Von der theoretisch besten Evidenz zur praktisch besten Evidenz: ein Ansatz zur Überwindung des Strukturkonservatismus in der evidenzbasierten Medizin und Gesundheitspolitik

Zusammenfassung

Im Gesundheitswesen ist ein Missverhältnis zwischen dem Ausmaß an Innovationen in Bezug auf medizinische Produkte (z. B. Arzneimittel) und dem Ausmaß an Innovationen in Bezug auf Versorgungsstrukturen festzustellen. Dies liegt nicht daran, dass es an Ideen, Konzepten und (quasi-)experimentellen Studien zu Versorgungsorganisationen mangelt. In diesem Beitrag stellen wir vielmehr die These auf, dass wir es mit einer schleppenden Implementierung von Strukturinnovationen zu tun haben und dass dies zum einen daran liegt, dass das EbM-Instrumentarium zwar sehr gut zur Evaluation von Produktinnovationen geeignet ist, aber nur bedingt zur Bewertung von Strukturinnovationen. Wir zeigen in diesem Aufsatz, dass sich aus dem ungewollten Zusammenspiel aus einem über die Zeit deutlich veränderten, nun vor allem theoretischen EbM-Verständnis und gesundheitspolitischer Vorsicht und Trägheit ein systematischer Strukturkonservatismus resultiert. Strukturkonservatismus ist gegeben, wenn die Strukturen des Gesundheits- und Versorgungssystems ein starkes Beharrungsvermögen aufweisen und gegenüber Innovationen weitgehend resistent sind. Dieses Phänomen interpretieren wir als eine unintendierte Folge absichtsvollen EbM-Handelns. Um auch bezogen auf Strukturinnovationen in der Gesundheitsversorgung handlungsfähig zu sein, schlagen wir einen neue Bewertungsrahmen vor, in dessen Mitte eine Differenzierung zwischen der theoretisch bestmöglichen Evidenz, der praktisch bestmöglichen Evidenz und der bestverfügbaren Evidenz steht.

Schlüsselwörter

Evidenzbasierte Medizin - Gesundheitspolitik - Strukturkonservatismus - Innovation - Unsicherheit - Entscheidung

Einleitung und Problemstellung

Ein Leitbild moderner Gesundheitspolitik ist die Gestaltung des Gesundheitssystems als lernendes System [1] [2] , das an Versorgungszielen, wie zum Beispiel am triple aim, am quadruple aim oder am quintruple aim orientiert ist [3] [4] [5] [6] . Das Konzept eines lernenden Gesundheitssystems setzt voraus, dass Produkt-, Prozess- und Strukturinnovationen getestet und nach erfolgreicher Evaluation – auf der Basis der EbM-Methoden – in die Fläche ausgerollt und praktiziert werden, bis weitere Evaluationen anzeigen, dass aufkommende neue Versorgungsformen besser sind als die alten Formen. Es mehren sich jedoch die Zeichen, in Deutschland und anderen Ländern, dass das Prinzip des lernenden Systems zwar bei Produktinnovationen gut funktioniert, aber weniger bei Prozessinnovationen und fast gar nicht bei Strukturinnovationen [7] [8] [9] .

Es gibt verschiedene gute Erklärungen für dieses Implementierungsdefizit wie etwa langsame Akzeptanz trotz hohem Patientennutzen, externe disruptive Faktoren oder träge Verhaltensänderungen aufgrund von Gewohnheiten. [9] [10] [11] [12] . Wir möchten in diesem Beitrag eine zusätzliche Erklärung für das Implementierungsdefizit vorschlagen. Wir stellen die These auf, dass wir es deshalb mit einer schleppenden Implementierung von Strukturinnovationen zu tun haben, weil das EbM-Instrumentarium, zwar sehr gut zur Evaluation von Produktinnovationen (z. B. neue Medikamente) geeignet ist, aber nur bedingt zur Bewertung von Strukturinnovationen. Wir zeigen in diesem Beitrag, dass sich aus dem ungewollten Zusammenspiel aus einem über die Zeit deutlich veränderten, nun v. a. theoretischen EbM-Verständnis und gesundheitspolitischer Vorsicht und Trägheit ein systematischer Strukturkonservatismus resultiert. Ein Strukturkonservatismus ist gegeben, wenn die Strukturen des Gesundheits- und Versorgungssystems ein starkes Beharrungsvermögen aufweisen und gegenüber Strukturinnovationen weitgehend resistent sind. Strukturkonservatismus ist ein emergentes Phänomen und nicht nur das Ergebnis einer Bewegung, die die bestehende Ordnung der Versorgung und damit die vorherrschenden Interessen und Machtverhältnisse bewahren will.

Der von uns diagnostizierte Strukturkonservatismus äußert sich darin, dass es Strukturinnovationen, auch wenn sie mit hoher Wahrscheinlichkeit wirksam sind, dennoch systematisch schwer haben, sich gegen die etablierten Strukturen durchzusetzen. Wir beleuchten in diesem Beitrag nur die Rolle der Wissenschaft am Zustandekommen dieses Problems und schlagen verschiedene Problemlösungen vor. Aus unserer Sicht benötigen wir eine stärkere Strukturierung des Verhältnisses zwischen Wissenschaft, Politik und Praxis im Gesundheitssystem. Sie soll es ermöglichen, die Empfehlungen aus der Wissenschaft und die Entscheidungen der Politik rationaler und zugleich pragmatischer zu gestalten [13] . Es geht gerade in einer Zeit multipler Krisen und Herausforderungen im Gesundheitssystem, die eine Reorganisation und Weiterentwicklung der strukturellen, organisatorischen Ebene dringend erforderlich machen (Fachkräftemangel, demographischer Wandel, Rückstand bei digitaler Transformation), darum, in der Praxis und Gesundheitspolitik handlungsfähig zu sein und dies auf einem praktikablen Höchstmaß an Evidenzbasierung.

Das grundlagenwissenschaftliche Prinzip der besten Evidenz: Sinn, Ursprung und Anwendungsbereiche

Die klassische, ursprüngliche EbM hat die „bestverfügbare Evidenz“ gefordert und nicht die höchste Evidenz, weil sie streng anwendungsbezogen war und weil die Begründer der EbM selbst Praktiker waren [14] . Fester Bestandteil und primäres Ziel dieser ersten Generation der EbM-Vertreter war es, klinische Epidemiologie und evidenzbasierte Medizin als Ressourcen für die Anwendung von Evidenz bei der Behandlung von Patient:innen durch Health Professionals [15] zu betrachten. Das Ziel dieser, wie wir sie bezeichnen wollen, “anwendungsorientierten EbM” ist “to achieve the integration of research results in clinical practice“, dafür „ EBM proposes a formal set of rules to help clinicians interpret and apply evidence” [16] . Kliniker müssen täglich gemeinsam mit Patient:innen sehr viele Entscheidungen treffen, für die sie auch unmittelbar verantwortlich sind. In der klinischen Patientenversorgung sind Entscheidungen immer aktive Prozesse, d. h. auch die Entscheidung, eine Therapie unverändert zu lassen oder keine Therapie einzuleiten, ist eine Entscheidung und muss aktiv und unmittelbar begründet und kommuniziert werden. Dies sind wichtige Unterschiede zur Art, dem Anlass und der Kommunikation von auf struktureller, regulatorischer oder organisatorischer Ebene stattfindenden EbM-basierten Entscheidungen.

Im Gegensatz dazu sind die Vertreter der zweiten EbM-Generation, die Vertreter der "theoretischen EbM", selbst keine Praktiker mehr (z. B. NICE und IQWiG) und daher nicht mehr mit der Situation konfrontiert, unmittelbare, manchmal auch pragmatische Entscheidungen treffen zu müssen. Sie behandeln keine Patient:innen und müssen daher auch keine Kompromisse zwischen Praxis und der reinen EbM-Methodenlehre eingehen. Sie tragen damit auch keine unmittelbare Verantwortung für Entscheidungen, die auf der Basis ihrer Regeln gefällt werden. Das ursprünglich pragmatische und ermöglichende EbM-Konzept der ersten EbM-Generation wurde von der zweiten EbM-Generation zu einem theoretisch reinen EbM-Konzept ausgebaut, mit höchsten wissenschaftlichen Ansprüchen. Diese Ansprüche und Kriterien stammen aus der Perspektive der Grundlagenforschung, die ausschließlich nach einer absoluten Wahrheit über die Natur und ihre Funktionsweise sucht, unabhängig von praktischen Konsequenzen oder Anwendungen in der Praxis. Diese zweite Generation vertritt ein Konzept, das man als „pure EbM“ oder „theoretische EbM“ bezeichnen könnte. Kern dieses Konzepts ist die Forderung an Studien, die theoretisch beste Evidenz zu erbringen [17] [18] . Ein Beispiel dafür ist die Forderung, dass starken evidenzbasierten Empfehlungen Meta-Analysen mehrerer doppelblinder, vergleichender randomisierter Parallelgruppenstudien mit engem 95%-Konfidenzintervall zugrunde liegen müssen [19] [20] . Anders als beim ursprünglichen EbM-Konzept, in dem Entscheidungen neben der Studienevidenz gleichwertig die praktische klinische Erfahrung und die Patientenpräferenz zugrunde zu legen waren, ist in der theoretischen EbM einzig und allein die Studienevidenz die Empfehlungsgrundlage, unabhängig vom Kontext und der damit verbundenen Möglichkeit, diesen theoretisch bestmöglichen Evidenzgrad aus Studien zu erreichen.

Die Entwicklung, die die EbM-Idee genommen hat, kann man soziologisch als den Prozess der Verselbständigung einer Idee interpretieren, in deren Verlauf sich ein eigenes funktionales Teilsystem entwickelt hat, ein Teilsystem mit eigenen Institutionen (z. B. NICE und IQWiG). Dieses funktionale Teilsystem hat sich von dem „Mutter“-System (hier: klinische Praxis) emanzipiert und sich auch weitgehend von Außeneinflüssen abgeschottet, wie es für solche verselbständigten funktionalen Teilsysteme – sogenannte autopoietische Systeme – durchweg beobachtbar ist [21] .

Hinzu kommt, dass sich die ursprünglich pragmatische Idee so verselbständigt hat, dass die „theoretische EbM“ auf alle möglichen Formen der Innovationen unterschiedslos angewandt wird („One size fits all“-Prinzip). Bei der Anwendung dieses „One size fits all“-Prinzips wird übersehen, dass das dabei zum Tragen kommende Prinzip der theoretisch besten Evidenz bei bestimmten Konstellationen und Rahmenbedingungen, wie sie z. B. sehr oft bei Strukturinnovation gegeben sind, nicht mehr wirklich greift. Aus dem praktikablen (clinical decision making), multidimensional integrierenden (Integration von interner Evidenz, externer Evidenz und Patientenpräferenz) und dialektischen (shared decision making mit Vergleich mehrerer Behandlungsmöglichkeiten) wurde ein praxisfernes Grundsatzgebilde, das fast schon dogmatisch, immer reflexartig und ohne Kontextbezug die theoretisch bestmögliche Evidenz fordert. Dies ist aus Sicht der Grundlagenforschung verständlich, führt jedoch oft in der Endkonsequenz dazu, dass Handlungsunfähigkeit in Situationen entsteht, in denen die theoretisch höchste Evidenz nicht erbracht werden kann. Zwischen der ersten Generation der EbM-Vertreter und der zweiten Generation bestehen entscheidende Unterschiede, die unseres Erachtens in der wissenschaftlichen Gemeinschaft noch nicht kritisch aufgearbeitet wurden und der Grund für vielfältige Entscheidungsdilemmata im heutigen Gesundheitswesen sind.

Die evidenzbasierte Medizin ist sowohl in ihrer ursprünglichen als auch in ihrer heutigen Form eine bewährte Methode zur Reduktion der Komplexität (eine randomisierte kontrollierte Studie reduziert multikausale Zusammenhänge auf einen Faktor) sowie zur Verringerung der Empfehlungsunsicherheit und der Entscheidungsunsicherheit. Im Idealfall vermindert die Anwendung des EbM-Ansatzes die Unsicherheit bei Entscheidungen auf ein sehr niedriges Niveau. In diesem Fall dient die Wissenschaft der Politik als vermeintlich sicherer Wahrheitslieferant und Zweifelbeseitiger, weil durch die Randomisierung Confounding ausgeschlossen werden kann (hohe interne Validität). Andererseits kann jedoch die Übertragbarkeit von Forschungsergebnissen auf die komplexe Realität aufgrund der geringeren externen Validität (Generalisierbarkeit) eingeschränkt sein.

Dem Problem der geringen externen Validität ist die erste EbM Generation durch Integration des Erfahrungs- und Kontextwissens des Behandlers und der Patientenpräferenz begegnet – beide Dimensionen spielen beim heutigen „puren EbM“ keine Rolle mehr.

Im Kern strebt eine evidenzbasierte Medizin, die die theoretisch bestmögliche Evidenz fordert, an, die Restunsicherheit auf der Seite der Wissenschaftler:innen und der Entscheidungsträger:innen auf ein theoretisches Minimum zu reduzieren. Dies geschieht, indem durch geeignete Studienplanung und Methoden alle alternativen Möglichkeiten der Erklärung ausgeschlossen werden können (hohe interne Validität). Unterstützt wird die zweite Generation der EbM-Vertretenden vor allem von den Grundlagenwissenschaften, auf denen diese Form der evidenzbasierten Medizin beruht, allen voran die klinische Epidemiologie, die mit Hilfe statistischer und biometrischer Methoden Kausalzusammenhänge zwischen Expositionen (Umweltexpositionen, Verhalten, Soziodemographie, Interventionen) und (gesundheitsbezogenen) Zuständen/Ergebnissen/Outcomes beschreiben möchte.

Die Feststellung, dass Epidemiologie und Statistik im Kern Grundlagenwissenschaften und keine anwendungsorientierten Wissenschaften sind [22] , ist für unsere Argumentation zentral. Die Grundlagenwissenschaften streben generell nach reiner Erkenntnis und kausaler Wahrheit und müssen dazu das gesamte Arsenal an Methoden und Verfahren anwenden, um zur reinen Erkenntnis zu gelangen. Diese Methoden und Verfahren vereinigen sich – im Falle von Interventionen – in den Kriterien der theoretisch bestmöglichen Evidenz.

Wichtig ist zu sehen, dass die Vertretenden dieser Grundlagenfächer eine Studie aus rein akademischen, theoretischen Gründen kritisieren müssen, wenn sie nicht der theoretisch besten Form der Evidenz genügt. Sie bewegen sich damit lediglich und in legitimer Weise in ihrem Wissenschaftssystem und versuchen von dort aus nach absoluter Wahrheit zu streben. Es steht das critical appraisal und nicht mehr das praktische decision making im Vordergrund. Leit- und Vorbild der EbM community der zweiten Generation ist der absolut kritische Methodiker und nicht der Entscheider in medizinischer oder politischer Praxis. Das autopoietische System „theoretische EbM“ kümmert sich in diesem Fall nicht um die Folgen, die dies für das Politiksystem und die Praxis hat. Das ist auch nicht ihre Aufgabe.

Eine dieser Folgen ist die – meist unbeabsichtigte – Hemmung der Innovation, der Innovationskraft und der Innovationskultur im Gesundheitssystem. Damit unterstützt die Grundlagenwissenschaft – meist ungewollt – den im Gesundheitssystem vorhandenen Strukturkonservatismus, wenn sie ihn nicht sogar mitproduziert. Wir haben es hier dann mit dem Phänomen der „unanticipated consequences of purposive social action“ [23] oder mit den „unintended consequences“ in komplexen Systemen zu tun [24] [25] [26] . Anders als Grundlagenwissenschaftler:innen müssen Anwendungsforschende wie zum Beispiel Versorgungsforschende in diesem Punkt weiter denken und die Folgen einer Strategie der wissenschaftlichen Reinheit mitbedenken [27] . Dies tun sie, indem sie von der Disziplinarität zur Transdisziplinarität schreiten.

Das Prinzip der theoretisch besten Evidenz stößt bei Strukturinnovationen an seine Grenzen

Produktinnovationen sind materielle oder immaterielle Neuerungen wie z. B. neue Medikamente, Hilfsmittel und Gesundheit-Apps. Produkte bestehen meist „aus einem Produktkern, dem vom Kunden wahrgenommenen Produktäußeren sowie unterschiedlichen Zusatzleistungen“ [28] . Bei den Prozessinnovationen handelt es sich um Neuerungen im Bereich der Abläufe im Gesundheitssystem. Diese Verfahrensinnovationen können sich auf die Makroebene, wie zum Beispiel die Versorgungskette bei Schlaganfall, die Mesoebene, wie zum Beispiel klinikinterne Behandlungspfade bei Schlaganfall, und die Mikroebene, wie zum Beispiel die Strukturierung der partizipativen Entscheidungsfindung bei Brustkrebs, beziehen.

Bei den Strukturinnovationen handelt es sich um Neuerungen bei den Gesundheitssystemstrukturen (Makroebene, z. B. Einführung von Versorgungsleveln, Ablösung von Fachabteilungen durch Leistungsgruppen), bei den Organisationsstrukturen (Mesoebene, z. B. verpflichtende Ausstattung im Sinne von Strukturqualität, Konzentration der Versorgung auf zertifizierte Zentren) oder bei den Interaktionsstrukturen (Mikroebene, z. B. Veränderung der Entscheidungsstrukturen). Konkret können Strukturinnovationen definiert werden als „neuartige Veränderungen in der Aufbau- und Ablauforganisation eines Unternehmens, die von dem Unternehmen bisher noch nicht umgesetzt worden sind“ [29] ). Ein Beispiel für eine Strukturinnovation auf der Makro- und Mesoebene ist die bundesweite Einführung von zertifizierten Krebszentren [30] [31] [32] [33] [34] [35] .

Die Unterscheidung zwischen diesen drei Innovationstypen ist für unsere Fragestellung deshalb relevant, weil diese Typen mit unterschiedlichen Graden der Evaluierbarkeit und vor allem der Erfüllbarkeit der Kriterien der theoretisch besten Evidenz einhergehen. So eignen sich Produktinnovationen in oft idealer Form dazu, die Prinzipien der theoretisch besten Evidenz anzuwenden. Die Evaluation von Produktinnovationen, vor allem von pharmazeutischen Innovationen, kann im Idealfall so durchgeführt werden, dass alle Kriterien, die für die theoretisch beste Evidenz gefordert werden, erfüllt werden, so dass Statistiker:innen, Biometriker:innen oder Epidemiolog:innen keinen Einwand mehr haben und für sie alle Zweifel über die Wirksamkeit der Innovation beseitigt sind. Bei den Prozessinnovationen sieht dies nicht mehr ganz so positiv aus, vor allem dann, wenn es um Prozesse auf der Makro- und Mesoebene geht. Prozesse auf der Interaktionsebene stellen so etwas wie „minimal-invasive Interventionen“ dar, die am ehesten noch mit Hilfe klassischer Experimente evaluiert werden können. Bei der Evaluation von Strukturinnovationen stößt das Prinzip der theoretisch besten Evidenz jedoch ganz augenscheinlich in mehreren Aspekten an seine Grenzen, wie im Folgenden gezeigt werden soll.

Eingeschränkte Manipulierbarkeit

Ein zentrales Merkmal von RCTs und CRTs als Sonderformen von Experimenten ist die Manipulierbarkeit der unabhängigen Variable [36] [37] in Form einer willkürlich geplanten Intervention [37] . Strukturinnovationen als unabhängige Variable sind jedoch in der Realität nur begrenzt manipulierbar. Strukturinnovationen verändern auf der Makroebene gesellschaftliche Versorgungsstrukturen, auf der Mesoebene Organisationsstrukturen und auf der Mikroebene Interaktionsstrukturen. Das Prinzip der Manipulierbarkeit ist vor allem auf der Mikroebene anwendbar und stellt dort weniger ein Problem dar als auf der Meso- und Makroebene. Dort werden der experimentellen Manipulierbarkeit starke, pragmatische Grenzen gesetzt.

Widerstand gegen Wandel

Beim Widerstand gegen Wandel handelt es sich um Formen des kollektiven Widerstands gegen geplante Strukturänderungen. Strukturen sind – weit mehr als Prozesse und Produkte – mit Interessen, Ressourcen und Macht verbunden [9] und können daher Interessenkonflikte und Machtkämpfe auslösen und letztlich zu Widerstand gegen Wandel führen [38] [39] . Der Hintergrund dafür ist, dass Strukturinnovation nicht in einem luftleeren Raum stattfinden, sondern auf bereits vorhandene Strukturen treffen und diese entweder entlasten, ergänzen oder gar ersetzen sollen. Da bei Ersatzinnovationen für die Share- und Stakeholder:innen (z. B. Mitarbeitende; Aktionäre) am meisten auf dem Spiel steht, tritt bei diesen Akteuren Widerstand gegen Wandel besonders häufig auf [9] . Dieser Widerstand gegen Wandel kann auch dann gegeben sein, wenn keine Machtinteressen im Spiel sind, sondern die Akteure lediglich an Gewohnheiten, eingespielten Routinen oder aufeinander abgestimmtes Sicherheitshandeln - oft aus vermeintlich guten Gründen – festhalten wollen.

Aufbaukosten und -zeit

Ein weiterer Aspekt der begrenzten Manipulierbarkeit von Strukturinnovation ist, dass man sie – selbst wenn alle Stakeholder bereit zum Wandel sind – zeitlich und aufwandstechnisch nicht flexibel manipulieren kann, d. h. nicht einfach einschalten kann. Der Aufbau von Strukturen kostet Zeit und Geld [9] . Mitunter vergehen mehrere Jahre bis bestehende materielle und immaterielle Versorgungsstrukturen umgewandelt und wieder neu eingespielt sind oder neue Versorgungsstrukturen so aufgebaut wurden, dass sie ihre volle Wirkung entfalten. Die finanziellen Kosten des Auf- oder Umbaus von Versorgungsstrukturen kommen hinzu. All dies macht den Um- oder Neubau von Versorgungsstrukturen zu singulären Ereignissen mit hohen materiellen und immateriellen Kosten und hohem Zeitaufwand (z. B. im Vergleich zu Tierexperimenten oder psychologischen Experimenten).

Rückabwicklungskosten: imaginäre und reale

Neben der Initiierung und Aktivierung einer Strukturinnovation stellt – nach einem durchgeführten Experiment – der Abbau einer nicht erfolgreich evaluierten Strukturinnovation ein nicht zu vernachlässigendes Problem dar. Ein Medikament kann leicht wieder abgesetzt werden, eine Strukturinnovation weniger, insbesondere, wenn diese damit verbunden war, dass neue Organisationen oder Organisationseinheiten, neue Gebäude, neue Einrichtungen und neue Apparate geschaffen wurden und in die Entwicklung des Personals (z. B. Qualifizierungsmaßnahmen) und der Organisationen (z. B. Organisationsberatung; Teamentwicklung) investiert wurde. Die Antizipation einer möglichen Rückabwicklung von Strukturen nach einer negativen Evaluation muss und kann die Entscheidung, an einem Experiment mit Strukturinnovationen teilzunehmen, beeinflussen. Wurde das Strukturexperiment dennoch durchgeführt und ist es negativ ausgegangen, können einer Rückabwicklung oft Eigeninteressen der Beteiligten im Wege stehen, die am neuen Zustand festhalten wollen (z. B. Mitarbeitende wollen weiter in den neuen Strukturen beschäftigt sein).

Ein noch kritischer Fall ist gegeben, wenn eine Strukturinnovation nicht darin besteht, eine neue Struktur zu schaffen, sondern eine alte abzuschaffen. Ein solcher Fall wäre zum Beispiel gegeben, wenn ein Kreiskrankenhaus in einer ländlichen Region geschlossen und durch ein ambulantes Versorgungsnetz ersetzt wird. Endet das Experiment negativ, kann das geschlossene Kreiskrankenhaus schwerlich wiedereröffnet werden. Strukturinnovationen sind somit in der Regel nicht an- und absetzbar, wie es Produktinnovationen sind.

Komplexität

Eine weitere Grenze der Evaluierbarkeit von Strukturinnovationen auf theoretisch bestem Evidenzniveau (Meta-Analyse mehrerer doppelblinder, vergleichender randomisierter Parallelgruppenstudien mit engem 95%-Konfidenzintervall) , wie sie von der theoretischen EbM der zweiten Generation gefordert wird [19] , ist dann gegeben, wenn es sich um komplexe Interventionen handelt. Die ursprünglich für individuelle Behandlungsentscheidungen im klinischen Kontext entwickelte Evidenzbasierte Medizin ist für Entscheidungen auf Populationslevel allenfalls für einfache, stabile Interventionen (z. B. Arzneimittel, Medizinprodukte, Patientenschulungen) eine geeignete Methode, um Entscheidungsunsicherheit durch Anwendung des Prinzips der Randomisierung auf Individualniveau maximal zu minimieren. Einfach bedeutet hier, dass die Intervention aus einer Wirkkomponente besteht und nicht aus mehreren. Die grundlagenorientierte, theoretische EbM der zweiten Generation stößt jedoch an ihre Grenzen bei komplexen Interventionen, bei denen es um Interventionen mit mehreren Einflussfaktoren, mehreren Akteuren, mehreren Systemkomponenten und systemischen Wechselwirkungen geht. Diese Grenze der idealtypischen Evaluierbarkeit ergibt sich aus der Tatsache, dass komplexe medizinische Innovationen Interventionen darstellen, die oft mehrere Systemtypen betreffen (technisches System, Körpersystem, psychisches System und soziales System). Bei systemischen Zusammenhängen müssen auch die – beabsichtigen oder unbeabsichtigten – positiven oder negativen Nebenwirkungen betrachtet werden, um ein ganzheitliches Bild über die Folgen einer zu treffenden Entscheidung zu bekommen und so abschätzen zu können, was eine isolierte Einzelentscheidung in der Gesamtheit bewirkt.

Die Umweltdynamik und der EbM-lag

Das Prinzip der theoretisch besten Evidenz stößt generell an seine Grenzen bei sich dynamisch entwickelnden Anwendungsbereichen und dies in zwei typischen Fällen.

Im ersten Fall geht es um ganz neue Bedrohungen (zum Beispiel COVID-19). In diesem Fall ist die EbM zu Beginn eines Ereignisses nicht geeignet, Wissen für die Entscheidungstragenden zur Verfügung zu stellen [40] . Aus diesem Grund versuchen neuerdings die EbM-Vertreter der, wie wir sie nennen wollen, dritten Generation den Prozess der Wissensgenerierung und -systematisierung zu beschleunigen, etwa durch rapid reviews und living guidelines [41] [42] [43] [44] . Dies wurde als „organic turn“ der EbM bezeichnet [45] oder als pragmatische Wende [46] . Doch selbst die Beschleunigung der Abläufe ändert nichts am grundsätzlichen Dilemma von EbM in hochdynamischen Situationen, nämlich, dass es einen „EbM-lag“ gibt [47] . Wir definieren EbM-lag als den Zeitraum zwischen dem Auftreten einer Innovation und dem Vorliegen von systematischen Reviews über RCTs und von Meta-Analysen über die Wirksamkeit dieser Innovation in Bezug auf einen spezifischen primären Outcome [47] .

Der andere typische Fall ist gegeben, wenn sich die Technologien, die im Rahmen einer neuen Versorgungsstruktur angewendet werden, rasant weiterentwickeln [48] [49] [50] . Wenn heute eine Versorgungsstruktur unter Nutzung von ChatGPT 4.0 entwickelt wird, kann es sein, dass erst in einem Jahrzehnt ein systematisches Review zu dieser KI-technisierten Struktur vorliegt. Bis dahin wird es vielleicht schon die ChatGPT in der Version 10.0 geben oder diese Technologie wurde gar aufgegeben und durch eine andere ersetzt. Das systemische Review zu dieser Technologie ist dann veraltet. Gerade digitale Technologien veralten typischerweise schnell und damit überholt sich auch das dazu gesammelte CRT- und EbM-Wissen. Damit ergibt sich durch die digitale Transformation auch eine neue Schwäche der EbM in Bezug auf Produktinnovationen wie Digitale Gesundheitsanwendungen (DIGA) oder anderer Gesundheitstechnologien. Beide oben genannten Fälle sind vom EBM-lag betroffen, die in einigen Artikeln über EBM implizit thematisiert wird [50] [51] . Ogburn hat Mitte des letzten Jahrhunderts festgestellt, dass die Kultur (z. B. gesetzliche Regelungen) regelmäßig hinter dem technologischen Fortschritt herhinkt und bezeichnete dies als cultural lag. Wir definieren EBM-Lag als die Zeit, die zwischen dem Aufkommen der Versorgungsinnovation und der Veröffentlichung von systematischen Übersichten, Meta-Analysen und (lebenden) Leitlinien zur Wirksamkeit dieser Versorgungsinnovation verstreicht. Wie bereits erwähnt, können Beschleunigungs- und Flexibilisierungsversuche (organic turn) diesen Rückstand nicht grundlegend ändern [45] .

Begrenzte Randomisierbarkeit von Strukturinnovationen und mangelnde Evaluationskultur

Evidenzbasierte Medizin ist ein guter Ansatz zur Generierung von Evidenz in einer Evaluationskultur in der Forschende und Praktiker bereit sind, sich – im Falle von Strukturinnovationen – auf zum Beispiel clusterrandomisierte Experimente [52] oder auf Stepped-wedge-Designs [53] einzulassen, um langfristig als (Solidar)Gemeinschaft durch Erkenntniszuwachs zu gewinnen. Das Kernproblem ist dabei die Randomisierung von Individuen, Arztpraxen, Kliniken oder gar Regionen oder (Bundes)Ländern zu einer Interventions- oder Kontrollgruppe. Die Randomisierung ist das Kernelement des Prinzips der theoretisch besten Evidenz, da sie für bekannte und auch für unbekannte Confounder kontrolliert, was keine andere Methode (Matching, Adjustierung, Restriktion) in dem notwendigen Ausmaß vermag [50] . Das Kernelement Randomisierung ist jedoch bei Strukturinnovationen nur schwer oder gar nicht anzuwenden – insbesondere in nicht-staatlichen Gesundheitssystemen.

Die erste Grenze bezüglich der Randomisierung besteht, wenn eine evaluationsaverse Kultur in der Zielpopulation und in der Versorgungspraxis gegeben ist [54] . Man findet in diesem Fall eine Kultur vor, in der sich die Untersuchten dagegen wehren, Objekt der Untersuchung zu sein und oder in einem Experiment das „Versuchskaninchen zu spielen“. Die zweite Grenze ergibt sich daraus, dass die hohen Kosten und der Sach- und Zeitaufwand der Erstellung einer Strukturinnovation dazu führt, dass die Manipulierbarkeit der unabhängigen Variablen nur bedingt gegeben ist. In diesem Fall wird eine Strukturinnovation in einer Gesundheitsorganisation eingeführt, weil sie Teil eines Experiments ist und nicht, weil ein selbst durchgeführter Strategieentwicklungsprozess innerhalb der Organisation zu dem Schluss geführt hat, dass diese Strukturinnovation die richtige zukünftige Struktur für die Organisation ist („Not-invented here“Problem). In einem Experiment wird die freie Entscheidung über die Gestaltung der zukünftigen Versorgungsstruktur durch eine Entscheidung von außen (z. B. der Wissenschaft) ersetzt. Dadurch entsteht Widerstand gegen Experimente. Folglich lassen sich kaum soziale Einheiten (Kreise, Länder, Organisationen, Kliniken) finden, die diese Mühen auf sich nehmen, wenn sie „nur“ und per Zufall Teil der Kontrollgruppe sind (die laut Forschungshypothese typischerweise schlechtere Versorgungsoutcomes bewirken als die Interventionsgruppe).

Eine Randomisierung ist auch schwierig bis unmöglich, wenn bereits etablierte Strukturinnovationen vorhanden sind. Bei bereits bestehenden Innovationen im Bereich der Versorgungsstrukturen ist meist eine historisch gewachsene Struktur gegeben, bei der eine Randomisierungen per se nicht mehr möglich ist und Selektionseffekte bereits zum Tragen kamen. In einer historisch gewachsenen Versorgungsstruktur können zwar auch gute Evaluationsdesigns zur Anwendung kommen, diese erreichen jedoch in keinem Fall die Stufe der theoretisch besten Evidenz, so dass sie den „puren“ EbM-Kriterien theoretisch bester Evidenz prinzipiell nicht genügen können.

Die Verfassung des Gesundheitssystems

Das Prinzip der theoretisch höchsten Evidenz stößt – wie ausgeführt – an seine Grenzen bei teuren, aufwendigen sowie macht- und interessenstangierenden Strukturinnovationen. Diese entziehen sich der Evaluierung nach dem theoretisch besten Evidenzprinzip vor allem in nicht-staatlichen Gesundheitssystemen. Strukturinnovationen können – will man theoretisch beste Evidenz – nur dann richtig evaluiert werden, wenn man nach der Testung des Prototyps die Weiteranwendung stoppt und sie erst freigibt, wenn zum Beispiel eine clusterrandomisierte Studie durchgeführt wurde und auf dieser oder einer anderen Basis die prinzipielle Wirksamkeit bestätigt oder widerlegt wurde. Bei Strukturinnovationen setzt dies eine Zwangsrandomisierung voraus.

Ein Beispiel, bei dem klar wird, dass ein randomisiertes Design praktisch unmöglich ist, ist die Einführung von Leistungsgruppen anstatt der derzeitigen Fachabteilungen, wie sie für die Krankenhausreform in Deutschland diskutiert wird [55] . Ideal wäre – nimmt man das Beispiel Deutschland – eine dreiarmige randomisierte Studie, die die einzelnen Bundesländer durch ein Losverfahren entweder das „64 Leistungsgruppen“-Konzept (Strukturintervention A), das „128 Leistungsgruppen“-Konzept (Strukturintervention B), oder das bisherige Fachabteilungskonzept (Kontrollgruppe) zuordnet [55] . Abgesehen von der möglicherweise kritischen Akzeptanz einer solchen Studie von Seiten der Politik und der Bevölkerung wäre die Power des Designs sehr wahrscheinlich zu gering, um mittelgroße Effekte zu zeigen. Nach dem Cochrane Risc of Bias Tool [56] hätte die Studie auch ein hohes Biasrisiko, weil sie nicht gegenüber den Bundesländen und der Bevölkerung verblindet/maskiert durchgeführt werden kann.

Eine solche nach EbM-Maxime „ideale“ Vorgehensweise wäre – wenn überhaupt – nur in zentralistischen, staatlichen Systemen denkbar, nicht jedoch in dezentralen, marktförmigen und freiheitlich orientierten Gesundheitssystemen. Eine freiwillige Randomisierung wäre bei Meso-Level Interventionen, etwa auf Organisationslevel (Krankenhäuser), zwar auch in dezentralen Gesundheitssystemen möglich, doch diese zieht – neben dem Problem der Verblindung – eine Reihe von weiteren Bias Problemen mit sich (z. B. Motivations- und Willingness to Change-Bias).

Strukturkonservatismus als unintendierte Folge der Anwendung des Prinzips der theoretisch besten Evidenz

Wir können festhalten, dass die Evaluation von Strukturinnovationen in der Regel nicht den Ansprüchen der „puren“ EbM an theoretisch bester Evidenz genügen kann. Diese Perspektive und Haltung orientiert sich an dem Falsifikationsprinzip von Popper [57] und wird durch die klassische Testtheorie gerechtfertigt [58] . Durch die Verwendung klassischer Signifikanztests [59] möchten Forschende im Kern den Fehler 1. Art (falsch positiv-Fehler) vermeiden [60] . Diese Form des wissenschaftlichen Vorgehens ist per se und gewollt strukturkonservativ. Das Alte soll nur vom Neuen abgelöst werden, wenn das Neue alle Kriterien der Zweifelsfreiheit erfüllt. Erst dann wird die Alternativhypothese angenommen.

Folglich werden neue Strukturen nicht einführt bzw. das alte nicht abschafft, auch wenn das Neue mit sehr hoher Wahrscheinlichkeit (aber eben nicht höchster Sicherheit) besser ist als das Alte. In Politik und Praxis führt dieses strukturkonservative Vorgehen der „puren EbM“ dazu, dass das Neue von der Wissenschaft systematisch benachteiligt wird. Damit wird aber der Fehler 2. Art wahrscheinlicher. Es gibt Argumente, die dafür sprechen, dass dieser Fehler 2. Art (falsch negativ-Fehler) weitaus problematischer sein kann als der Fehler 1. Art [60] . So führen Fiedler und Kollegen aus: „ we show that the failure to assertively generate and test alternative hypotheses can lead to dramatic theoretical mistakes, which cannot be corrected by any kind of rigor applied to statistical tests of the focal hypotheses “ [60] . Die meist unintendierte Folge dieser wissenschaftlichen Vorsichtsstrategie zur Vermeidung des Fehlers der ersten Art für die Gesundheitsversorgung ist, dass der in der Praxis und Gesundheitspolitik vorherrschende Strukturkonservatismus von der Wissenschaft bzw. genauer von der klassischen, konservativ vorgehenden Testtheorie innerhalb der Wissenschaft unterstützt, wenn nicht gar auf Dauer (mit-)erzeugt wird.

Tatsächlich ist die klassische Signifikanztesttheorie notwendig bei Medikamenten, wo man z. B. nicht riskieren will, dass ein neues Medikament schlechter ist als das – geprüft gute – alte Medikament. Allerdings wird dieses Falsifikationsprinzip auch bei Medikamenten nur dann angewandt, wenn es bereits gute, getestete Alternativen gibt, wie in der heutigen Medizin für alle häufigen Erkrankungen meist der Fall ist. Wenn es jedoch keine Alternative gibt, dann weicht die Medizin auch bei Medikamenten von dem EbM Prinzip der höchsten Evidenz ab – siehe Orphan Drug Zulassung (fiktiver Zusatznutzen).

Bei Strukturinnovationen jedoch führt die Anwendung des Falsifikationsprinzips kombiniert mit dem Vorgehen der „puren“ EbM dazu, dass Strukturinnovationen zwangsläufig als unsicher oder zweifelhaft wirksam eingestuft werden und folglich keine starken Empfehlungen erhalten. Dieses Ergebnis ist für die Interessengruppen im Gesundheitswesen, die aus verschiedenen Interessen heraus – Machtinteressen, Interesse am Ressourcenerhalt, Trägheit, Veränderungsmüdigkeit [9] – am Status Quo festhalten, ein willkommenes Verfahren. Es erlaubt ihnen, an ihren bisherigen Strukturen festzuhalten und nichts ändern zu müssen. Dies wäre nicht ohne Weiteres als negativ zu bewerten, wenn das Bestehende sich früher ebenfalls einem empirischen Test unterziehen musste bevor es in die Versorgung eingeführt wurde. Dies ist jedoch bei Versorgungsstrukturen in der Regel nicht der Fall. Sie sind meist historisch gewachsen und haben sich – im besten Fall – bewährt, ohne jedoch bei der Einführung in die Praxis ähnlich streng evaluiert worden zu sein wie es bei der Evaluation heutiger Strukturinnovationen aus Sicht der grundlagenorientierten „puren EbM“ der Fall sein müsste. Dieses Problem ist ein spezifisches Problem der Strukturinnovationen, da Produktinnovationen wie neue Medikamente in der heutigen Zeit meist schon gegen eine bestehende, früher auf Wirksamkeit getestete Alternative getestet werden können. Bei Strukturinnovationen ist jedoch der Umstand gegeben, dass etwas bisher Ungeprüftes mit etwas Neuem verglichen wird, das im Gegensatz dazu höchste statistische Anforderungen erfüllen muss. Dadurch werden Strukturinterventionen gegenüber Produktinnovationen systemimmanent benachteiligt.

Dieser Mechanismus ist nicht folgenlos. Wenn es zum Beispiel eine politische Notwendigkeit und Dringlichkeit gibt, die Versorgungsstrukturen an neue gesellschaftliche Gegebenheiten anzupassen, ist oft in der Politik zu beobachten, dass nicht der Versuch unternommen wird, wissenschaftliche Empfehlungen und politische sowie praktische Entscheidungen systematisch aus Studienevidenz abzuleiten. Es ist vielmehr oft zu beobachten, dass die Entscheidungstragenden eher Experten vertrauen oder gar direkt und selbständig – ohne Rückgriff auf Experten oder Studienevidenz - politisch entscheiden, damit Politik handlungsfähig bleibt und Handlungsfähigkeit zeigt [44] [61] . Beispiele sind Anpassungen der Versorgungsstrukturen und Prozesse während der Corona-Pandemie oder Regelungen zum Entlassmanagement [44] . Unter Entscheidungsdruck agiert die Gesundheitspolitik oft unabhängig von der evidenzbasierten Wissenschaft – meist aufgrund fehlender oder strittiger höchster Evidenz. In diesem Fall kommt die Politik auch ohne dieses Evidenzwissen der „puren“ EbM aus. Es muss jedoch aus unserer Sicht einen Mittelweg geben zwischen der Option A einer erfolgten, aber nicht-evidenzbasierten Entscheidung und der Option B des gescheiterten Versuchs, eine Entscheidung zu treffen, weil man Zweifel hat, ob die theoretisch beste Evidenz erreicht wurde. Wir werden im Folgenden einen solchen Kompromiss vorschlagen

Maßnahmenkatalog zur Überwindung des Strukturkonservatismus

Wir stellen aus Sicht der anwendungsbezogenen Versorgungsforschung einen Maßnahmenkatalog vor, der aufeinander aufbauende Maßnahmen vorsieht, die miteinander im Sinne eines Programms in Beziehung gesetzt werden können. Zusammen genommen bilden sie das Grundgerüst eines handlungsleitenden Evidenzprogramms für Strukturinnovationen.

Wir schlagen folgenden Algorithmus für das Vorgehen vor:

1. Rahmenbedingungen für methodische Kompromisse bewusstmachen und Konsequenzen für Studiendesign/Studienprogramm und für Empfehlungsstärke ableiten

2. Theoretisch und praktisch beste Evidenzniveau a priori festlegen mit Bezug auf die Stukturinnovation und deren Kontextfaktoren

3. Rapid Review oder Scoping Review durchführen und Stand der Theorie integrieren, um die best-verfügbare Evidenz zu bestimmen.

4. Unterschied zwischen bestverfügbarem und praktisch besterreichbarem Evidenzniveau darstellen, inklusive der jeweiligen Entscheidungsunsicherheit

5. Entscheider mit der (Evidenz-)Situation konfrontieren und gemeinsam Forschungsprogramm vereinbaren.

6. A) Wenn eine evidenzbasierte Entscheidung angestrebt ist und genügend Zeit ist, dann sollte das Forschungsprogramm abgearbeitet und die Ergebnisse den politischen Entscheidern vorgelegt werden.

7. B) Wenn keine Zeit ist, das Forschungsprogramm durchzuführen, dann sollte unter Würdigung der best-verfügbaren Evidenz, des Theoriestands und auch einer Modellierung/Auswirkungsanalyse entschieden und Entscheidungstransparenz hergestellt werden.

1. Schritt: Methodische Kompromisse bewusstmachen und Konsequenzen für Studiendesign und für Empfehlungsstärke ableiten

Es gibt auf dem Makro- und dem Meso-Level des Gesundheits- und Versorgungssystems verschiedene Rahmenbedingungen, die je nach Gesundheitssystem mehr oder weniger ausgeprägt sind und die Kompromisse in Bezug auf die praktisch besterreichbare Evidenz erforderlich machen. Die wichtigsten Rahmenbedingungen sind im dritten Abschnitt dieses Beitrags beschrieben worden, wie etwa erfolgte Teil-Implementierung und mangelnde Akzeptanz des Randomisierungsprinzips. Mögliche und legitime Gründe für notwendige Kompromisse bei der Evidenzgenerierung und -bewertung und die daraus folgenden konkreten methodischen Kompromisse müssten in der Forschungscommunity möglichst a priori konsentiert und standardisiert aufbereitet werden. Diese Kompromisse könnte man dann weiter ausführen und ausführlich beschreiben, wie bestmöglich damit umgegangen werden kann. [Tab. 1] soll einen Einblick darüber geben, wie dies aussehen kann, wie also Schritt 1 umgesetzt werden kann. Sie erhebt nicht den Anspruch auf Vollständigkeit und soll lediglich die Diskussion über dieses Thema anregen.

Tab. 1 Hindernisse und Herausforderungen bei der Generierung der theoretisch höchsten Evidenz und Konsequenzen für Studiendesign und Entscheidungsunsicherheit.

Hindernisse/Herausforderungen bei der Generierung der theoretisch höchsten Evidenz (ausgewählte Fälle)	Beispiel	Resultierende Limitation/ Risk of Bias (Beispiele)	Vorgeschlagene Strategien zur bestmöglichen Bewältigung von Barrieren/Herausforderungen im Studiendesign (Beispiele)	Konsequenzen für Interpretation, Unsicherheitsbewertung und Entscheidungsfindung
Komplexität der Intervention	Peer Review bei Diagnosestellung und Indikationsstellung (z. B. multidisziplinäre Tumorboards)	Der kausale Effekt verschiedener Interventionskomponenten kann nicht ermittelt werden	Beurteilung der Qualität und Vollständigkeit der Interventionskomponenten unter gleichzeitiger qualitativer Beschreibung möglicher Zusammenhänge	Die Grad der Unsicherheit ist nicht erhöht. Die Kausalität einzelner Komponenten kann nicht bestimmt werden (ist aber möglicherweise nicht relevant)
Instabilität der Intervention (über die Zeit)	Digitale Gesundheitsinnovationen (basierend auf KI-Methoden, einschließlich Aktualisierungen im Zuge des technologischen Fortschritts)	Die bewertete Intervention ist zum Zeitpunkt der systematischen Überprüfung nicht mehr gültig.	Strategien des Organic Turns und des agilen EbMs EBM: Rapid Reviews, Verwendung hochwertiger Theorien und EBM+-Studien	Vorläufige Unsicherheit akzeptieren; Verwendung einer Szenariomethode zur Projektion möglicher Zukunftsszenarien
Latenz zwischen der Einführung und der vollen Wirkung der Intervention	Qualitätssicherungsprogramme in Krankenhäusern	Fehlklassifikationsbias (z. B. aufgrund einer teilweise eingeführten Intervention); Bias in Richtung des Nulleffekts	Anlaufphase einplanen, um sicherzustellen, dass die zu untersuchende Intervention ihre volle Wirkung entfaltet (kann mehrere Jahre dauern)	Der tatsächliche Effekt der Intervention kann größer sein als der in der Studie bewertete Effekt; Überwachung der Auswirkungen im Verlauf des Studiums und später; eine Mischung aus summativen und formativen Bewertungen
Randomisierung ist aus ethischen Gründen nicht möglich	Hohe a priori Wahrscheinlichkeit, dass die Intervention überlegen ist (z. B. Erstbehandlung von Krebs in zertifizierten Zentren 1 )	Confounding aufgrund bekannter und unbekannter Determinanten des Ergebnisses im Zusammenhang mit der Intervention (jedoch nicht im Kausalpfad)	Berücksichtigung aller möglichen/bekannten Störfaktoren auf Patienten-, Anbieter- und regionaler Ebene im Studiendesign	Berücksichtigung der Wahrscheinlichkeit eines residuellen Confounding oder eines Confounding durch nicht gemessene Determinanten, um die Studienergebnisse und die damit verbundenen Empfehlungen für die praktische Entscheidungsfindung qualitativ zu verändern
Randomisierung ist aus kulturellen und politischen Gründen nicht möglich.	Interventionen auf Meso- und Makroebene in dezentralen Gesundheitssystemen
Randomisierung ist aus rechtlichen Gründen nicht möglich	Pflege-geführte Krankenstationen in Deutschland
Unmöglichkeit, die Intervention zu maskieren/ gegenüber den Studienteilnehmenden zu verblinden	Gilt im Allgemeinen für Strukturinterventionen auf Meso- und Makroebene	a) Kontamination der Kontrollgruppe → Bias zugunsten des Nulleffekts (H0) b) Hawthorne effect 2 → Bias zugunsten der Alternativhypothese (H1)	Reduzierung der Wettbewerbsanstrengungen in der Kontrollgruppe, Verwendung einer historischen Kontrollgruppe, Verwendung von CRT, Verwendung von Strategien zur Reduzierung des Hawthorne-Effekts	Der tatsächliche Effekt der Intervention kann a) größer sein als der in der Studie bewertete Effekt oder b) auf lange Sicht kleiner sein (vom Avantgarde- zum Routineeffekt)
Datenschutzbestimmungen machen eine valide Auswertung relevanter Outcome-Daten unmöglich	Ursachenspezifische Mortalität im Zusammenhang mit Eingriffen in die Gesundheitsstruktur in Deutschland	Der Effekt der Intervention auf diesen Endpunkt kann nicht beurteilt werden.	Berücksichtigung verfügbarer Surrogat- Ergebnisse und alternativer Outcomes	Basierung der Empfehlungen auf Surrogat-Ergebnissen; (langfristig ggf. Änderung der Datenschutzbestimmungen)
Eingeschränkte Power aufgrund begrenzter Beobachtungseinheiten (gilt v. a. für Interventionen auf Makroebene)	Reorganisation der Gesundheitsplanung auf Bundes- und Landesebene	Falsch negatives Studienergebnis	Anwendung von Simulations-/Modellierungsmethoden basierend auf Studienergebnissen und hochwertigen Theorien	Wenn die Effektgröße moderat bis groß ist und Simulationen und hochwertige Theorien die Wirksamkeit unterstützen, können starke Empfehlungen gegeben werden, auch wenn die statistische Signifikanz nicht bestimmt werden kann.

Legende: ¹ [31] [63] [64] ² [65] [66]

2. Schritt: Theoretisch und praktisch bestes Evidenzniveau a priori festlegen

Wir schlagen vor, drei Evidenzniveaus zu unterscheiden

• theoretisch beste Evidenz (höchste theoretisch mögliche Evidenz)

• praktisch beste Evidenz (unter den gegebenen Kontextbedingungen bestmögliche Evidenz)

• bestverfügbare Evidenz (derzeit beste vorliegende Evidenz)

Unter theoretisch bester Evidenz verstehen wir Evidenz auf dem theoretisch und prinzipiell höchstmöglichen Niveau, und zwar unabhängig von den gegebenen Rahmenbedingungen. Es handelt sich um das in einer idealen Experimentierwelt höchsterreichbare Niveau. Dieses theoretisch höchste Evidenzniveau zeichnet sich dadurch aus, dass es über ihm kein weiteres Evidenzniveau gibt. Die höchste Evidenz ist gegeben, wenn es bis auf den Faktor „Intervention“ keine alternative Erklärung für das empirische Ergebnis gibt.

Die theoretisch höchste Evidenz ist erreicht, wenn zu einer Strukturinnovation eine Meta-Analyse mehrerer doppelblinder, vergleichender (cluster-)randomisierter Parallelgruppenstudien mit engem 95%-Konfidenzintervall vorliegen [19] [20] . Es ist notwendig, die theoretisch beste Evidenz jeweils zu beschreiben und sich als Idealziel vor Augen zu führen. Dies ist sinnvoll, um festzulegen und zu dokumentieren, was in einer idealen Welt, wo die Macht des Faktischen nicht gegeben ist, methodisch getan werden müsste, damit eine Entscheidung mit geringster Unsicherheit empfohlen werden kann.

Die praktisch beste Evidenz ist dagegen die unter praktischen Gegebenheiten und Rahmenbedingungen höchst erreichbare Evidenz. Zu den Rahmenbedingungen zählen politische, ökonomische, soziale, ethische, psychologische, gesetzliche, datenschutzrechtliche und organisationale Rahmenbedingungen. Diese legen die Grenzen fest innerhalb derer die Planung des Studiendesigns erfolgen kann. Aufgrund dieser Beschränkungen kann die praktisch bestmögliche Evidenz sehr weit entfernt sein von der theoretisch bestmöglichen Evidenz. Dies ist insbesondere bei Strukturinnovationen regelmäßig der Fall. Haben wir es zum Beispiel mit einer Strukturinnovationen in einem staatlichen Gesundheitssystem zu tun, kann die bestmögliche Evidenz – wie oben bereits erläutert – eher an die höchste Evidenz herangeführt wurde als in einem freiheitlichen Gesundheitssystem, weil dies im Prinzip angeordnet werden kann. Dennoch bleiben selbst in staatlichen Gesundheitssystemen deutliche Grenzen für die Evaluierbarkeit von Strukturinnovationen bestehen, wenn man nach der theoretisch besten Evidenz strebt.

Die theoretisch beste Evidenz wie auch die praktisch beste Evidenz sollten sich nie ausschließlich auf eine Studie beziehen. Die durchgeführten Studien (z. B. Innovationsexperimente) müssen einer Replikation unterworfen werden und auch die erneuten Tests bestehen (s. [Abb. 1] ).

Abb. 1 Unterscheidung dreier wichtiger Evidenzniveaus.

Der Begriff bestverfügbare Evidenz wird hier im Sinne von Sackett [62] gebraucht, wobei nicht – wie bei Sackett – die Ärzt:innen, sondern die politischen Entscheidungsträger:innen im Zentrum der Definition stehen. Evidenzbasierte Gesundheitsgestaltung beinhaltet die gewissenhafte, explizite und umsichtige Nutzung aktuell bester Evidenz bei praktischen und politischen Entscheidungen im Gesundheitsmanagement und in der Gesundheitspolitik über die Versorgung bestimmter Patientengruppen. Die Praxis der evidenzbasierten Gesundheitsgestaltung bedeutet die Integration kollektiver klinischer und gesundheitsbezogener Fachkenntnisse mit den besten verfügbaren externen klinischen und gesundheitsbezogenen Erkenntnissen aus systematischer Forschung.

Dieses bestverfügbare Evidenzniveau ist je nach Forschungsstand mehr oder weniger weit entfernt von der praktisch besten Evidenz und damit noch weiter entfernt von der theoretisch besten Evidenz. Die bestverfügbare Evidenz kann definiert werden als die Evidenz, die a) im Normalfall Wissenschaftler:innen bei der Anfertigung der Empfehlung und Entscheidungsträger:innen beim Treffen der Entscheidung in Form eines systematischen Reviews oder einer Evidenzsynthese zur Verfügung steht und die b) in zeitlichen Notfällen den Wissenschafler:innen und Entscheidungstragenden nach Scannen aller zur Verfügung stehenden systematischen Reviews und Primärstudien zur Verfügung steht . Diese bestverfügbare Evidenz ist – bei aller potentiellen Schwäche – besser als eine rein politische Entscheidung, die aus der Not heraus ohne Evidenzgrundlage ad hoc entschieden wird, um handlungsfähig zu sein oder Handlungsfähigkeit zu demonstrieren.

3. Schritt: Rapid oder Scoping Review durchführen und Theorie integrieren

Bei politisch dringend gebotenen Anpassungen der Gesundheitsversorgung an sich schnell wandelnde Rahmenbedingungen sollte die bestverfügbare Evidenz beispielsweise anhand eines Rapid Reviews oder Scoping Reviews zur Fragestellung aufbereitet werden. Diese Übersichtsarbeiten sollten auch dazu beitragen, festzustellen, ob Reviews über den Stand a) der mechanistischen Studien und b) der theoretischen Arbeiten zu dieser Frage vorhanden sind [67] [68] [69] [70] .

Dabei kann es hilfreich sein, den in einer anderen Arbeit dargestellten Dreischritt aus Theorie, EbM+und EbM anzuwenden [45] . Es geht dabei um a) die Verwendung von Theorien zur Identifizierung theoretisch kausaler Mechanismen und zur Planung von Interventionen (Phase 1), b) die Verwendung des EBM+-Verfahrens zur empirischen Identifizierung kausaler Mechanismen und zur weiteren Spezifizierung der Intervention (Phase 2) und c) die Durchführung von EBM-Studien auf hohem Niveau in Bezug auf die Intervention (Phase 3). Im Rahmen dieses Dreischritts vermitteln Theorien im ersten Schritt eine Orientierung über die Versorgungswelt und reduzieren dadurch Komplexität und zeigen auch auf, was die möglichen Nebenwirkungen von Strukturinnovationen sein können. Weiter können Theorien es ermöglichen, Ansatzpunkte für Interventionen abzuleiten und damit die Treffsicherheit von Interventionen zu erhöhen. Zusätzlich können Theorien dabei helfen, Phänomene und ihre Zusammenhänge zu erklären. Der zweite Schritt besteht darin, den EbM+-Ansatz anzuwenden. Dies ist ein Ansatz „which systematically considers mechanistic evidence (studies which aim to explain which factors and interactions are responsible for a phenomenon) on a par with probabilistic clinical and epidemiological studies’ [69] . Wenn es darum geht, Wirkmechanismen aufzudecken, sollten unter anderem auch nicht-randomisierte Verfahren und Methoden zur Anwendung kommen, so lange sie dazu beitragen, die vorhandene Kausalmechanismen und -ketten aufzudecken [69] . Im dritten Schritt werden die mechanistischen Studien durch (cluster-)randomisierte, experimentelle Studien ergänzt, so dass der klassische EbM-Ansatz zur Anwendung kommt [45] . Ein Review der Reviews zu diesen drei Schritten anzufertigen, würde helfen, die bestverfügbare Evidenz schnell für Entscheidungsträger:innen aufzubereiten.

4. Schritt: Unterschied zwischen bestverfügbarem und praktisch höchst erreichbarem Evidenzniveau darstellen

Viele Versorgungsforschende werden behaupten, dass ihre Studie die bestmögliche Evidenz im Sinne der praktisch höchst erreichbaren Evidenz hervorgebracht hat. Andere werden dem widersprechen wollen und andere Maßstäbe ansetzen. Eine Lösung dieses potentiell auftretenden Problems besteht darin, die bestmögliche Evidenz in der scientific community im Konsens vorab festzulegen, und zwar für jede typische Konstellation von Rahmenbedingungen separat. Denn für jede Konstellation aus Innovationstyp und Rahmenbedingung gibt es eine jeweils gültige praktisch höchste Evidenz (bestmögliche Evidenz). Um eine einheitliche spätere Bewertung der vorliegenden oder der zu generierenden Evidenz zu gewährleisten und Interessenkonflikte bei der Interpretation der Studienergebnisse zu vermeiden, sollten daher für jeden Innovationstyp und jede typische Rahmenbedingung die Kriterien für die praktisch höchste Evidenz vorab festgelegt werden. Eine beispielhafte allgemeine Leitfrage lautet: Welche Evidenz ist bei Strukturinnovationen bestmöglich erreichbar in einem nicht-staatlichen Gesundheitssystem bei restriktiven Datenschutzbestimmungen? Die Antwort auf diese Frage hängt vom Kontext, der strukturellen Intervention und der konkreten Forschungsfrage ab. [Tab. 1] enthält einige Strategien zum Umgang mit gegebenen Einschränkungen, um die theoretisch beste Evidenz für verschiedene Szenarien zu liefern.

Diese Evidenzstufe müsste durch eine legitimierte Gruppe festlegt werden. Diese hätte zu klären, welche typische Konstellationen von Rahmenbedingungen in der Regel gegeben sind und wie die bestmögliche Evidenz für jede dieser typischen Konstellationen zu definieren ist. Diese bestmögliche Evidenz sollte als Leitziel vorab festgelegt werden, z. B. von Forschungsförderern, damit sich die Projekte in ihrer Studienplanung daran orientieren können.

Im Rahmen der a priori Festlegung des Anforderungskatalogs an die praktisch beste Evidenz für eine typische Konstellation von Rahmenbedingungen (unter Praxisbedingungen) wäre die Gegenüberstellung mit der theoretisch besten Evidenz (unter Idealbedingungen) wünschenswert. Die Unterschiede zwischen den beiden Evidenzkategorien können als Grundlage dafür dienen, die für die notwendigen Kompromisse ursächlichen Rahmenbedingungen zu spezifizieren (z. B. Datenschutz, Datenverfügbarkeit, keine Akzeptanz/Möglichkeit der Randomisierung, zu wenige Beobachtungseinheiten, etc.). Daraus könnten wiederum Bedarfe zur Änderung der Rahmenbedingungen (politisch) begründet werden.

5. Schritt: Entscheider mit der (Evidenz-)Situation konfrontieren und gemeinsam ein Forschungsprogramm vereinbaren

Bei Anwendungsforschung, der es nicht in erster Linie um absolute Wahrheitsfindung geht, ist das Bestreben, das praktisch höchst erreichbare Evidenzniveau tatsächlich zu erreichen nur dann gerechtfertigt, wenn die politischen Entscheider tatsächlich gewillt sind, eine evidenzbasierte Entscheidung zu treffen bzw. der Evidenz eine wichtige Rolle beim Entscheiden zuzubilligen.

Ein weiterer Lösungsvorschlag von uns beinhaltet daher die Idee, dass die Versorgungsforschung als anwendungsbezogene Wissenschaft sich zum Phänomen der Restunsicherheit bei Erkenntnissen öffentlich bekennt und trotzdem klare Empfehlungen abgibt. Die Grundlage hierfür ist das Bekenntnis der Wissenschaft und der Versorgungsforschung zur Empfehlung unter Unsicherheit. Es geht darum, vom Streben nach letzter Sicherheit abzulassen und mutiger mit Empfehlungen zu sein. Ziel könnte es sein, den wahrscheinlichen Nutzen und Schaden von einer zu bewertenden Strukturintervention zu bestimmen und mit dem Nutzen und Schaden des Status quo zu vergleichen. So werden auf der Basis eines a priori festgelegten wissenschaftlichen Prozesses, das (unvermeidliche) Restrisiko, das mit der Beibehaltung bestehender Strukturen eingegangen wird, ebenso den Entscheidungsträger:innen kommuniziert wie das Restrisiko, das mit der Einführung neuer Strukturen gegeben sein wird. Die politischen Entscheidungsträger:innen sollten dann im Gegenzug möglichst transparent machen, warum sie sich für oder gegen die Einführung neuer Strukturen entschieden haben. Es sollte also immer eine politisch zu verantwortende, aktive Entscheidung gegeben sein – auch wenn der Status quo beibehalten wird. In Abwandlung des Theorems von Watzlawick [71] ist eine Nicht-Entscheidung auch eine Entscheidung.

Restrisiko-Management

Das angesprochene Restrisiko besteht darin, eine positive oder negative Empfehlung zu einer Einführung einer Strukturinnovation abzugeben, obwohl aufgrund der praktischen Restriktionen eine Differenz zwischen der theoretisch besterreichbaren und der bestverfügbaren Evidenz besteht, die letztlich Grundlage der Empfehlung ist. Das Risiko besteht für die Wissenschaftstreibenden darin, dass sie mit ihrer Empfehlung „daneben liegen“ können. Aber das Risiko, dass dem so ist, wird umso geringer, je mehr Evidenz für die positive oder negative Empfehlung vorhanden ist. Umgekehrt gilt: Je weiter die bestverfügbare Evidenz von der theoretisch besten Evidenz entfernt ist, desto höher ist das Restrisiko, das der Wissenschaftler bei einer positiven oder negativen Empfehlung eingeht. Zudem gilt: je höher dieses Restrisiko ist, desto größer ist die Entscheidungsunsicherheit der politischen und praktischen Entscheidungstragenden und damit das Restrisiko, eine falsche Entscheidung zu treffen. Aber auch hier gilt, besser auf der Basis bestverfügbarer Evidenz ein kleines Restrisiko eingehen als im Streben nach höchster Sicherheit nichts zu entscheiden, weil die dafür notwendige höchste Evidenz fehlt.

Aufgabe der Versorgungsforschung als grundlagenorientierte Anwendungsforschung ist es daher, hinsichtlich praktischer Empfehlungen ein wissenschaftsinternes Restrisikomanagement zu betreiben und in Hinblick auf die Politikberatung Daten und Evidenzen, aber auch Instrumente, Methoden und Theorien zu liefern, die es den Entscheidungstragenden möglich macht, das Restrisiko, das sie bei einer positiven oder negativen Entscheidung eingehen, zu kennen und einzuschätzen, damit sie eine informierte Entscheidung treffen können.

Systematisches Monitoring

Ein wichtiges Element des empfehlungs- und entscheidungsbezogenen Risikomanagements ist es, die möglichen Folgen der politischen und praktischen Entscheidung durch ein „systematisches Monitoring“ der Wirksamkeit und Folgewirkungen von Versorgungsinnovationen zu erfassen. Vorbilder dazu gibt es im Public Health-Bereich. Dabei könnte es hilfreich sein, Prinzipien des Gesundheitscontrollings zu übernehmen [72] . In diesem Rahmen können versorgungsnahen Daten sehr sinnvoll und nutzbringend eingesetzt werden [73] [74] .

Wie das Restrisiko-Management basiert das systematische Monitoring auf dem Gedanken der Akzeptanz von Unsicherheit und gleichzeitig auf dem Bekenntnis, die bestmögliche Evidenz als pragmatisches Ziel zu formulieren, an dem die Empfehlungsstärke kalibriert wird. Das Monitoring ist zwar bei jeder Abweichung von der theoretisch höchst erreichbaren Evidenz angebracht und sinnvoll. Es ist aber vor allem dann notwendig und indiziert, wenn die bestverfügbare Evidenz von der praktisch besterreichbaren Evidenz abweicht. Das Monitoring muss dann auch auf Aspekte fokussieren, die aus der Gegenüberstellung der bestverfügbaren und praktisch bestmöglichen Evidenz hervorgehen.

Auf dieser Grundlage kann sowohl die Wissenschaft als auch die Politik und die Praxis a posteriori lernen, und zwar ob ein Restrisiko gegeben war, in welchem Umfang und hinsichtlich welcher Folgen. Und diese Akteure können auch vorausschauend lernen, wie sie Restrisiken in Zukunft besser einschätzen können. Vor allem aber hilft das Monitoring dabei, ein Finetuning nach erfolgten Lernprozessen zu starten, so dass die negativen Folgen einer (leichten) Fehlentscheidung schnell erkannt und behoben bzw. abgemildert werden können. Die Kombination aus evidenzbasierter Medizin und lernbasierte Medizin ist die beste Basis für das Entstehen eines „lernenden Gesundheitssystems“.

Systemische Folgenabschätzung durch „structural innovation assessment“

Das Folgenmonitoring kann zusätzlich dadurch systematisch genutzt werden, dass diese integriert wird in eine systemische Folgenabschätzung. Dabei sollten die Grundprinzipien des systemischen Denkens berücksichtigt werden. Grundlage dafür ist eine systemische Analyse der Auswirkungen der Einführung und Nicht-Einführung einer Maßnahme. Im Kern geht es um die Herausarbeitung der beabsichtigten und der nicht beabsichtige Konsequenzen absichtsvollen Handelns [70] [75] [76] [77] [78] [79] . Diese könnten in Form von „Wenn-Dann“-Kausalbeziehungen dargestellt werden, so dass die verschiedenen Wirkungsketten und ihre Querbeziehungen genauer herausgearbeitet werden können. Diese systemische Kausalanalyse könnte aus drei Schritten bestehen:

• Hauptwirkungsanalyse: Durchführung einer interventionsbezogenen Kausalanalyse bzgl. der ausgewählten Hauptwirkung (primärer Outcome);

• Nebenwirkungsanalyse: Durchführung einer interventionsbezogenen Kausalanalyse bzgl. der beabsichtigten und unbeabsichtigten Nebenwirkungen und Nah- und Fern-Folgewirkungen;

• Translation: Vermittlung des Wenn-Dann-Wissens über die Haupt- und Nebenwirkungen an die Entscheidungstragenden in Politik und Praxis mittels eines ganzheitlichen Innovationsfolgenabschätzungsberichts (structural innovation assessment report) in Anlehnung an die früheren Technikfolgenabschätzungsberichte (TA) [80] . Dies bedeutet, sie müssten weitaus systemischer und breiter ausgerichtet sein als es zum Beispiel bei einer Vielzahl der Health Technology Berichte in der Regel der Fall ist [81] [82] . Diese unerwünschte Enge in der Ausrichtung zeichnet aber gerade oft auch neuere HTA-Berichte [83] aus.

Schritt 6: Politik und Praxis entscheiden situativ und flexibel unter dem Leitprinzip der praktisch höchst erreichbaren Evidenz

Wir unterscheiden zwei Zustände bzw. Situationen: Es besteht genügend Zeit oder es besteht nicht genügend Zeit, die Entscheidung basierend auf der bestmöglichen Evidenz vorzubereiten.

6 A: Wenn eine evidenzbasierte Entscheidung angestrebt wird und genügend Zeit bleibt, dann sollte das bestmögliche Forschungsprogramm abgearbeitet werden und die Ergebnisse den politisch Entscheidungstragenden vorgelegt werden. Diese müssten sich dann in jedem Fall dazu äußern und erklären, ob und wie die nun vorliegende bestmögliche Evidenz in die Entscheidung einfließt. Wird sie nicht berücksichtigt, dann wären die politischen Entscheidungstragenden verpflichtet, die konkreten Gründe zu benennen und durch Belege zu untermauern, warum die bestverfügbare Evidenz nicht genutzt und somit politisch anders entschieden wurde. In diesem Fall müsste die wissenschaftliche Gemeinschaft – und die EbM-community insbesondere – diese Entscheidung als politische Entscheidung akzeptieren. Es handelt sich dann jedoch um eine Entscheidung, die nach bestem Wissen und Gewissen von Seiten der Wissenschaft informiert wurde (informierte politische Entscheidung). In diesem Fall hat die Wissenschaft ihren „Job“ gut gemacht und stößt hier an die Grenze ihrer Wirkungsmacht. Die Gesundheitspolitiker wären dann allerdings auch für die im Structural Innovation Assessment Report aufgezeigten Haupt- und Nebenfolgen verantwortlich (zu machen), falls diese dann – wie von der Wissenschaft vorhergesagt – tatsächlich eintreten.

6 B: Wenn keine Zeit ist, das Forschungsprogramm zur Erlangung der bestmöglichen Evidenz durchzuführen, dann sollte unter Würdigung der bestverfügbaren Evidenz, der bestverfügbaren Theorien und auch einer Modellierung/Auswirkungsanalyse entschieden werden. Dabei sollte das Restrisiko bei der Entscheidung und die damit verbundene Entscheidungsunsicherheit konkret benannt werden. Es ist wichtig in diesem Fall Entscheidungstransparenz herzustellen.

Fazit: Zurück zu Sackett – auch im Falle von Strukturinnovationen

Die Ausführungen haben gezeigt, dass wir in der evidenzbasierten Gesundheitspolitik – wenn es um Strukturinnovationen geht – von der Maximalforderung nach theoretisch bester Evidenz Abstand nehmen sollten. Es sollte die Maxime von Sackett angestrebt werden, indem bestverfügbares Evidenzwissen mit dem Erfahrungswissen und dem Wissen über den Gegenstand (bei Sackett: die Patient:innen; hier: das Gesundheitssystem mit seinen Rahmenbedingungen) kombiniert wird, um die beste Policy-Entscheidung treffen zu können. Dieses „Zurück zu Sackett“ bedeutet auch, dass aktiv in der Gesundheitspolitik Entscheidungen getroffen werden MÜSSEN – so wie Ärzte (idealerweise gemeinsam mit Patient:innen) tagtäglich entscheiden müssen. Auch die Entscheidung, keine Änderung der Versorgungsstrukturen vorzunehmen, muss als aktive politische Entscheidung gewertet und die Konsequenzen politischen Entscheidern zugeschrieben werden. Auch wenn man nicht handelt, verhält man sich und ist verantwortlich.

Dies muss allerdings mit dem Streben verbunden sein, das bestverfügbare Wissen, falls es noch nicht auf dem Niveau der praktisch besten Evidenz ist, auf Dauer an das vorab definierte bestmögliche Wissen, also an das praktisch beste Evidenzniveau, heranzuführen. Beides sollte auf das Leitprinzip der theoretisch besten Evidenz ausgerichtet werden. Hierbei muss man sich bewusst sein, dass das faktisch unerreichbare Niveau der theoretisch besterreichbaren Evidenz zwar Leitidee, aber kein konkreter Maßstab sein darf. Das Ziel ist es vielmehr, der Innovation eine angemessene Chance zur Realisierung zu geben. Da mit der Entscheidung für eine Innovation Unsicherheit verbunden ist, ist es angeraten, die Wirksamkeit bzgl. der Haupt- und Nebenwirkungen über ein systematisches Monitoring zu überwachen. Damit wird überprüft, ob die abgeschätzten Haupt- und Nebenwirkungen wie vorhergesagt eingetreten sind oder nicht und welche in unbeabsichtigter Weise eintreten. Je nach Ergebnis kann die Praxis und die Gesundheitspolitik gegensteuern. Auf dieser Grundlage ist ein lernendes Gesundheitssystem implementierbar, das auf Evaluation und Monitoring gleichermaßen setzt und so einen bewussten Kurs hält zwischen Strukturkonservatismus und Innovationswagnis.

• References

• 1 Krumholz HM, Terry SF, Waldstreicher J. Data acquisition, curation, and use for a continuously learning health system. JAMA 2016; 316: 1669-1670
• 2 Touati N, Denis J-L, Roberge D. et al. Learning in health care organizations and systems: An alternative approach to knowledge management. Administration & Society 2015; 47: 767-801
• 3 Berwick DM, Nolan TW, Whittington JC. The triple aim: care, health, and cost. Health Aff 2008; 27: 759-769
• 4 Sikka R, Morath JM, Leape L. The Quadruple Aim: care, health, cost and meaning in work. BMJ Quality & Safety 2015; 24: 608
• 5 Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med 2014; 12: 573-576
• 6 Itchhaporia D. The Evolution of the Quintuple Aim: Health Equity, Health Outcomes, and the Economy. Journal of the American College of Cardiology 2021; 78: 2262-2264
• 7 Heytens H, Walther F, Keßler L. et al. [Characteristics of Innovation Fund-supported Intervention Studies: Review and Document Analysis of Study Protocols, Publications and Final Reports]. Gesundheitswesen 2021; 83: e20-e37
• 8 Wensing M, Grol R. Methods to identify implementation problems. In: Grol R, Wensing M, Eccles M, Hrsg. Improving patient care: The implementation of change in clinical practice. Edinburgh: Elsevier; 2005: 109-120
• 9 Dixon-Woods M, Amalberti R, Goodman S. et al. Problems and promises of innovation: why healthcare needs to rethink its love/hate relationship with the new. BMJ Qual Saf 2011; 20: i47-i51
• 10 Wensing M, Grol R, Grimshaw J. Hrsg. Improving patient care: The implementation of change in health care. Hoboken, NJ: Wiley-Blackwell; 2020
• 11 May C. A rational model for assessing and evaluating complex interventions in health care. BMC Health Serv Res. 2006 6.
• 12 May C. Agency and implementation: Understanding the embedding of healthcare innovations in practice. Part Special Issue: Place, migration & health 2013; 78: 26-33
• 13 Mercuri M, Baigrie B, Upshur REG. Going from evidence to recommendations: Can GRADE get us there?. J Eval Clin Pract 2018; 24: 1232-1239
• 14 Sackett DL. Was ist Evidenz-basierte Medizin und was nicht?. Münch med Wschr 1997; 139: 644-645
• 15 Katz DL. Clinical epidemiology and evidence-based medicine: Fundamental principles of clinical reasoning and research. Thousand Oaks: Sage; 2001
• 16 Schünemann HJ, Guyatt GH. Clinical Epidemiology and Evidence-Based Health Care. In: Ahrens W, Pigeot I, Hrsg. Handbook of epidemiology. 2. Aufl. New York: Springer Science; 2014: 1813-1873
• 17 Bastian H, Bender R, Ernst AS. et al. Methoden: Version 2.0 vom 19.12.2006. Köln: Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen; 2006
• 18 Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG). Allgemeine Methoden: Version 7.0. 7. Aufl. Köln: Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG); 2023
• 19 Higgins JP, Green S. Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0; 2011
• 20 Higgins JP, Green S. Hrsg. Cochrane handbook for systematic reviews of interventions. West Sussex: John Wiley & Sons Ltd; 2008
• 21 Mayntz R, Rosewitz B, Schimank U. et al. Hrsg. Differenzierung und Verselbständigung : zur Entwicklung gesellschaftlicher Teilsysteme. Frankfurt am Main: Campus; 1988
• 22 Sackett DL, Haynes RB, Guyatt GH. et al. Clinical epidemiology: A basic science for clinical medicine. Boston. Lippincott: 1991
• 23 Merton RK. The unanticipated consequences of purposive social action. American Sociological Review 1936; 1: 894-904
• 24 Clay-Williams R. Complex systems and unintended consequences. In: Rapport F, Clay-Williams R, Braithwaite J, eds. Implementation science: The key concepts. Abingdon, Oxon, New York, NY: Routledge; 2022: 193-195
• 25 Mannion R, Braithwaite J. Unintended consequences of performance measurement in healthcare: 20 salutary lessons from the English National Health Service. Internal Medicine Journal 2012; 569-574
• 26 Magerøy MR, Wiig S. The effect of full-time culture on quality and safety of care – a literature review. IJHG 2023; 28: 68-81
• 27 Raspe H, Pfaff H, Härter M. et al. Versorgungsforschung in Deutschland: Stand, Perspektiven, Förderung: Stellungnahme ; Standpunkte. Weinheim: Wiley-VCH; 2010
• 28 Nelke A. Der Innovationsmanagementprozess im Unternehmen. In: Nelke A, Hrsg. Kommunikation und Nachhaltigkeit im Innovationsmanagement von Unternehmen: Grundlagen für die Praxis. Wiesbaden: Springer Fachmedien Wiesbaden; 2016: 5-42
• 29 Vahs D, Brem A. Innovationsmanagement: von der Idee zur erfolgreichen Vermarktung. Schäffer-Poeschel. 2015
• 30 Schoffer O, Wimberger P, Gerken M. et al. Treatment in Certified Breast Cancer Centers Improves Chances of Survival of Patients with Breast Cancer: Evidence Based on Health Care Data from the WiZen Study. Geburtsh Frauenheilk 2024; 84: 153-163
• 31 Schmitt J, Klinkhammer-Schalke M, Bierbaum V. et al Initial Cancer Treatment in Certified Versus Non-Certified Hospitals—Results of the WiZen Comparative Cohort Study. Dtsch Arztebl Int 2023; arztebl.m2023.0169
• 32 Roessler M, Schmitt J, Bobeth C. et al. Is treatment in certified cancer centers related to better survival in patients with pancreatic cancer? Evidence from a large German cohort study. BMC Cancer 2022; 22: 621
• 33 Völkel V, Gerken M, Kleihues-van Tol K. et al. Treatment of Colorectal Cancer in Certified Centers: Results of a Large German Registry Study Focusing on Long-Term Survival. Cancers (Basel) 2023; 15
• 34 Bierbaum V, Schmitt J, Klinkhammer-Schalke M. et al. Potenzialabschätzung für die Konzentration der Versorgung von Krebspatient:innen in Kliniken mit DKG-Zertifizierung mittels Überlebenszeitanalyse. Gesundheitswesen 2023; 85: S197-S204
• 35 Bierbaum V, Bobeth C, Roessler M. et al. Treatment in certified cancer centers is related to better survival in patients with colon and rectal cancer: evidence from a large German cohort study. World J Surg Oncol 2024; 22: 11
• 36 Eifler S, Leitgöb H. Experiment. In: Baur N, Blasius J, Hrsg. Handbuch Methoden der empirischen Sozialforschung. 3. Aufl. Wiesbaden: Springer VS; 2022: 225-241
• 37 Kubbe I. Experimentelle Forschung – neue Entwicklungen. In: Jäckle S, Hrsg. Neue Trends in den Sozialwissenschaften. Wiesbaden: Springer Fachmedien Wiesbaden; 2017: 85-114
• 38 Ahmad A, Chowdhury D. Resistance to change during uncertainty-perspective of covid-19: An empirical investigation into resistance management in the healthcare organizations. REASER 2021; 22: 5-20
• 39 Shahbaz M, Gao C, Zhai L. et al. Investigating the adoption of big data analytics in healthcare: the moderating role of resistance to change. Journal of Big Data 2019; 6: 6
• 40 Tretter F, Marcum J. 'Medical Corona Science': Philosophical and systemic issues: Re-thinking medicine? On the epistemology of Corona medicine. J Eval Clin Pract 2022;
• 41 Macdonald H, Loder E, Abbasi K. Living systematic reviews at THE BMJ. BMJ 2020; 370: m2925
• 42 McPherson SJ, Speed E. NICE rapid guidelines: exploring political influence on guidelines. BMJ Evidence-Based Medicine 2021; bmjebm-2020-111635
• 43 Greenhalgh T. Will COVID-19 be evidence-based medicine's nemesis?. PLoS Med 2020; 17: e1003266
• 44 Levesque J-F, Sutherland K, Watson DE. et al. Learning Systems in Times of Crisis: the Covid-19 Critical Intelligence Unit in New South Wales, Australia. Catalyst non-issue content 2020; 1
• 45 Pfaff H, Schmitt J. The organic turn: coping with pandemic and non-pandemic challenges by integrating evidence-, theory-, experience-, and context-based knowledge in advising health policy. Front Public Health 2021; 9: 1607
• 46 Greenhalgh T, Engebretsen E. The science-policy relationship in times of crisis: An urgent call for a pragmatist turn. Soc Sci Med 2022; 306: 115140
• 47 Pfaff H, Schmitt J. Reducing uncertainty in evidence-based health policy by integrating empirical and theoretical evidence: An EbM+theory approach. J Eval Clin Pract 2023; n/a
• 48 Hogg HDJ, Al-Zubaidy M, Keane PA. et al. Evaluating the translation of implementation science to clinical artificial intelligence: a bibliometric study of qualitative research. Front Health Serv 2023; 3: 1161822
• 49 Hughes G, Moore L, Maniatopoulos G. et al. Theorising the shift to video consulting in the UK during the COVID-19 pandemic: Analysis of a mixed methods study using practice theory. Part Special Issue: Place, migration & health 2022; 311: 115368
• 50 Subbiah V. The next generation of evidence-based medicine. Nat Med 2023; 29: 49-58
• 51 Lee DT, LaCombe J, Chung CK. et al. Lag-Time to Publication in Plastic Surgery: Potential Impact on the Timely Practice of Evidence-Based Medicine. Ann Plast Surg 2013; 71
• 52 Lorenz E, Köpke S, Pfaff H. et al. Clusterrandomisierte Studien. Teil 25 der Serie zur Bewertung wissenschaftlicher Publikationen (Cluster-randomized studies – part 25 of a series on evaluating scientific publications). Dtsch Ärtzebl 2018; 115: 163-168
• 53 Hemming K, Lilford R, Girling AJ. Stepped-wedge cluster randomised controlled trials: a generic framework including parallel and multiple-level designs. Stat Med 2015; 34: 181-196
• 54 Lehmann BA, Lindert L, Ohlmeier S. et al. "And Then He Got into the Wrong Group": A Qualitative Study Exploring the Effects of Randomization in Recruitment to a Randomized Controlled Trial. IJERPH 2020; 17: 1-16
• 55 Busse R, Karagiannidis C, Augurzky B. et al. Der Vorschlag der Regierungskommission für eine grundlegende Reform der Krankenhausvergütung. In: Klauber J, Wasem J, Beivers A, Mostert C, Hrsg. Krankenhaus-Report 2023. Berlin, Heidelberg: Springer Berlin Heidelberg; 2023: 267-280
• 56 Sterne JAC, Savović J, Page MJ. et al. RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ 2019; 366: l4898
• 57 Popper KR. Conjectures and refutations: The growth of scientific knowledge. 2. Aufl. London: Routledge; 2014
• 58 Rost J. Zeitgeist und Moden empirischer Analysemethoden. In: ZUMA, Hrsg. Forum Qualitative Sozialforschung/Forum: Qualitative Social Research. 2003: 2-3
• 59 Döring N, Bortz J. Forschungsmethoden und Evaluation. Wiesbaden: Springerverlag; 2016
• 60 Fiedler K, Kutzner F, Krueger JI. The Long Way From α-Error Control to Validity Proper: Problems With a Short-Sighted False-Positive Debate. Perspect Psychol Sci 2012; 7: 661-669
• 61 Mormina M. Knowledge, Expertise and Science Advice During COVID-19: In Search of Epistemic Justice for the ‘Wicked’ Problems of Post-Normal Times. Social Epistemology 2022; 36: 671-685
• 62 Sackett DL, Rosenberg WM, Gray JA. et al. Evidence based medicine: What it is and what it isn't. BMJ 1996; 312: 71-72
• 63 Stang A. Evaluability of the effect of oncology center certification. Dtsch Arztebl Int 2023;
• 64 Schmitt J, Schoffer O, Klinkhammer-Schalke M. Correspondence. Dtsch Arztebl Int 2024;
• 65 Roethlisberger FJ, Dickson WJ. Management and the worker. An account of a research program conducted by the Western Electric Company, Hawthorne Works, Chicago. Cambridge, Massachusetts: Harvard University Press; 1949
• 66 Mangione-Smith R, Elliott MN, McDonald L. et al. An observational study of antibiotic prescribing behavior and the Hawthorne effect. Health Serv Res 2002; 37: 1603-1623
• 67 Russo F, Williamson J. Interpreting Causality in the Health Sciences. International Studies in the Philosophy of Science 2007; 21: 157-170
• 68 Russo F, Williamson J. Epistemic Causality and Evidence-Based Medicine. History and Philosophy of the Life Sciences 2011; 33: 563-581
• 69 Greenhalgh T, Fisman D, Cane DJ. et al. Adapt or die: how the pandemic made the shift from EBM to EBM+ more urgent. BMJ Evidence-Based Medicine 2022; 27: 253
• 70 Tretter F, Wolkenhauer O, Meyer-Hermann M. et al. The Quest for System-Theoretical Medicine in the COVID-19 Era. Front Med (Lausanne) 2021; 8: 640974
• 71 Watzlawick P, Beavin JH, Jackson DD. Menschliche Kommunikation: Formen, Störungen, Paradoxien. Bern: Huber;; 2007
• 72 Pfaff H, Zeike S. Hrsg. Controlling im Betrieblichen Gesundheitsmanagement: Das 7-Schritte-Modell. Wiesbaden, Heidelberg: Springer Gabler;; 2019
• 73 Das deutsche Netzwerk Versorgungsforschung (DNVF). DNVF-Ad-hoc-Kommission publiziert Teil I des Manuals für Methoden und Nutzung versorgungsnaher Daten. MVF 2020; 13: II
• 74 Hoffmann F, Kaiser T, Apfelbacher C. et al. Versorgungsnahe Daten zur Evaluation von Interventionseffekten: Teil 2 des Manuals. Gesundheitswesen 2021; 83: e40
• 75 Tretter F, Peters EMJ, Sturmberg J. et al. Perspectives of (/memorandum for) systems thinking on COVID-19 pandemic and pathology. J Eval Clin Pract 2022;
• 76 Sturmberg JP, Martin CM, Katerndahl DA. Systems and Complexity Thinking in the General Practice Literature: An Integrative, Historical Narrative Review. The Annals of Family Medicine 2014; 12: 66
• 77 Paul E, Brown GW, Ridde V. COVID-19: time for paradigm shift in the nexus between local, national and global health. BMJ Global Health 2020; 5: e002622
• 78 Tretter F, Löffler-Stastka H. Medical knowledge integration and “systems medicine”: Needs, ambitions, limitations and options. Med Hypotheses 2019; 133: 109386
• 79 Caniglia G, Luederitz C, von Wirth T. et al. A pluralistic and integrated approach to action-oriented knowledge for sustainability. Nat Sustain 2021; 4: 93-100
• 80 Banta D. What is technology assessment?. Int J Technol Assess Health Care 2009; 25: 7-9
• 81 Draborg E, Gyrd-Hansen D, Poulsen PB. et al. International comparison of the definition and the practical application of health technology assessment. International Journal of Technology Assessment in Health Care 2005; 21: 89-95
• 82 O'Rourke B, Oortwijn W, Schuller T. The new definition of health technology assessment: A milestone in international collaboration. Int J Technol Assess Health Care 2020; 36: 187-190
• 83 Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG). Behandlungsgespräche: Führt eine gemeinsame Entscheidungsfindung von Arzt und Patient bei der Therapiewahl zu besseren Ergebnissen?: Vorläufiger HTA-Bericht HT22-01. Köln; 2023

Publication History

Article published online:
15 August 2024