{"id":11394,"date":"2024-02-05T09:01:27","date_gmt":"2024-02-05T08:01:27","guid":{"rendered":"https:\/\/www.iese.fraunhofer.de\/blog\/?p=11394"},"modified":"2025-05-19T11:53:15","modified_gmt":"2025-05-19T09:53:15","slug":"klinische-entscheidungsunterstuetzungssysteme","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/klinische-entscheidungsunterstuetzungssysteme\/","title":{"rendered":"Diagnose auf Knopfdruck mit Clinical Decision Support Systems: Wenn klinische Entscheidungsunterst\u00fctzungssysteme den entscheidenden Hinweis geben!"},"content":{"rendered":"

In seiner Comicreihe \u00bbN\u00e4her als wir denken!\u00ab prophezeite der amerikanische K\u00fcnstler Arthur Radebaugh bereits in den 1960er Jahren den Einsatz von Computern zur Entscheidungsunterst\u00fctzung in der Medizin. In den 1970er Jahren gingen die ersten klinischen Entscheidungsunterst\u00fctzungssysteme (engl.: \u00bbClinical Decision Support Systems\u00ab; kurz: CDSS) an den Start. Warum sie sich zun\u00e4chst nicht durchsetzten, gegenw\u00e4rtig ihr Comeback feiern und dabei helfen k\u00f6nnen, Leib und Leben zu sch\u00fctzen, erkl\u00e4rt das Fraunhofer IESE<\/a> in diesem Blogartikel.<\/p>\n

Ob Flachbildschirme, Navigationsger\u00e4te, Videotelefonie, Elektrofahrzeuge, das autonome Fahren oder tragbare Ger\u00e4te samt intelligenten Sensoren \u2013 die vision\u00e4re Comicreihe \u00bbN\u00e4her als wir denken!\u00ab<\/a> (\u00bbCloser than we think!\u00ab, 1958 \u2013 1963) des amerikanischen K\u00fcnstlers Arthur Radebaugh war ihrer Zeit weit voraus. Er prophezeite auch den Einsatz von Computern zur Entscheidungsunterst\u00fctzung in der Medizin. Ob er wohl geahnt hat, vor welchen Herausforderungen die moderne Medizin steht?<\/p>\n

\n

Was sind klinische Entscheidungsunterst\u00fctzungssysteme bzw. Clinical Decision Support Systeme?<\/strong><\/h2>\n

Klinische Entscheidungsunterst\u00fctzungssysteme (engl.: \u00bbClinical Decision Support Systems\u00ab; kurz: CDSS) sind Computersysteme, die, basierend auf vorgegebenen Regeln oder statistischen Mustern in historischen Patientendaten, patientenspezifische Empfehlungen (z.B. Warnungen, Behandlungsempfehlungen oder Verdachtsdiagnosen) an ihre Nutzer*innen ausgeben. Dabei handelt es sich in erster Linie um medizinisches Fachpersonal. Sie variieren in ihrer Komplexit\u00e4t und reichen von einfachen Fr\u00fchwarnsystemen, die Abweichungen von einer vorab definierten Norm erkennen, bis hin zu komplexen Systemen, die \u00c4rztinnen und \u00c4rzte bei der Diagnosefindung unterst\u00fctzen. Ihr Ziel haben sie allerdings gemeinsam: Eine m\u00f6glichst optimale Versorgung der Patient*innen.<\/p>\n<\/div>\n

Medizinische Entscheidungen werden immer komplexer<\/strong><\/h2>\n

Hat sich das medizinische Fachwissen im Jahr 1950 noch etwa alle 50 Jahre verdoppelt, war das laut Prognosen im Jahr 2020 bereits alle 0,2 Jahre (etwa alle 73 Tage) der Fall [1]. Damit w\u00e4chst es derzeit \u2013 je nachdem, welche Quelle man f\u00fcr das sogenannte \u00bbMooresche Gesetz\u00ab zugrunde legt \u2013 ungef\u00e4hr 5- bis 10-mal schneller als die Zahl der Transistoren auf einem Computerchip [2]. Und Computerchips haben sich bekanntlich rasant entwickelt. Gleichzeitig werden medizinische Entscheidungen komplexer und beruhen auf immer gr\u00f6\u00dferen Datenmengen. Dazu z\u00e4hlen genetische Informationen und Daten rund um die Funktionsweise bestimmter Proteine im menschlichen K\u00f6rper [3].<\/p>\n

Die Komplexit\u00e4t w\u00e4chst uns \u00fcber den Kopf<\/strong><\/h3>\n

Allerdings werden wir weder dem verf\u00fcgbaren Wissen gerecht noch sind wir der Komplexit\u00e4t einzelner Entscheidungen gewachsen. Denn wie viel Wissen und Erfahrung medizinisches Fachpersonal erwerben und anwenden kann, ist zwar abh\u00e4ngig von der Ausbildungsqualit\u00e4t, der Motivation und der Unterst\u00fctzung innerhalb des Gesundheitssystems, wird aber letztendlich durch die individuelle Arbeitszeit begrenzt [4]. Noch dazu hat sich unser Auffassungsverm\u00f6gen seit Tausenden von Jahren nicht wesentlich ver\u00e4ndert. Vielmehr ist es durch ein Leben jenseits gro\u00dfer Datenmengen gepr\u00e4gt worden. So k\u00f6nnen wir durchschnittlich nur etwa sieben unabh\u00e4ngige Informationen bewusst in unsere Entscheidungen einflie\u00dfen lassen [5]. St\u00f6\u00dft unser Auffassungsverm\u00f6gen erst einmal an seine Grenzen, verlassen wir uns schnell auf mentale Abk\u00fcrzungen und grobe Faustregeln [6]. Beispielsweise suchen wir gezielt nach Informationen, die unsere initiale Einsch\u00e4tzung best\u00e4tigen oder mit denen wir bereits vertraut sind. Oft sind wir uns dessen nicht einmal bewusst [7, 8]. Auch \u00c4rztinnen und \u00c4rzte sind davor nicht gefeit. Mehr als 100 verschiedene kognitive Verzerrungen und Denkfehler k\u00f6nnen den medizinischen Entscheidungsfindungsprozess beeintr\u00e4chtigen [8\u201312].<\/p>\n

Es droht Gefahr f\u00fcr Leib und Leben<\/strong><\/h3>\n

Auch deshalb handelt es sich \u2013 je nach Studie \u2013 heute bereits bei 10-15 % aller gestellten Diagnosen um Fehldiagnosen [13]. Schlimmstenfalls droht Gefahr f\u00fcr Leib und Leben. Ein solcher \u00bbLapsus\u00ab ist jedoch nicht nur gef\u00e4hrlich, sondern auch extrem teuer. In Deutschland fallen etwa 6,7 % der Gesundheitsausgaben an, weil \u00c4rztinnen und \u00c4rzte die falschen Medikamente verschreiben (ca. 6 Mrd. Euro) oder Patient*innen ihre Medikamente nicht ordnungsgem\u00e4\u00df einnehmen (ca. 13 Mrd. Euro) [14]. Neben- und Wechselwirkungen von Medikamenten sind die f\u00fcnfth\u00e4ufigste Todesursache: Mehr als 50 000 Menschen sterben j\u00e4hrlich an ihren Folgen [15]. Zus\u00e4tzlich wurden im Jahr 2022 landesweit etwa 2700 Behandlungsfehler mit Folgesch\u00e4den nachgewiesen [16]. Die Dunkelziffer liegt laut Expert*innen aber weitaus h\u00f6her. Zwar existieren Leitlinien f\u00fcr eine optimale medizinische Versorgung, jedoch werden sie in der Praxis nicht fl\u00e4chendeckend umgesetzt [17\u201319].<\/p>\n

Unser Gesundheitssystem steht unter Druck<\/strong><\/h3>\n

Dar\u00fcber hinaus k\u00e4mpft unser Gesundheitssystem mit vielen Herausforderungen. Dazu z\u00e4hlen eine wachsende \u00d6konomisierung, der damit einhergehende Kosten- und Zeitdruck, der fortschreitende demografische Wandel und ein fl\u00e4chendeckender Personalmangel. Der demografische Wandel schl\u00e4gt hier gleich doppelt zu Buche. In einer alternden Gesellschaft treffen immer mehr \u00e4ltere Menschen, die medizinisch versorgt werden m\u00fcssen, auf immer weniger j\u00fcngere Menschen, die eine solche Versorgung aufrechterhalten k\u00f6nnen. Gleichzeitig sehnen junge Menschen sich nach einer besseren Vereinbarkeit von Beruf und Privatleben. So werden auch im Gesundheitswesen die Rufe nach einer 4-Tage-Woche lauter [20]. Es wird also immer weniger Menschen geben, die medizinische Entscheidungen treffen k\u00f6nnen oder \u2013 rund um die Uhr \u2013 treffen wollen [21, 22].<\/p>\n

Klinische Entscheidungsunterst\u00fctzungssysteme k\u00f6nnen Abhilfe schaffen<\/strong><\/h2>\n

Clinical Decision Support Systems k\u00f6nnen helfen, eine hochwertige medizinische Versorgung zu gew\u00e4hrleisten, die dem vorhandenen medizinischen Fachwissen gerecht wird und gleichzeitig den obengenannten Herausforderungen gewachsen ist. Hierbei handelt es sich um Computersysteme, die in erster Linie medizinischem Fachpersonal dabei helfen sollen, Patient*innen m\u00f6glichst optimal zu versorgen. Sie variieren in ihrer Komplexit\u00e4t und reichen von einem einfachen Fr\u00fchwarnsystem, das Abweichungen bestimmter Vitalparameter von der Norm erkennt, bis hin zu komplexen Systemen, die Daten aus verschiedenen Quellen integrieren und \u2013 darauf basierend \u2013 Verdachtsdiagnosen stellen oder Behandlungsempfehlungen aussprechen [23]. Oft wird zwischen einer aktiven Entscheidungsunterst\u00fctzung, etwa zur Findung einer Diagnose, und einer passiven Entscheidungs\u00fcberwachung, etwa der automatischen Erkennung von Allergien, Arzneimittelwechselwirkungen und unn\u00f6tigen Mehrfachanordnungen, unterschieden [23].<\/p>\n

Warum Clinical Decision Support Systeme (CDSS) sich zun\u00e4chst nicht durchsetzten<\/strong><\/h2>\n

Die ersten klinischen Entscheidungsunterst\u00fctzungssysteme wurden bereits in den 1970er Jahren entwickelt. INTERNIST-1 konnte anhand von eingegebenen Symptomen und Befunden etwa 570 Erkrankungen aus dem Fachbereich der Inneren Medizin erkennen [24]. Bei Infektionen half MYCIN, die jeweiligen Bakterienst\u00e4mme zu identifizieren und empfahl geeignete Antibiotika, und das sogar dosisangepasst an das K\u00f6rpergewicht der Patient*innen [25, 26]. Allerdings setzte sich keines dieser Entscheidungsunterst\u00fctzungssysteme durch. Die Gr\u00fcnde sind vielf\u00e4ltig und reichen von der aufwendigen Unterhaltung der zugrundeliegenden Wissensdatenbanken bis hin zu ihrer umst\u00e4ndlichen Bedienung. So hat der Aufbau und die Instandhaltung der INTERNIST-1 Wissensdatenbank, welche die f\u00fcr die Anwendnung der Entscheidungsregeln wichtigen Krankheitsprofile enthielt, r\u00fcckwirkend etwa 50 Personenjahre (Stand 2010) in Anspruch genommen [26]. Noch dazu dauerte die Konsultation pro Fall etwa 30 bis 90 Minuten, da alle Informationen einzeln und manuell in das Entscheidungsunterst\u00fctzungssystem eingegeben werden mussten [27]. Solche Entscheidungsunterst\u00fctzungssysteme integrierten sich also nur unzureichend in bestehende Arbeitsabl\u00e4ufe und erforderten einen Arbeitsaufwand, der in keinem Verh\u00e4ltnis zu ihrem Nutzen stand.<\/p>\n

Warum klinische <\/strong>Entscheidungsunterst\u00fctzungssysteme <\/strong>gegenw\u00e4rtig ihr Comeback feiern<\/strong><\/h2>\n

Durch die fortschreitende Digitalisierung des Gesundheitswesens und den Vormarsch K\u00fcnstlicher Intelligenz (KI)<\/a> feiern klinische Entscheidungsunterst\u00fctzungssysteme gegenw\u00e4rtig ihr Comeback. Das liegt in erster Linie an einer h\u00f6heren Datenverf\u00fcgbarkeit, der enormen Rechenleistung moderner Computer, der M\u00f6glichkeit, Entscheidungsregeln automatisch extrahieren zu k\u00f6nnen, und an einem gestiegenen Bewusstsein f\u00fcr die Nutzerfreundlichkeit von digitalen L\u00f6sungen in der Gesundheitsversorgung.<\/p>\n

H\u00f6here Datenverf\u00fcgbarkeit<\/h3>\n

Mit der fortschreitenden Digitalisierung und der Etablierung interoperabler Schnittstellen steigt die Datenverf\u00fcgbarkeit. Daher flie\u00dfen Daten, wo sie vormals m\u00fchselig per Hand eingegeben werden mussten. Dieser Trend verst\u00e4rkt sich durch die Einf\u00fchrung entsprechender Daten\u00f6kosysteme, wie etwa der elektronischen Patientenakte (kurz: ePA).<\/p>\n

Enorme Rechenleistung moderner Computer<\/h3>\n

Gepaart mit der enormen Rechenleistung moderner Computer bilden verf\u00fcgbare Daten die Grundlage f\u00fcr die Anwendung modernster statistischer Verfahren. Verfahren wie etwa das Maschinelle Lernen (engl.: \u00bbMachine Learning<\/a>\u00ab;<\/a> kurz: ML) k\u00f6nnen auch solche Muster erkennen, die dem Menschen zun\u00e4chst verborgen bleiben. Das k\u00f6nnen sowohl Zusammenh\u00e4nge zwischen bestimmten Symptomen, Befunden und Diagnosen sein, als auch subtile Muster in Daten, die im Rahmen bildgebender Diagnostik anfallen. Diese Erkenntnisse k\u00f6nnen dann \u2013 ganz ohne die manuelle Vorgabe einer Entscheidungsgrundlage \u2013 auf bisher ungesehene F\u00e4lle \u00fcbertragen werden.<\/p>\n

Automatische Extraktion von Entscheidungsregeln<\/h3>\n

Soll die Entscheidungsfindung dennoch auf expliziten Regeln statt auf statistischen Mustern beruhen, k\u00f6nnen diese mittlerweile auch automatisch aus aktuellen medizinischen Leitlinien extrahiert werden. Es ist daher nicht mehr zwingend notwendig, die Wissensdatenbanken, aus denen ein klinisches Entscheidungsunterst\u00fctzungssystem seine Empfehlungen ableitet, manuell anzulegen und zu aktualisieren. Moderne KI-Verfahren wie das sogenannte \u00bbNatural Language Processing\u00ab (kurz: NLP) machen dies m\u00f6glich [28].<\/p>\n

Gestiegenes Bewusstsein f\u00fcr die Nutzerfreundlichkeit<\/h3>\n

Durch den Einsatz von Wearables und Apps (z.B. DiGA<\/a>) ist zudem das Bewusstsein f\u00fcr die Nutzerfreundlichkeit digitaler L\u00f6sungen in der Gesundheitsversorgung noch einmal deutlich gestiegen<\/a>. Eine Entwicklung, die auch Clinical Decision Support Systemen zugutekommt.<\/p>\n

Wissenswertes zu klinischen Entscheidungsunterst\u00fctzungssytemen<\/strong><\/h2>\n

Haupttypen und Datenquellen<\/h3>\n

Man unterscheidet zwischen wissensbasierten und nicht-wissensbasierten (bzw. datengetriebenen) klinischen Entscheidungsunterst\u00fctzungssystemen [23]. W\u00e4hrend bei wissensbasierten Entscheidungsunterst\u00fctzungssystemen die Entscheidungsregeln, die den Schlussfolgerungen des Systems zugrunde liegen, explizit durch die Entwickler*innen in einer Wissensdatenbank vorgegeben werden, werden sie bei datengetriebenen Entscheidungsunterst\u00fctzungssystemen automatisch aus historischen Patientendaten erschlossen und auf neue F\u00e4lle angewendet [29]. Das ist besonders dann von Vorteil, wenn es sich um gro\u00dfe Mengen an multimodalen Daten handelt. Denn die Datenquellen k\u00f6nnen vielf\u00e4ltig sein und reichen von Arztbriefen \u00fcber klinisch dokumentierte Symptome bis hin zu Laborbefunden und aufwendigen bildgebenden Verfahren, wie etwa der Magnetresonanztomografie (MRT) oder R\u00f6ntgenuntersuchungen.<\/p>\n

Zielsetzung und Anwendungsgebiete<\/h3>\n

Die Entscheidungsunterst\u00fctzungssysteme unterscheiden sich dabei \u2013 unabh\u00e4ngig von ihrer Datengrundlage \u2013 in ihrer Zielsetzung und in ihrem Anwendungsgebiet [23]. So werden sie einerseits f\u00fcr administrative Aufgaben und f\u00fcr die Prozessautomatisierung eingesetzt, etwa f\u00fcr die klinische Dokumentation und die Kodierung im Kontext der Abrechnung. Andererseits k\u00f6nnen sie durch die Ausgabe von Erinnerungen und Warnungen auch im Bereich des klinischen Managements eingesetzt werden, etwa um Prozesse zu standardisieren und die Einhaltung klinischer Leitlinien zu gew\u00e4hrleisten. Wohl am bekanntesten sind jedoch Entscheidungsunterst\u00fctzungssysteme, die entwickelt wurden, um \u00c4rztinnen und \u00c4rzte bei der Diagnosefindung zu unterst\u00fctzen. Neuartige Clinical Decision Support Systems richten sich \u2013 ganz im Sinne einer patientenzentrierten Versorgung \u2013 sogar direkt an die Patient*innen. \u00dcber Wearables und tragbare Sensoren k\u00f6nnen diese sowohl dem medizinischen Fachpersonal Daten zur Verf\u00fcgung stellen als auch ma\u00dfgeschneiderte Informationen und Empfehlungen erhalten, etwa basierend auf ihrem individuellen Krankheitsverlauf [23]. Deshalb k\u00f6nnen klinische Entscheidungsunterst\u00fctzungssysteme\u00a0 mittlerweile nicht nur \u00fcber den Desktop, sondern auch \u00fcber Tablets, Smartphones und andere Ger\u00e4te, wie Wearables, konsultiert werden.<\/p>\n

Klinische Entscheidungsunterst\u00fctzungssysteme<\/strong> tragen zu einer evidenzbasierten, demokratischen und patientenzentrierten Gesundheitsversorgung bei<\/strong><\/h2>\n

Unterst\u00fctzung des Gesundheitswesens bei der Erf\u00fcllung seiner wesentlichen Aufgaben<\/h3>\n

Clinical Decision Support Systeme helfen, Fehldiagnosen zu reduzieren, Behandlungs- und Medikationsfehlern vorzubeugen, die Einhaltung klinischer Routinen und Standards zu \u00fcberwachen, Prozesse zu automatisieren und unn\u00f6tige Behandlungsschritte zu vermeiden [23, 30\u201336]. In der Konsequenz unterst\u00fctzen sie das Gesundheitswesen bei der Erf\u00fcllung seiner wesentlichen Aufgaben: der Gew\u00e4hrleistung der Versorgungssicherheit<\/strong>, etwa durch die Optimierung von Prozessen; der Gew\u00e4hrleistung der Bezahlbarkeit<\/strong>, etwa durch die Reduzierung von Kosten und Arbeitsaufwand; und schlie\u00dflich der Gew\u00e4hrleistung der Behandlungsqualit\u00e4t und Patientensicherheit<\/strong>, etwa durch die Vermeidung von Fehldiagnosen und potenziellen Folgesch\u00e4den.<\/p>\n

St\u00e4rkung der evidenzbasierten Medizin<\/h3>\n

Einerseits k\u00f6nnen Clinical Decision Support Systeme daf\u00fcr sorgen, dass geltende medizinische Leitlinien gewissenhafter umgesetzt werden; andererseits k\u00f6nnen sie die Adoption aktualisierter medizinischer Leitlnien, die regelm\u00e4\u00dfig von Expertengremien anhand aktueller Forschungsergebnisse erstellt werden, beschleunigen. Wissenschaftliche Erkenntnisse kommen der Gesundheitsversorgung so verl\u00e4sslicher und schneller zugute.<\/p>\n

Demokratisierung durch Standardisierung<\/h3>\n

Ihr Einsatz st\u00e4rkt allerdings nicht nur die evidenzbasierte Medizin, sondern treibt auch die Demokratisierung der Gesundheitsversorgung voran. Denn das zugrunde liegende medizinische Fachwissen kommt so nicht nur direkt der Versorgung, sondern auch allen gleicherma\u00dfen zugute. Voraussetzung ist, dass der Zugang zu solchen klinischen Entscheidungsunterst\u00fctzungssystemen (CDSS) \u2013 ganz im Sinne der gesellschaftlichen Teilhabe \u2013 fl\u00e4chendeckend erm\u00f6glicht wird. So k\u00f6nnen nicht nur Qualit\u00e4tsunterschiede innerhalb eines Landes, etwa zwischen Maximalversorgern in st\u00e4dtischen Ballungsgebieten und Gesundheitsversorgern in l\u00e4ndlichen Regionen, sondern auch Qualit\u00e4tsunterschiede \u00fcber L\u00e4ndergrenzen hinweg, etwa zwischen Industrienationen und Drittweltl\u00e4ndern, reduziert werden. Das Ergebnis ist eine hochwertige, evidenzbasierte und standardisierte medizinische Versorgung, die regions- und landes\u00fcbergreifend angeboten werden kann.<\/p>\n

Mehr Zeit f\u00fcr die Patientinnen und Patienten<\/h3>\n

Gleichzeitig kann durch die Automatisierung und Optimierung von Prozessen Zeit eingespart werden, die das medizinische Fachpersonal \u2013 getreu seinem Anspruch \u2013 wieder ganz der Gesundheit und dem Wohlbefinden der Patientinnen und Patienten widmen kann.<\/p>\n

Praktischer Nutzen von Clinical Decision Support Systems<\/h3>\n

In der Praxis kann der Einsatz solcher Entscheidungsunterst\u00fctzungssysteme z.B. den Unterschied machen\u2026<\/p>\n