Positionspapier „Digitalisierung in der Chirurgie“ – Konsequenzen?

Das Positionspapier „Digitalisierung in der Chirurgie“, das im Auftrag der DGCH und in Mitwirkung durch zahlreiche Experten erstellt wird, beabsichtigt, einen Statusbericht über den aktuellen Transformationsprozess und die eingebundenen Technologien zu geben. Zugleich soll es aber dazu dienen, Handlungsempfehlungen zu generieren, die als Thesen bereits formuliert wurden. Die sich hieraus ableitenden Konsequenzen betreffen verschiedene Teilbereiche unseres Faches und sollen in diesem Manuskript erläutert werden.

Publication History

Article published online:
01 December 2020

• Literatur

• 1 Marstedt G. Das Internet: Auch Ihr Ratgeber für Gesundheitsfragen?. 2018 Im Internet (Stand: 17.07.2020): https://www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/VV_Studie_Das-Internet-auch-Ihr-Ratgeber_Befragung.pdf
• 2 Ginsberg J, Mohebbi MH, Patel RS. et al. Detecting influenza epidemics using search engine query data. Nature 2009; 457: 1012-1014
• 3 Araz OM, Bentley D, Muelleman RL. Using Google Flu Trends data in forecasting influenza-like-illness related ED visits in Omaha, Nebraska. Am J Emerg Med 2014; 32: 1016-1023
• 4 Gupta A, Katarya R. Social media based surveillance systems for healthcare using machine learning: A systematic review. J Biomed Inform 2020; 108: 103500
• 5 Santillana M, Nguyen AT, Dredze M. et al. Combining Search, Social Media, and Traditional Data Sources to Improve Influenza Surveillance. PLoS Comput Biol 2015; 11: e1004513
• 6 Deutsche Gesellschaft für Chirurgie e.V. (DGCH). 25 Thesen zur Digitalisierung: Chirurgen operieren, Daten assistieren. 2019 Im Internet (Stand: 18.07.2020): https://www.bdc.de/25-thesen-zur-digitalisierung-chirurgen-operieren-daten-assistieren/
• 7 Wilhelm D, Kranzfelder M, Ostler D. et al. [Digitalization in surgery: What surgeons currently think and know about it-results of an online survey]. Chirurg 2020; 91: 51-59
• 8 Efthymiou CA. Dystopian levels of bureaucracy distract us from treating patients. BMJ 2019; 365: l2334
• 9 Toledano DT, Fernández-Gallego MP, Lozano-Diez A. Multi-resolution speech analysis for automatic speech recognition using deep neural networks: Experiments on TIMIT. PLoS One 2018; 13: e0205355
• 10 Shickel B, Tighe PJ, Bihorac A. et al. A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis. IEEE J Biomed Health Inform 2018; 22: 1589-1604
• 11 Walsh S, de Jong EEC, van Timmeren JE. et al. Decision Support Systems in Oncology. JCO Clin Cancer Inform 2019; 3: 1-9
• 12 Haendel MA, Chute CG, Robinson PN. Classification, Ontology, and Precision Medicine. N Engl J Med 2018; 379: 1452-1462
• 13 Shin K, Phalak K, Hamame A. et al. Interpretation of Breast MRI Utilizing the BI-RADS Fifth Edition Lexicon: How Are We Doing and Where Are We Headed?. Curr Probl Diagn Radiol 2017; 46: 26-34
• 14 Kasparick M, Andersen B, Franke S. et al. Enabling artificial intelligence in high acuity medical environments. Minim Invasive Ther Allied Technol 2019; 28: 120-126
• 15 Breil B. Technische Standards bei eHealth-Anwendungen. In: Fischer F, Krämer A. Hrsg. eHealth in Deutschland. Berlin, Heidelberg: Springer Vieweg; 2016: 25-46
• 16 Shah NR. Health Care in 2030: Will Artificial Intelligence Replace Physicians?. Ann Intern Med 2019; 170: 407-408
• 17 Topalovic M, Das N, Burgel PR. et al. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respir J 2019; 53: 1801660
• 18 Schaller RR. Mooreʼs law: past, present and future. IEEE Spectrum 1997; 34: 52-59
• 19 Killock D. AI outperforms radiologists in mammographic screening. Nat Rev Clin Oncol 2020; 17: 134
• 20 Floridi L. What the near Future of artificial Intelligence could be. In: Burr C, Milano S. eds. The 2019 Yearbook of the Digital Ethics Lab. Basel: Springer; 2020: 127-142
• 21 Shademan A, Decker RS, Opfermann JD. et al. Supervised autonomous robotic soft tissue surgery. Sci Transl Med 2016; 8: 337ra364
• 22 Panesar S, Cagle Y, Chander D. et al. Artificial Intelligence and the Future of Surgical Robotics. Ann Surg 2019; 270: 223-226
• 23 OʼSullivan S, Nevejans N, Allen C. et al. Legal, regulatory, and ethical frameworks for development of standards in artificial intelligence (AI) and autonomous robotic surgery. Int J Med Robot 2019; 15: e1968
• 24 Müller VC, Bostrom N. Future Progress in artificial Intelligence: A Survey of Expert Opinion. In: Müller VC. ed. Fundamental Issues of artificial Intelligence. Basel: Springer; 2016: 555-572
• 25 Murff HJ, FitzHenry F, Matheny ME. et al. Automated identification of postoperative complications within an electronic medical record using natural language processing. JAMA 2011; 306: 848-855
• 26 Mofidi R, Duff MD, Madhavan KK. et al. Identification of severe acute pancreatitis using an artificial neural network. Surgery 2007; 141: 59-66
• 27 Lee WS, Ahn SM, Chung JW. et al. Assessing Concordance With Watson for Oncology, a Cognitive Computing Decision Support System for Colon Cancer Treatment in Korea. JCO Clin Cancer Inform 2018; 2: 1-8
• 28 Tian Y, Liu X, Wang Z. et al. Concordance Between Watson for Oncology and a Multidisciplinary Clinical Decision-Making Team for Gastric Cancer and the Prognostic Implications: Retrospective Study. J Med Internet Res 2020; 22: e14122
• 29 Hirsch MC. KI und neue Wege der Care-Navigation. Klinikarzt 2020; 49: 256-261
• 30 [Anonym] Deutsche zur Datenspende für medizinische Forschung bereit. Deutsches Ärzteblatt; 28.08.2019 Im Internet (Stand: 20.07.2020): https://www.aerzteblatt.de/treffer?mode=s&wo=17&typ=1&nid=105591&s=datenspende
• 31 [Anonym] Digitalisierung: Kabinett beschließt Patientendaten-Schutzgesetz. Deutsches Ärzteblatt; 01.04.2020 https://www.aerzteblatt.de/treffer?mode=s&wo=17&typ=1&nid=111593&s=datenspende
• 32 Klauber J, Geraedts M, Friedrich J. et al. Krankenhaus-Report 2019: Das digitale Krankenhaus. Berlin: Springer Nature; 2019
• 33 Feussner H, Wilhelm D, Navab N. et al. Surgineering: a new type of collaboration among surgeons and engineers. Int J CARS 2019; 14: 187-190