Download PDF
Gesundheitswesen 2017; 79(12): 1080-1092
DOI: 10.1055/s-0043-122233
Stellungnahme
© Georg Thieme Verlag KG Stuttgart · New York

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

Position Paper of The AG Digital Health DNVF on Digital Health Applications: Framework Conditions For Use in Health Care, Structural Development and Science
Horst Christian Vollmar
1   Institut für Allgemeinmedizin, Universitatsklinikum Jena, Jena
7   Abteilung für Allgemeinmedizin, Ruhr-Universität Bochum
,
Ursula Kramer
2   Healthon e. V., Initiative Präventionspartner c/o sanawork Gesundheitskommunikation, Freiburg
,
Hardy Müller
3   WINEG | Wissenschaftliches Institut der TK für Nutzen und Effizienz im Gesundheitswesen, Aktionsbündnis Patientensicherheit e.V., Hamburg
,
Maria Griemmert
4   Institut für Geschichte, Theorie und Ethik der Medizin, Heinrich-Heine-Universität Düsseldorf
,
Guido Noelle
5   Gevko GmbH, Geschäftsführung, Bonn
,
Matthias Schrappe
6   Innere Medizin, Universität Köln, Köln
› Author Affiliations
Further Information

Publication History

Publication Date:
29 December 2017 (online)

Also available at
    Permissions and Reprints

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
    Thieme ConnectPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 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
    Search in Google Scholar
  • 4 Baumann W, Farin E, Menzel-Begemann A. et al. Memorandum IV: Theoretische und normative Fundierung der Versorgungsforschung. Gesundheitswesen 2016; 78: 337-352
    PubMedSearch in Google Scholar
  • 5 Schweitzer H. Daten als neue Währung? FAZ 2017
    PubMed
  • 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
    PubMed
  • 7 Kay ST. mHealth: New horizons for health through mobile technologies. Geneva, Switzerland: World Health Organization; 2011
    Search in Google Scholar
  • 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
    Search in Google Scholar
  • 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
    PubMed
  • 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
    Search in Google Scholar
  • 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
    PubMed
  • 12 Rüping S. Big Data in Medizin und Gesundheitswesen. Bundesgesundheitsbl 2015; 58: 794-798
    CrossrefPubMedSearch in Google Scholar
  • 13 Binder H, Blettner M. Big data in medical science–a biostatistical view. Dtsch Arztebl Int 2015; 112: 137-142
    PubMedSearch in Google Scholar
  • 14 Marquardt W. Was ist Big Data? Versuch einer Positionsbestimmung. In: Deutscher Ethikrat ed, Jahrestagung des deutschen Ethikrates; 2015
    PubMed
  • 15 Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. JAMA 2014; 311: 2479-2480
    PubMedSearch in Google Scholar
  • 16 Topol EJ, Steinhubl SR, Torkamani A. Digital medical tools and sensors. JAMA 2015; 313: 353-354
    CrossrefPubMedSearch in Google Scholar
  • 17 Schneeweiss S. Learning from big health care data. N Engl J Med 2014; 370: 2161-2163
    CrossrefPubMedSearch in Google Scholar
  • 18 Martin EG, Helbig N, Shah NR. Liberating data to transform health care: New York’s open data experience. JAMA 2014; 311: 2481-2482
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 20 Garbe E, Pigeot I. Der Nutzen großer Gesundheitsdatenbanken für die Arzneimittelrisikoforschung. Bundesgesundheitsbl 2015; 58: 829-837
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 22 Witt E. Digitale Spiegelbilder – Ethische Aspekte großer Datensammlungen. Bundesgesundheitsbl 2015; 58: 853-858
    CrossrefPubMedSearch in Google Scholar
  • 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
    Thieme ConnectPubMedSearch in Google Scholar
  • 24 Neugebauer EA, Icks A, Schrappe M. Memorandum III: Methoden fur die Versorgungsforschung (Teil 2). Gesundheitswesen 2010; 72: 739-748
    Thieme ConnectPubMedSearch in Google Scholar
  • 25 Müller D, Augustin M, Banik N. et al. Memorandum Register für die Versorgungsforschung. Gesundheitswesen 2010; 72: 824-839
    Thieme ConnectPubMedSearch in Google Scholar
  • 26 Di Fabio U. Die algorithmische Person. FAZ 2016
    PubMed
  • 27 Deutscher Ethikrat. Die Vermessung des Menschen – Big Data und Gesundheit. Jahrestagung Deutscher Ethikrat; 21.05.2015; Berlin
    PubMed
  • 28 FAZ. Die Digital Debatte. 2016; http://www.faz.net/aktuell/feuilleton/debatten/die-digital-debatte/ 22.3.2017
    PubMed
  • 29 Müller H, Verheyen F. Chancen und Risiken der Digitalisierung im Gesundheitswesen. Eine Herausforderung für die Versorgung. IGZ 2015; 20: 38-39
    PubMedSearch in Google Scholar
  • 30 Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWIG). Allgemeine Methoden: Version 4.2. Köln: Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen. : 2015
    Search in Google Scholar
  • 31 Gemeinsamer Bundesaussschuss (g-ba). Verfahrensordnung des Gemeinsamen Bundesausschusses. Im Internet: https://www.g-ba.de/informationen/richtlinien/42/; Stand: 13.07.2016
    PubMed
  • 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
    Thieme ConnectPubMedSearch in Google Scholar
  • 33 Maas H. Unsere digitalen Grundrechte. Die Zeit 2015; 50
    PubMed
  • 34 Hesse C. Der Arzt kann einpacken. SZ 2014
    PubMed
  • 35 Dabrock P. Der Umgang mit Krankheit in unserer Gesellschaft. FAZ 2017
    PubMed
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 37 Noelle G, Walther P. Lösungswege zwischen paternalistischer und partizipativer Datennutzung. RPG 2016; 22: 35-40
    PubMedSearch in Google Scholar
  • 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
    Search in Google Scholar
  • 39 Eysenbach G, Jadad AR. Evidence-based Patient Choice and Consumer health informatics in the Internet age. J Med Internet Res 2001; 3: e19
    CrossrefPubMedSearch in Google Scholar
  • 40 Sim I. Two ways of knowing: big data and evidence-based medicine. Ann Intern Med 2016; 164: 562-563
    CrossrefPubMedSearch in Google Scholar
  • 41 Anderson C. The end of theory: the data deluge makes the scientific method obsolete. In: Wired; 2008
    PubMed
  • 42 Shojania KG, Duncan BW, McDonald KM. et al. Safe but sound: patient safety meets evidence-based medicine. JAMA 2002; 288: 508-513
    CrossrefPubMedSearch in Google Scholar
  • 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
    Search in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 45 Meyer T, Karbach U, Holmberg C. et al. Qualitative Studien in der Versorgungsforschung – Diskussionspapier, Teil 1: Gegenstandsbestimmung. Gesundheitswesen 2012; 74: 510-515
    Thieme ConnectPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 47 MRC. Developing and evaluating complex interventions: new guidance. In: Craig P, Dieppe P, Macintyre S. et al. eds. Medical Research Council. 2008
    Search in Google Scholar
  • 48 Perla RJ, Finke B, DeWalt DA. Learning systems at scale: where policy meets practice. JAMA 2015; 314: 2131-2132
    CrossrefPubMedSearch in Google Scholar
  • 49 Mayer-Schönberger V, Cukier K. Big Data. Die Revolution, die unser Leben verändern wird. 2. Auflage München: Redline Verlag; 2013
    Search in Google Scholar
  • 50 Schulz S, Lopez-Garcia P. Big Data, medizinische Sprache und biomedizinische Ordnungssysteme. Bundesgesundheitsbl 2015; 58: 844-852
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 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
    PubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 57 Wilson T, Holt T, Greenhalgh T. Complexity science: complexity and clinical care. BMJ 2001; 323: 685-688
    PubMedSearch in Google Scholar
  • 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
    CrossrefPubMedSearch in Google Scholar
  • 59 Wolf JA, Moreau JF, Akilov O. et al. Diagnostic inaccuracy of smartphone applications for melanoma detection. JAMA dermatology 2013; 149: 422-426
    CrossrefPubMedSearch in Google Scholar
  • 60 Wicks P, Chiauzzi E. ‘Trust but verify’–five approaches to ensure safe medical apps. BMC Med 2015; 13: 205
    CrossrefPubMedSearch in Google Scholar
  • 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
    PubMed
  • 62 Samerski S. Vorausberechnen statt verstehen. Gen-ethischer Informationsdienst 2015; 229: 7-9
    PubMedSearch in Google Scholar