Download PDF
CC BY-NC-ND 4.0 · Gesundheitswesen 2023; 85(12): 1220-1228
DOI: 10.1055/a-2098-3108
Originalarbeit

Faktoren für die Implementierung von KI-basierten Entscheidungsunterstützungssystemen zur Antibiotikavorhersage im Krankenhaus – eine qualitative Analyse aus der Perspektive von ärztlichem Personal

Factors influencing the implementation of AI-based decision support systems for antibiotic prescription in hospitals: a qualitative analysis from the perspective of health professionals
Pinar Tokgöz
1   Department für Digitale Gesundheitswissenschaften und Biomedizin; Professur für Digital Public Health, Universität Siegen Fakultät V Lebenswissenschaftliche Fakultät, Germany
,
Jessica Hafner
1   Department für Digitale Gesundheitswissenschaften und Biomedizin; Professur für Digital Public Health, Universität Siegen Fakultät V Lebenswissenschaftliche Fakultät, Germany
,
Christoph Dockweiler
1   Department für Digitale Gesundheitswissenschaften und Biomedizin; Professur für Digital Public Health, Universität Siegen Fakultät V Lebenswissenschaftliche Fakultät, Germany
› Author Affiliations
› Further Information
Also available at
   Permissions and Reprints

Zusammenfassung

Hintergrund Entscheidungsunterstützungssysteme auf Basis künstlicher Intelligenz können dazu beitragen, den Antibiotikaeinsatz im Krankenhaus zu optimieren und die Entstehung von Resistenzen vorzubeugen. Das Ziel der vorliegenden Untersuchung ist es, hemmende und fördernde Faktoren für eine erfolgreiche Implementierung aus Perspektive von ärztlichem Personal herauszuarbeiten.

Methode Es wurden 14 problemzentrierte Interviews mit ärztlichem Personal aus der stationären Versorgung durchgeführt und anhand der strukturierenden Inhaltsanalyse nach Kuckartz qualitativ ausgewertet.

Ergebnisse Entlang des Human-Organization-Technology-fit-Modells wurden Haltungen aus der Perspektive des ärztlichen Personals dargestellt. Technologie- und organisationsbezogene Themen stellen bedeutende Faktoren für die Implementierung dar. Vor allem die Kompatibilität mit bestehenden Systemen sowie die Benutzerfreundlichkeit des Systems nehmen einen hohen Stellenwert bei einer erfolgreichen Implementierung ein. Zusätzlich wird die Einarbeitung von potenziellen Nutzergruppen und die technische Ausstattung der Organisation als zentral erachtet. Nicht zuletzt gilt es die Technikkompetenzen potenzieller Nutzergruppen nachhaltig zu fördern und Vertrauen für das System zu schaffen.

Schlussfolgerungen Die Ergebnisse bieten eine Basis, um im Folgeschritt die identifizierten Faktoren quantitativ priorisieren zu können. Es wird deutlich, dass beim Einsatz von Entscheidungsunterstützungssystemen neben Systemeigenschaften auch kontextspezifischen und nutzerbezogenen Gegebenheiten eine zentrale Bedeutung zukommt, um Systemvertrauen und eine langfristige Implementierung zu gewährleisten.

Abstract

Background Decision support systems based on artificial intelligence might optimize antibiotic prescribing in hospitals and prevent the development of antimicrobial resistance. The aim of this study was to identify impeding and facilitating factors for successful implementation from the perspective of health professionals.

Methods Problem-centered individual interviews were conducted with health professionals working in hospitals. Data evaluation was based on the structured qualitative content analysis according Kuckartz.

Results Attitudes of health professionals were presented along the Human-Organization -Technology-fit model. Technological and organizational themes were the most important factors for system implementation. Especially, compatibility with existing systems and user-friendliness were seen to play a major role in successful implementation. Additionally, the training of potential users and the technical equipment of the organization were considered essential. Finally, the importance of promoting technical skills of potential users in the long term and creating trust in the benefits of the system were highlighted.

Conclusion The identified factors provide a basis for prioritizing and quantifying needs and attitudes in a next step. It becomes clear that, beside technological factors, attention to context-specific and user-related conditions are of fundamental importance to ensure successful implementation and system trust in the long term.

Schlüsselwörter

Antibiotikatherapie - Entscheidungsunterstützungssysteme - Implementierung - künstliche Intelligenz

Key words

Antibiotic therapy - decision support systems - implementation - artificial intelligence


Publication History

Article published online:
14 July 2023

© 2023. The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial-License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commercial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/).

Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Kern WV.. Rationale Antibiotikaverordnung in der Humanmedizin. Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz 2018; 61: 580-588 DOI: 10.1007/s00103-018-2727-x.
    CrossrefPubMedGoogle Scholar
  • 2 Sauskojus H, Wagner-Ahlfs C, Razum O.. Antibiotikaresistenz: In welche Handlungsfeldern muss mehr getan werden?. Gesundheitswesen 2019; 81: 88-91 DOI: 10.1055/s-0042-123847.
    Article in Thieme ConnectPubMedGoogle Scholar
  • 3 Vogd W, Feißt M, Molzberger K. et al. Entscheidungsfindung im Krankenhausmanagement. Wiesbaden: Springer; 2018. DOI: 10.1007/978-3-658-17001-1
    CrossrefGoogle Scholar
  • 4 Weber J.. Alle entscheidenden Konzepte, Steuerungssysteme und Instrumente. Weinheim: Wiley-VCH-Verlag; 2005
    Google Scholar
  • 5 Haefeli WE, Seidling HM.. Elektronische Entscheidungsunterstützung zur Annäherung an eine sichere Arzneimitteltherapie. Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz 2018; 61: 271-277 DOI: 10.1007/s00103-017-2685-8.
    CrossrefPubMedGoogle Scholar
  • 6 Main C, Moxham T, Wyatt JC. et al. Computerised decision support systems in order communication for diagnostic, screening or monitoring test ordering: systematic reviews of the effects and cost-effectiveness of systems. Health Technology Assessment 2010; 14: 227 DOI: 10.3310/hta14480.
    CrossrefPubMedGoogle Scholar
  • 7 Wright A, Ai A, Ash J. et al. Clinical decision support alert malfunctions: analysis and empirically derived taxonomy. Journal of the American Medical Informatics Association 2018; 25: 496-506 DOI: 10.1093/jamia/ocx106.
    CrossrefPubMedGoogle Scholar
  • 8 World Health Organization (WHO). Ethics & governance of artificial intelligence for health: WHO guidance. 2021. Im Internet https://apps.who.int/iris/rest/bitstreams/1352854/retrieve Stand: 12.02.2023
    Google Scholar
  • 9 Berendt B.. Algorithmic discrimination. In: Comandé G, Hrsg. Elgar Encyclopedia of law and data science. Chettenham: Elgar; 2020: 17-31
    Google Scholar
  • 10 Gianfrancesco MA, Tamang S, Yazdany J. et al. Potential biases in machine learning algorithms using electronic health record data. JAMA Internal Medicine 2018; 178: 1544-1547 DOI: 10.1001/jamainternmed.2018.3763.
    CrossrefPubMedGoogle Scholar
  • 11 Baumgartner R.. Künstliche Intelligenz in der Medizin: Diskriminierung oder Fairness? In: Bauer G, Kechaja M, Engelmann S et al., Hrsg. Diskriminierung und Antidiskriminierung. Beiträge aus Wissenschaft und Praxis. Bielefeld: Transcript; 2021: 149-164
    CrossrefGoogle Scholar
  • 12 Funer F.. The deception of certainty: How non-interpretable machine learning outcomes challenge the epistemic authority of physicians. A deliberative-relational approach. Medicine, Health Care and Philosophy 2022; 25: 167-178 DOI: 10.1007/s11019-022-10076-1.
    CrossrefPubMedGoogle Scholar
  • 13 Hochmuth A, Exner AK, Dockweiler C.. Implementierung und partizipative Gestaltung digitaler Gesundheitsinterventionen. Bundesgesundheitsbl 2020; 63: 145-152
    CrossrefPubMedGoogle Scholar
  • 14 Carracedo-Martinez E, Gonzalez-Gonzalez C, Teixeira-Rodrigues A. et al. Computerized Clinical Decision Support Systems and Antibiotic Prescribing: A Systematic Review and Meta-analysis. Clinical Therapeutics 2019; 41: 552-581 DOI: 10.1016/j.clinthera.2019.01.018.
    CrossrefPubMedGoogle Scholar
  • 15 Neugebauer M, Ebert M, Vogelmann R.. A clinical decision support system improves antibiotic therapy for upper urinary tract infection in a randomized single-blinded study. BMC Health Services Research 2020; 20: 185 DOI: 10.1186/s12913-020-5045-6.
    CrossrefPubMedGoogle Scholar
  • 16 Yusof MM, Papazafeiropoulou A, Paul RJ. et al. Investigating evaluation frameworks for health information systems. International Journal of Medical Informatics 2008; 77: 377-385 DOI: 10.1016/j.ijmedinf.2007.08.004..
    CrossrefPubMedGoogle Scholar
  • 17 Erlirianto LM, Ali AHN, Herdiyanti A.. The Implementation of the Human, Organization, and Technology–Fit (HOT–Fit) Framework to Evaluate the Electronic Medical Record (EMR) System in a Hospital. Procedia Computer Science 2015; 72: 580-587 DOI: 10.1016/j.procs.2015.12.166.
    CrossrefPubMedGoogle Scholar
  • 18 Puspita SC, Supriyantoro H.. Analysis of Hospital Information System Implementation Using the Human-Organization-Technology (HOT) Fit Method: A Case Study Hospital in Indonesia. European Journal of Business and Management Research 2020; 5 DOI: 10.24018/ejbmr.2020.5.6.592.
    CrossrefPubMedGoogle Scholar
  • 19 Witzel A.. Das problemzentrierte Interview. Jüttemann G, Hrsg. Qualitative Forschung in der Psychologie: Grundfragen, Verfahrensweisen, Anwendungsfelder. Weinheim: Beltz; 1985: 227-255
    Google Scholar
  • 20 Helfferich C.. Die Qualität qualitativer Daten: Manual für die Durchführung qualitativer Interviews (4. Auflage). Wiesbaden: Verlag für Sozialwissenschaften, Springer Fachmedien; 2011
    CrossrefGoogle Scholar
  • 21 Beatty PC, Willis GB.. Research synthesis: The practice of cognitive interviewing. Public Opinion Quarterly 2007; 71: 287-311
    CrossrefPubMedGoogle Scholar
  • 22 Franke T, Attig C, Wessel D.. A Personal Resource for Technology Interaction: Development and Validation of the Affinity for Technology Interaction (ATI) Scale. International Journal of Human-Computer Interaction 2019; 35: 456-467 DOI: 10.1080/10447318.2018.1456150.
    CrossrefPubMedGoogle Scholar
  • 23 Claussen J, Jankowski D, Dawid F.. Aufnehmen, Abtippen, Analysieren – Wegweiser zur Durchführung von Interview und Transkription. Norderstedt: Books on Demand;; 2020
    Google Scholar
  • 24 Kuckartz U.. Qualitative Inhaltsanalyse: Methoden, Praxis, Computerunterstützung. 3. Aufl. Weinheim und Basel: Beltz Juventa Verlag; 2016
    Google Scholar
  • 25 Sutton RT, Pincock D, Baumgart DC. et al. An overview of clinical decision support systems: benefits, risks and strategies for success. NPJ Digit Med 2020; 3: 17 DOI: 10.1038/s41746-020-0221-y.
    CrossrefPubMedGoogle Scholar
  • 26 Khairat S, Marc D, Crosby W. et al. Reasons for physicians not adopting clinical decision support systems: Critical analysis. JMIR Med Inform 2008; 6: e24 DOI: 10.2196/medinform.8912..
    CrossrefPubMedGoogle Scholar
  • 27 Varonen H, Kortteisto T, Kaila M.. What may help or hinder the implementation of computerized decision support systems (CDSSs): a focus group study with physicians. Family Practice 2008; 25: 162-167 DOI: 10.1093/fampra/cmn020.
    CrossrefPubMedGoogle Scholar
  • 28 Catho G, Centemero NS, Catho H. et al. Factors determining the adherence to antimicrobial guidelines and the adoption of computerised decision support systems by physicians: A qualitative study in three European hospitals. International Journal of Medical Informatics 2020; 141: 104233 DOI: 10.1016/j.ijmedinf.2020.104233.
    CrossrefPubMedGoogle Scholar
  • 29 McCoy AB, Thomas EJ, Krousel-Wood M. et al. Clinical decision support alert appropriateness: a review and proposal for improvement. Ochsner J 2014; 14: 195-202
    PubMedGoogle Scholar
  • 30 Liberati EG, Ruggerio F, Galuppo L. et al. What hinders the uptake of computerized decision support systems in hospitals? A qualitative study and framework for implementation. Implement Sci 2017; 12: 113 DOI: 10.1186/s13012-017-0644-2.
    CrossrefPubMedGoogle Scholar
  • 31 Ford JD, Ford LW, D’Amelio A.. Resistance to Change: The Rest of the Story. The Academy of Management Review 2008; 33: 362-377
    CrossrefPubMedGoogle Scholar
  • 32 Wang F, Casalino LP, Khullar D.. Deep Learning in Medicine – Promise, Progress and Challenges. JAMA Intern Med 2019; 179: 293-4
    CrossrefPubMedGoogle Scholar
  • 33 Walter Z, Lopez MS.. Physician acceptance of information technologies: role of perceived threat to professional autonomy. Decis Support Syst 2008; 46: 206-215 DOI: 10.1016/j.dss.2008.06.004.
    CrossrefPubMedGoogle Scholar
  • 34 Vashitz G, Meyer J, Parmet Y. et al. Defining and measuring physicians' responses to clinical reminders. J Biomed Inform 2009; 42: 317-326 DOI: 10.1016/j.jbi.2008.10.001.
    CrossrefPubMedGoogle Scholar
  • 35 Sasse MA, Kirlappos I.. Design for Trusted and Trustworthy Services: Why We Must Do Better. In Harper RHR (Hrsg.). Trust, Computing, and Society. New York, NY: Cambridge University Press; 2014: 229-249
    Google Scholar
  • 36 Morley J, Joshi I.. Developing effective policy to support Artificial Intelligence in health and care. Eurohealth 2019; 25: 11-4
    PubMedGoogle Scholar
  • 37 Froomkin AM, Kerr IR, Pineau J.. When AIs Outperform Doctors: Confronting the Challenges of a Tort-Induced Over-Reliance on Machine Learning. Arizona Law Rev 2019; 61: 33
    PubMedGoogle Scholar
  • 38 Strauss AL, Corbin JM.. Grounded theory: Grundlagen qualitativer Sozialforschung. Weinheim: Beltz; 1996
    Google Scholar