Zusammenfassung
Klinische Entscheidungsunterstützungssysteme (KEUS) sind Computersysteme, die die Entscheidung des Klinikers wesentlich beeinflussen, und zwar zum Zeitpunkt der Behandlung eines individuellen Patienten. Diese Systeme kommen in verschiedensten Varianten und Spielformen vor und sind daher formal schwer zu charakterisieren. Obwohl ihre Bedeutung im Behandlungsprozess des Patienten unbestritten ist, auch und vor allem wegen der immer größeren verfügbaren Daten- bzw. Wissensmenge und der fortschreitenden Digitalisierung, treten sie in manchen Bereichen nur punktuell in Erscheinung bzw. werden im klinischen Alltag noch zu wenig genutzt. Diese Systeme erlauben die schnelle standardisierte Reaktion auf neue medizinische Erkenntnisse in der medizinischen Behandlung und Dokumentation bei gleichzeitiger Reduktion von medizinischen Fehlern. Die Vielfalt an Erscheinungsformen von KEUS erschwert die Kategorisierung von dieser Art Computersystemen. In dieser Arbeit wird eine 3-stufige Einteilung versucht und mit Beispielen aus der klinischen Praxis unterlegt. Der Erfolg von KEUS mit Elementen der künstlichen Intelligenz wirft auch rechtliche Fragen auf, die in dieser Arbeit beleuchtet werden.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Adlassnig K-P, Haug PJ, Jenders RA (2018) Arden syntax: then, now and in the future. Artif Intell Med 92:1–6. https://doi.org/10.1016/j.artmed.2018.09.001
Becker AS, Marcon M, Ghafoor S, Wurnig MC, Frauenfelder T, Boss A (2017) Deep learning in mammography: diagnostic accuracy for a multipurpose image analysis software in the detection of breast cancer. Invest Radiol 52(7):434–440. https://doi.org/10.1097/RLI.0000000000000358
Berner ES, La Lande TJ (2016) Overview of clinical decision support systems. In: Berner ES (Hrsg) Clinical decision support systems: theory and practice. Springer International Publishing, Switzerland, S 1–17. https://doi.org/10.1007/978-3-319-31913-1_1
b-rayZ (2019) Predictive analysis of breast density with deep learning. http://www.b-rayz.ch/breast-density.html. Zugegriffen am 19.04.2019
Bright TJ, Wong A, Dhurjati R, Bristow E, Bastian L, Coeytaux R, R R, Samsa G, Hasselblad V, Williams JW, Musty MD, Wing L, Kendrick AS, Sanders GD, Lobach D (2012) Effect of clinical decision-support systems: a systematic review. Ann Intern Med 157(1):29–43. https://doi.org/10.7326/0003-4819-157-1-201207030-00450
Campbell R (2013) The five rights of clinical decision support: CDS tool helpful for meeting meaningful use. J AHIMA 84(10):42–47
Cheung A, van Felden FHP, Lagerburg V, Minderman N (2015) The organizational and clinical impact of integrating bedside equipment to an information system: a systematic literature review of patient data management systems (PDMS). Int J Med Inform 84(3):155–165. https://doi.org/10.1016/j.ijmedinf.2014.12.002
Chollet F (2018) Deep learning mit Python und Keras. mitp, Frechen
Diagnosia (2019) Medikamenteninteraktion. Diagnosia. http://www.diagnosia.com. Zugegriffen am 18.04.2019
EPha.ch (2019) Medikamenteninteraktion. EPha. http://epha.ch. Zugegriffen am 18.04.2019
Europäische Kommission (2016) MEDDEV 2.1/6 – Guidelines on the qualification and classification of stand alone software used in healthcare within the regulatory framework of medical devices. Europäische Kommission. http://ec.europa.eu/DocsRoom/documents/17921/attachments/1/translations/en/renditions/native. Zugegriffen am 18.04.2019
FDA (2019) Artificial intelligence and machine learning in software as a medical device. Food and Drug Administration (FDA). https://www.fda.gov/MedicalDevices/DigitalHealth/SoftwareasaMedicalDevice/ucm634612.htm. Zugegriffen am 18.04.2019
Haas P (2005) Medizinische Informationssysteme und Elektronische Krankenakten. Springer, Berlin. https://doi.org/10.1007/b138207
Herczeg M (2018) Software-Ergonomie: Theorien, Modelle und Kriterien für gebrauchstaugliche interaktive Computersysteme, 4. Aufl. de Gruyter, Berlin
Johner C. (2017) Decision Support Systeme als Medizinprodukt. Johner-Institut. https://www.johner-institut.de/blog/medizinische-informatik/decision-support-systeme-medizinprodukt/. Zugegriffen am 18.04.2019
Johner C. (2019a) Künstliche Intelligenz in der Medizin. Johner-Institut. https://www.johner-institut.de/blog/regulatory-affairs/kuenstliche-intelligenz-in-der-medizin/. Zugegriffen am 18.04.2019
Johner C (2019b) Software als Medizinprodukt – Software as Medical Device. Johner-Institut. https://www.johner-institut.de/blog/iec-62304-medizinische-software/software-als-medizinprodukt-definition/#klassifizierung. Zugegriffen am 18.04.2019
Kohn LT, Corrigan JM, Donaldson MS (2000) To err is human: building a safer health system. National Academy Press, Washington, DC
Kolostoumpis GP (2015) How clinical decision support systems (CDSS) ist he right tool for Physicians? 1st International Online BioMedical Conference (IOBMC), 10.–13. September 2015, International Medical Society, Online Konferenz. https://doi.org/10.13140/RG.2.1.2502.8325
Levett-Jones T, Hoffman K, Dempsey J, Jeong SY-S, Noble D, Norton CA, Roche J, Hickey N (2010) The ‚five rights‘ of clinical reasoning: an educational model to enhance nursing students' ability to identify and manage clinically ,at risk‘ patients. Nurse Education Today 30(6):515–520. https://doi.org/10.1016/j.nedt.2009.10.020
Molnar C (2019) Interpretable machine learning: a guide for making black box models explainable. https://christophm.github.io/interpretable-ml-book/. Zugegriffen am 18.04.2019
Osheroff JA, Teich JM, Levick D, Saldana L, Ferdinand T, Sitting DF (2012) Improving outcomes with clinical decision support, an implementer's guide. Healthcare Information and Management Systems Society (HIMSS), Chicago
Perreault LE, Metzger JB (1999) A pragmatic framework for understanding clinical decision support, Middelton B. (Hrsg), Clinical decision support systems. J Healthcare Info Manage 13(2):5–21
Puppe F (1990) Problemlösungsmethoden in Expertensystemen. Springer, Berlin
Puppe F (2014) Medizinische Entscheidungsunterstützungssysteme. Informatik Spektrum 37:246. https://doi.org/10.1007/s00287-014-0790-8
Pyysalo S (2008) A dependency parsing approach to biomedical text mining, Dissertation, Department of Information Technology. University of Turku, Turku, Finnland
Stahlknecht P, Hasenkamp U (2013) Einführung in die Wirtschaftsinformatik, 8. Aufl. Springer, Berlin. https://doi.org/10.1007/978-3-662-06895-3
Steinwendner J (2013) Farbige Etiketten helfen, Menschenleben zu retten. Management und Krankenhaus. https://www.management-krankenhaus.de/whitepaper/farbige-etiketten-helfen-menschenleben-zu-retten. Zugegriffen am 18.04.2019
Steinwendner J, Perani M (2018) KI im Schweizer Gesundheitswesen. IT for Health. Netzmedien, Zürich
Steinwendner J, Pobatschnig A, Zimmermann A (2004) The use of a PDMS for an immediate indication of nutrition status in an intensive care unit, 49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik. Biometrie und Epidemiologie (GMDS), Innsbruck
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Steinwendner, J. (2020). Klinische Entscheidungsunterstützungssysteme: von der Datenrepräsentation zur künstlichen Intelligenz. In: Pfannstiel, M., Kassel, K., Rasche, C. (eds) Innovationen und Innovationsmanagement im Gesundheitswesen . Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-28643-9_36
Download citation
DOI: https://doi.org/10.1007/978-3-658-28643-9_36
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-28642-2
Online ISBN: 978-3-658-28643-9
eBook Packages: Business and Economics (German Language)