gms | German Medical Science

20. Deutscher Kongress für Versorgungsforschung

Deutsches Netzwerk Versorgungsforschung e. V.

06. - 08.10.2021, digital

Generating Intelligent Questionnaires for Healthcare – Zeit- und Informationsgewinn in der ärztlichen Praxis durch mobile digitale Anamnese

Meeting Abstract

  • Diana Rau - Albert-Ludwigs-Universität Freiburg, Medizinische Fakultät, Universitätsklinikum Freiburg, Sektion Versorgungsforschung und Rehabilitationsforschung, Freiburg im Breisgau, Deutschland
  • Lena Staab - Albert-Ludwigs-Universität Freiburg, Medizinische Fakultät, Universitätsklinikum Freiburg, Sektion Versorgungsforschung und Rehabilitationsforschung, Freiburg im Breisgau, Deutschland
  • Lucas Spohn - Tomes GmbH, Freiburg im Breisgau, Deutschland
  • Jerome Meinke - Tomes GmbH, Freiburg im Breisgau, Deutschland
  • Jiří Zámečník - Tomes GmbH, Freiburg im Breisgau, Deutschland
  • Esther Schmidt - Albert-Ludwigs-Universität Freiburg, Medizinische Fakultät, Universitätsklinikum Freiburg, Sektion Versorgungsforschung und Rehabilitationsforschung, Freiburg im Breisgau, Deutschland
  • Thomas Kienbaum - Albert-Ludwigs-Universität Freiburg, Medizinische Fakultät, Universitätsklinikum Freiburg, Sektion Versorgungsforschung und Rehabilitationsforschung, Freiburg im Breisgau, Deutschland
  • Erik Farin-Glattacker - Albert-Ludwigs-Universität Freiburg, Medizinische Fakultät, Universitätsklinikum Freiburg, Sektion Versorgungsforschung und Rehabilitationsforschung, Freiburg im Breisgau, Deutschland

20. Deutscher Kongress für Versorgungsforschung (DKVF). sine loco [digital], 06.-08.10.2021. Düsseldorf: German Medical Science GMS Publishing House; 2021. Doc21dkvf157

doi: 10.3205/21dkvf157, urn:nbn:de:0183-21dkvf1574

Published: September 27, 2021

© 2021 Rau et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Hintergrund und Stand (inter)nationaler Forschung: In der Allgemeinmedizin kann ein Großteil der Diagnosen allein anhand einer sorgfältigen Erhebung der medizinischen Vorgeschichte gestellt werden [1]. Doch das deutsche Gesundheitswesen ist geprägt durch Zeitmangel und Überlastung der Ärzt*innen, somit ist für die ärztliche Anamnese weniger Zeit vorhanden als notwendig [2, 3, 4]. Durch eine lückenhafte Anamnese besteht die Gefahr, dass die Diagnose und die Behandlungsstrategie nicht optimal auf die Patient*innen abgestimmt werden. Dies ist von gesundheitsökonomischer Bedeutung und wird sich zukünftig angesichts steigender Inzidenz und Prävalenz chronischer Erkrankungen weiter verschärfen.

Digitale Anwendungen können einen Teil zur Lösung des Problems beitragen. Hier herrscht insbesondere in Deutschland noch hohes Entwicklungspotenzial, da der Digitalisierungsgrad des Gesundheitswesens im Branchenvergleich der geringste ist und auch international unterdurchschnittlich abschneidet [5, 6].

Fragestellung und Zielsetzung: Im Rahmen des Projektes wird die Anamnese mithilfe einer Software bereits vor dem Arzttermin erhoben. Ziel ist es, einen Informationsvorsprung für die Ärzt*innen vor dem Gespräch, sowie einen Zeitgewinn für das Gespräch zu erhalten. Eine Reduktion des zeitlichen Aufwands entsteht auch durch die automatische Berichtsgenerierung, da die erfassten Daten mithilfe von Natural Language Generation strukturiert in den Arztbrief eingefügt werden. Die Evaluation befasst sich mit der Umsetzbarkeit und dem Nutzen einer solchen Anamnese.

Methode: In diesem Kooperationsprojekt mit einem IT-Unternehmen wird ein vorhandenes Anamnesetool technisch und inhaltlich weiterentwickelt. Anhand der 10 häufigsten Besuchsanlässe in der Hausarztpraxis werden Fragen der automatisierten Anamnese aus psycho- und biometrischer Sicht optimal formuliert. Es wird untersucht, wie sich die Fragen und Antwortoptionen mit parametrisierbaren Sprachfunktionen verallgemeinern lassen. Die Sprachfunktionen enthalten feste und variable Parameter und können deshalb für verschiedene Besuchsanlässe verwendet werden. Nach Abfrage des Anlasses für den gewünschten Arzttermin werden die konkret benötigten Fragenmodule patientenindividuell zusammengestellt. Innerhalb der einzelnen Fragenmodule erfolgt in Abhängigkeit der Antworten eine interne Verzweigung, um relevante Folgefragen hinzuzufügen. Die Antworten der Patient*innen werden mithilfe von Natural Language Generation als Fließtext in den Arztbrief eingefügt. Mit der internationalen Nomenklatur SNOMED CT werden die Angaben der Patient*innen interoperabel kodiert. Hierdurch wird eine Weiterverarbeitung der Informationen durch andere IT-Systeme ermöglicht.

In der formativen Evaluation wird der Erfolg der Projektzwischenschritte bewertet. In einem Mixed-Methods-Design werden im Rahmen der summativen Evaluation die Akzeptanz, Praktikabilität und Nutzenbewertung der Software aus Sicht der Ärzt*innen und Patient*innen untersucht. Dabei werden auch generalisierbare Erkenntnisse für Barrieren und förderliche Faktoren vergleichbarer E-Health-Ansätze gewonnen.