Digitale Gesundheitsanwendungen – Rahmenbedingungen zur Nutzung in Versorgung, Strukturentwicklung und Wissenschaft – Positionspapier der AG Digital Health des DNVF

Zusammenfassung

Der Begriff Digital Health (digitale Gesundheitsanwendungen) ist zurzeit der umfassendste und schließt alle Informations- und Kommunikationstechnologien aus dem Gesundheitsbereich mit ein, inkl. E-Health, Mobile Health, Telemedizin, Big Data, Gesundheits-Apps und anderen. Digital Health kann als ein Paradebeispiel für den Einsatz des Konzeptes und der Methodik der Versorgungsforschung gelten, wo es um das Zusammenspiel von komplexen Interventionen und komplexem Kontext geht. Das Positionspapier betrachtet 1) Digital Health als Gegenstand der Versorgungsforschung und 2) Digital Health als methodische und wissenschaftsethische Herausforderung für die Versorgungsforschung. Der häufig postulierte Nutzen, der von Digital Health-Interventionen erwartet wird, sollte durch gute Studien nachweisbar sein. Erste systematische Evaluationen von Apps zur „Behandlungsunterstützung“ liefern teilweise Ergebnisse, die eher auf einen Schaden, denn auf einen Nutzen hinweisen. Die Forderung eines Nachweises von Nutzen bzw. Risiken gilt erst recht für Big Data-gestützte Interventionen, die Entscheidungsprozesse im Behandlungsablauf unter Zuhilfenahme von Künstlicher Intelligenz unterstützen. Natürlich ist es aus Sicht der Versorgungsforschung anstrebenswert, möglichst an dem durch Digital Health verfügbaren Datenzugang zu partizipieren und „Big Data“ zu nutzen. Es besteht allerdings die Gefahr, dass es durch eine unkritische Anwendung von Digital Health und Big Data zu einer Rückkehr zum linearen, naturwissenschaftlich-biomedizinischen Forschungsverständnis kommt, der bestenfalls komplizierte Verhältnisse unter der Annahme multivariater Modelle akzeptiert und komplexe Sachverhalte nicht zur Kenntnis nimmt. Es geht für die Versorgungsforschung nicht nur darum, wissenschaftsethischen Anforderungen zu genügen, indem statt unnötiger Forschung („reducing waste“) bessere Forschung gemacht wird, sondern vor allem darum, die gesellschaftlichen Konsequenzen (Systemebene) der wissenschaftlichen Analyse und Evaluation zu antizipieren. Dies birgt für die Versorgungsforschung die anspruchsvolle, gleichseitig aber attraktive Option, sich über die Kompetenz, eine solche Diskussion zu initiieren und zu führen, als reifes und verantwortungsvolles Wissenschaftsgebiet zu präsentieren.

Abstract

The term “digital health” is currently the most comprehensive term that includes all information and communication technologies in healthcare, including e-health, mobile health, telemedicine, big data, health apps and others. Digital health can be seen as a good example of the use of the concept and methodology of health services research in the interaction between complex interventions and complex contexts. The position paper deals with 1) digital health as the subject of health services research; 2) digital health as a methodological and ethical challenge for health services research. The often-postulated benefits of digital health interventions should be demonstrated with good studies. First systematic evaluations of apps for “treatment support” show that risks are higher than benefits. The need for a rigorous proof applies even more to big data-assisted interventions that support decision-making in the treatment process with the support of artificial intelligence. Of course, from the point of view of health services research, it is worth participating as much as possible in data access available through digital health and “big data”. However, there is the risk that a noncritical application of digital health and big data will lead to a return to a linear understanding of biomedical research, which, at best, accepts complex conditions assuming multivariate models but does not take complex facts into account. It is not just a matter of scientific ethical requirements in health services care research, for instance, better research instead of unnecessary research (“reducing waste”), but it is primarily a matter of anticipating the social consequences (system level) of scientific analysis and evaluation. This is both a challenge and an attractive option for health services research to present itself as a mature and responsible scientific discipline.

Schlüsselwörter

Digital Health - Big Data - Versorgungsforschung - E-Health - Risiken - Nutzen

Key words

digital health - big data - health services research - e-health - risks - benefit

• Literatur

• 1 Schrappe M, Pfaff H. Versorgungsforschung vor neuen Herausforderungen: Konsequenzen für Definition und Konzept. Gesundheitswesen 2016; 78: 689-694
• 2 Greenhalgh T, Stones R, Swinglehurst D. Choose and Book: a sociological analysis of ‘resistance’ to an expert system. Soc Sci Med 2014; 104: 210-219
• 3 Pfaff H, Schrappe M. Einführung in die Versorgungsforschung. In: Pfaff H, Neugebauer EAM, Glaeske G. et al, (Hrsg.). Lehrbuch Versorgungsforschung: Systematik-Methodik-Anwendung. Stuttgart: Schattauer; 2010: 2-57
• 4 Baumann W, Farin E, Menzel-Begemann A. et al. Memorandum IV: Theoretische und normative Fundierung der Versorgungsforschung. Gesundheitswesen 2016; 78: 337-352
• 5 Schweitzer H. Daten als neue Währung? FAZ 2017
• 6 World Health Organisation (WHO). Digital health in TB care and control: Key definitions. Im Internet: www.who.int/tb/areas-of-work/digital-health/definitions/en/; Stand: 26.07.2016
• 7 Kay ST. mHealth: New horizons for health through mobile technologies. Geneva, Switzerland: World Health Organization; 2011
• 8 Wegscheider K, Koch-Gromus U. Big Data Analystics. In: Pfaff H, Neugebauer EAM, Glaeske G. et al. (Hrsg.) Lehrbuch Versorgungsforschung: Systematik-Methodik-Anwendung. 2 vollständig überarbeitete Auflage. Stuttgart: Schattauer; 2017: 134-139
• 9 Groves P, Kayyali B, Knott D et al. The ‘big data’ revolution in healthcare – Accelerating value and innovation. Center for US Health System Reform, Business Technology Office; 2013
• 10 Zikopoulos PC, deRoos D, Parasuraman K. et al. (Hrsg.) Harness the Power of Big Data – The IBM Big Data Platform. New York: McGraw Hill Education; 2015
• 11 Schrappe M. Qualitätsstrategie 2030: Qualität im aktuellen gesundheitspolitischen Kontext – wissenschaftliche Einordnung – Kontroversen in der praktischen Umsetzung. 1. ZQ-Forum Patientensicherheit in der Arztpraxis; 26.09.2014; Hannover
• 12 Rüping S. Big Data in Medizin und Gesundheitswesen. Bundesgesundheitsbl 2015; 58: 794-798
• 13 Binder H, Blettner M. Big data in medical science–a biostatistical view. Dtsch Arztebl Int 2015; 112: 137-142
• 14 Marquardt W. Was ist Big Data? Versuch einer Positionsbestimmung. In: Deutscher Ethikrat ed, Jahrestagung des deutschen Ethikrates; 2015
• 15 Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. JAMA 2014; 311: 2479-2480
• 16 Topol EJ, Steinhubl SR, Torkamani A. Digital medical tools and sensors. JAMA 2015; 313: 353-354
• 17 Schneeweiss S. Learning from big health care data. N Engl J Med 2014; 370: 2161-2163
• 18 Martin EG, Helbig N, Shah NR. Liberating data to transform health care: New York’s open data experience. JAMA 2014; 311: 2481-2482
• 19 Walker JM, Carayon P. From tasks to processes: the case for changing health information technology to improve health care. Health Aff (Millwood) 2009; 28: 467-477
• 20 Garbe E, Pigeot I. Der Nutzen großer Gesundheitsdatenbanken für die Arzneimittelrisikoforschung. Bundesgesundheitsbl 2015; 58: 829-837
• 21 Bahk CY, Goshgarian M, Donahue K. et al. Increasing patient engagement in pharmacovigilance through online community outreach and mobile reporting applications: an analysis of adverse event reporting for the essure device in the US. Pharmaceutical medicine 2015; 29: 331-340
• 22 Witt E. Digitale Spiegelbilder – Ethische Aspekte großer Datensammlungen. Bundesgesundheitsbl 2015; 58: 853-858
• 23 Swart E, Bitzer EM, Gothe H. et al. STandardisierte BerichtsROutine fur Sekundardaten Analysen (STROSA) – ein konsentierter Berichtsstandard fur Deutschland, Version 2. Gesundheitswesen 2016; 78: e145-e160
• 24 Neugebauer EA, Icks A, Schrappe M. Memorandum III: Methoden fur die Versorgungsforschung (Teil 2). Gesundheitswesen 2010; 72: 739-748
• 25 Müller D, Augustin M, Banik N. et al. Memorandum Register für die Versorgungsforschung. Gesundheitswesen 2010; 72: 824-839
• 26 Di Fabio U. Die algorithmische Person. FAZ 2016
• 27 Deutscher Ethikrat. Die Vermessung des Menschen – Big Data und Gesundheit. Jahrestagung Deutscher Ethikrat; 21.05.2015; Berlin
• 28 FAZ. Die Digital Debatte. 2016; http://www.faz.net/aktuell/feuilleton/debatten/die-digital-debatte/ 22.3.2017
• 29 Müller H, Verheyen F. Chancen und Risiken der Digitalisierung im Gesundheitswesen. Eine Herausforderung für die Versorgung. IGZ 2015; 20: 38-39
• 30 Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWIG). Allgemeine Methoden: Version 4.2. Köln: Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen. : 2015
• 31 Gemeinsamer Bundesaussschuss (g-ba). Verfahrensordnung des Gemeinsamen Bundesausschusses. Im Internet: https://www.g-ba.de/informationen/richtlinien/42/; Stand: 13.07.2016
• 32 Borycki EM, Kushniruk AW, Bellwood P. et al. Technology-induced errors. The current use of frameworks and models from the biomedical and life sciences literatures. Methods Inf Med 2012; 51: 95-103
• 33 Maas H. Unsere digitalen Grundrechte. Die Zeit 2015; 50
• 34 Hesse C. Der Arzt kann einpacken. SZ 2014
• 35 Dabrock P. Der Umgang mit Krankheit in unserer Gesellschaft. FAZ 2017
• 36 Samerski S, Henkel A. Responsibilisierende Entscheidungen. Strategien und Paradoxien des sozialen Umgangs mit probabilistischen Risiken am Beispiel der Medizin. Berl J Soziol 2015; 25: 83-110
• 37 Noelle G, Walther P. Lösungswege zwischen paternalistischer und partizipativer Datennutzung. RPG 2016; 22: 35-40
• 38 Fangerau H, Griemmert M, Albrecht U-V. Kapitel 9. Gesundheits-Apps und Ethik. In: Albrecht U-V. (Hrsg.) Chancen und Risiken von Gesundheits-Apps (CHARISMHA). Hannover: Medizinische Hochschule Hannover; 2016: 194-213
• 39 Eysenbach G, Jadad AR. Evidence-based Patient Choice and Consumer health informatics in the Internet age. J Med Internet Res 2001; 3: e19
• 40 Sim I. Two ways of knowing: big data and evidence-based medicine. Ann Intern Med 2016; 164: 562-563
• 41 Anderson C. The end of theory: the data deluge makes the scientific method obsolete. In: Wired; 2008
• 42 Shojania KG, Duncan BW, McDonald KM. et al. Safe but sound: patient safety meets evidence-based medicine. JAMA 2002; 288: 508-513
• 43 Schrappe M. Qualität 2030: Die umfassende Strategie für das Gesundheitswesen. Mit einem Geleitwort von Ulf Fink und Franz Dormann. Berlin: Medizinisch Wissenschaftliche Verlagsgesellschaft; 2014
• 44 Di Blasi Z, Harkness E, Ernst E. et al. Influence of context effects on health outcomes: a systematic review. Lancet 2001; 357: 757-762
• 45 Meyer T, Karbach U, Holmberg C. et al. Qualitative Studien in der Versorgungsforschung – Diskussionspapier, Teil 1: Gegenstandsbestimmung. Gesundheitswesen 2012; 74: 510-515
• 46 Campbell EG, Weissman JS, Moy E. et al. Status of clinical research in academic health centers: views from the research leadership. JAMA 2001; 286: 800-806
• 47 MRC. Developing and evaluating complex interventions: new guidance. In: Craig P, Dieppe P, Macintyre S. et al. eds. Medical Research Council. 2008
• 48 Perla RJ, Finke B, DeWalt DA. Learning systems at scale: where policy meets practice. JAMA 2015; 314: 2131-2132
• 49 Mayer-Schönberger V, Cukier K. Big Data. Die Revolution, die unser Leben verändern wird. 2. Auflage München: Redline Verlag; 2013
• 50 Schulz S, Lopez-Garcia P. Big Data, medizinische Sprache und biomedizinische Ordnungssysteme. Bundesgesundheitsbl 2015; 58: 844-852
• 51 Lazer D, Kennedy R, King G. et al. Big data. The parable of Google Flu: traps in big data analysis. Science 2014; 343: 1203-1205
• 52 Anderson JP, Parikh JR, Shenfeld DK. et al. Reverse engineering and evaluation of prediction models for progression to type 2 diabetes: An application of machine learning using electronic health records. Journal of diabetes science and technology 2015; 10: 6-18
• 53 Greenhalgh T, Stones R. Theorising big IT programmes in healthcare: strong structuration theory meets actor-network theory. Soc Sci Med 2010; 70: 1285-1294
• 54 Han YY, Carcillo JA, Venkataraman ST. et al. Unexpected increased mortality after implementation of a commercially sold computerized physician order entry system. Pediatrics 2005; 116: 1506-1512
• 55 Schiff GD, Amato MG, Eguale T. et al. Computerised physician order entry-related medication errors: analysis of reported errors and vulnerability testing of current systems. BMJ Qual Saf 2015; 24: 264-271
• 56 Ranji SR, Rennke S, Wachter RM. Computerised provider order entry combined with clinical decision support systems to improve medication safety: a narrative review. BMJ Qual Saf 2014; 23: 773-780
• 57 Wilson T, Holt T, Greenhalgh T. Complexity science: complexity and clinical care. BMJ 2001; 323: 685-688
• 58 Haessler S. The Hawthorne effect in measurements of hand hygiene compliance: a definite problem, but also an opportunity. BMJ Qual Saf 2014; 23: 965-967
• 59 Wolf JA, Moreau JF, Akilov O. et al. Diagnostic inaccuracy of smartphone applications for melanoma detection. JAMA dermatology 2013; 149: 422-426
• 60 Wicks P, Chiauzzi E. ‘Trust but verify’–five approaches to ensure safe medical apps. BMC Med 2015; 13: 205
• 61 U.S. Department of Health and Human Services, Food and Drug Administration. Mobile Medical Applications: Guidance for Food and Drug Administration Staff (09.02.2015). Im Internet: https://www.fda.gov/downloads/MedicalDevices/.../UCM263366.pdf; Stand: 15.07.2016
• 62 Samerski S. Vorausberechnen statt verstehen. Gen-ethischer Informationsdienst 2015; 229: 7-9