E-Health und die Realität – was sehen wir heute schon in der Klinik?

E-Health and reality – what are we facing in patient care?

Zusammenfassung

Die Begriffe E‑Health und Digitalisierung sind Kernelemente eines Wandels unserer Zeit. Wesentliche Treiber dieses Wandels sind – neben einem dynamischen Markt – die gravierenden Vorteile für das Gesundheitswesen in der Bearbeitung von Aufgaben und Anforderungen. Das Aufkommen großer Datenmengen, das rapide wachsende medizinische Wissen, die rasch fortschreitenden technologischen Entwicklungen und das Ziel einer personalisierten individuell angepassten Therapie für den Patienten machen den Einsatz zwingend notwendig. Während E‑Health den Einsatz von Informations- und Kommunikationstechnologien im Gesundheitswesen beschreibt, sind dem Begriff der Digitalisierung die zugrundeliegenden Prozesse der Veränderungen und Innovationen zugeordnet. Digitale Technologien umfassen Software- und Hardware-basierte Entwicklungen. Unter dem Begriff „klinische Datenintelligenz“ werden Eigenschaften hinsichtlich der Leistungsfähigkeit und der Zusammenarbeit klinisch relevanter Systeme charakterisiert. Die Hierarchie in der digitalen Bearbeitung bildet Ebenen von der reinen Datenverwaltung über klinische Entscheidungsunterstützung bis zu automatisierten Prozessabläufen und autonom agierenden Einheiten ab. Die Kombination aus Patientendatenmanagement und klinischer Entscheidungsunterstützung beweist hierbei ihren Stellenwert in Bezug auf Fehlervermeidung, Prävention, Qualität und Sicherheit, insbesondere bei der Arzneimitteltherapie. Ziel dieser Übersicht ist die Darstellung der bereits bestehenden Realität in der Klinik mit den daraus abzuleitenden Perspektiven aus der Sicht des medizinischen Anwenders.

Abstract

The terms e‑Health and digitization are core elements of a change in our time. The main drivers of this change – in addition to a dynamic market – are the serious advantages for the healthcare sector in the processing of tasks and requirements. The large amounts of data, the intensively growing medical knowledge, the rapidly advancing technological developments and the goal of a personalized, customized therapy for the patient, make the application absolutely necessary. While e‑Health describes the use of information and communication technologies in healthcare, the concept of digitization is associated with the underlying processes of change and innovation. Digital technologies include software and hardware based developments. The term clinical data intelligence describes the property of workability and also characterizes the collaboration of clinically relevant systems with which the medical user works. The hierarchy in digital processing maps the levels from pure data management through clinical decision support to automated process flows and autonomously operating units. The combination of patient data management and clinical decision support proves its value in terms of error reduction, prevention, quality and safety, especially in drug therapy. The aim of this overview is the presentation of the existing reality in medical centers with perspectives derived from the point of view of the medical user.

This is a preview of subscription content, log in to check access.

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Notes

  1. 1.

    In der Recherche zu diesem Thema sind sowohl englische als auch deutsche Bezeichnungen berücksichtigt worden.

  2. 2.

    Engl. Anesthesia Information Management System (AIMS).

  3. 3.

    In die Analyse sind nur aussagekräftige Reviews eingegangen.

  4. 4.

    ISO 60601-1-10:2016-4. Medizinische elektrische Geräte – Teil 1-10: Allgemeine Festlegungen für die Sicherheit einschließlich der wesentlichen Leistungsmerkmale – Ergänzungsnorm: Anforderungen an die Entwicklung von physiologischen geschlossenen Regelkreisen.

  5. 5.

    Engl. „real-time decision making“.

  6. 6.

    „Low and middle income countries“.

  7. 7.

    Kompetenz, Kommunikation, Kooperation.

  8. 8.

    Metadaten sind strukturelle Informationen über die Bearbeitung und Verwaltung von größeren Datenmengen.

Abbreviations

AIM:

Artificial Intelligence in Medicine

AMTS:

Arzneimitteltherapiesicherheit

BMBF:

Bundesministerium für Bildung und Forschung

CDSS:

Clinical Decision Support System

CIRS:

Critical Incident Reporting System

CT:

Computertomographie

DL:

Tiefergehendes Lernen (engl. Deep Learning)

DNA:

Desoxyribonukleinsäure (engl. Deoxyribonucleic Acid)

EGA:

Elektronische Gesundheitsakte

EGK:

Elektronische Gesundheitskarte

E-Health:

Electronic Health

EHR(S):

Electronic Health Record (System)

HIT:

Health Information Technology

IKT:

Informations- und Kommunikationstechnologie

IT:

Informationstechnologie (engl. Information Technology)

KI:

Künstliche Intelligenz

KIS:

Krankenhausinformationssystem

M-Health:

Mobile Health

ML:

Maschinelles Lernen (engl. Machine Learning)

MRT:

Magnetresonanztomographie

OODA-Loop:

Beobachten (Observe), Orientieren (Orient), Entscheiden (Decide) und Handeln (Act)

PACS:

Radiologische Bildverwaltungs- und Befundungssysteme (engl. Picture Archiving and Communication System)

PDMS:

Patientendatenmanagementsystem

PIM:

Personalisierte (präzise) individuelle Medizin

WHO:

Weltgesundheitsorganisation (engl. World Health Organization)

Literatur

  1. 1.

    Lawler M, Maughan T (2017) From Rosalind Franklin to Barack Obama: Data sharing challenges and solutions in genomics and personalized medicine. New Bioeth 23(1):64–73

    Article  PubMed  PubMed Central  Google Scholar 

  2. 2.

    Fischer F, Aust V, Krämer A (2016) eHealth: Hintergrund und Begriffsbestimmung. In: Fischer F, Krämer A (Hrsg) eHealth in Deutschland. Springer, Berlin Heidelberg https://doi.org/10.1007/978-3-662-49504-9_1

    Google Scholar 

  3. 3.

    Beckmann JS, Lew D (2016) Reconciling evidence-based medicine and precision medicine in the era of big data: challenges and opportunities. Genome Med 8:134. https://doi.org/10.1186/s13073-016-0388-7

    Article  PubMed  PubMed Central  Google Scholar 

  4. 4.

    Doig KD, Fellowes A, Bell AH et al (2017) PathOS: a decision support system for reporting high throughput sequencing of cancers in clinical diagnostic laboratories. Genome Med 9:38

    Article  PubMed  PubMed Central  Google Scholar 

  5. 5.

    Bibault JE, Giraud P, Burgun A (2016) Big Data and machine learning in radiation oncology: State of the art and future prospects. Cancer Lett 382:110–117

    CAS  Article  PubMed  Google Scholar 

  6. 6.

    https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/. Zugegriffen: 2. Okt. 2017

  7. 7.

    This week editorial (2016) Daunting data. The power of big data must be harnessed for medical progress. But how? Nature 539:467–468

    Google Scholar 

  8. 8.

    Bernat R et al (2016) Weiterentwicklung der eHealth-Strategie – Studie im Auftrag des Bundesministeriums für Gesundheit. https://www.bundesgesundheitsministerium.de/fileadmin/Dateien/3_Downloads/E/eHealth/BMG-Weiterentwicklung_der_eHealth-Strategie-Abschlussfassung.pdf. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  9. 9.

    https://www.bundesgesundheitsministerium.de/themen/krankenversicherung/e-health-gesetz.html. Zugegriffen: 2. Okt. 2017

  10. 10.

    http://www.bundesaerztekammer.de/aerzte/telematiktelemedizin/earztausweis/e-health-gesetz/. Zugegriffen:  2. Okt. 2017

  11. 11.

    http://www.cr-online.de/39487.htm. Zugegriffen: 2. Okt. 2017

  12. 12.

    Roland Berger (2017) Krankenhausstudie. https://www.rolandberger.com/de/Publications/pub_german_hospitals_2017.html. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  13. 13.

    Rohleder B, Reinhardt K (2017) Gesundheit 4.0 – Wie Ärzte die digitale Zukunft sehen. http://www.hartmannbund.de/fileadmin/user_upload/Downloads/Umfragen/2017_HB-Bitkom_Start-ups.pdf. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  14. 14.

    Barkhausen J (2017) Provokante Thesen. Radiol Up2date 17:108–109

    Article  Google Scholar 

  15. 15.

    Thompson TG, Brailer DJ (2004) The decade of health information technology: Delivering consumer-centric and information-rich health care. US Department of Health & Human Services. http://www.providersedge.com/ehdocs/ehr_articles/the_decade_of_hit-delivering_customer-centric_and_info-rich_hc.pdf. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  16. 16.

    https://en.wikipedia.org/wiki/Health_information_technology. Zugegriffen: 2. Okt. 2017

  17. 17.

    Black AD, Car J, Pagliari C et al (2011) The impact of eHealth on the quality and safety of health care: A systematic overview. Plos Med 8(1):e1000387. https://doi.org/10.1371/journal.pmed.1000387

    Article  PubMed  PubMed Central  Google Scholar 

  18. 18.

    Groves P, Kayyali B, Knott D, Van Kuiken S (2013) The „big data“ revolution in healthcare. Accelerating value and innovation. Center for US Health System Reform Business Technology Office. McKinsey & Company, New York

    Google Scholar 

  19. 19.

    https://en.wikipedia.org/wiki/Clinical_decision_support_system. Zugegriffen: 2. Okt. 2017

  20. 20.

    https://www.forbes.com/sites/bernardmarr/2016/12/06/what-is-the-difference-between-artificial-intelligence-and-machine-learning/#4432d76d2742. Zugegriffen: 2. Okt. 2017

  21. 21.

    http://www.ethikrat.org/dateien/pdf/jahrestagung-21-06-2017-tagungsmappe.pdf. Zugegriffen: 2. Okt. 2017

  22. 22.

    Fachforum Autonome Systeme im Hightech-Forum (2017) Autonome Systeme - Chancen und Risiken für Wirtschaft, Wissenschaft und Gesellschaft. Langversion, Abschlussbericht, Berlin, April 2017

    Google Scholar 

  23. 23.

    Proud RW, Hart JJ, Mrozinski RB (2003) Methods for determining the level of autonomy to design into a human spaceflight vehicle: A function specific approach. https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20100017272.pdf. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  24. 24.

    Williams A, Scharre P (Hrsg) (2015) Autonomous System. Issues for defence policymakers. NATO OTAN, NATO Allied Command Transformation, Norfolk. ISBN 978-9284501939

    Google Scholar 

  25. 25.

    http://www.klinische-datenintelligenz.de/startseite/. Zugegriffen: 2.Okt. 2017

  26. 26.

    Medica (2017) Daten sammeln? Daten nutzen! – Vom Segen der Datenberge. https://www.medica.de/cgi-bin/md_medica/lib/pub/tt.cgi/Daten_sammeln_Daten_nutzen_%E2%80%93_Vom_Segen_der_Datenberge.html?oid=84248&lang=1&ticket=g_u_e_s_t. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  27. 27.

    Medica (2017) Medizinische Datenbanken: Eine für alle und alle für eine. https://www.medica.de/cgi-bin/md_medica/lib/pub/tt.cgi/Medizinische_Datenbanken_Eine_f%C3%BCr_alle_und_alle_f%C3%BCr_eine.html?oid=84250&lang=1&ticket=g_u_e_s_t. Zugegriffen: 2. Okt. 2017

    Google Scholar 

  28. 28.

    Dugas M (2017) Medizininformatik: Ein Kompendium für Studium und Praxis. Springer, Wiesbaden. ISBN 978-3662533277

    Google Scholar 

  29. 29.

    Levin MA, Wanderer JP, Ehrenfeld JM (2015) Data, big data, and metadata in anesthesiology. Anesth Analg 121/6:1661–1667. https://doi.org/10.1213/ANE.0000000000000716

    Article  Google Scholar 

  30. 30.

    Garg AX, Adhikari NK, McDonald H et al (2005) Effects of computerized clinical decision support systems on practitioner performance and patient outcomes. A systematic review. JAMA 293:1223–1238

    CAS  Article  PubMed  Google Scholar 

  31. 31.

    Rüping S (2015) Big Data in Medizin und Gesundheitswesen. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 58:794–798

    Article  Google Scholar 

  32. 32.

    Wicks P, Stamford J, Grootenhuis MA, Haverman L, Ahmed S (2014) Innovations in e‑health. Qual Life Res 23:195–203

    Article  PubMed  Google Scholar 

  33. 33.

    Mania H (2014) Marktübersicht: deutsche Krankenhaus-Informationssysteme (KIS). https://medicalitblog.wordpress.com/2014/08/23/marktubersicht-deutsche-krankenhaus-informationssysteme-kis/ (Erstellt: 2014). Zugegriffen: 2. Okt. 2017

    Google Scholar 

  34. 34.

    Mania H (2012) PDMS – eine aktuelle Marktübersicht. https://medicalitblog.wordpress.com/2012/07/31/pdms-eine-aktuelle-marktubersicht/ (Erstellt: 2012). Zugegriffen: 2. Okt. 2017 (Aktualisierung mit Stand 13.01.2016)

    Google Scholar 

  35. 35.

    Amkreutz J (2017) Clinical decision support systems differ in their ability to identify clinically relevant drug interactions of immunosuppressants in kidney transplant patients. J Clin Pharm Ther 42:276285. https://doi.org/10.1111/jcpt.12508

    Article  Google Scholar 

  36. 36.

    Hellmann G (2010) Arzneimitteltherapiesicherheitsprüfung – Stand und Umsetzungsperspektive im Krankenhaus. Studie im Auftrag der DKG. www.dkgev.de/media/file/7328.Rs-048_2010-02-12_A.pdf. Zugegriffen: 10. Aug. 2017

    Google Scholar 

  37. 37.

    Simpao AE, Ahumada LM, Rehman MA (2015) Big Data and visual analytics in anaesthesia and health care. Br J Anaesth 115:350–356

    CAS  Article  PubMed  Google Scholar 

  38. 38.

    Nair BG, Gabel E, Hofer I, Schwid HA, Cannesson M (2017) Intraoperative clinical decision support for anesthesia: A narrative review of available systems. Anesth Analg 124:603–617

    Article  PubMed  Google Scholar 

  39. 39.

    Müller T, Jerrentrup A, Schäfer JR (2017) Computerunterstützte Diagnosefindung bei seltenen Erkrankungen. Internist. https://doi.org/10.1007/s00108-017-0218-z

    Google Scholar 

  40. 40.

    Levin SN, Lyons JL (2017) Infections of the nervous system. Am J Med 131:25–32. https://doi.org/10.1016/j.amjmed.2017.08.020

    Article  PubMed  Google Scholar 

  41. 41.

    Kawamoto K, Houlihan CA, Balas EA, Lobach DF (2005) Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. BMJ. https://doi.org/10.1136/bmj.38398.500764.8F

    PubMed  PubMed Central  Google Scholar 

  42. 42.

    Cresswell K, Majeed A, Bates DW, Sheik A (2012) Computerized decision support systems for healthcare professionals: an interpretive review. Inform Prim Care 20:115–128

    PubMed  Google Scholar 

  43. 43.

    Bates DW, Gawande AA (2003) Improving safety with information technology. N Engl J Med 348:2526–2534

    Article  PubMed  Google Scholar 

  44. 44.

    Moja L, Kwag KH, Lytras T et al (2014) Effectiveness of computerized decision support systems linked to electronic health records: A systematic review and meta-analysis. Am J Public Health 104:e12–e22. https://doi.org/10.2105/AJPH.2014.302164

    Article  PubMed  PubMed Central  Google Scholar 

  45. 45.

    Ali SM, Giordano R, Lakhani S, Walker DM (2016) A review of randomized controlled trials of medical record powered clinical decision support system to improve quality of diabetes care. Int J Med Inform 87:91–100

    Article  PubMed  Google Scholar 

  46. 46.

    Keasberry J, Scott JA, Sullivan C, Staib A, Ashby R (2017) Going digital: a narrative overview of the clinical and organisational impacts of eHealth. Aust Health Rev. https://doi.org/10.1071/AH16233

    PubMed  Google Scholar 

  47. 47.

    Koutkias V, Bouaud J (2017) Contributions from the 2016 literature on clinical decision support. Yearb Med Inform 2017:133–138. https://doi.org/10.15265/IY-2017-031

    Google Scholar 

  48. 48.

    Jenders RA (2017) Advances in clinical decision support: Highlights of practice and the literature 2015–2016. Yearb Med Inform 2017:125–132. https://doi.org/10.15265/IY-2017-012

    Google Scholar 

  49. 49.

    Shademan A, Decker R, Opfermann JD, Leonard S, Krieger A, Kim PCW (2016) Supervised autonomous robotic soft tissue surgery. Sci Transl Med 8:337ra64. https://doi.org/10.1126/scitranslmed.aad9398

    Article  PubMed  Google Scholar 

  50. 50.

    Claesson A, Bäckman A, Ringh M et al (2017) Time to delivery of an automated external defibrillator using a drone for simulated out-of-hospital cardiac arrests vs emergency medical services. JAMA 317:2332–2333

    Article  PubMed  Google Scholar 

  51. 51.

    Wang C, Savkin AV, Clout R, Nguyen HT (2015) An Intelligent Robotic Hospital Bed for Safe Transportation of Critical Neurosurgery Patients Along Crowded Hospital Corridors. IEEE Trans Neural Syst Rehabil Eng 23:74454. https://doi.org/10.1109/TNSRE.2014.2347377

    Google Scholar 

  52. 52.

    Amir GJ, Lehmann HP (2016) After Detection: The Improved Accuracy of Lung Cancer Assessment Using Radiologic Computer-aided Diagnosis. Acad Radiol 23:186–191. https://doi.org/10.1016/j.acra.2015.10.014

    Article  PubMed  Google Scholar 

  53. 53.

    Karlo A (2016) Diagnostische Radiologie im Zeitalter der artifiziellen Intelligenz. Swiss Med Forum 16:1120–1122

    Google Scholar 

  54. 54.

    Ranschaert ER (2016) The impact of information technology on radiology services: An overview. J Belgian Soc Radiol 100:93. https://doi.org/10.5334/jbr-btr.1184

    Article  Google Scholar 

  55. 55.

    Ahmed NN, Toor AS, Friedland D (2017) Cognitive Computing and the Future of Health Care Cognitive Computing and the Future of Healthcare: The Cognitive Power of IBM Watson Has the Potential to Transform Global Personalized Medicine. IEEE Pulse 8:49. https://doi.org/10.1109/MPUL.2017.2678098

    Article  Google Scholar 

  56. 56.

    Schwartz PJ, Woosley RL (2016) Predicting the Unpredictable – Drug-Induced QT Prolongation and Torsades de Pointes. J Am Coll Cardiol 67:1639–1650. https://doi.org/10.1016/j.jacc.2015.12.063

    Article  PubMed  Google Scholar 

  57. 57.

    Ambale-Venkatesh B, Yang X, Wu CO et al (2017) Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. https://doi.org/10.1161/CIRCRESAHA.117.311312

    PubMed  Google Scholar 

  58. 58.

    Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T (2017) Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol 69:2657–2664

    Article  PubMed  Google Scholar 

  59. 59.

    Nachtigall I, Tafelski S, Deja M et al (2014) Long-term effect of computer-assisted decision support for antibiotic treatment in critically ill patients: a prospective „before/after“ cohort study. BMJ Open 4:e5370. https://doi.org/10.1136/bmjopen-2014-005370

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  60. 60.

    Colon E, Bittner EA, Kussman B, McCann ME, Soriano S, Borsook D (2017) Anesthesia, brain changes, and behavior: Insights from neural systems biology. Prog Neurobiol 153:121–160

    Article  PubMed  Google Scholar 

  61. 61.

    Mamoshina P, Vieira A, Putin E, Zhavoronkov A (2016) Applications of deep learning in biomedicine. Mol Pharmacol 2:1445–1454

    Article  Google Scholar 

  62. 62.

    Jia P, Zhang L, Chen J, Zhao P, Zhang M (2017) The effects of clinical decision support systems on medication safety: An overview. PLoS ONE. https://doi.org/10.1371/journal.pone.0167683

    Google Scholar 

  63. 63.

    Kheshti R, Aalipour M, Namazi S (2016) A comparison of five common drug-drug interaction software programs regarding accuracy and comprehensiveness. J Res Pharm Pract 5:257–263

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  64. 64.

    Adepoju IOO, Albersen BJA, De Brouwere V, van Roosmalen J, Zweekhorst M (2017) mHealth for clinical decision making in Sub-Saharan Africa: A scoping review. JMIR Mhealth Uhealth 5:e38. https://doi.org/10.2196/mhealth.7185

    Article  PubMed  PubMed Central  Google Scholar 

  65. 65.

    Ciapponi A, Lewin S, Herrera CA et al (2017) Delivery arrangements for health systems in low-income countries: an overview of systematic reviews. Cochrane Database Syst Rev 9:CD11083. https://doi.org/10.1002/14651858.CD011083.pub2

    PubMed  Google Scholar 

  66. 66.

    Schwencke S (2017) Generation Z – beim Arbeiten leben. CNEmagazin 4:24–25

    Google Scholar 

  67. 67.

    Ancker JS, Edwards A, Nosal S et al (2017) Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak 17:36. https://doi.org/10.1186/s12911-017-0430-8

    Article  PubMed  PubMed Central  Google Scholar 

  68. 68.

    Hölscher UM, Gausmann P, Haindl H et al (2014) Übersichtsartikel: Patientensicherheit als nationales Gesundheitsziel: Status und notwendige Handlungsfelder für die Gesundheitsversorgung in Deutschland. Z Evid Fortbild Qual Gesundheitswesen (ZEFQ) 108:6–14

    Article  Google Scholar 

  69. 69.

    https://dejure.org/BGBl/2015/BGBl._I_S._2408. Zugegriffen: 22. Nov. 2017

  70. 70.

    https://www.bsi.bund.de/DE/Themen/Industrie_KRITIS/IT-SiG/it_sig_node.html. Zugegriffen: 22. Nov. 2017

  71. 71.

    https://www.bmjv.de/SharedDocs/Gesetzgebungsverfahren/Dokumente/Gesetz_zur_Verbesserung_der_Rechte_von_Patientinnen_und_Patienten.html. Zugegriffen: 22. Nov. 2017

  72. 72.

    https://www.bmjv.de/SharedDocs/Gesetzgebungsverfahren/DE/Neuregelung_Schutzes_von_Geheimnissen_bei_Mitwirkung_Dritter_an_der_Berufsausuebung_schweigepflichtiger_Personen.html. Zugegriffen: 22. Nov. 2017

  73. 73.

    https://www.aeksh.de/system/files/documents/berufsordnung_final_2.pdf. Zugegriffen: 22. Nov. 2017

  74. 74.

    https://mapr.com/blog/5-big-data-trends-healthcare-2017/. Zugegriffen: 2. Okt. 2017

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Prof. Dr. med. H. Gehring.

Ethics declarations

Interessenkonflikt

H. Gehring, K. Rackebrandt und M. Imhoff geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Gehring, H., Rackebrandt, K. & Imhoff, M. E-Health und die Realität – was sehen wir heute schon in der Klinik?. Bundesgesundheitsbl 61, 252–262 (2018). https://doi.org/10.1007/s00103-018-2690-6

Download citation

Schlüsselwörter

  • E-Health
  • Digitale Technologie
  • Intelligente Datenverarbeitung
  • Entscheidungsunterstützung
  • Autonome Systeme
  • Klinik

Keywords

  • E-Health
  • Digital technologies
  • Intelligent data processing
  • Decision support
  • Autonomous system
  • Medical center