Skip to main content
Home » News » Wie Digitalisierung im Gesundheitswesen gelingt
News

Wie Digitalisierung im Gesundheitswesen gelingt

Credits: shutterstock

Im Zuge der COVID-19-Pandemie kam es in vielen Bereichen der Medizin und nicht zuletzt im Fach der Anästhesiologie und lntensivmedizin zu einer deutlichen Beschleunigung des digitalen Wandels.

Univ.-Prof. Dr. Oliver Kimberger

MSc, MBA

Universitätsklinik für Anästhesie, Allgemeine Intensivmedizin und Schmerztherapie der Medizinischen Universität Wien,
Mitglied der OGARI

Die Sorge hinsicht­lich Infektionen in Ambulanzen und Wartezonen führte zu einer raschen Implementierung telemedi­zinischer Methoden, sodass sehr viele Spitalsambulanzen zur Anästhesievorbereitung und -aufklärung langsam vom Ambulanzbesuch auf telefonische Aufklärung und in einigen Fällen auch auf videotelefonische Aufklärung und Befunderhebung für die Routineversorgung wechsel­ten. Video-Meetings setzten sich im Bereich der täglichen Visiten und Besprechungen in vielen Krankenhäusern und auf wissenschaftlichen Konferenzen durch, um Anste­ckungsquoten beim Gesund­heitspersonal gering zu halten; und an der wissenschaftlichen Front kam es aufgrund einer durchaus kontrovers diskutier­ten, aber stetig zunehmenden „Vorabdruck/Pre-print“ -Praxis zu einer deutlichen Verkür­zung der Zeitspanne vom Studienende zum (vorläufigen) Studienergebnis.

Digitalisierung war aller­dings auch schon vor der Pandemie einer der zentralen Schwerpunkte des Fachs Anästhesiologie und Inten­sivmedizin – nicht zuletzt, weil Anästhesiologie und Intensivmedizin ein sehr datenlastiges Fach mit – im Gegensatz zu vielen anderen Fächern – maschinenlesbaren Daten ist (ein:e Patient:in kann theoretisch auf einer ICU bis zu 100 GB pro Tag an Daten generieren). Algorithmen spielen daher in der anäs­thesiologischen Forschung zunehmend eine wesent-liche Rolle, die die großen, perioperativen Datenmengen – in vitro – besser durchschauen und durchforsten können als menschliche Expert:innen. Dabei kommen aktuelle Methoden der KI wie Machine Learning und Deep Learning zum Einsatz, um Therapien zu optimieren, Qualitätsmanage­ment zu betreiben, versteckte Muster in Patient:innendaten zu entdecken oder Vorher­sagen über individuelle Krankheitsverläufe zu treffen. Noch sind sehr wenige dieser Entwicklungen in vivo und am Patient:innenbett ange­kommen – sie bedürfen meist noch gründlicher Evaluierung mittels prospektiver und randomisierter Studien.

Weniger Fortschritt gab es trotz Pandemie beim Aufbre­chen der diversen „Datensilos“ (isolierte Datenbanken mit Gesundheitsdaten) – sei es innerhalb der Krankenhäuser oder zwischen den Krankenhäusern und diversen anderen Institutionen, die ebenfalls Gesundheitsdaten speichern. Auch im Zuge der Pandemie gelang es nur schleppend, hier effizient Verknüpfungen zwischen den isolierten ,,Silo-Datenbanken“ auszubil­den, um Monitoring, Bench­marking und Forschung zu vereinfachen oder überhaupt zu ermöglichen. Soll Österreich auch in der medizinischen Data Science eine Vormacht­stellung haben, so sind ein „Aufbrechen“ dieser Datensilos und schlussendlich die Schaffung einer nationalen Medizindatenstelle, wie sie in anderen europäischen Ländern erfolgreich betrieben wird, wesentliche Vorbedingungen für erfolgreiche medizinische Forschung, nicht zuletzt auch im Bereich der Anästhesiologie und Intensivmedizin.

Next article