Zusammenfassung
Die zunehmende Digitalisierung im klinischen Alltag zeigt sich mittlerweile in vielen Bereichen wie beispielsweise bei der elektronischen Patientenakte, telemedizinischen Anwendungen oder auch dem Einsatz von Operationsrobotik. Die schon seit Jahrzehnten vorangetriebene Entwicklung klinischer Entscheidungsunterstützungssysteme entfaltet aktuell über die Digitalisierung ihr großes Potenzial. Gerade in der kardiovaskulären Medizin gibt es bei sehr vielen Krankheitsbildern gute Evidenzen für das klinische Vorgehen. Hieraus werden jeweils aktualisierte Leitlinienempfehlungen abgeleitet. Digitale Entscheidungsunterstützungs-Apps können helfen, über eine höhere Leitlinienadhärenz mehr Sicherheit und Transparenz sowie eine bessere Behandlungsqualität zu ermöglichen. Die aktuellen technischen Entwicklungen bezüglich digitaler Entscheidungshilfen in der Medizin führen vermehrt von „wissensbasierten“ Ansätzen (z. B. Regeln aus Leitlinien) hin zu „nicht-wissensbasierten“ Systemen, die beispielsweise Methoden der künstlichen Intelligenz (KI) und des Lernens von Mustern aus unterschiedlichen klinischen Datensätzen (maschinelles Lernen) nutzen. Die Anforderungen zukünftiger CDS(„clinical decision support“)-Systeme sind vielfältig und werden v. a. internationale Datenstandards und eine weitgehende Unabhängigkeit von bestehenden klinischen Informationssystemen benötigen.
Abstract
The increasing digitalization in routine clinical practice has now become evident in many areas of diagnostics and treatment. Current examples include electronic patient records, telemedical applications and the use of robotic surgery. Another example is the development of clinical decision support (CDS) solutions, which started decades ago and is currently unfolding its whole potential through digitalization. Particularly in cardiovascular medicine there is good evidence for the clinical approach in many diseases and from each of these updated guideline recommendations can be derived. Digital decision support apps can help to improve safety and transparency as well as enabling better treatment quality by achieving higher guideline adherence. The current technical developments regarding digital decision aids in medicine are increasingly shifting from “knowledge-based” approaches (e.g. rules from guidelines) to “non-knowledge-based” systems, which use, for example, methods of artificial intelligence (AI) and learning from patterns out of different clinical data sets (machine learning). The requirements of future CDS systems are manifold and will need, above all, international data standards and a high degree of independence from existing clinical information systems.
Literatur
Kraushaar J, Bohnet-Joschko S (2022) Smartphone use and security challenges in hospitals: a survey among resident physicians in Germany. Int J Environ Res Public Health 9(24):16546. https://doi.org/10.3390/ijerph192416546
Johnson V (2022) Das Smartphone in der Kitteltasche – Welche Apps brauche ich als Kardiologe wirklich? DGK-Herztage 2022, Bonn, 29. September – 1. Oktober
https://www.amboss.com/de/studie. Zugegriffen: 28. Jan. 2023
Sutton RT, Pincock D, Baumgart DC et al (2020) An overview of clinical decision support systems: benefits, risks, and strategies for success. Npj Digit Med 3:17
Barth J, Misra S, Aakre K et al (2016) Why are clinical practice guide-lines not followed? Clin Chem Lab Med 54:1133–1139. https://doi.org/10.1515/cclm-2015-0871
Kwok R, Dinh M, Dinh D et al (2009) Improving adherence to asthma clinical guidelines and discharge documentation from emergency departments: Implementation of a dynamic and integrated electronic decision support system. Emerg Med Australas 21:31–37
Hosny A, Parmar C, Quackenbush J et al (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510. https://doi.org/10.1038/s41568-018-0016-5
Niazi MKK, Parwani AV, Gurcan MN (2019) Digital pathology and artificial intelligence. Lancet Oncol 20(5):e253–e261. https://doi.org/10.1016/S1470-2045(19)30154-8 (Review)
https://leitlinien.dgk.org/pocketleitlinie/app/. Zugegriffen: 28. Jan. 2023
https://www.bsecho.org/Public/Public/News/Articles/2021/2021-06/202106-EchoCalc.aspx. Zugegriffen: 28. Jan. 2023
https://www.escardio.org/Guidelines/Clinical-Practice-Guidelines/Guidelines-derivative-products/ESC-Mobile-Pocket-Guidelines. Zugegriffen: 28. Jan. 2023
https://www.escardio.org/Education/ESC-Prevention-of-CVD-Programme/Risk-assessment/esc-cvd-risk-calculation-app. Zugegriffen: 28. Jan. 2023
https://www.escardio.org/Education/Practice-Tools/Clinical-Decision-Making-Toolkit. Zugegriffen: 28. Jan. 2023
Börm P (2021) Leitlinienbasierter Clinical Decision Support – Anforderungen an evidenzbasierte Entscheidungsunterstützungssysteme. OP-JOURNAL 37:28–35
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
P.W. Radke gibt an, dass kein Interessenkonflikt besteht.
Für diesen Beitrag wurden vom Autor keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Additional information
QR-Code scannen & Beitrag online lesen
Rights and permissions
About this article
Cite this article
Radke, P.W. Klinische Entscheidungsunterstützung in der Kardiologie. Kardiologie 17, 72–80 (2023). https://doi.org/10.1007/s12181-023-00600-9
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s12181-023-00600-9
Schlüsselwörter
- Digitale Transformation
- Evidenzbasierte Medizin
- Entscheidungsunterstützungssysteme
- Behandlungsqualität
- Kardiologie