Advertisement

Digitale Gesundheitsprodukte

  • Anita Bregenzer
  • Paulino JiménezEmail author
Living reference work entry
Part of the Springer Reference Wirtschaft book series (SRW)

Zusammenfassung

Digitale Gesundheitsprodukte („Electronic Health“, abgekürzt mit eHealth) liegen heutzutage im Trend, um die individuelle Gesundheitsförderung anzuregen. Es gibt derzeit eine Vielzahl an eHealth-Programmen am Markt, die sich bezüglich ihrer Inhalte, aber auch in ihrer Qualität stark unterscheiden. Dieser Beitrag gibt eine Übersicht über die Anwendungsbereiche und die spezifischen Komponenten von eHealth-Programmen und geht spezifisch auf die Erfolgsfaktoren und Risiken beim Einsatz von eHealth für die individuelle als auch betriebliche Gesundheitsförderung ein.

Schlüsselwörter

Digitalisierung eHealth Gesundheitsförderung mHealth Qualitätssicherung 

1 Einleitung

Digitale Gesundheitsprodukte in Form von Web-Programmen oder Smartphone-Apps sind derzeit stark im Trend, um die individuelle Gesundheit zu erhalten oder zu fördern. Dabei hat sich der Begriff „Electronic Health“ (abgekürzt mit eHealth oder auch e-Health) als wissenschaftlicher Begriff für den Einsatz digitaler Gesundheitsprodukte etabliert. Immer öfter wird parallel zu eHealth der Begriff mHealth – Kurzbezeichnung für „Mobile Health“ – als Sammelbegriff für Gesundheitsprodukte in der mobilen Anwendung (z. B. Gesundheits-Apps auf Smartphones) genannt. Dabei wird mHealth zwar als eigener Begriff vor allem in der Forschung durchaus oft genannt, kann aber als Unterkategorie für eHealth gesehen werden (siehe z. B. World Health Organization (WHO) 2011, S. 6). Aufgrund der rasanten technologischen Entwicklungen (so werden elektronische Medien immer mehr ebenfalls „mobil“) wird es außerdem schwieriger, beide Begriffe strikt zu trennen, weshalb im vorliegenden Beitrag der Begriff eHealth als Oberbegriff verstanden wird, der mHealth inkludiert.

eHealth umfasst einen breiten Anwendungsbereich. Von Fischer et al. (2016) werden folgende Anwendungsgebiete von eHealth unterschieden: a) Telemedizin (dieser Bereich umfasst alle digitalen Anwendungen in der medizinischen Versorgung), b) eHealth in Prävention, Gesundheitsförderung und Versorgung (z. B. Smartphone-Anwendungen, Ambient Assisted Living), c) eHealth-Ökonomie (hierzu fällt beispielsweise die „elektronische Gesundheitsakte“), d) eHealth für die Digitalisierung von Informationen und Inhalten (z. B. Datenbanken, Portale oder eLearning), und e) eHealth für Forschung und Gesundheitsberichterstattung (d. h. Verwendung der Daten für Forschungszwecke). Für den speziellen Einsatz in der individuellen Gesundheitsförderung ist vor allem der zweite Anwendungsbereich („eHealth in Prävention, Gesundheitsförderung und Versorgung“) bedeutsam. Die anderen Bereiche, wie z. B. die elektronische Gesundheitsakte für die zentrale Speicherung der Gesundheitsdaten, sind für den vorliegenden Beitrag weniger relevant und werden daher nicht thematisiert.

Der Einsatz von eHealth für die individuelle Gesundheitsförderung hat in den letzten Jahren stark an Bedeutung zugenommen. eHealth-Programme erleichtern eine umfassende Beobachtung der eigenen Gesundheit und sollen es dem individuellen Nutzer leichter machen, sein Wissen über die eigene Gesundheit zu erweitern und Veränderungen im Gesundheitsverhalten umzusetzen (Lupton 2015, S. 5). Gerade das erleichterte Sammeln individueller Gesundheitsdaten und damit die Erstellung persönlicher Gesundheitsprogramme werden als große Benefits von eHealth Programmen gesehen (Kratzke und Cox 2012, S. 74). Die Mehrheit der sich im Umlauf befindlichen eHealth-Programme zielt darauf ab, das individuelle Gesundheitsverhalten zu fördern. Die Chance, diese Programme in den Kontext der betrieblichen Gesundheitsförderung (BGF) zu übertragen, wird von immer mehr ExpertInnen in diesem Bereich gesehen (z. B. Balk-Møller et al. 2017a, e350; Melzner et al. 2014, S. 1375). Eine direkte Übertragung dieser individuellen eHealth-Programme auf den betrieblichen Kontext ist jedoch kritisch, da die Mehrheit der derzeit entwickelten eHealth-Programme meist nur auf einen kleinen Ausschnitt der BGF – die Verhaltensprävention – fokussieren (siehe dazu Abschn. 5.2).

Die verfügbaren Programme unterscheiden sich zudem sehr stark hinsichtlich ihrer Inhalte, ihres Informationsgehalts und ihres Nutzens (siehe z. B. Bardus et al. 2016; Santo et al. 2016, e132; Nicholas et al. 2015, e198). Qualitätssicherung in diesem Bereich ist unerlässlich, um die Akzeptanz, Nutzung und Wirksamkeit von eHealth-Programmen zu erhöhen und um mögliche negative Folgewirkungen weitgehend ausschließen zu können.

Dieser Buchbeitrag soll einen Überblick über die Einsatzmöglichkeiten von eHealth-Programmen allgemein und für BGF geben und auf die Vorteile aber auch auf die Risiken in der Nutzung von eHealth eingehen. Im Anschluss werden Konzepte für eine spezifische Implementierung von eHealth-Programmen in die BGF präsentiert und Qualitätsinstrumente vorgestellt, die von Organisationen, Gesundheitsexperten, Forschern und Endanwendern als Orientierungshilfe zur Bewertung der Qualität von eHealth-Programmen verwendet werden können.

2 Was ist eHealth?

Wie bereits eingangs erwähnt hat sich der Begriff eHealth als Überbegriff für alle Arten von digitalen Gesundheitsprodukten etabliert. In einer frühen Darstellung von eHealth wurde von Eysenbach (2001, e20), dem Herausgeber des Journal of Medical Internet Research, folgende Definition geprägt:

eHealth is an emerging field in the intersection of medical informatics, public health and business, referring to health services and information delivered or enhanced through the Internet and related technologies. In a broader sense, the term characterizes not only a technical development, but also a state-of-mind, a way of thinking, an attitude, and a commitment for networked, global thinking, to improve health care locally, regionally, and worldwide by using information and communication technology.

Diese Definition führte im Journal of Medical Internet Research zu einer Serie von Veröffentlichungen unter dem Namen „What is eHealth?“, um schrittweise dem komplexen Thema rund um eHealth näher zu kommen (eine kurze Übersicht über alle Artikel dieser Serie bieten Boogerd et al. 2015, e29). Die Autoren dieser Reihe kommen alle zu dem Schluss, dass eHealth relativ breit definiert werden muss und stimmen der Definition von Eysenbach (2001, e20) im wesentlichen Kern zu.

In einer neueren Konzeptualisierung von eHealth von Shaw et al. (2017, e324) werden drei Gebiete von eHealth unterschieden: 1) Verwendung von eHealth zur Beobachtung und Nachverfolgung von Gesundheit sowie Informationsbeschaffung über Gesundheit, 2) Verwendung von Technologien zur Kommunikation mit Gesundheitsversorgern, und 3) Sammlung, Verwaltung und Verwendung von Gesundheitsdaten. Die drei Bereiche werden durchaus überlappend gesehen. Optimalerweise integrieren eHealth Programme Elemente aus allen drei Bereichen für eine wirksamere Gesundheitsförderung (Shaw et al. 2017, e324). Eine ähnliche Einteilung in drei Bereiche wird von Peters und Klenke 2016, S. 111 ff.) vorgeschlagen: Auf der Konsumentenebene werden alle Anwendungen für den privaten Gebrauch zur Aufrechterhaltung oder Steigerung der eigenen Gesundheit zugeordnet. Die professionelle Ebene umfasst alle Anwendungen, die zwischen dem Nutzer und dem Gesundheitsversorger vermitteln. Die administrative Ebene beinhaltet alle Anwendungen zum besseren Management von Gesundheitsinformationen. Peters und Klenke (2016, S. 111 ff.) weisen darauf hin, dass die Komplexität der eHealth Programme auf der Konsumentenebene noch niedrig ist, aber über die professionelle Ebene bis hin zur administrativen Ebene stark ansteigt.

Wie bereits erwähnt, ist mHealth ein wichtiger Bereich von eHealth, bei dem mobile Kommunikationsformen für Gesundheitsinformationen und -services genutzt werden (Nacinovich 2011, S. 1). Neben eHealth und mHealth werden auch die Begriffe uHealth (ubiquitous health) und cHealth (connected health) weitgehend synonym verwendet (siehe z. B. Echeverría et al. 2015, S. 604; Loiselle und Ahmed 2017, e386). Der Begriff uHealth wird jedoch mehr im technischen Bereich verwendet und ist, ähnlich wie cHealth, im alltäglichen Sprachgebrauch noch weniger geläufig. Unter den Bereich mHealth fällt vor allem der große Bereich der Smartphone-Apps, aber auch andere mobile Gesundheitsangebote wie Nachrichtendienste am Mobiltelefon (z. B. SMS) oder mobile Gesundheitsgeräte zur Selbstbeobachtung wie sogenannte „Wearables“ (Activity Tracker oder Fitness Tracker; Evenson et al. 2015, S. 159). In der Forschung und in der Praxis sind es vor allem die Smartphone-Apps, die sehr stark im Bereich der Gesundheitsförderung und im präventiven Bereich eingesetzt werden.

3 Anwendungsbereiche von eHealth

Das Angebot an eHealth-Programmen – vor allem im Bereich der mHealth Applikationen in den App Stores – ist unüberschaubar. Am häufigsten werden Apps zum Management der eigenen Gesundheit angeboten (Xu und Liu 2015, e28). Dabei kann man grob in „Medical Apps“ und „Health & Fitness Apps“ unterscheiden. Erstere sind primär medizinische Anwendungen, die Mediziner, Psychologen oder andere Spezialisten im Bereich der Gesundheitsversorgung bei der Behandlung von Patienten unterstützen. Diese Medical Apps werden hauptsächlich als Ergänzung zur Behandlung chronischer Erkrankungen eingesetzt. Die sogenannten „Health & Fitness Apps“ sind nicht rein auf Erkrankungen spezialisiert und zielen darauf ab, den individuellen Gesundheitszustand zu verbessern und so präventiv möglichen negativen Folgeerkrankungen entgegenzuwirken.

3.1 Medical Apps

Medical Apps werden vor allem als Hilfsmittel gesehen, die in eine traditionelle Behandlung eingebettet sind. Diese Art von Apps dient hauptsächlich der Beobachtung und Behandlung von Symptomen sowie der Unterstützung der medizinischen Therapie (Wang et al. 2014, S. 581). Die Experten, die diese Medical Apps im Rahmen ihrer Behandlung vorschlagen, können die durch die Anwendung erhobenen Daten für die Beobachtung des Therapieerfolgs oder für die Entscheidung von weiteren Behandlungsschritten nutzen (Weinstein et al. 2014, S. 184).

Ein Bereich, in dem die Medical Apps bereits gerne eingesetzt werden, betrifft die Selbstbeobachtung bei Diabetes Mellitus, wie beispielsweise das Speichern und Rückmelden des Blutzuckerspiegels, Führen eines Ernährungstagebuchs oder Kontrolle über die Dosierung der Insulindosis (Bonoto et al. 2017, e4). Entwickelt werden ebenfalls Programme zur Behandlung chronischer Schmerzen (Kristjánsdóttir et al. 2011, S. 51), Selbstbeobachtung bei Bluthochdruck (Kumar et al. 2015, S. 131), Tinnitus (Wilson et al. 2015), Asthma (Sage et al. 2017, e5) oder zur Kontrolle der Medikamenteneinnahme (Dayer et al. 2017, e45).

Auch eHealth-Programme zur Behandlung psychischer Erkrankungen fallen in den Bereich der Medical Apps. Vor allem für klinische Störungen im Bereich der Angststörungen, affektive Störungen oder Posttraumatische Belastungsstörung werden eHealth-Programme als Ergänzungen zur Therapie entwickelt (siehe z. B. Dagöö et al. 2014, S. 413; Firth und Torous 2015, e102; Kuester et al. 2016, S. 3). Ähnlich zu den Medical Apps, die für körperliche Erkrankungen entwickelt wurden, sind eHealth-Programme für psychische Erkrankungen so konzipiert, dass sie in ihrer Anwendung von einem Mediziner oder Psychologen begleitet werden sollten. Im Gegensatz zu den Anwendungen für körperliche Erkrankungen sind jene im klinischen Setting oft als zeitlich begrenzte Intervention geplant (Kelders et al. 2012, e152). Eine Ausnahme bieten natürlich chronische psychische Erkrankungen oder psychische Erkrankungen, die langfristig behandelt werden müssen (z. B. bipolare Störung, Schizophrenie). Hier werden eHealth-Programme ebenfalls zur langfristigen Nutzung entwickelt, um den Alltag besser meistern zu können (z. B. Firth und Torous 2015, e102; Nicholas et al. 2015, e198).

Medical Apps werden also primär als Anwendungen zur Begleitung in einer medizinischen oder therapeutischen Behandlung entwickelt. Es gibt jedoch Studien, die sich auch mit den Einsatzmöglichkeiten von unbegleiteten Medical Apps beschäftigen. Unbegleitete Anwendungen gelten als kosteneffizienter (Paganini et al. 2018, S. 751) und hätten besonders bei psychischen Erkrankungen den Vorteil, dass Personen weitgehend anonym bleiben können und eine mögliche Stigmatisierung durch ihre Erkrankung vermeiden könnten. In der Studie von Ivanova et al. (2016, S. 29 ff.) wurden zwei Gruppen, die eine Smartphone-Anwendung zur Behandlung von Angststörungen benutzten (von einem Experten begleitet vs. unbegleitet), mit einer Kontrollgruppe verglichen. In jener Anwendung, die von einem Experten begleitet wurde, erhielten die Nutzer von ihren Therapeuten wöchentlich schriftliche Rückmeldungen über den Therapieerfolg. In der unbegleiteten Anwendung erhielten sie eine automatisiert generierte Rückmeldung. Beide Programme waren gleich gut geeignet, Symptome der Angststörung zu reduzieren. Ein gänzlich unbegleitetes Programm ist jedoch nicht uneingeschränkt zu empfehlen, da der langfristige Therapieerfolg besser von Experten eingeschätzt werden kann und bei schwerwiegenden Erkrankungen ernste Faktoren wie beispielsweise Suizidalität in unbegleiteten Programmen schwer behandelt werden können.

3.2 Health & Fitness Apps

Health & Fitness Apps haben mehrheitlich gesunde Personen im Fokus, die ihr Gesundheitsverhalten aufrechterhalten oder verbessern möchten. Die Verfügbarkeit von Health & Fitness Apps (manchmal auch „Healthy Lifestyle Apps“) hat in den letzten Jahren deutlich zugenommen und die Medical Apps überholt (Xu und Liu 2015, e28). In Deutschland lag der Anteil der Health & Fitness App-Nutzung unter allen App-Nutzern im Jahr 2014 bei 14 %, in den USA bei 15 %.; zum Vergleich lag die Nutzungsquote bei den Medical Apps in Deutschland bei 8 % (Mobile Ecosystem Forum 2015, S. 12).

Unter dem groben Titel der Health & Fitness Apps verbergen sich eine Vielzahl an verschiedenen Anwendungen. In einer umfassenden Analyse von Sama et al. (2014, e19) wurden 400 Gesundheits-Apps, die im App Store erhältlich sind, untersucht. Am öftesten wurden Apps zur Selbstbeobachtung von Bewegung und Fitness angeboten, gefolgt von Apps für die Selbstbeobachtung von Kalorienzufuhr. Apps zu den Themen Stress Management, Schlaf, psychische Gesundheit, Rauchen und Schmerzmanagement waren deutlich geringer vertreten. Zu einem ähnlichen Schluss kamen Bardus et al. (2016, S. 35): die Mehrheit der derzeit verfügbaren eHealth-Programme, die im App Store zum Download angeboten werden, fokussieren auf körperliche Aktivität, Ernährung und Gewichtskontrolle. Auch Programme zur Raucherentwöhnung oder zur Reduktion des Alkoholkonsums werden immer öfter als Smartphone-Anwendungen angeboten (Badawy und Kuhns 2017, e50). Es gibt ebenfalls Anwendungen, in denen die Flüssigkeitszufuhr beobachtet und gegebenenfalls erhöht werden soll (Conroy et al. 2017, S. 36). Neben Programmen zur Förderung der körperlichen Gesundheit gibt es immer mehr eHealth-Programme, die auf die Förderung des psychischen Wohlbefindens abzielen. So gibt es Anwendungen zur Beobachtung und Reduktion des eigenen Stresserlebens (z. B. Ben-Zeev et al. 2015, S. 218 ff.) oder Anwendungen zum Erlernen von Entspannungstechniken (z. B. Christmann et al. 2017, e22). Einige Apps versuchen mehrere Bereiche parallel abzudecken, um den Nutzern eine möglichst umfassende Gesundheitsförderung anzubieten (z. B. Du et al. 2016, e4).

Health & Fitness Apps sind für eine langfristige Anwendung konzipiert und sollen als ständige Begleiter im Alltag gesehen werden, ähnlich wie ein digitaler Trainer bzw. Coach. Sie werden mehrheitlich als eigenständige Programme entwickelt und sind weniger als integrierte Lösung in eine bestehende Therapie gedacht – im Gegensatz zu Medical Apps. Dennoch ist eine Einbindung der Health & Fitness Apps in ein bestehendes Fitness- oder Ernährungsprogramm natürlich möglich. Dabei zeigt sich, dass eine persönliche Betreuung durch Mediziner, Psychologen oder andere Gesundheitsspezialisten (z. B. Sportwissenschaftler oder Ernährungsspezialisten) zu einer höheren Teilnahme und längerfristiger Anwendung dieser Programme führen kann (Kelders et al. 2012, e152).

4 Besonderheiten von eHealth

4.1 Komponenten von eHealth

eHealth-Programme können verschiedenste Komponenten beinhalten, um die Nutzer zu motivieren, ihr Gesundheitsverhalten aufrecht zu erhalten oder zu verbessern. In der Studie von Bardus et al. (2016, e35) wurden 23 Health & Fitness Apps hinsichtlich ihrer Qualität und ihrer Inhalte bewertet. Hier zeigte sich, dass die meisten Anwendungen individuelle Zielsetzung, Self-Monitoring und Erhalt von individuellem Feedback als Komponenten für die Änderung von Gesundheitsverhalten einsetzten. Jene Anwendungen, die ein breiteres Repertoire an Verhaltensänderungsstrategien und -techniken anboten, wurden auch als qualitativ hochwertiger eingestuft. In einer umfassenden Analyse von Conroy et al. (2014, S. 650) wurden 200 Health & Fitness Apps auf den Einsatz von Methoden zur Verhaltensänderung untersucht. Die am öftesten eingesetzten Techniken waren gezielte Instruktionen zum Erlernen von Übungen, der Einsatz von Vorbildwirkung, automatisierte Rückmeldungen zum Gesundheitsverhalten, Zielsetzungen für Aktivitäten sowie gezielte Planung von sozialer Unterstützung.

Diese spezifischen Komponenten spiegeln sich auch in den aktuellen Konzepten, die die Wirkungsweisen von eHealth-Programmen zu erklären versuchen, wider: Diese Konzepte sind z. B. das Technology Acceptance Model (Melzner et al. 2014, S. 1375) oder das Internet Intervention Model (Ritterband et al. 2009, S. 20). Das bedeutet, dass die Technologien, in die die Gesundheitsinterventionen eingebettet sind, nicht mehr als reines Mittel zur Übermittlung von Inhalten gesehen werden, sondern die spezifischen Komponenten dieser Technologien als eigene Bestandteile in den Konzepten zur Wirkungsweise von eHealth Programmen berücksichtigt werden (Kelders et al. 2012, e152).

Für eine längerfristige Nutzung von eHealth-Programmen sind vor allem Punkte wie einfaches Tracking von Gesundheitsdaten (z. B. durch Activity-Tracker), Eingebunden sein in eine Gruppe, Möglichkeit des Teilens von Erfolgen auf Sozialen Medien und Notifications (z. B. Push-Up Nachrichten) ausschlaggebend (Bardus et al. 2016, S. 35). Auch die Möglichkeit, die Gesundheitsdaten mit einem Experten auf diesem Gebiet teilen zu können stellt einen großen motivationalen Faktor für die Nutzung von eHealth-Programmen dar (van der Weegen et al. 2013, e8).

4.2 Vorteile von eHealth

Die Vorteile von eHealth-Programmen gegenüber den „klassischen“ Gesundheitsprogrammen sind zahlreich und betreffen klassische ökonomische Kriterien (wie Kostengünstigkeit) bis zu individuellen und organisationalen Aspekten (siehe Tab. 1).
Tab. 1

Vorteile von eHealth-Programmen

Vorteile

Quellen (Auszug)

Kostengünstigkeit

Ebert et al. 2014 (S. 807)

Ortsungebundene, zeitunabhängige Verwendung (24 Stunden und sieben Tage die Woche)

Berry et al. 2016 (S. 8)

Erreichbarkeit von Personen in abgeschiedenen Gegenden

Griffiths et al. 2006 (e10)

Hohe Anonymität der Nutzer und Vermeidung von „Outings“

Treisman et al. 2016 (S. 624)

Gezieltes Ansprechen mehrerer Zielgruppen durch maßgeschneiderte Programme („tailoring“)

Spittaels et al. 2007 (S. 387)

Rasche Veränderung und Aktualisierung von Inhalten („Updates“)

Vandelanotte et al. 2016 (S. 220)

Wiederholtes Abrufen und Einüben von Inhalten

Ariens et al. 2017 (e300)

Einbindung von Multimedia-Programmen oder geschickte Nutzung von „Gamification“

Lister et al. 2014 (e9)

Einfache, schnelle, automatisierte Rückmeldungen zum eigenen Gesundheitszustand

van der Weegen et al. 2013 (e8)

Damit eHealth-Programme langfristig genutzt werden, werden vor allem „Gamification“-Aspekte sowie automatisierte Rückmeldungen in die Anwendungen eingebaut.

Gamification ist die Verwendung von spielebasierten Mechanismen, um die Erfahrung und die Motivation von Nutzern zu steigern (Deterding et al. 2011, S. 1). Gamification wird ebenfalls gerne in eHealth-Programmen eingesetzt, um Gesundheitsverhalten zu fördern. Dabei werden gerne Gamification-Bestandteile wie digitale oder reale Belohnungen, Ranglisten oder Teamwettkämpfe („challenges“) eingesetzt (Lister et al. 2014, e9). eHealth-Programme, die Bestandteile von Gamification einbauen, sind von den sogenannten „Serious Games“ abzugrenzen, die tatsächlich als Spiele konzipiert sind, aber Lern- oder Bildungsziele verfolgen (Seaborn und Fels 2015, S. 27). Gamification wird gezielt eingesetzt, um das Interesse am eHealth-Programm hoch zu halten und so die Nutzung von eHealth-Programmen zu erhöhen (Bakker et al. 2016, e7).

Ein weiterer Bestandteil von eHealth-Programmen, der ähnlich wie Gamification-Aspekte zur Erhöhung der Nutzung von eHealth-Programmen beitragen soll, ist die Möglichkeit des Erhalts von individuellem, automatischen Feedback zum eigenen Gesundheitszustand (van der Weegen et al. 2013, e8). Da dieser Punkt in fast allen eHealth-Programmen eingesetzt wird, um die Nutzung aufrecht zu erhalten und Verhaltensänderungen anzuregen, wird dieser Punkt im folgenden Kapitel ausführlicher beschrieben.

4.3 Automatisierte Rückmeldungen zum Gesundheitszustand

Individuelle Rückmeldungen über Gesundheitsparameter können entweder durch das Beantworten von Fragebögen, durch selbst eingetragene Verhaltensdaten (z. B. körperliche Aktivität, Ernährungstagebuch) oder durch „passives“ Erheben von Verhaltensdaten durch mobile Anwendungen errechnet werden (Bakker et al. 2016, e7). Das „passive“ Sammeln von Daten kann vor allem durch die Verwendung von sogenannten „Wearables“ bzw. Activity-Tracker (z. B. Fitbit, Garmin, Jawbone, Polar) durchgeführt werden. Wearables können schnell und ökonomisch eine wertvolle Rückmeldung über körperliche Parameter liefern. Vor allem Körperfunktionen, wie Blutzucker, Körpertemperatur, Herzrate und Herzratenvariabilität, Atmungsfrequenz und sogar schon Hirnaktivität können durch Wearables automatisch erfasst und sofort dem Anwender rückgemeldet werden (Lupton 2015, S. 176). Eine derzeit beliebte Anwendung zum Beobachten der eigenen körperlichen Aktivität sind Schrittzähler-Anwendungen, die das Aktivitätsniveau aufgrund der Anzahl der am Tag getätigten Schritte rückmelden (Case et al. 2015, S. 625).

Auch andere Verhaltensdaten können aufgezeichnet werden: In einer Studie von Ben-Zeev et al. (2015) wurden für eine Anwendung zur Selbstbeobachtung von Stresserleben neben dem Erheben von Fragebogendaten zusätzlich Verhaltensdaten „passiv“ gesammelt. Die Autoren konnten in ihrer Studie belegen, dass durch Wearables aufgezeichnete Daten wie Dauer der gesprochenen Zeit pro Tag, zurückgelegte Distanzen pro Tag, tägliche Bewegung und Schlafdauer, gute Zusammenhänge mit dem subjektiv eingeschätzten Stresserleben aufweisen. Sie schließen daraus, dass Stress demnach auch „passiv“ durch mobile Anwendungen erhoben und rückgemeldet werden kann. In einem Beitrag von Gravenhorst et al. (2015, S. 338) wird vorgeschlagen, dass Experten auch die Anzahl an eingehenden und versendeten Nachrichten als Indikator für soziale Aktivität und positive Stimmung (z. B. bei einer Anwendung zur Behandlung von Depression) erheben könnten. Diese automatische Erhebung von Daten über das Smartphone hat vor allem bei stark eingeschränkten Patienten oder bei Patienten mit psychischen Störungen den Vorteil, dass diese nicht mit Fragebögen belastet werden müssen (Gravenhorst et al. 2015, S. 339). Das permanente Aufzeichnen von körperlichen und verhaltensbezogenen Daten ist jedoch auch kritisch zu sehen (siehe dazu auch Abschn. 4.5). Derzeit werden die Rückmeldungen in eHealth-Programmen meist auf Basis von selbstberichteten, aktiv eingegebenen Daten programmiert.

Ein rein elektronisches Rückmelden von Gesundheitsdaten ist möglich, dennoch müssen einige Kriterien berücksichtigt werden:
  • Die Rückmeldung muss unmissverständlich und einfach gestaltet sein (Carter et al. 2015, e95)

  • Die wesentliche Nachricht muss auf den ersten Blick sichtbar sein, ohne „scrollen“ zu müssen. Dies betrifft vor allem Rückmeldungen auf Geräten mit kleinen Displays wie beispielsweise Activity Tracker oder Smartphones (van der Weegen et al. 2013, e8)

  • Das Feedback muss an die Gegebenheiten des eHealth-Programms angepasst werden (z. B. kürzeres Feedback am Smartphone und längeres Feedback am Computer; Jiménez und Dunkl 2017, S. 2)

  • Rückmeldungen sollten gemeinsam mit Experten im jeweiligen Gesundheitsbereich entwickelt werden, um mögliche Fehlinterpretationen der Rückmeldung zu vermeiden (Jiménez und Dunkl 2017, S. 53).

Das gemeinsame Entwickeln der Rückmeldung mit Experten ist umso wichtiger, wenn die Rückmeldung ein kritisches Gesundheitsergebnis zeigen kann, wobei auf der Seite der Anwender Unsicherheiten oder Ängste entstehen könnten (Jiménez und Dunkl 2017, S. 2). Im Falle einer Rückmeldung zum individuellen Stresszustand kann ein kritisches Feedback, wenn es nicht korrekt entwickelt wird, zu noch mehr Stress bei den Nutzern führen (Þórarinsdóttir et al. 2017, e41). Deshalb wird vorgeschlagen, dass bei kritischem Feedback die Möglichkeit eines persönlichen Gesprächs mit einem Experten immer mitangeboten wird.

4.4 Risiken von eHealth

Standards für den Einsatz und die Testung von medizinischen Produkten werden in der Entwicklung von eHealth-Programmen kaum berücksichtigt (Wicks und Chiauzzi 2015, S. 205). Dabei sind eHealth-Programme hinsichtlich ihres Einsatzes und ihrer Wirkung durchaus wie medizinische Produkte zu behandeln.

Allgemein muss eine Intervention zur Förderung von Gesundheit bestimmten Kriterien entsprechen, die beispielsweise in der österreichischen Norm ONR-D 4000 (Austrian Standards Institute 2017, S. 3) definiert sind:
„Eine Intervention muss
  • systematisch, zielgerichtet und zeitlich eingrenzbar sein,

  • auf einer fundierten Theorie (d. h. auf wissenschaftlichen empirischen Kriterien) basieren,

  • standardisiert, objektiv und

  • ethisch legitimierbar (vor allem Transparenz, Freiwilligkeit, Umgang mit Daten) sein.

    Die Wirkung einer Intervention muss

  • in ihrer Art und ihrem Ausmaß (z. B. in Bezug ihrer kurz- und langfristigen Aspekte und ihrem Wirkungsbereich) klar definiert sein,

  • empirisch überprüfbar sein (z. B. in Bezug auf ihren Verlauf bzw. ihrer Richtung und ihrem Endergebnis),

  • existent sein (z. B. in Bezug auf Erwerb, Aufrechterhaltung und Erweiterung von Kompetenzen im Sinne von Fähigkeiten, Fertigkeiten, Kenntnisse und gegebenenfalls ihren Einstellungen) und

  • frei von negativen oder schädlichen Neben- und Folgewirkungen sein“. (Austrian Standards Institute 2017, S. 3)

Diese Kriterien können direkt auch auf eHealth-Programme umgelegt werden. Die Methoden und Techniken, die in eHealth-Programmen eingesetzt werden, unterscheiden sich meist nicht wesentlich von den Methoden und Techniken einer traditionellen“ Behandlung. Negative Effekte, die in traditionellen Behandlungs-Settings auftreten können, sind demnach auch in digitalen Settings zu erwarten. Während bei Behandlungen mit persönlichem Kontakt negative Effekte eher sichtbar und so besser behandelt werden können, ist bei eHealth-Programmen der persönliche Kontakt beschränkt und negative Effekte schwerer zu korrigieren. Rozental et al. (2014, S. 15) schlagen in diesem Zusammenhang vor, potenzielle negative Effekte durch gezielten Einsatz von Selbstbeobachtungsverfahren oder Checklisten besser kontrollieren zu können. Werden eHealth-Programme im Rahmen einer medizinischen oder therapeutischen Behandlung eingesetzt, so sollten bei den persönlichen Kontakten zwischen Experten und Patienten negative Effekte vorsichtig angesprochen werden (Rozental et al. 2014, S. 16).

eHealth-Programme können eine Reihe von Risiken beinhalten, die optimalerweise bereits in der Entwicklungsphase der Anwendungen berücksichtigt und durch Qualitätssicherung in der Entwicklungsphase weitgehend vermindert werden sollten (siehe Tab. 2). Wie Qualitätssicherung Risiken vermeiden kann, ist in Abschn. 6 ausführlicher beschrieben.
Tab. 2

Risiken von eHealth-Programmen

Risiken

Quellen (Auszug)

Datensicherheit und Datenschutz (siehe Abschn. 4.5)

Dennison et al. 2013 (e86)

Keine oder ungenügende evidenzbasierte Entwicklung der Anwendung

Coulon et al. 2016 (S. 100)

Neben App-Entwicklern keine Einbindung von Gesundheitsexperten zur Qualitätssicherung der Inhalte

Lupton 2014 (S. 609)

Zu späte Einbindung der Nutzer in den Entwicklungsprozess

Ludden et al. 2015 (e172)

Keine oder unzureichende Erklärung zum Umgang mit der Anwendung

Stoyanov et al. 2015 (e27)

Schwierige Bedienung der Anwendung mit Gefahr der Überforderung der Nutzer

Stoyanov et al. 2015 (e27)

Inhalte der Anwendung sind nicht geeignet, die gewünschte Veränderung zu erreichen

Baumel et al. 2017 (e82)

Eingeschränkte Kommunikation und Interaktion zwischen User und Gesundheitsexperten, besonders bei rein automatisierten Anwendungen

Rozental et al. 2014 (S. 15)

Keine Strategien zum „Auffangen“ der Nutzer in kritischen Phasen (z. B. Notfallfunktion bei akuter Suizidalität)

Terhorst et al. 2018 (S. 103)

Missverständliche oder inkorrekte Rückmeldungen individueller Gesundheitsparameter, besonders bei kritischen Ergebnissen

Jiménez und Dunkl 2017 (S. 2)

Weiteres sollten eHealth-Programme intuitiv bedienbar und frei von Störungen sein, um auch nicht technik-affinen Personen die Verwendung des Programmes zu vereinfachen (Boulos et al. 2011, S. 24). Technische Probleme wie beispielsweise Verbindungsprobleme oder das „Abstürzen“ der Programme dürfen eine Nutzung des eHealth-Programms nicht erschweren (Donker et al. 2013, e247).

Ein weiteres Risiko in der Verwendung von eHealth-Programmen betrifft den großen Bereich des Datenschutzes und den Umgang mit den erhobenen Gesundheitsdaten. Dieser Punkt wird im nächsten Kapitel ausführlicher behandelt.

4.5 eHealth und Datenschutz

Bradford und Rickwood (2014, S. 287 ff.) konnten in ihrer Studie drei Barrieren bezüglich Datensicherheit identifizieren:
  1. 1)

    Technische Barrieren: Hier ist bei den Nutzern die technische Sicherheit nicht ersichtlich oder die Datenspeicherung nicht klar.

     
  2. 2)

    Persönliche Barrieren: In diesem Punkt ist es dem Nutzer unklar, wer Zugriff auf die persönlichen Daten hat.

     
  3. 3)

    Umweltbezogene Barrieren: Die Anwendung wird in einer Umgebung genutzt, die es anderen leicht ermöglicht, die eingegebenen Daten zu beobachten (z. B. Eingabe auf einem öffentlichen Computer an einem einsichtigen Ort).

     

Besonders der zweite Punkt kann bei Nutzern große Unsicherheit hervorrufen. Unklarheiten bezüglich der Aufbewahrung, Sicherheit und (Weiter-)Verwendung der individuellen Gesundheitsdaten ist eine der größten Barrieren für eine Nutzung von eHealth-Programmen, die im schlimmsten Fall zu einer kompletten Ablehnung des eHealth-Programms führen können (Dennison et al. 2013, e86).

Gesundheitsdaten gelten als besonders heikle Daten für die besonders in Deutschland, Österreich und der Schweiz ein besonders hoher Schutz gilt (einen umfassenden Überblick für Deutschland geben Leupold et al. (2016), S. 49). In Deutschland wird dem Schutz der Gesundheitsdaten vor allem durch das „Gesetz für sichere digitale Kommunikation und Anwendungen im Gesundheitswesen“ (das sogenannte „E-Health-Gesetz“) besondere Rechnung getragen. Dieses fokussiert sehr stark auf die Sicherheit der Daten der elektronischen Gesundheitsakte.

In einer Studie aus den USA gab jeder achte Befragte an (12 %), Gesundheitsinformationen bewusst vor dem Gesundheitsversorger (z. B. von der Gesundheitsversicherung) zu verschweigen, wenn sie die Sicherheit und Anonymität ihrer Gesundheitsdaten als nicht ganz gesichert sehen (Agaku et al. 2014, S. 375). In einer weiteren Studie in den USA über das Thema von elektronischen Sammeln der individuellen Gesundheitsdaten lehnte ein Drittel der Befragten das automatische Sammeln und Speichern von Gesundheitsdaten ab oder wünscht sich zumindest das Speichern bestimmter Informationen einschränken zu können (Dhopeshwarkar et al. 2012, S. 430). Nur etwa die Hälfte gab an, ihrem Gesundheitsversorger bezüglich Datensicherheit und Anonymität zu vertrauen.

Dabei ist das Teilen der eigenen Gesundheitsdaten mit Gesundheitsexperten durchaus ein interessanter Punkt, den Anwender auch gerne nutzen wollen (Shaw et al. 2017, e324; van der Weegen et al. 2013, e8). Einem Weitergeben der persönlichen Gesundheitsdaten ist jedoch immer ein ausdrückliches Einverständnis der Nutzer vorausgesetzt.

Gesundheitsdaten sind dann „sicher“, wenn sie vor einem Zugriff durch unautorisierte Personen geschützt sind, wenn sie nicht ohne Erlaubnis modifiziert werden können und wenn sie für den „Besitzer“ der Gesundheitsdaten jederzeit abgerufen werden können (Vithanwattana et al. 2017, S. 22). Der letzte Punkt kann kritisch sein, da vor allem bei Verwendung von mobilen Anwendungen (z. B. Smartphone oder Wearables) Gesundheitsdaten ständig miterhoben und gespeichert werden, die genaue Speicherung für die Nutzer aber manchmal nicht klar ersichtlich ist. In einer Studie von Huckvale et al. (2015, S. 214) wurden 79 Smartphone-Anwendungen im Gesundheitsbereich systematisch auf Datensicherheit untersucht. Unter anderem zeigte sich, dass bei acht Anwendungen Gesundheitsinformationen an Dritte weitergegeben wurden, ohne den Nutzer zu informieren. Bei sechs Anwendungen erfolgte der Informationsfluss von sensiblen Daten unverschlüsselt. Die Autoren schlossen daraus, dass dem Thema Datensicherheit in eHealth-Anwendungen in zukünftigen Diskussionen viel stärkere Aufmerksamkeit gewidmet werden muss.

5 eHealth und betriebliche Gesundheitsförderung (BGF)

Das wachsende Potenzial von eHealth-Programmen wird immer mehr auch in der BGF erkannt. In den folgenden Unterkapiteln wird auf das Potenzial von eHealth-Programmen sowie auf mögliche Implementierungsstrategien in den BGF-Prozess eines Unternehmens eingegangen.

5.1 Mehrwert von eHealth in der betrieblichen Gesundheitsförderung

Ein bekanntes Problem bei BGF-Maßnahmen ist, dass die Teilnahmequoten an den angebotenen Maßnahmen eher gering sind. In der Meta-Analyse von Robroek et al. (2009, S. 26) zeigte sich, dass die Partizipation an BGF-Maßnahmen im Schnitt 30 % der Belegschaft beträgt. In keiner der zehn von ihnen untersuchten Beispiele betrug die Teilnahmequote über 50 %.

Gründe für die Nicht-Teilnahme sind dabei vor allem:
  1. 1.

    Der Eindruck, dass die Maßnahmen nicht benötigt wird, da bereits genug für die Gesundheit getan wird oder weil sie ihr Gesundheitsverhalten nicht ändern möchten (Toker et al. 2014, S. 877)

     
  2. 2.

    Die Annahme, dass die Maßnahmen keine positive Wirkung auf die eigene Gesundheit haben werden (Toker et al. 2014, S. 877)

     
  3. 3.

    Zeitmangel oder sonstige zeitliche Einschränkungen (Bardus et al. 2014, S. 241)

     
  4. 4.

    Führungskräfte unterstützen BGF nicht oder nicht ausreichend (Bardus et al. 2014, S. 242)

     
  5. 5.

    Die Einstellung, dass Gesundheit Privatsache ist und keine Sache des Arbeitgebers (Robroek et al. 2012b, S. 329)

     

Der gezielte Einsatz von eHealth-Programmen kann eine Erhöhung in der Teilnahmequote positiv beeinflussen. In Studien zeigt sich bereits, dass vor allem die Gruppe der „ungesünderen“ Personen mit eHealth-Maßnahmen besser erreicht werden kann als mit traditionellen betrieblichen Gesundheitsförderungsmaßnahmen. In der Studie von Niessen et al. (2013, e151) zeigte sich, dass Mitarbeiter mit geringerer körperlicher Aktivität, höherem Alkoholkonsum und mehr Stress eher in einer eHealth-Maßnahme zur Bestimmung des eigenen Gesundheitszustandes teilnahmen als „gesündere“ Mitarbeiter.

Dieses Ergebnis zeigt sich nicht nur bei eHealth-Programmen mit Fokus auf körperlicher Gesundheit, sondern auch bei eHealth-Programmen zur Förderung psychischer Gesundheit: In der Studie von Hasson et al. (2010, S. 604) wurde die Teilnahme an einem web-basierten Programm zu Stressmanagement untersucht. Es zeigte sich, dass sowohl Mitarbeiter mit niedrigem als auch mit hohem Stress an der Maßnahme teilnahmen. Die Autoren schlossen daraus, dass web-basierte Programme beide Gruppen ansprechen, da die Programme am Web ortsunabhängig zu jeder Zeit zugänglich sind und daher auch gestressten Mitarbeitern entgegen kommen. Von Känel et al. (2016, S. 31) evaluierten in ihrem Forschungsprojekt eine Web-Plattform zur Selbstbeobachtung von Burnout-Risikofaktoren in einer Stichprobe von insgesamt 11.311 arbeitenden Personen. Bei näherer Betrachtung der Stichprobe zeigte sich, dass deren Burnout-Risiko einen mindestens dreimal so hohen Wert aufwies als es in der Gesamtpopulation zu erwarten wäre. Somit hatte die Web-Plattform genau jene Zielgruppe angezogenen, für die sie konzipiert wurde. Die Autoren argumentierten hier, dass die Anonymität der Web-Plattform hier einen entscheidenden Punkt zur stärkeren Nutzung beitragen konnte.

Um zeitlichen Barrieren entgegen wirken zu können, sollten die Programme so gestaltet sein, dass die Anmeldung und der Einstieg in die Programme minimale Zeit beanspruchen. Auch die Teilnahme an der BGF-Aktivität sollte mit den zeitlichen Ressourcen der Mitarbeiter vereinbar sein (Bardus et al. 2014, S. 241). Im Falle von Seminaren im Sinne von eLearning-Einheiten besteht zudem die Möglichkeit, diese an jedem beliebigen Zeitpunkt durchzuführen.

Ein weiterer Punkt, in dem eHealth-Programme einen deutlichen Mehrwert bringen können, betrifft die Planung des gesamten BGF-Prozesses. Um BGF möglichst flächendeckend in den Unternehmen durchführen zu können, können Maßnahmen entwickelt werden, die den Großteil der Belegschaft ansprechen. Diese Universalmethode (auch bekannt als „Gießkannenprinzip“ oder „one-fits-all-principle“) bringt auf den ersten Blick den Vorteil, möglichst viele Mitarbeiter mit geringerem Aufwand ansprechen zu können. Ein gezieltes Ansprechen aller Zielgruppen im Unternehmen durch maßgeschneiderte Programme kann jedoch die Partizipation an den Maßnahmen deutlich erhöhen (Spittaels et al. 2007, S. 387). Hier können eHealth-Programme unterstützend wirken, indem diese durch geschickte Programmierung individuell auf die Bedürfnisse des Einzelnen eingehen können.

Der mögliche Einwand, dass eHealth-Programme besonders die jüngeren Mitarbeiter ansprechen und gerade für ältere Mitarbeiter nicht geeignet sein könnten, lässt sich nicht ganz bestätigen. In der Studie von Torous et al. (2014, e2) lag das Interesse, eine Smartphone-App zur Beobachtung der eigenen Gesundheit zu nutzen, bei Personen zwischen 45 und 60 Jahre bei ca. 70 Prozent und bei Personen über 60 Jahre immerhin bei ca. 45 Prozent. Der prozentuelle Anteil der älteren Personen, die Apps benutzen möchten, ist beachtlich, wenn man bedenkt, dass Smartphone-Apps erst seit 2008 als solches über einen Store erhältlich sind.

5.2 Derzeitiger Einsatz von eHealth-Programmen in die betriebliche Gesundheitsförderung

Laut Luxemburger Deklaration (siehe European Network for Workplace Health Promotion (ENWHP) 2007, S. 4) beinhaltet moderne BGF sowohl verhaltens- als auch verhältnisbezogene Maßnahmen für den Erhalt und die Förderung von Gesundheit am Arbeitsplatz (Day und Helson 2016, S. 379).
  • Verhaltensbezogene Maßnahmen: Reduzierung von ungesunden Einstellungen und Verhaltensweisen, sowie Förderung von positivem Gesundheitsverhalten.

  • Verhältnisbezogene Maßnahmen: Reduzierung von Arbeitsbedingungen mit gesundheitsschädigenden Effekten und Erhalt bzw. Steigerung von gesundheitsfördernden Arbeitsbedingungen.

Von den derzeitig angebotenen eHealth-Programmen werden in der BGF vor allem Anwendungen im Bereich der verhaltensbezogenen Maßnahmen, wie beispielsweise Bewegung, Gewichtskontrolle und Ernährung, verwendet (siehe z. B. Balk-Møller et al. 2017b, e108; Robroek et al. 2012a, e43; Ware et al. 2008, e56).

eHealth-Programme im Bereich der betrieblichen Gesundheitsförderung fokussieren neben Erhalt und Steigerung von körperlicher Gesundheit stark auf Erhalt und Steigerung psychischer Gesundheit, wie beispielsweise das Erkennen, Beobachten und Behandeln von affektiven Störungen oder Erschöpfungssyndromen (Carolan et al. 2017, e271). Vor allem der Bereich des Stressmanagements am Arbeitsplatz wird in den derzeit entwickelten eHealth-Programmen immer wieder aufgegriffen (z. B. Lehr et al. 2016, e21; Koldijk et al. 2016, e79).

In der Meta-Analyse von Ryan et al. (2017, S. 217) wurden 48 Studien untersucht, in denen eHealth-Interventionen im Bereich Stressbewältigung am Arbeitsplatz evaluiert wurden. Darunter waren 42 Studien zu eHealth-Programmen, die rein verhaltensbezogene Interventionen zum Inhalt hatten, wie beispielsweise das Erlernen von Entspannungsübungen oder Training von Stressmanagement-Strategien. Drei eHealth-Programme setzten an der Verhältnisebene an, indem Führungskräfte hinsichtlich ihres gesundheitsförderlichen Führungsstils trainiert wurden. Weitere drei Studien konnten nicht eindeutig zugeordnet werden und inkludierten sowohl verhaltensbezogene als auch verhältnisbezogene Maßnahmen.

Auch in Deutschland steckt die Integration von eHealth-Programmen in die BGF noch in den Kinderschuhen. In einer Studie von Steigner et al. (2017, S. 449 ff.) wurden zwölf der größten deutschen Unternehmen zum Thema „Gesundheitsapps und betriebliche Gesundheitsförderung“ befragt. Davon nutzten nur drei Unternehmen bereits eine Gesundheitsapp, zwei weitere befanden sich in der Pilotphase und vier Unternehmen diskutierten die Möglichkeit der Integration von Gesundheitsapps. Am öftesten handelte es sich dabei um Gesundheitsapps zur Steigerung körperlicher Aktivität, gefolgt von Rauchentwöhnungs-Apps und Apps für Gesunde Ernährung.

Aus diesen Studien lässt sich ableiten, dass die Mehrheit der entwickelten eHealth-Programme an der Verhaltensebene – und hier insbesondere an der physischen Gesundheit – ansetzen. Dabei hätten eHealth-Programme durchaus auch abseits der Beobachtung von physischer Gesundheit großes Potenzial. In einer Befragung von deutschen und österreichischen Führungskräften konnten Dunkl und Jiménez (2016, S. 3) zeigen, dass Führungskräfte an Rückmeldungen über organisationale Aspekte interessiert sind, wie beispielsweise über das Teamklima oder die Arbeitszufriedenheit ihrer Mitarbeiter. Diese Rückmeldungen können Führungskräfte dahingehend unterstützen, den Arbeitsplatz ihrer Mitarbeiter gesundheitsförderlicher zu gestalten.

Ein weiterer Weg um eHealth-Programme für Führungskräfte attraktiv zu machen ist die Entwicklung von Führungskräfte-spezifischen Programmen (siehe z. B. Kawakami et al. 2006, S. 29; oder Ly et al. 2014, S. 97). Diese Programme wären vor allem darauf ausgerichtet, Führungskompetenzen zu vermitteln, Selbstwirksamkeit zu stärken und Coping-Strategien zu verbessern. Die Selbstreflexion des eigenen Verhaltens bildet dabei den Ausgangspunkt für die persönliche und gesundheitliche Entwicklung von Führungskräften.

5.3 Strategien zur Implementierung von eHealth in die betriebliche Gesundheitsförderung

eHealth-Programme können im gesamten Prozess der betrieblichen Gesundheitsförderung integriert werden. Ein möglicher Vorschlag zur Integration von eHealth-Programmen findet sich im „Life cycle model of Workplace Health Promotion“ (Jiménez und Bregenzer 2018, e65). Das Modell basiert auf dem Konzept der betrieblichen Gesundheitsförderung der World Health Organization (WHO 2010, S. 19) und Kriterien des Europäischen Netzwerks für Betriebliche Gesundheitsförderung (European Network for Workplace Health Promotion [ENWHP] 1999, S. 5) und beinhaltet Integrationsmöglichkeiten von eHealth-Programmen in sieben Schritten des BGF-Zyklus (Abb. 1): 1) Konzept/Anpassung, 2) Information, 3) Beurteilung/Analyse, 4) Dashboard Feedback, 5) Gesundheitszirkel/Partizipative Planung, 6) Interventionen (Verhalten/Verhältnis) und 7) Evaluierung.
Abb. 1

„Life cycle model“ der Betrieblichen Gesundheitsförderung (Jiménez und Bregenzer 2018, e65, deutsche Adaptierung)

Konzept/Anpassung

Im ersten Schritt wird das Projekt mit allen relevanten Interessensvertretern (z. B. Management, HR-Abteilung, Arbeitsmediziner, Sicherheitsfachkraft, Arbeitspsychologe, Betriebsrat) geplant, Ziele festgelegt und aus diesen Personen eine Steuerungsgruppe organisiert. In diesem Punkt kann ein eHealth-Programm im Sinne einer Management-Plattform die gesamte BGF-Organisation unterstützen. Diese Plattform kann dazu dienen, die Kommunikation innerhalb der Steuerungsgruppe zu erleichtern, das Setzen und Überprüfen der Ziele zu unterstützen, Maßnahmen und Gruppen zu organisieren sowie die Teilnahmequoten bei Aktivitäten zu überprüfen. Auch das wichtige Thema des Datenschutzes und der Anonymität muss in diesem Schritt ausführlich diskutiert und Lösungen festgelegt werden.

Information

In dieser Phase wird die Belegschaft über die Inhalte des BGF-Projekts informiert. eHealth-Programme haben hier den großen Vorteil, möglichst schnell und umfassend alle beteiligten Personen erreichen zu können. Hier sollte auch vor allem der Mehrwert der eHealth-Programme sowie die wichtigen Punkte des Datenschutzes und der Anonymität erklärt werden, um Ängste bereits im Vorfeld abfangen zu können. Auch in diesem Schritt ist eine Kommunikationsplattform für die Mitarbeiter denkbar, um sich untereinander über die BGF-Inhalte auszutauschen.

Beurteilung/Analyse

Die Analyse des Ist-Zustandes im Unternehmen wird in Übereinstimmung mit den definierten Zielen durchgeführt. Dabei haben sich vor allem Analysemethoden in der Form von Fragebögen oder interaktiven Workshops bewährt (Borg und Mastrangelo 2008, S. 10). Der Einsatz von Online-Fragebögen kann hier klar unterstützen. Durch Online-Fragebögen haben die Mitarbeiter Zugriff auf den Fragebogen zu jeder von ihnen selbst gewählten Zeit, an selbst gewählten Orten, die Dateneingabe ist zuverlässig, die gesamten Daten sind in einem Programm gespeichert und überall zugänglich. Ein weiterer Vorteil ist hier, dass online auch direkt Rückmeldungen eingebaut werden können und dadurch die Teilnehmenden motiviert werden (Dunkl und Jiménez 2017; Jiménez und Dunkl 2017). Kurze Befragungen können zudem auch über Smartphones durchgeführt werden (Miller 2012 , S. 232).

Dashboard Feedback

In diesem Schritt werden die Ergebnisse der Ist-Analyse im Steuerungsteam diskutiert und danach in verständlicher Form an die Belegschaft rückgemeldet. eHealth-Programme können die Analyse-Ergebnisse automatisiert in Form von anschaulichen Tabellen und Grafiken in einem „Dashboard“ darstellen (Dunkl und Jiménez 2016, S. 1). In diesem Punkt ist jedoch besonders zu beachten, dass die Darstellung sehr klar und möglichst selbsterklärend sein sollte. Die Interpretation der Ergebnisse im Sinne der Beurteilung und Einordnung und die Entwicklung von nachfolgenden Maßnahmen sollte immer von Experten durchgeführt werden.

Gesundheitszirkel/Partizipative Planung

Für die Ableitung der Maßnahmen aus den Analyseergebnissen hat sich ein partizipativer Ansatz, bei dem die Mitarbeiter des Unternehmens miteingebunden werden, bewährt (Nielsen et al. 2010, S. 238; Borg und Mastrangelo 2008, S. 343). In sogenannten „Gesundheitszirkeln“ können die Mitarbeiter in einem Workshop gemeinsam mit einem Moderator Maßnahmenvorschläge erarbeiten (Aust und Ducki 2004, S. 259 ff.). eHealth-Programme können so gestaltet sein, dass sie die Gesundheitszirkel optimal unterstützen. So könnten die Ergebnisse der Ist-Analyse im eHealth-Programm jederzeit abrufbar sein oder die erarbeiteten Maßnahmenvorschläge im eHealth-Programm dokumentiert werden.

Interventionen (Verhalten/Verhältnis)

In diesem Schritt werden die entwickelten Maßnahmen auf Verhaltens- oder Verhältnisebene aus den Gesundheitszirkeln implementiert. Vor allem auf der Seite der Verhaltensebene werden derzeit viele eHealth-Programme angeboten (siehe Abschn. 5.2). Aber auch verhaltensbezogene Maßnahmen können mit eHealth-Programmen unterstützt werden: So kann eine Anwendung beispielsweise die Organisation von verhaltensbezogenen Maßnahmen durch „Management Boards“ erleichtern, in dem der Prozess der Maßnahme sowie die Verantwortlichkeiten gesteuert werden können.

Evaluierung

Die Evaluierung des gesamten BGF-Zyklus umfasst neben der Wirkungskontrolle der Maßnahmen auch die Beurteilung der Teilnahmequoten und der Zufriedenheit der Mitarbeiter mit den Maßnahmen (Berry et al. 2016, e121). Im speziellen Fall der Evaluierung von eHealth-Programmen sollte auch die Bedienbarkeit sowie die Akzeptanz und Zufriedenheit der gewählten Programme evaluiert werden (Berry et al. 2016, e121). Eine Kosten-Nutzen-Evaluierung (d. h. eine mögliche Kostenersparnis durch das eHealth-Programm) kann ebenfalls zusätzlicher Bestandteil der Evaluierung sein (Michie et al. 2017, e232).

5.4 Herausforderungen in der Implementierung von eHealth in die betriebliche Gesundheitsförderung

Eine große Herausforderung in der Implementierung von eHealth in die BGF betrifft das Thema Datensicherheit und Anonymität (siehe auch Abschn. 4.5). Kritische Punkte der Datensicherheit wurden von den Unternehmen selbst am deutlichsten als Grund für Nicht-Verwendung von eHealth-Programmen am Arbeitsplatz genannt (Steigner et al. 2017, S. 450). Ein weiteres Hindernis für die Implementierung speziell von mobilen Anwendungen war das Fehlen von Smartphones bei den Mitarbeitern und so die Sorge, dass nicht alle Mitarbeiter an der Gesundheitsmaßnahme teilnehmen können (Steigner et al. 2017, S. 450). Besonders bei der Verwendung von Smartphone-Anwendungen können ständige Erinnerungen und Meldungen während der Arbeit stören oder ablenken. Eine Lösung wäre hier, spezifische Bereiche im Unternehmen festzulegen (z. B. Wifi-Hotspots), an denen Smartphones am Arbeitsplatz verwendet werden können (Gill et al. 2012, S. 110).

Führungskräfte spielen eine wesentliche Rolle für den Erfolg bzw. Nicht-Erfolg von BGF. Führungskräfte, die BGF am Arbeitsplatz befürworten und auch unter den Mitarbeitern bewerben, könnten die Partizipation der Mitarbeiter an den BGF-Maßnahmen positiv beeinflussen (Bardus et al. 2014, S. 242). Auch die Ressourcenverteilung spielt eine große Rolle: Führungskräfte, die den Mitarbeitern die Möglichkeit geben, an den BGF-Maßnahmen teilzunehmen, können so erst die wesentlichen Bedingungen für die Teilnahme an den BGF-Maßnahmen schaffen. Um die Führungskräfte für den Einsatz von eHealth-Programmen in die BGF zu begeistern, sollten bereits im Vorfeld in der Planung spezielle eHealth-Programme für Führungskräfte eingeplant werden (siehe z. B. Ly et al. 2014, S. 97). Die evidenzbasierte Entwicklung des eHealth-Programms sowie die wissenschaftliche Theorie, die der Anwendung zugrunde liegt, sollten dem Management klar ersichtlich sein, um dieses von der Nützlichkeit und Wirksamkeit der Maßnahmen zu überzeugen.

6 eHealth und Qualitätssicherung

6.1 Wieso braucht es Qualitätssicherung?

Die Anzahl der eHealth-Programme wächst exponentiell durch fast täglich neu erscheinende Produkte im Web oder in den App-Stores. Da es kaum Beschränkungen gibt, wer Smartphone-Apps programmieren und online stellen darf, gibt es große Unterschiede in der Qualität der angebotenen Anwendungen. Eine große Anzahl der angebotenen Anwendungen wird ohne wissenschaftliche Basis entwickelt: In der Überblicksarbeit von Donker et al. (2013, e247) wurden nur acht englischsprachige Smartphone-Apps zur Behandlung psychischer Störungen identifiziert, die evidenzbasiert entwickelt wurden. Im Bereich des Stressmanagements wurden von Coulon et al. (2016, S. 100) insgesamt 60 Smartphone-Anwendungen untersucht, die angaben, eine evidenzbasierte Strategie zu verfolgen. Nach genauerer Betrachtung der Autoren waren es jedoch nur noch 32 Anwendungen, die klar evidenzbasierte Strategien beinhalteten.

Aufgrund der hohen Qualitätsunterschiede ist daher Qualitätssicherung in diesem Bereich unerlässlich. Es wird bereits stark diskutiert, ob eHealth-Programme genauso strikt behandelt werden sollten wie andere Medizinprodukte. In der Medical Device Directive 93/42/EEC (Council of the European Communities) der Europäischen Union wurden Richtlinien für das Vertreiben von Medizinprodukten für den europäischen Raum festgelegt. Es besteht im Moment noch keine Klarheit darüber, ob eHealth-Programme als Medizinprodukte zu sehen sind und die Vorgaben der europäischen Union somit anzuwenden wären. Dazu muss erst bestimmt werden, ob die eHealth-Produkte zum Zwecke medizinischer Behandlungen entwickelt werden (Becker et al. 2014, e24). Wäre dies der Fall, müssten die europäischen Vorgaben angewendet werden. Dies betrifft vor allem den großen Bereich der Medical Apps. Werden diese in professionellen Settings verwendet, so wären die Gesundheitsexperten verantwortlich für unerwünschte oder schädigende Neben- oder Folgewirkungen (Becker et al. 2014, e24).

Neben europäischen oder nationalen Richtlinien kann Qualitätssicherung auf anderen Ebenen betrieben werden. Wicks und Chiauzzi (2015, S. 205) weisen dabei auf weitere Ansätze der Qualitätssicherung hin, wie beispielsweise das Bilden einer Interessensgemeinschaft, die Rahmenbedingungen für „sichere Apps“ entwickeln könnte, oder den Entwicklern der Anwendungen die Möglichkeit zu bieten, ihre Apps von Experten auf dem jeweiligen Gebiet evaluieren zu lassen.

Ein weiterer Punkt, um Qualitätssicherung zu betreiben, ist die Einbindung eines multidisziplinären Teams in der Entwicklung der eHealth-Programme. Es wird darauf hingewiesen, dass erfolgreiche eHealth-Programme von einem multidisziplinäres Team, bestehend aus App-Entwicklern, Gesundheitsexperten (z. B. Medizinern, Psychologen), entwickelt werden müssen, um eine hohe Qualität gewährleisten zu können (Bakker et al. 2016, e7). Auch die Endanwender sollten möglichst früh im Entwicklungsprozess miteingebunden werden, um die Akzeptanz und Nutzungshäufigkeit der eHealth-Programme zu erhöhen (Ludden et al. 2015, e172).

6.2 Methoden der Beurteilung von eHealth-Programmen

Obwohl derzeit noch keine strikten Vorgaben für die Entwicklung von eHealth-Programmen vorhanden sind, haben potenzielle Dienstleister sowie potenzielle Nutzer die Möglichkeit, eHealth-Programme mittels Checklisten selbst hinsichtlich ihrer Qualität zu beurteilen. Qualitätssicherung ist nicht nur seitens der Endanwender ein wichtiger Aspekt. Auch Anbieter von Gesundheitsdienstleistungen profitieren von Qualitäts-Checklisten, um entweder qualitativ hochwertige eHealth-Programme empfehlen zu können oder auf Anfragen von Patienten oder Klienten zur Nutzung bestimmter eHealth-Programmen angemessen reagieren zu können (Boudreaux et al. 2014, S. 369).

Eine Möglichkeit dazu wird von Stoyanov et al. (2015, e27) in ihrem Instrument MARS („Mobile App Rating Scale“) vorgeschlagen. Mittels MARS können Gesundheitsexperten Smartphone-Anwendungen im Bereich eHealth auf folgende Aspekte prüfen:
  • Der Aspekt Engagement beschreibt Spaß, Interesse, individuelle Anpassbarkeit und Interaktivität der Anwendung

  • Unter Funktionalität können die Funktionen der App, Usability, Navigation, logischer Aufbau und motorische, gestische Handhabung der App bewertet werden.

  • Der Punkt Ästhetik beinhaltet grafisches Design, visueller Anreiz, farbliche Gestaltung und stilistische Einheit.

  • Unter dem Aspekt Informationsqualität wird bewertet, ob die Informationen hohe Güte aufweisen und ob die Qualität (z. B. Texte, Feedback, Messinstrumente etc.) aus einer glaubwürdigen Quelle stammen.

  • Schließlich kann unter dem Punkt subjektive Qualität eine Bewertung über die subjektive Nutzung abgegeben werden.

Terhorst et al. (2018) verwendeten die deutsche Version des MARS, um 38 Smartphone-Apps, die spezifisch für Depression entwickelt wurden, zu bewerten. Ihre Ergebnisse zeigten, dass nur vier der 38 Anwendungen beim Aspekt der „Informationsqualität“ über dem zuvor definierten Grenzwert lagen. Sie konnten für alle 38 Anwendungen keine wissenschaftliche Studie zum Beleg für Wirksamkeit und Nutzen finden. Terhorst et al. (2018) schlossen daraus, dass die Qualität der beurteilten Smartphone-Apps nur mittelmäßig ist. Eine Beurteilung mittels MARS kann demnach dabei unterstützen, qualitativ hochwertigere Anwendungen zu identifizieren. Auf Basis des MARS wurde auch eine Adaption spezifisch für Endanwender (z. B. Patienten) entwickelt (uMARS; Stoyanov et al. 2016, S. e72).

Ein weiteres Instrument zur Beurteilung der Qualität von eHealth-Programmen ist die Enlight Checkliste (Baumel et al. 2017, e82). Diese wurde vor allem für eine umfassende Bewertung der Qualität von eHealth-Programmen im Bereich der Psychotherapie entwickelt. Sie beinhaltet zusätzlich zu den Bewertungskriterien Usability, Grafisches Design, Engagement, Inhalt und allgemeine subjektive Evaluierung noch zwei Kriterien zur Bewertung der psychotherapeutischen Qualität.

Die Vorteile von Instrumenten wie MARS oder Enlight sind vielfältig: Für die Endnutzer wird eine klare Orientierung über die Seriosität der angebotenen eHealth-Programme gegeben. Für die Entwickler von eHealth-Programmen können die genannten Qualitätskriterien zur Reflexion und Überprüfung der eigenen Anwendungen herangezogen werden. Experten erhalten eine objektive Bewertungsgrundlage und können Entscheidungen, ob ein eHealth-Programm empfohlen werden kann, transparent und objektiv treffen.

7 Fazit

Die Anwendungsmöglichkeiten für eHealth für die individuelle als auch betriebliche Gesundheitsförderung sind vielzählig. eHealth-Programme bieten dabei viele Chancen, um den Einzelnen zu mehr Gesundheitsförderung zu motivieren, aber auch Risiken, die nicht unterschätzt werden dürfen. Kritische Punkte betreffen die unklare Sicherheit, Verwahrung und (Weiter-)Verwendung der eigenen Gesundheitsdaten, sowie die noch wenig durchgeführte Qualitätssicherung. Durch die derzeit noch stärker wachsende Zahl von eHealth-Programmen ist Qualitätssicherung gefordert, Systeme wie MARS (Stoyanov et al. 2015) oder Enlight (Baumel et al. 2017) helfen Entwicklern und Benutzern. eHealth-Programme erlauben jedoch zahlreiche Möglichkeiten (z. B. durch gezielten Einsatz von Gamification oder individuellen Rückmeldungen), Gesundheitsförderung attraktiv zu gestalten. Deshalb wird der Mehrwert von eHealth-Programmen in der betrieblichen Gesundheitsförderung auch deutlich dabei gesehen, die in der Praxis oft niedrigen Teilnahmequoten an den Gesundheitsmaßnahmen zu erhöhen. eHealth-Programme können dabei in allen Schritten des betrieblichen Gesundheitsförderungszyklus eingesetzt werden. Eine konsequente Einplanung von eHealth Produkten wie mit dem Life Cycle Model der Betrieblichen Gesundheitsförderung (Jiménez und Bregenzer 2018) hilft, mögliche Fehler zu verhindern und die Qualität des BGF Prozesses zu erhöhen. Derzeit am häufigsten ist der Einsatz von eHealth in der Unterstützung von verhaltensbezogenen Maßnahmen. Aber auch die Nutzung für die gesamte Organisation der Betrieblichen Gesundheitsförderung kann durch den spezifischen Einsatz von eHealth erleichtert werden und sollte daher stärker berücksichtigt werden.

Literatur

  1. Agaku, Israel T., Akinyele O. Adisa, Olalekan A. Ayo-Yusuf, und Gregory N. Connolly. 2014. Concern about security and privacy, and perceived control over collection and use of health information are related to withholding of health information from healthcare providers. Journal of the American Medical Informatics Association 21(2): 374–378.  https://doi.org/10.1136/amiajnl-2013-002079.CrossRefGoogle Scholar
  2. Ariens, Lieneke Fm, Florine Ml Schussler-Raymakers, Cynthia Frima, Annebeth Flinterman, Eefje Hamminga, Bernd Wm Arents, et al. 2017. Barriers and facilitators to eHealth use in daily practice. Perspectives of patients and professionals in dermatology. Journal of Medical Internet Research 19(9): e300.  https://doi.org/10.2196/jmir.7512.CrossRefGoogle Scholar
  3. Aust, Birgit, und Antje Ducki. 2004. Comprehensive health promotion interventions at the workplace: Experiences with health circles in Germany. Journal of Occupational Health Psychology 9(3): 258–270.  https://doi.org/10.1037/1076-8998.9.3.258.CrossRefGoogle Scholar
  4. Austrian Standards Institute. 2017. ÖNORM D 4000. Anforderungen an Prozesse und Methoden in der Personalauswahl und -entwicklung [Selection and development of human resources – Requirements for processes and methods]. Vienna: Austrian Standards Institute. http://www.on-norm.at. Zugegriffen am 20.12.2018.
  5. Badawy, Sherif M., und Lisa M. Kuhns. 2017. Texting and mobile phone app interventions for improving adherence to preventive behavior in adolescents. A systematic review. JMIR mHealth and uHealth 5(4): e50.  https://doi.org/10.2196/mhealth.6837.CrossRefGoogle Scholar
  6. Bakker, David, Nikolaos Kazantzis, Debra Rickwood, und Nikki Rickard. 2016. Mental health smartphone apps: Review and evidence-based recommendations for future developments. JMIR Mental Health 3(1): e7.  https://doi.org/10.2196/mental.4984.CrossRefGoogle Scholar
  7. Balk-Møller, Nina Charlotte, Thomas Meinert Larsen, und Lotte Holm. 2017a. Experiences from a web- and app-Based workplace health promotion intervention among employees in the social and health care sector based on use-data and qualitative interviews. Journal of Medical Internet Research 19(10): e350.  https://doi.org/10.2196/jmir.7278.CrossRefGoogle Scholar
  8. Balk-Møller, Nina Charlotte, Sanne K. Poulsen, und Thomas M. Larsen. 2017b. Effect of a nine-month web- and app-based workplace intervention to promote healthy lifestyle and weight loss for employees in the social welfare and health care sector. A randomized controlled trial. Journal of Medical Internet Research 19(4): e108.  https://doi.org/10.2196/jmir.6196.CrossRefGoogle Scholar
  9. Bardus, Marco, Holly Blake, Scott Lloyd, und L. Suzanne Suggs. 2014. Reasons for participating and not participating in a e-health workplace physical activity intervention. International Journal of Workplace Health Management 7(4): 229–246.  https://doi.org/10.1108/IJWHM-11-2013-0040.CrossRefGoogle Scholar
  10. Bardus, Marco, Samantha B. van Beurden, Jane R. Smith, und Charles Abraham. 2016. A review and content analysis of engagement, functionality, aesthetics, information quality, and change techniques in the most popular commercial apps for weight management. The International Journal of Behavioral Nutrition and Physical Activity 13:35.  https://doi.org/10.1186/s12966-016-0359-9.CrossRefGoogle Scholar
  11. Baumel, Amit, Keren Faber, Nandita Mathur, John M. Kane, und Fred Muench. 2017. Enlight. A comprehensive quality and therapeutic potential evaluation tool for mobile and web-based eHealth interventions. Journal of Medical Internet Research 19(3): e82.  https://doi.org/10.2196/jmir.7270.CrossRefGoogle Scholar
  12. Becker, Stefan, Talya Miron-Shatz, Nikolaus Schumacher, Johann Krocza, Clarissa Diamantidis, und Urs-Vito Albrecht. 2014. mHealth 2.0. Experiences, possibilities, and perspectives. JMIR mHealth and uHealth 2(2): e24.  https://doi.org/10.2196/mhealth.3328.CrossRefGoogle Scholar
  13. Ben-Zeev, Dror, Emily A. Scherer, Rui Wang, Haiyi Xie, und Andrew T. Campbell. 2015. Next-generation psychiatric assessment. Using smartphone sensors to monitor behavior and mental health. Psychiatric Rehabilitation Journal 38(3): 218–226.  https://doi.org/10.1037/prj0000130.CrossRefGoogle Scholar
  14. Berry, Natalie, Fiona Lobban, Richard Emsley, und Sandra Bucci. 2016. Acceptability of interventions delivered online and through mobile phones for people who experience severe mental health problems: A systematic review. Journal of Medical Internet Research 18(5): e121.  https://doi.org/10.2196/jmir.5250.CrossRefGoogle Scholar
  15. Bonoto, Braulio Cezar, Vania Eloisa de Araujo, Isabella Piassi Godoi, Livia Lovato Pires de Lemos, Brian Godman, Marion Bennie, et al. 2017. Efficacy of mobile apps to support the care of patients with diabetes mellitus. A systematic review and meta-analysis of randomized controlled trials. JMIR mHealth and uHealth 5(3): e4.  https://doi.org/10.2196/mhealth.6309.CrossRefGoogle Scholar
  16. Boogerd, Emiel A., Tessa Arts, Lucien Jlpg Engelen, van de Belt, und H. Tom. 2015. „What is eHealth“. Time for an update? JMIR Research Protocols 4(1): e29.  https://doi.org/10.2196/resprot.4065.CrossRefGoogle Scholar
  17. Borg, Ingwer, und Paul M. Mastrangelo. 2008. Employee surveys in management. Theories, tools, and practical applications. Cambridge, MA: Hogrefe.Google Scholar
  18. Boudreaux, Edwin D., Molly E. Waring, Rashelle B. Hayes, Rajani S. Sadasivam, Sean Mullen, und Sherry Pagoto. 2014. Evaluating and selecting mobile health apps: Strategies for healthcare providers and healthcare organizations. Translational Behavioral Medicine 4(4): 363–371.  https://doi.org/10.1007/s13142-014-0293-9.CrossRefGoogle Scholar
  19. Boulos, Maged N. K., Steve Wheeler, Carlos Tavares, und Ray Jones. 2011. How smartphones are changing the face of mobile and participatory healthcare: An overview, with example from eCAALYX. Biomedical Engineering Online 10:24.  https://doi.org/10.1186/1475-925X-10-24.CrossRefGoogle Scholar
  20. Bradford, Sally, und Debra Rickwood. 2014. Electronic psychosocial assessment tool. Concept development and identification of barriers to successful implementation. Journal of Technology in Human Services 32(4): 275–296.  https://doi.org/10.1080/15228835.2014.967906.CrossRefGoogle Scholar
  21. Carolan, Stephany, Peter R. Harris, und Kate Cavanagh. 2017. Improving employee well-being and effectiveness. Systematic review and meta-analysis of web-based psychological interventions delivered in the workplace. Journal of Medical Internet Research 19(7): e271.  https://doi.org/10.2196/jmir.7583.CrossRefGoogle Scholar
  22. Carter, Adrian, Jacki Liddle, Wayne Hall, und Helen Chenery. 2015. Mobile phones in research and treatment: Ethical guidelines and future directions. JMIR mHealth and uHealth 3(4): e95.  https://doi.org/10.2196/mhealth.4538.CrossRefGoogle Scholar
  23. Case, Meredith, Holland Burwick, Kevin Volpp, und Mitesh Patel. 2015. Accuracy of smartphone applications and wearable devices for tracking physical activity data. JAMA 313(6): 625–626.CrossRefGoogle Scholar
  24. Christmann, Corinna Anna, Alexandra Hoffmann, und Gabriele Bleser. 2017. Stress management apps with regard to emotion-focused coping and behavior change techniques. A content analysis. JMIR mHealth and uHealth 5(2): e22.  https://doi.org/10.2196/mhealth.6471.CrossRefGoogle Scholar
  25. Conroy, David E., Chih-Hsiang Yang, und Jaclyn P. Maher. 2014. Behavior change techniques in top-ranked mobile apps for physical activity. American Journal of Preventive Medicine 46(6): 649–652.  https://doi.org/10.1016/j.amepre.2014.01.010.CrossRefGoogle Scholar
  26. Conroy, David E., Alexandra Dubansky, Joshua Remillard, Robert Murray, Christine A. Pellegrini, Siobhan M. Phillips, und Necole M. Streeper. 2017. Using behavior change techniques to guide selections of mobile applications to promote fluid consumption. Urology 99:33–37.  https://doi.org/10.1016/j.urology.2016.09.015.CrossRefGoogle Scholar
  27. Coulon, Sandra M., Courtney M. Monroe, und Delia S. West. 2016. A systematic, multi-domain review of mobile smartphone apps for evidence-based stress management. American Journal of Preventive Medicine 51(1): 95–105.  https://doi.org/10.1016/j.amepre.2016.01.026.CrossRefGoogle Scholar
  28. Council of the European Communities. Directive 93/42/EEC concerning medical devices.Google Scholar
  29. Dagöö, Jesper, Robert Persson Asplund, Helene Andersson Bsenko, Sofia Hjerling, Anna Holmberg, Susanne Westh, et al. 2014. Cognitive behavior therapy versus interpersonal psychotherapy for social anxiety disorder delivered via smartphone and computer. A randomized controlled trial. Journal of Anxiety Disorders 28(4): 410–417.  https://doi.org/10.1016/j.janxdis.2014.02.003.CrossRefGoogle Scholar
  30. Day, Arla, und Thomas Helson. 2016. Workplace health promotion. In The wiley blackwell handbook of the psychology of occupational safety and workplace health, Hrsg. Sharon Clarke, Tahira M. Probst, Frank Guldenmund und Jonathan Passmore, 377–413. Chichester/West Sussex: Wiley.Google Scholar
  31. Dayer, Lindsey E., Rebecca Shilling, Madalyn van Valkenburg, Bradley C. Martin, Paul O. Gubbins, Kristie Hadden, und Seth Heldenbrand. 2017. Assessing the medication adherence app marketplace from the health professional and consumer vantage points. JMIR mHealth and uHealth 5(4): e45.  https://doi.org/10.2196/mhealth.6582.CrossRefGoogle Scholar
  32. Dennison, Laura, Leanne Morrison, Gemma Conway, und Lucy Yardley. 2013. Opportunities and challenges for smartphone applications in supporting health behavior change. Qualitative study. Journal of Medical Internet Research 15(4): e86.  https://doi.org/10.2196/jmir.2583.CrossRefGoogle Scholar
  33. Deterding, Sebastian, Miguel Sicart, Lennart E. Nacke, Kenton O’Hara, und Dan Dixon. 2011. Gamification: Using game design elements in non-gaming contexts. In Proceedings of the international conference on human factors in computing systems, CHI 2011, extended abstracts volume. Vancouver, 1–4. http://portal.acm.org/citation.cfm?id=1979742&picked=prox&cfid=30563557&cftoken=85856015. Zugegriffen am 20.12.2018.
  34. Dhopeshwarkar, Rina V., Lisa M. Kern, Heather C. O’Donnell, Alison M. Edwards, und Rainu Kaushal. 2012. Health care consumers’ preferences around health information exchange. The Annals of Family Medicine 10(5): 428–434.CrossRefGoogle Scholar
  35. Donker, Tara, Katherine Petrie, Judy Proudfoot, Janine Clarke, Mary-Rose Birch, und Helen Christensen. 2013. Smartphones for smarter delivery of mental health programs. A systematic review. Journal of Medical Internet Research 15(11): e247.  https://doi.org/10.2196/jmir.2791.CrossRefGoogle Scholar
  36. Du, Honglu, Anusha Venkatakrishnan, Gregory Michael Youngblood, Ashwin Ram, und Peter Pirolli. 2016. A group-based mobile application to increase adherence in exercise and nutrition programs. A factorial design feasibility study. JMIR mHealth and uHealth 4(1): e4.  https://doi.org/10.2196/mhealth.4900.CrossRefGoogle Scholar
  37. Dunkl, Anita, und Paulino Jiménez. 2016. Dashboard indicators for applications in workplace health promotion. Journal of Computer Engineering Information Technology s1:1–3.  https://doi.org/10.4172/2324-9307.S1-004.CrossRefGoogle Scholar
  38. Dunkl, Anita, und Paulino Jiménez. 2017. Using smartphone-based applications (apps) in workplace health promotion. The opinion of German and Austrian leaders. Health Informatics Journal 23(1): 44–55.  https://doi.org/10.1177/1460458215623077.CrossRefGoogle Scholar
  39. Ebert, David Daniel, Dirk Lehr, Filip Smit, Anna-Carlotta Zarski, Heleen Riper, Elena Heber, et al. 2014. Efficacy and cost-effectiveness of minimal guided and unguided internet-based mobile supported stress-management in employees with occupational stress: A three-armed randomised controlled trial. BMC Public Health 14: 807.  https://doi.org/10.1186/1471-2458-14-807.CrossRefGoogle Scholar
  40. Echeverría, Matías, Angel Jimenez-Molina, und Sebastián A. Ríos. 2015. A semantic framework for continuous U-health services provisioning. Procedia Computer Science 60:603–612.  https://doi.org/10.1016/j.procs.2015.08.187.CrossRefGoogle Scholar
  41. European Network for Workplace Health Promotion (ENWHP). 1999. Quality criteria of workplace health promotion. Essen: Federal Association of Company Health Insurance Funds (BKK).Google Scholar
  42. European Network for Workplace Health Promotion (ENWHP). 2007. Luxembourg declaration on workplace health promotion in the European Union. http://www.enwhp.org/fileadmin/rs-dokumente/dateien/Luxembourg_Declaration.pdf. Zugegriffen am 29.04.2016.
  43. Evenson, Kelly R., Michelle M. Goto, und Robert D. Furberg. 2015. Systematic review of the validity and reliability of consumer-wearable activity trackers. The International Journal of Behavioral Nutrition and Physical Activity 12:159.  https://doi.org/10.1186/s12966-015-0314-1.CrossRefGoogle Scholar
  44. Eysenbach, Gunther. 2001. What is e-health? Journal of Medical Internet Research 3(2): e20.  https://doi.org/10.2196/jmir.3.2.e20.CrossRefGoogle Scholar
  45. Firth, Joseph, und John Torous. 2015. Smartphone apps for Schizophrenia. A systematic review. JMIR mHealth and uHealth 3(4): e102.  https://doi.org/10.2196/mhealth.4930.CrossRefGoogle Scholar
  46. Fischer, Florian, Violetta Aust, und Alexander Krämer. 2016. eHealth: Hintergrund und Begriffsbestimmung. In eHealth in Deutschland. Anforderungen und Potenziale innovativer Versorgungsstrukturen, Hrsg. Florian Fischer und Alexander Krämer, 3–23. Berlin/Heidelberg: Springer Vieweg.Google Scholar
  47. Gill, Preetinder S., Ashwini Kamath, und Tejkaran S. Gill. 2012. Distraction. An assessment of smartphone usage in health care work settings. Risk Management and Healthcare Policy 5:105–114.  https://doi.org/10.2147/RMHP.S34813.CrossRefGoogle Scholar
  48. Gravenhorst, Franz, Amir Muaremi, Jakob Bardram, Agnes Grünerbl, Oscar Mayora, Gabriel Wurzer, et al. 2015. Mobile phones as medical devices in mental disorder treatment. An overview. Personal and Ubiquitous Computing 19(2): 335–353.  https://doi.org/10.1007/s00779-014-0829-5.CrossRefGoogle Scholar
  49. Griffiths, Frances, Antje Lindenmeyer, John Powell, Pam Lowe, und Margaret Thorogood. 2006. Why are health care interventions delivered over the internet? A systematic review of the published literature. Journal of Medical Internet Research 8(2): e10.  https://doi.org/10.2196/jmir.8.2.e10.CrossRefGoogle Scholar
  50. Hasson, Henna, Claire Brown, und Dan Hasson. 2010. Factors associated with high use of a workplace web-based stress management program in a randomized controlled intervention study. Health Education Research 25(4): 596–607.  https://doi.org/10.1093/her/cyq005.CrossRefGoogle Scholar
  51. Huckvale, Kit, José Tomás Prieto, Myra Tilney, Pierre-Jean Benghozi, und Josip Car. 2015. Unaddressed privacy risks in accredited health and wellness apps. A cross-sectional systematic assessment. BMC Medicine 13: 214.  https://doi.org/10.1186/s12916-015-0444-y.CrossRefGoogle Scholar
  52. Ivanova, Ekaterina, Philip Lindner, Kien Hoa Ly, Mats Dahlin, Kristofer Vernmark, Gerhard Andersson, und Per Carlbring. 2016. Guided and unguided Acceptance and Commitment Therapy for social anxiety disorder and/or panic disorder provided via the Internet and a smartphone application. A randomized controlled trial. Journal of Anxiety Disorders 44:27–35.  https://doi.org/10.1016/j.janxdis.2016.09.012.CrossRefGoogle Scholar
  53. Jiménez, Paulino, und Anita Bregenzer. 2018. Integration of eHealth tools in the process of workplace health promotion: Proposal for design and implementation. Journal of Medical Internet Research 20(2): e65.  https://doi.org/10.2196/jmir.8769.CrossRefGoogle Scholar
  54. Jiménez, Paulino, und Anita Dunkl. 2017. A framework for adaptive stress testing (Fast) at the workplace. Journal of Ergonomics 07(04).  https://doi.org/10.4172/2165-7556.1000205.
  55. Känel, Roland von, van Nuffel, Marc; Fuchs, und Walther J. 2016. Risk assessment for job burnout with a mobile health web application using questionnaire data: A proof of concept study. In BioPsychoSocial medicine 10, S. 31.  https://doi.org/10.1186/s13030-016-0082-4.
  56. Kawakami, Norito, Soshi Takao, Yuka Kobayashi, und Akizumi Tsutsumi. 2006. Effects of web-based supervisor training on job stressors and psychological disstress among workers. A workplace-based randomized controlled trial. Journal of Occupational Health 48: 28–34.CrossRefGoogle Scholar
  57. Kelders, Saskia M., Robin N. Kok, Hans C. Ossebaard, und Julia E. W. C. van Gemert-Pijnen. 2012. Persuasive system design does matter: A systematic review of adherence to web-based interventions. Journal of Medical Internet Research 14(6): e152.  https://doi.org/10.2196/jmir.2104.CrossRefGoogle Scholar
  58. Koldijk, Saskia, Wessel Kraaij, und Mark A. Neerincx. 2016. Deriving requirements for pervasive well-being technology from work stress and intervention theory: Framework and case study. JMIR mHealth and uHealth 4(3): e79.  https://doi.org/10.2196/mhealth.5341.CrossRefGoogle Scholar
  59. Kratzke, Cynthia, und Carolyn Cox. 2012. Smartphone technology and apps: Rapidly changing health promotion. The International Electronic Journal of Health Education 15:72–82.Google Scholar
  60. Kristjánsdóttir, Ólöf Birna, Egil A. Fors, Erlend Eide, Arnstein Finset, Sandra van Dulmen, Sigrid Hørven Wigers, und Hilde Eide. 2011. Written online situational feedback via mobile phone to support self-management of chronic widespread pain: A usability study of a Web-based intervention. BMC Musculoskeletal Disorders 12(1): 51–60.Google Scholar
  61. Kuester, Annika, Helen Niemeyer, und Christine Knaevelsrud. 2016. Internet-based interventions for posttraumatic stress. A meta-analysis of randomized controlled trials. Clinical Psychology Review 43:1–16.  https://doi.org/10.1016/j.cpr.2015.11.004.CrossRefGoogle Scholar
  62. Kumar, Nilay, Monica Khunger, Arjun Gupta, und Neetika Garg. 2015. A content analysis of smartphone-based applications for hypertension management. Journal of the American Society of Hypertension: JASH 9(2): 130–136.  https://doi.org/10.1016/j.jash.2014.12.001.CrossRefGoogle Scholar
  63. Lehr, Dirk, Elena Heber, Bernhard Sieland, Andreas Hillert, Burkhardt Funk, und David Daniel Ebert. 2016. „Occupational eMental Health“ in der Lehrergesundheit. Präv Gesundheitsf 11(3): 182–192.  https://doi.org/10.1007/s11553-016-0541-6.CrossRefGoogle Scholar
  64. Leupold, Andreas, Silke Glossner, und Stefan Peintinger. 2016. eHealth: Rechtliche Rahmenbedingungen, Datenschutz und Datensicherheit. In eHealth in Deutschland. Anforderungen und Potenziale innovativer Versorgungsstrukturen, Hrsg. Florian Fischer und Alexander Krämer, 47–82. Berlin/Heidelberg: Springer Vieweg.Google Scholar
  65. Lister, Cameron, Joshua H. West, Ben Cannon, Tyler Sax, und David Brodegard. 2014. Just a fad? Gamification in health and fitness apps. JMIR Serious Games 2(2): e9.  https://doi.org/10.2196/games.3413.CrossRefGoogle Scholar
  66. Loiselle, Carmen G., und Saima Ahmed. 2017. Is connected health contributing to a healthier population? Journal of Medical Internet Research 19(11): e386.  https://doi.org/10.2196/jmir.8309.CrossRefGoogle Scholar
  67. Ludden, Geke D. S., Thomas J. L. van Rompay, Saskia M. Kelders, und Julia E. W. C. van Gemert-Pijnen. 2015. How to increase reach and adherence of web-based interventions: A design research viewpoint. Journal of Medical Internet Research 17(7): e172.  https://doi.org/10.2196/jmir.4201.CrossRefGoogle Scholar
  68. Lupton, Deborah. 2014. Apps as artefacts. Towards a critical perspective on mobile health and medical apps. Societies 4(4): 606–622.  https://doi.org/10.3390/soc4040606.CrossRefGoogle Scholar
  69. Lupton, Deborah. 2015. Health promotion in the digital era: A critical commentary. Health Promotion International 30(1): 174–183.  https://doi.org/10.1093/heapro/dau091.CrossRefGoogle Scholar
  70. Ly, Kien Hoa, Kajsa Asplund, und Gerhard Andersson. 2014. Stress management for middle managers via an acceptance and commitment-based smartphone application: A randomized controlled trial. Internet Interventions 1(3): 95–101.  https://doi.org/10.1016/j.invent.2014.06.003.CrossRefGoogle Scholar
  71. Melzner, Johann, Jörg Heinze, und Tobias Fritsch. 2014. Mobile health Applications in workplace health promotion. An integrated conceptual adoption framework. Procedia Technology 16:1374–1382.  https://doi.org/10.1016/j.protcy.2014.10.155.CrossRefGoogle Scholar
  72. Michie, Susan, Lucy Yardley, Robert West, Kevin Patrick, und Felix Greaves. 2017. Developing and evaluating digital interventions to promote behavior change in health and health care. Recommendations resulting from an international workshop. Journal of Medical Internet Research 19(6): e232.  https://doi.org/10.2196/jmir.7126.CrossRefGoogle Scholar
  73. Miller, G. 2012. The Smartphone psychology Manifesto. Perspectives on Psychological Science 7(3): 221–237.  https://doi.org/10.1177/1745691612441215.CrossRefGoogle Scholar
  74. Mobile Ecosystem Forum. 2015. Global mhealth & wearables report 2015. www.mobileecosystemforum.com. Zugegriffen am 20.12.2018.
  75. Nacinovich, Mario. 2011. Defining mHealth. Journal of Communication in Healthcare 4(1): 1–3.  https://doi.org/10.1179/175380611X12950033990296.CrossRefGoogle Scholar
  76. Nicholas, Jennifer, Mark Erik Larsen, Judith Proudfoot, und Helen Christensen. 2015. Mobile apps for bipolar disorder. A systematic review of features and content quality. Journal of Medical Internet Research 17(8): e198.  https://doi.org/10.2196/jmir.4581.CrossRefGoogle Scholar
  77. Nielsen, Karina, Raymond Randall, Ann-Louise Holten, und Eusebio Rial González. 2010. Conducting organizational-level occupational health interventions. What works? Work and Stress 24(3): 234–259.  https://doi.org/10.1080/02678373.2010.515393.CrossRefGoogle Scholar
  78. Niessen, Maurice A. J., Eva L. Laan, Suzan J. W. Robroek, Marie-Louise Essink-Bot, Niels Peek, Roderik A. Kraaijenhagen, et al. 2013. Determinants of participation in a web-based health risk assessment and consequences for health promotion programs. Journal of Medical Internet Research 15(8): e151.  https://doi.org/10.2196/jmir.2387.CrossRefGoogle Scholar
  79. Paganini, Sarah, Wiebke Teigelkötter, Claudia Buntrock, und Harald Baumeister. 2018. Economic evaluations of internet- and mobile-based interventions for the treatment and prevention of depression. A systematic review. Journal of Affective Disorders 225:733–755.  https://doi.org/10.1016/j.jad.2017.07.018.CrossRefGoogle Scholar
  80. Peters, Theo, und Benjamin Klenke. 2016. eHealth und mHealth in der Gesundheitsförderung. In Trends im Betrieblichen Gesundheitsmanagement. Ansätze aus Forschung und Praxis, Hrsg. Argang Ghadiri, Anabel Ternès und Theo Peters, 107–121. Wiesbaden: Springer Gabler.Google Scholar
  81. Ritterband, Lee M., Frances P. Thorndike, Daniel J. Cox, Boris P. Kovatchev, und Linda A. Gonder-Frederick. 2009. A behavior change model for internet interventions. Annals of Behavioral Medicine: a Publication of the Society of Behavioral Medicine 38(1): 18–27.  https://doi.org/10.1007/s12160-009-9133-4.CrossRefGoogle Scholar
  82. Robroek, Suzan J. W., Frank J. van Lenthe, Pepijn van Empelen, und Alex Burdorf. 2009. Determinants of participation in worksite health promotion programmes: A systematic review. The International Journal of Behavioral Nutrition and Physical Activity 6:26.  https://doi.org/10.1186/1479-5868-6-26.CrossRefGoogle Scholar
  83. Robroek, Suzan J. W., Dennis E. M. Lindeboom, und Alex Burdorf. 2012a. Initial and sustained participation in an internet-delivered long-term worksite health promotion program on physical activity and nutrition. Journal of Medical Internet Research 14(2): e43.  https://doi.org/10.2196/jmir.1788.CrossRefGoogle Scholar
  84. Robroek, Suzan J. W., Suzanne van de Vathorst, Medard T. Hilhorst, und Alex Burdorf. 2012b. Moral issues in workplace health promotion. International Archives of Occupational and Environmental Health 85(3): 327–331.  https://doi.org/10.1007/s00420-011-0675-y.CrossRefGoogle Scholar
  85. Rozental, Alexander, Gerhard Andersson, Johanna Boettcher, David Daniel Ebert, Pim Cuijpers, Christine Knaevelsrud, et al. 2014. Consensus statement on defining and measuring negative effects of Internet interventions. Internet Interventions 1(1): 12–19.  https://doi.org/10.1016/j.invent.2014.02.001.CrossRefGoogle Scholar
  86. Ryan, Cathal, Michael Bergin, Trudie Chalder, und John S. G. Wells. 2017. Web-based interventions for the management of stress in the workplace. Focus, form, and efficacy. Journal of Occupational Health 59(3): 215–236.  https://doi.org/10.1539/joh.16-0227-RA.CrossRefGoogle Scholar
  87. Sage, Adam, Courtney Roberts, Lorie Geryk, Betsy Sleath, Deborah Tate, und Delesha Carpenter. 2017. A self-regulation theory-based asthma management mobile app for adolescents. A usability assessment. JMIR Human Factors 4(1): e5.  https://doi.org/10.2196/humanfactors.7133.CrossRefGoogle Scholar
  88. Sama, Preethi R., Zubin J. Eapen, Kevin P. Weinfurt, Bimal R. Shah, und Kevin A. Schulman. 2014. An evaluation of mobile health application tools. JMIR mHealth and uHealth 2(2): e19.  https://doi.org/10.2196/mhealth.3088.CrossRefGoogle Scholar
  89. Santo, Karla, Sarah S. Richtering, John Chalmers, Aravinda Thiagalingam, Clara K. Chow, und Julie Redfern. 2016. Mobile phone apps to improve medication adherence. A systematic stepwise process to identify high-quality apps. JMIR mhealth uhealth 4(4): e132.  https://doi.org/10.2196/mhealth.6742.CrossRefGoogle Scholar
  90. Seaborn, Katie, und Deborah I. Fels. 2015. Gamification in theory and action. A survey. International Journal of Human-Computer Studies 74:14–31.  https://doi.org/10.1016/j.ijhcs.2014.09.006.CrossRefGoogle Scholar
  91. Shaw, Tim, Deborah McGregor, Melissa Brunner, Melanie Keep, Anna Janssen, und Stewart Barnet. 2017. What is eHealth (6)? Development of a conceptual model for eHealth: Qualitative study with key informants. Journal of Medical Internet Research 19(10): e324.  https://doi.org/10.2196/jmir.8106.CrossRefGoogle Scholar
  92. Spittaels, Heleen, I. de Bourdeaudhuij, J. Brug, und C. Vandelanotte. 2007. Effectiveness of an online computer-tailored physical activity intervention in a real-life setting. Health Education Research 22(3): 385–396.  https://doi.org/10.1093/her/cyl096.CrossRefGoogle Scholar
  93. Steigner, Guido, Charles R. Doarn, Michael Schütte, David Matusiewicz, und Christian Thielscher. 2017. Health applications for corporate health management. Telemedicine Journal and e-Health : the Official Journal of the American Telemedicine Association 23(5): 448–452.  https://doi.org/10.1089/tmj.2016.0162.CrossRefGoogle Scholar
  94. Stoyanov, Stoyan R., Leanne Hides, David J. Kavanagh, Oksana Zelenko, Dian Tjondronegoro, und Madhavan Mani. 2015. Mobile app rating scale: A new tool for assessing the quality of health mobile apps. JMIR mHealth and uHealth 3(1): e27.  https://doi.org/10.2196/mhealth.3422.CrossRefGoogle Scholar
  95. Stoyanov, Stoyan R., Leanne Hides, David J. Kavanagh, und Hollie Wilson. 2016. Development and validation of the user version of the Mobile Application Rating Scale (uMARS). JMIR mHealth and uHealth 4(2): e72.  https://doi.org/10.2196/mhealth.5849.CrossRefGoogle Scholar
  96. Terhorst, Yannik, Eva-Maria Rathner, Harald Baumeister, und Lasse Sander. 2018. „Hilfe aus dem App-Store?“: Eine systematische Übersichtsarbeit und Evaluation von Apps zur Anwendung bei Depressionen. Verhaltenstherapie 28(2): 101–112.  https://doi.org/10.1159/000481692.CrossRefGoogle Scholar
  97. Þórarinsdóttir, Helga, Lars Vedel Kessing, und Maria Faurholt-Jepsen. 2017. Smartphone-based self-assessment of stress in healthy adult individuals. A systematic review. Journal of Medical Internet Research 19(2): e41.  https://doi.org/10.2196/jmir.6397.CrossRefGoogle Scholar
  98. Toker, Sharon, Catherine A. Heaney, und Danit Ein-Gar. 2014. Why won’t they participate? Barriers to participation in worksite health promotion programmes. European Journal of Work and Organizational Psychology 24(6): 866–881.  https://doi.org/10.1080/1359432X.2014.968131.CrossRefGoogle Scholar
  99. Torous, John, Rohn Friedman, und Matcheri Keshavan. 2014. Smartphone ownership and interest in mobile applications to monitor symptoms of mental health conditions. JMIR mHealth and uHealth 2(1): e2.  https://doi.org/10.2196/mhealth.2994.CrossRefGoogle Scholar
  100. Treisman, Glenn J., Geetha Jayaram, Russell L. Margolis, Godfrey D. Pearlson, Chester W. Schmidt, Gary L. Mihelish, et al. 2016. Perspectives on the use of eHealth in the management of patients with Schizophrenia. The Journal of Nervous and Mental Disease 204(8): 620–629.  https://doi.org/10.1097/NMD.0000000000000471.CrossRefGoogle Scholar
  101. Vandelanotte, Corneel, Andre M. Muller, Camille E. Short, Melanie Hingle, Nicole Nathan, Susan L. Williams, et al. 2016. Past, present, and future of eHealth and mHealth research to improve physical activity and dietary behaviors. Journal of Nutrition Education and Behavior 48(3): 219–228.e1.  https://doi.org/10.1016/j.jneb.2015.12.006.CrossRefGoogle Scholar
  102. Vithanwattana, Nattaruedee, Glenford Mapp, und Carlisle George. 2017. Developing a comprehensive information security framework for mHealth. A detailed analysis. Journal of Reliable Intelligent Environment 45(1): 21–39.  https://doi.org/10.1007/s40860-017-0038-x.CrossRefGoogle Scholar
  103. Wang, Jingting, Yuanyuan Wang, Chunlan Wei, Nengliang Aaron Yao, Avery Yuan, Yuying Shan, und Changrong Yuan. 2014. Smartphone interventions for long-term health management of chronic diseases. An integrative review. Telemedicine Journal and e-Health: the Official Journal of the American Telemedicine Association 20(6): 570–583.  https://doi.org/10.1089/tmj.2013.0243.CrossRefGoogle Scholar
  104. Ware, Lisa J., Robert Hurling, Ogi Bataveljic, Bruce W. Fairley, Tina L. Hurst, Peter Murray, et al. 2008. Rates and determinants of uptake and use of an internet physical activity and weight management program in office and manufacturing work sites in England: Cohort study. Journal of Medical Internet Research 10(4): e56.  https://doi.org/10.2196/jmir.1108.CrossRefGoogle Scholar
  105. Weegen, Sanne van der, Verwey, Renee, Spreeuwenberg, Marieke, Tange, Huibert, van der Weijden, Trudy, Witte, und Luc de. (2013). The development of a mobile monitoring and feedback tool to stimulate physical activity of people with a chronic disease in primary care. A user-centered design. JMIR mHealth and uHealth 1 (2), e8.  https://doi.org/10.2196/mhealth.2526.CrossRefGoogle Scholar
  106. Weinstein, Ronald S., Ana Maria Lopez, Bellal A. Joseph, Kristine A. Erps, Michael Holcomb, Gail P. Barker, und Elizabeth A. Krupinski. 2014. Telemedicine, telehealth, and mobile health applications that work. Opportunities and barriers. The American Journal of Medicine 127(3): 183–187.  https://doi.org/10.1016/j.amjmed.2013.09.032.CrossRefGoogle Scholar
  107. Wicks, Paul, und Emil Chiauzzi. 2015. ‚Trust but verify‘ – five approaches to ensure safe medical apps. BMC Medicine 13:205.  https://doi.org/10.1186/s12916-015-0451-z.CrossRefGoogle Scholar
  108. Wilson, Michael B., Dorina Kallogjeri, Conor N. Joplin, Mitchell D. Gorman, James G. Krings, Eric J. Lenze, et al. 2015. Ecological momentary assessment of tinnitus using smartphone technology. A pilot study. Otolaryngology – Head and Neck Surgery: Official Journal of American Academy of Otolaryngology-Head and Neck Surgery 152(5): 897–903.  https://doi.org/10.1177/0194599815569692.CrossRefGoogle Scholar
  109. World Health Organization (WHO). 2010. Healthy workplaces: A model for action. For employers, workers, policy-makers and practitioners. Geneva: WHO Press.Google Scholar
  110. World Health Organization (WHO). 2011. mHealth. New horizons for health through mobile technologies. Geneva: World Health Organization http://gbv.eblib.com/patron/FullRecord.aspx?p=851142. Zugegriffen am 20.12.2018.
  111. Xu, Wenlong, und Yin Liu. 2015. mHealthApps: A repository and database of mobile health apps. JMIR mHealth and uHealth 3(1): e28.  https://doi.org/10.2196/mhealth.4026.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für PsychologieKarl-Franzens-Universität GrazGrazÖsterreich

Personalised recommendations