gms | German Medical Science

Hintergrund/Fragestellung: Maßnahmen zur Verbesserung der medizinischen Versorgung sind aufgrund der Heterogenität und Anzahl involvierter Akteure häufig komplex. Die Empfehlungen des Medical Research Council (MRC) zur Entwicklung komplexer Interventionen sehen vor, dass eine geplante Intervention zunächst konzeptionell entwickelt wird, indem die relevante Evidenz gesichtet, eine geeignete theoretische Basis identifiziert sowie die intendierte Intervention modelliert wird [1]. In der zweiten Phase sollen dann die Machbarkeit der Intervention sowie die methodischen Anforderungen ihrer Evaluation mit Hilfe von Pilotstudien geklärt werden.

Dieser Ansatz setzt voraus, dass die Praktiken der beteiligten Akteure hinreichend gut verstanden sind, so dass eine Intervention, deren Ziel in einer besseren Abstimmung dieser Praktiken besteht, am ‚Reißbrett‘ geplant und auch modelliert werden kann. Der Ansatz erzeugt damit zwei mögliche Probleme:

1.

Die Intervention fügt sich nicht so in den Alltag der Akteure ein, wie dies vorgesehen wurde, da relevante Details des Alltags der Akteure übersehen wurden.

2.

Möglichkeiten einer besseren Abstimmung durch Veränderung von ‚Kleinigkeiten‘ im Alltag der Akteure – also der ‚Feinabstimmung‘ – werden übersehen.

Durch die Maßnahmen der zweiten Phase im Entwicklungsmodell des MRC – Machbarkeits- und Pilotstudie – wird aber nur das erste Problem auf systematische Art und Weise adressiert. Möglichkeiten der Feinabstimmung könnten in der zweiten Phase auffallen, es fehlt aber ein theoriebasierter Ansatz zur systematischen Aufdeckung solcher Möglichkeiten.

Methoden: In dem hier vorgestellten Projekt soll am Beispiel der Integration von Sensordaten in den Alltag der Gesundheitsberufe überprüft werden, ob sich ein im Bereich der Infrastrukturforschung entwickelter lernbasierter Ansatz zur Entwicklung komplexer Interventionen eignet, insbesondere hinsichtlich der Frage der Erschließung von Verbesserungspotentialen durch eine Feinabstimmung der beteiligten Praktiken. Das Beispiel der Integration von Sensordaten in den Alltag ist besonders geeignet für ein solches Vorhaben. Sensordaten werden zukünftig von zahlreichen Geräten in für medizinische Zwecke hinreichender Präzision zur Verfügung gestellt werden, bspw. EKGs. Solche Daten können dann z.B. für die Früherkennung und Prävention potentiell gefährlicher Wechselwirkungen hilfreich sein. Damit erhöht sich die Komplexität der medizinischen Versorgung deutlich, da Patienten auf eine neue Art involviert werden.