungssystem eingegeben werden mussten [27]. Solche Entscheidungsunterstützungssysteme integrierten sich also nur unzureichend in bestehende Arbeitsabläufe und erforderten einen Arbeitsaufwand, der in keinem Verhältnis zu ihrem Nutzen stand.

Warum klinische Entscheidungsunterstützungssysteme gegenwärtig ihr Comeback feiern

Durch die fortschreitende Digitalisierung des Gesundheitswesens und den Vormarsch Künstlicher Intelligenz (KI) feiern klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) gegenwärtig ihr Comeback. Das liegt in erster Linie an einer höheren Datenverfügbarkeit, der enormen Rechenleistung moderner Computer, der Möglichkeit, Entscheidungsregeln automatisch extrahieren zu können, und an einem gestiegenen Bewusstsein für die Nutzerfreundlichkeit von digitalen Lösungen in der Gesundheitsversorgung.

Höhere Datenverfügbarkeit

Mit der fortschreitenden Digitalisierung und der Etablierung interoperabler Schnittstellen steigt die Datenverfügbarkeit. Daher fließen Daten, wo sie vormals mühselig per Hand eingegeben werden mussten. Dieser Trend verstärkt sich durch die Einführung entsprechender Datenökosysteme, wie etwa der elektronischen Patientenakte (kurz: ePA).

Enorme Rechenleistung moderner Computer

Gepaart mit der enormen Rechenleistung moderner Computer bilden verfügbare Daten die Grundlage für die Anwendung modernster statistischer Verfahren. Verfahren wie etwa das Maschinelle Lernen (engl.: »Machine Learning«; kurz: ML) können auch solche Muster erkennen, die dem Menschen zunächst verborgen bleiben. Das können sowohl Zusammenhänge zwischen bestimmten Symptomen, Befunden und Diagnosen sein, als auch subtile Muster in Daten, die im Rahmen bildgebender Diagnostik anfallen. Diese Erkenntnisse können dann – ganz ohne die manuelle Vorgabe einer Entscheidungsgrundlage – auf bisher ungesehene Fälle übertragen werden.

Automatische Extraktion von Entscheidungsregeln

Soll die Entscheidungsfindung dennoch auf expliziten Regeln statt auf statistischen Mustern beruhen, können diese mittlerweile auch automatisch aus aktuellen medizinischen Leitlinien extrahiert werden. Es ist daher nicht mehr zwingend notwendig, die Wissensdatenbanken, aus denen ein klinisches Entscheidungsunterstützungssystem (engl.: »Clinical Decision Support System«) seine Empfehlungen ableitet, manuell anzulegen und zu aktualisieren. Moderne KI-Verfahren wie das sogenannte »Natural Language Processing« (kurz: NLP) machen dies möglich [28].

Gestiegenes Bewusstsein für die Nutzerfreundlichkeit

Durch den Einsatz von Wearables und Apps (z.B. DiGA) ist zudem das Bewusstsein für die Nutzerfreundlichkeit digitaler Lösungen in der Gesundheitsversorgung noch einmal deutlich gestiegen. Eine Entwicklung, die auch klinischen Entscheidungsunterstützungssystemen (engl.: »Clinical Decision Support Systems«) zugute kommt.

Wissenswertes zu klinischen Entscheidungsunterstützungssytemen

Haupttypen und Datenquellen

Man unterscheidet zwischen wissensbasierten und nicht-wissensbasierten (bzw. datengetriebenen) klinischen Entscheidungsunterstützungssystemen (engl.: »Clinical Decision Support Systems«)  [23]. Während bei wissensbasierten Entscheidungsunterstützungssystemen die Entscheidungsregeln, die den Schlussfolgerungen des Systems zugrunde liegen, explizit durch die Entwickler*innen in einer Wissensdatenbank vorgegeben werden, werden sie bei datengetriebenen Entscheidungsunterstützungssystemen automatisch aus historischen Patientendaten erschlossen und auf neue Fälle angewendet [29]. Das ist besonders dann von Vorteil, wenn es sich um große Mengen an multimodalen Daten handelt. Denn die Datenquellen können vielfältig sein und reichen von Arztbriefen über klinisch dokumentierte Symptome bis hin zu Laborbefunden und aufwendigen bildgebenden Verfahren, wie etwa der Magnetresonanztomografie (MRT) oder Röntgenuntersuchungen.

Zielsetzung und Anwendungsgebiete

Die Entscheidungsunterstützungssysteme unterscheiden sich dabei – unabhängig von ihrer Datengrundlage – in ihrer Zielsetzung und in ihrem Anwendungsgebiet [23]. So werden sie einerseits für administrative Aufgaben und für die Prozessautomatisierung eingesetzt, etwa für die klinische Dokumentation und die Kodierung im Kontext der Abrechnung. Andererseits können sie durch die Ausgabe von Erinnerungen und Warnungen auch im Bereich des klinischen Managements eingesetzt werden, etwa um Prozesse zu standardisieren und die Einhaltung klinischer Leitlinien zu gewährleisten. Wohl am bekanntesten sind jedoch Entscheidungsunterstützungssysteme, die entwickelt wurden, um Ärztinnen und Ärzte bei der Diagnosefindung zu unterstützen. Neuartige klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) richten sich – ganz im Sinne einer patientenzentrierten Versorgung – sogar direkt an die Patient*innen. Über Wearables und tragbare Sensoren können diese sowohl dem medizinischen Fachpersonal Daten zur Verfügung stellen als auch maßgeschneiderte Informationen und Empfehlungen erhalten, etwa basierend auf ihrem individuellen Krankheitsverlauf [23]. Deshalb können klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) mittlerweile nicht nur über den Desktop, sondern auch über Tablets, Smartphones und andere Geräte, wie etwa Wearables, konsultiert werden.

Klinische Entscheidungsunterstützungssysteme tragen zu einer evidenzbasierten, demokratischen und patientenzentrierten Gesundheitsversorgung bei

Unterstützung des Gesundheitswesens bei der Erfüllung seiner wesentlichen Aufgaben

Klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) helfen, Fehldiagnosen zu reduzieren, Behandlungs- und Medikationsfehlern vorzubeugen, die Einhaltung klinischer Routinen und Standards zu überwachen, Prozesse zu automatisieren und unnötige Behandlungsschritte zu vermeiden [23, 30–36]. In der Konsequenz unterstützen sie das Gesundheitswesen bei der Erfüllung seiner wesentlichen Aufgaben: der Gewährleistung der Versorgungssicherheit, etwa durch die Optimierung von Prozessen; der Gewährleistung der Bezahlbarkeit, etwa durch die Reduzierung von Kosten und Arbeitsaufwand; und schließlich der Gewährleistung der Behandlungsqualität und Patientensicherheit, etwa durch die Vermeidung von Fehldiagnosen und potenziellen Folgeschäden.

Stärkung der evidenzbasierten Medizin

Einerseits können Klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) dafür sorgen, dass geltende medizinische Leitlinien gewissenhafter umgesetzt werden; andererseits können sie die Adoption aktualisierter medizinischer Leitlnien, die regelmäßig von Expertengremien anhand aktueller Forschungsergebnisse erstellt werden, beschleunigen. Wissenschaftliche Erkenntnisse kommen der Gesundheitsversorgung so verlässlicher und schneller zugute.

Demokratisierung durch Standardisierung

Ihr Einsatz stärkt allerdings nicht nur die evidenzbasierte Medizin, sondern treibt auch die Demokratisierung der Gesundheitsversorgung voran. Denn das zugrunde liegende medizinische Fachwissen kommt so nicht nur direkt der Versorgung, sondern auch allen gleichermaßen zugute. Voraussetzung ist, dass der Zugang zu solchen klinischen Entscheidungsunterstützungssystemen (engl.: »Clinical Decision Support Systems«) – ganz im Sinne der gesellschaftlichen Teilhabe – flächendeckend ermöglicht wird. So können nicht nur Qualitätsunterschiede innerhalb eines Landes, etwa zwischen Maximalversorgern in städtischen Ballungsgebieten und Gesundheitsversorgern in ländlichen Regionen, sondern auch Qualitätsunterschiede über Ländergrenzen hinweg, etwa zwischen Industrienationen und Drittweltländern, reduziert werden. Das Ergebnis ist eine hochwertige, evidenzbasierte und standardisierte medizinische Versorgung, die regions- und landesübergreifend angeboten werden kann.

Mehr Zeit für die Patient*innen

Gleichzeitig kann durch die Automatisierung und Optimierung von Prozessen Zeit eingespart werden, die das medizinische Fachpersonal – getreu seinem Anspruch – wieder ganz der Gesundheit und dem Wohlbefinden der Patienten*innen widmen kann.

Praktischer Nutzen

In der Praxis kann der Einsatz solcher Entscheidungsunterstützungssysteme z.B. den Unterschied machen…

• …zwischen Patient*innen, denen – trotz einer Penicillinallergie – fälschlicherweise Penicillin verabreicht wird, und solchen, bei denen das System automatisch und entschieden einschreitet, um die Patient*innen vor schwerwiegenden Folgen zu bewahren;
• …zwischen Patient*innen, die einen langen Leidensweg und eine Odyssee an Arztbesuchen durchlaufen, bis bei ihnen eine Seltene Erkrankung diagnostiziert wird, und solchen, bei denen das System schon frühzeitig im Rahmen eines Hausarztbesuchs den entscheidenden Hinweis gibt;
• …zwischen dem medizinischen Fachpersonal, das Daten müheselig manuell dokumentieren und kodieren muss, und dem medizinischen Fachpersonal, das sich in derselben Zeit ganz der Versorgung der Patient*innen widmen kann.

So wird die Neuauflage klinischer Entscheidungsunterstützungssysteme eine Erfolgsgeschichte

Die Vergangenheit zeigt, dass klinische Entscheidungsunterstützungssysteme (engl.: »Clinical Decision Support Systems«) keine Selbstläufer sind. Damit ihre Neuauflage eine Erfolgsgeschichte wird, müssen einige Voraussetzungen erfüllt werden.

Verlässliche Systeme: Transparenz, Nachvollziehbarkeit und ein gutes Unsicherheitsmanagement

Da bei medizinischen Entscheidungen im Ernstfall Gefahr für Leib und Leben droht, gilt es, die Entscheidungsunterstützungssysteme so verlässlich und vertrauenswürdig wie möglich zu gestalten. Verlässlichkeit heißt in diesem Kontext, möglichst transparent und nachvollziehbar zu machen, wie diese Entscheidungsunterstützungssysteme zu ihren Empfehlungen kommen und wie robust diese Empfehlungen unter wechselnden Ausgangsbedingungen sind, wie etwa bei unterschiedlicher Datenqualität. Dazu gehört auch, deutlich zu machen, mit wie viel Unsicherheit die Schlussfolgerungen der Systeme behaftet sind. Denn ein Blick hinter die Kulissen hilft, blindem Vertrauen vorzubeugen, Nutzer*innen für die Stärken und Schwächen der Entscheidungsunterstützungssysteme zu sensibilisieren und langfristig das Vertrauen in ihre Empfehlungen zu stärken [23, 37]. Die Folge: eine höhere Akzeptanz seitens aller Akteure und damit auch eine höhere Bereitschaft, die Systeme in der Praxis tatsächlich einzusetzen. Nachvollziehbare Empfehlungen haben einen weiteren Vorteil: Während intransparente Empfehlungen womöglich zu blindem Vertrauen und einem Verlust von Nutzerfertigkeiten führen, können Nutzer*innen aus nachvollziehbaren Warnungen und Empfehlungen lernen [23].

Souveräner Umgang: Empfehlungen kritisch beurteilen

Ein fachgerechter Einsatz erfordert auch eine kritische Beurteilung der Empfehlungen. Falls möglich, empfiehlt es sich, leistungsfähige statistische Verfahren mit klassischen regelbasierten Ansätzen zu kombinieren, um so die jeweiligen Empfehlungen gegenseitig auf ihre Konsistenz und Plausibilität hin überprüfen zu können [38]. Dafür müssen allerdings alle Akteure im Hinblick auf ihre Kompetenzen rund um den Umgang mit Computern, der Digitalisierung, (Gesundheits-)Daten und Künstlicher Intelligenz (KI) geschult werden. Andernfalls droht eine fehlende Technologieaffinität zum Flaschenhals für die flächendeckende Anwendung der Systeme zu werden [23, 39].

Gesellschaftliche Teilhabe: Flächendeckende Bereitstellung und digitale Inklusion

Diese Fähigkeiten fördern nicht nur den souveränen Umgang mit Entscheidungsunterstützungssystemen, sondern auch die gesellschaftliche Teilhabe an einer besseren Gesundheitsversorgung. Neben der flächendeckenden Bereitstellung der Entscheidungsunterstützungsysteme ist es wichtig, dass die Patient*innen über die notwendigen Kompetenzen verfügen, um von ihnen profitieren zu können. Nicht umsonst gilt die digitale Inklusion als ein wesentlicher sozialer Einflussfaktor auf die individuelle Gesundheit [40]. Darunter versteht man sowohl das Wissen als auch die Fähigkeiten, die es dem Individuum erlauben, digitale Angebote wahrzunehmen, die sich – direkt oder indirekt – auf die eigene Gesundheit auswirken.

Repräsentativität: Systematische Fehler und Verzerrungen vermeiden

Gesellschaftliche Teilhabe heißt auch, dass keine gesesllschaftliche Gruppe durch die Entscheidungsunterstützungssysteme systematisch benachteiligt werden darf, etwa durch ungenaue oder verzerrte Empfehlungen. Deshalb muss insbesondere bei datengetriebenen, KI-basierten Entscheidungsunterstützungssystemen darauf geachtet werden, dass die Datengrundlage repräsentativ ist und die Gruppe der Betroffenen in ihrer Vielfalt und Heterogenität so getreu wie möglich abbgebildet wird [4]. Gleiches trifft auch auf den Entwicklungsprozess zu. Nur solche Entwicklerteams, die verschiedene Entwicklungsansätze, etwa unter Einbezug verschiedener Disziplinen und Nationalitäten, abbilden, vermeiden Fehler und Verzerrungen zum Nachteil bestimmter Gruppen [4]. Es sind also nur solche Entscheidungsunterstützungssysteme inklusiv, die sowohl hinsichtlich statistischer, sozialer und technischer Aspekte repräsentativ sind.

Nutzerfreundlichkeit: Nutzer*innen frühzeitig einbinden

Außerdem gilt es, aus den Fehlern der Vergangenheit zu lernen. Nutzer*innen müssen deshab frühzeitig in die Konzeption der Entscheidungsunterstützungssysteme eingebunden werden, damit sie möglichst reibungslos in deren Arbeitsabläufe integriert werden können.

Datenverfügbarkeit: Anbindung an geeignete Datenökosysteme ermöglichen

Zugleich müssen dort mehr Daten fließen, wo sie heute noch mühselig per Hand eingegeben werden. Deshalb müssen entsprechende Schnittstellen zur Anbindung an die dafür geeigneten Datenökosysteme, wie etwa die elektronische Patientenakte (kurz: ePA), geschaffen und flächendeckende Investitionen in die Digitalisierung und Interoperabilität der Gesundheitsinfrastruktur getätigt werden.

Ökonomischer Nutzen: Kosten frühzeitig einkalkulieren

Abschließend müssen ökonomische Aspekte, wie etwa Kosten, die durch die Schulung des Personals sowie die Wartung und Instandhaltung der Entscheidungsunterstützungssysteme entstehen, frühzeitig berücksichtigt werden, damit sich ihr Einsatz auch langfristig rechnet [23].

Einsatz eines Entscheidungsunterstützungssystems im Projekt SATURN

Seltenen Erkankungen auf der Spur

Zusammen mit weiteren Projektpartnern (Universitätsklinikum Frankfurt, Goethe-Universität Frankfurt, Technische Universität Dresden) entwickelt das Fraunhofer IESE im Projekt SATURN ein klinisches Entscheidungsunterstützungssystem (engl.: »Clinical Decision Support System«). Ziel ist es, Hausärztinnen und Hausärzte dabei zu unterstützen, Patient*innen, bei denen zunächst eine unklare Diagnose oder gegebenenfalls eine Seltene Erkrankung (im Engl. Orphan oder Rare Disease) vorliegt, frühzeitig an die richtigen Fachärztinnen und Fachärzte weiterzuleiten. Das Projekt deckt dabei verschiedene Krankheitsbilder aus dem Fachbereich der Inneren Medizin (Endokrinologie, Pulmologie und Gastroenterologie) ab.

Hybrider Ansatz: Kombination von wissens- und datenbasierten Komponenten

Auf der technischen Ebene verfolgt das Projekt ganz bewusst einen hybriden Ansatz, in dem es wissens- und datenbasierte Komponenten miteinander vereint. Einerseits werden mithilfe statistischer Verfahren Muster in historischen Patientendaten ermittelt, um diese auf neue Fälle übertragen zu können; andererseits kommen wissensbasierte Ansätze zum Einsatz, bei denen die Entscheidungsregeln vorab sowohl über Interviews mit Ärztinnen und Ärzten als auch mittels automatischer Extraktion aus medizinischen Leitlinien gewonnen werden. Die Hausärztinnen und Hausärzte haben so später die Möglichkeit, die Empfehlungen der jeweiligen Ansätze gegenseitig auf ihre Konsistenz und Plausibilität hin zu überprüfen. Denn klassische regelbasierte Ansätze sind nicht nur nachvollziehbarer, sondern benötigen auch keine historischen Patientendaten. Das ist im Kontext Seltener Erkrankungen von entscheidendem Vorteil, da Datenknappheit hier in der Natur der Sache liegt.

Frühzeitige Einbindung der Nutzer*innen

Hausärztinnen und Hausärzte wurden von Beginn an in das Projekt eingebunden. Mit ihrer Hilfe wurde ein Anforderungsprofil für die Benutzeroberfläche und die Interaktion mit dem Entscheidungsunterstützungssystem erarbeitet, um eine möglichst reibungslose Integration in bestehende Arbeitsabläufe zu gewährleisten.

Anbindung an verfügbare Datenökosysteme

Perspektivisch soll die Übermittlung der Patientendaten zudem so weit wie möglich vereinfacht werden, etwa über eine direkte Anbindung an Praxisverwaltungssysteme (PVS) und die elektronische Patientenakte (ePA). Das eröffnet weitere Möglichkeiten, wie z.B. eine gezielte, datenschutzkonforme und deutschlandweite Verknüpfung und Nutzung von Daten aus den mehr als 30 existierenden Zentren für Seltene Erkrankungen, etwa über Verfahren des sogenannten föderierten Lernens (engl.: »Federated Learning«; kurz: FL).

Damit leistet das Fraunhofer IESE einen Beitrag zu einer evidenzbasierteren und besseren Gesundheitsversorgung. Arthur Radebaugh hätte das mit Sicherheit gefallen.

Haben Sie Fragen? Melden Sie sich gerne bei unseren Autoren.

_____________________________________________________________________

Quellen

[1] Densen P. Challenges and opportunities facing medical education. Transactions of the American Clinical and Climatological Association 2011; 122: 48.

[2] Schaller RR. Moore’s law: past, present and future. IEEE spectrum 1997; 34(6): 52–9.

[3] McClellan MB. Evidence-based medicine and the changing nature of health care: 2007 IOM annual meeting summary. Natl Academy Pr 2008.

[4] Baumgart, D.C. An intriguing vision for transatlantic collaborative health data use and artificial intelligence development. npj Digit. Med. 7, 19 (2024). https://doi.org/10.1038/s41746-024-01005-y

[5] Miller GA. The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological review 1956; 63(2): 81.

[6] Kahneman D. Thinking, fast and slow. macmillan 2011.

[7] Cohen LJ. Can human irrationality be experimentally demonstrated? Behavioral and Brain Sciences 1981; 4(3): 317–31.

[8] Tversky A, Kahneman D. Judgment under Uncertainty: Heuristics and Biases: Biases in judgments reveal some heuristics of thinking under uncertainty. science 1974; 185(4157): 1124–31.

[8] Whelehan DF, Conlon KC, Ridgway PF. Medicine and heuristics: cognitive biases and medical decision-making. Irish Journal of Medical Science (1971-) 2020; 189: 1477–84.

[9] Croskerry P. Achieving quality in clinical decision making: cognitive strategies and detection of bias. Academic emergency medicine 2002; 9(11): 1184–204.

[10] Garb HN. The representativeness and past-behavior heuristics in clinical judgment. Professional Psychology: Research and Practice 1996; 27(3): 272.

[11] Mamede S, Schmidt HG. Deliberate reflection and clinical reasoning: founding ideas and empirical findings. Medical Education 2023; 57(1): 76–85.

[12] Mamede S, van Gog T, van den Berge K, et al. Effect of availability bias and reflective reasoning on diagnostic accuracy among internal medicine residents. Jama 2010; 304(11): 1198–203.

[13] Croskerry P. From mindless to mindful practice—cognitive bias and clinical decision making. N Engl J Med 2013; 368(26): 2445–8.

[14] Laschet, H. (2013, October 30). Das Milliardengrab. aerztezeitung.de. https://www.aerztezeitung.de/Politik/Das-Milliardengrab-271005.html

[15] AXA Deutschland. (n.d.). Wechselwirkungen von Medikamenten. https://www.axa.de/pk/gesundheit/a/medikamente-wechselwirkung

[16] Medizinischer Dienst Bund. (2023, August 17). Behandlungsfehlerbegutachtung 2022: Immer wieder die Gleichen Fehler. https://md-bund.de/presse/pressemitteilungen/2023/behandlungsfehlerbegutachtung-2022-immer-wieder-die-gleichen-fehler.html

[17] Davis DA, Taylor-Vaisey A. Translating guidelines into practice: a systematic review of theoretic concepts, practical experience and research evidence in the adoption of clinical practice guidelines. Cmaj 1997; 157(4): 408–16.

[18] Cabana MD, Rand CS, Powe NR, et al. Why don’t physicians follow clinical practice guidelines?: A framework for improvement. Jama 1999; 282(15): 1458–65.

[19] Shortliffe, T. (2006). Medical thinking: What should we do. Proceedings of Medical Thinking: What Do We Know.

[20] Deutsches Ärzteblatt. (2023, May 18). Debatte über Vier-Tage-Woche in der Pflege. https://www.aerzteblatt.de/nachrichten/143334/Debatte-ueber-Vier-Tage-Woche-in-der-Pflege

[21] Deutsches Ärzteblatt. (2022, October 12). Personalmangel größtes Problem im Gesundheitswesen. https://www.aerzteblatt.de/nachrichten/138045/Personalmangel-groesstes-Problem-im-Gesundheitswesen

[22] PWC. (2022). Fachkräftemangel im Deutschen Gesundheitswesen 2022. PwC. https://www.pwc.de/de/gesundheitswesen-und-pharma/fachkraeftemangel-im-deutschen-gesundheitswesen-2022.html

[23] Sutton RT, Pincock D, Baumgart DC, Sadowski DC, Fedorak RN, Kroeker KI. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ digital medicine 2020; 3(1): 17.

[24] Miller RA, McNeil MA, Challinor SM, Masarie Jr FE, Myers JD. The INTERNIST-1/quick medical REFERENCE project—Status report. Western Journal of Medicine 1986; 145(6): 816.

[25] van Melle W. MYCIN: a knowledge-based consultation program for infectious disease diagnosis. International journal of man-machine studies 1978; 10(3): 313–22.

[26] Shortliffe EH. MYCIN: A rule-based computer program for advising physicians regarding antimicrobial therapy selection. Stanford University Ph. D. dissertation 1974.

[27] Miller RA. A history of the INTERNIST-1 and Quick Medical Reference (QMR) computer-assisted diagnosis projects, with lessons learned. Yearbook of medical informatics 2010; 19(01): 121–36.

[28] Fazlic LB, Hallawa A, Schmeink A, Peine A, Martin L, Dartmann G. A novel NLP-fuzzy system prototype for information extraction from medical guidelines. In: A novel NLP-fuzzy system prototype for information extraction from medical guidelines. IEEE; 1025–30.

[29] Antoniadi AM, Du Y, Guendouz Y, et al. Current challenges and future opportunities for XAI in machine learning-based clinical decision support systems: a systematic review. Applied Sciences 2021; 11(11): 5088.

[30] Kostopoulou O, Rosen A, Round T, Wright E, Douiri A, Delaney B. Early diagnostic suggestions improve accuracy of GPs: a randomised controlled trial using computer-simulated patients. British Journal of General Practice 2015; 65(630): e49-e54.

[31] Martinez-Franco AI, Sanchez-Mendiola M, Mazon-Ramirez JJ, et al. Diagnostic accuracy in Family Medicine residents using a clinical decision support system (DXplain): a randomized-controlled trial. Diagnosis 2018; 5(2): 71–6.

[32] Riches N, Panagioti M, Alam R, et al. The effectiveness of electronic differential diagnoses (DDX) generators: a systematic review and meta-analysis. PloS one 2016; 11(3): e0148991.

[33] Kawamura R, Harada Y, Sugimoto S, Nagase Y, Katsukura S, Shimizu T. Incidence of Diagnostic Errors Among Unexpectedly Hospitalized Patients Using an Automated Medical History–Taking System With a Differential Diagnosis Generator: Retrospective Observational Study. JMIR Medical Informatics 2022; 10(1): e35225.

[34] Muhiyaddin R, Abd-Alrazaq AA, Househ M, Alam T, Shah Z. The impact of clinical decision support systems (CDSS) on physicians: a scoping review. The Importance of Health Informatics in Public Health during a Pandemic 2020: 470–3.

[35] Phillips-Wren G, Power DJ, Mora M. Cognitive bias, decision styles, and risk attitudes in decision making and DSS. Taylor & Francis; 2019.

[36] Kwok, R., Dinh, M., Dinh, D., & Chu, M. (2009). Improving adherence to asthma clinical guidelines and discharge documentation from emergency departments: implementation of a dynamic and integrated electronic decision support system. Emergency Medicine Australasia, 21(1), 31-37.

[37] Holzinger A, Biemann C, Pattichis CS, Kell DB. What do we need to build explainable AI systems for the medical domain? arXiv preprint arXiv:1712.09923 2017.

[38] Jussupow E, Spohrer K, Heinzl A, Gawlitza J. Augmenting medical diagnosis decisions? An investigation into physicians’ decision-making process with artificial intelligence. Information Systems Research 2021; 32(3): 713–35.

[39] Kuhn S, Kadioglu D, Deutsch K, Michl S. Data Literacy in der Medizin. Onkologe 2018; 24(5): 368–77.

[40] Sieck, C. J., Sheon, A., Ancker, J. S., Castek, J., Callahan, B., & Siefer, A. (2021). Digital inclusion as a social determinant of health. NPJ digital medicine, 4(1), 52.