Dtsch Med Wochenschr 2019; 144(07): 452-456
DOI: 10.1055/a-0740-8662
Klinischer Fortschritt
Nephrologie
© Georg Thieme Verlag KG Stuttgart · New York

Digitale Nephrologie

Digital Nephrology
Stefan Becker*
1   Klinik für Nephrologie, Universitätsmedizin Essen, Essen
,
Klemens Budde*
2   Charité — Universitätsmedizin Berlin, Medizinische Klinik m. S. Nephrologie und Intensivmedizin, Berlin
,
Frank-Peter Tillmann*
3   Klinik für Nephrologie, Heinrich-Heine-Universität Düsseldorf, Düsseldorf
4   Zentrum für Nieren- und Bluthochdruckerkrankungen, Emsdetten
,
Karoline Koisar
1   Klinik für Nephrologie, Universitätsmedizin Essen, Essen
,
Laura Wamprecht
5   Flying Health Incubator GmbH, Berlin
,
Markus Müschenich
5   Flying Health Incubator GmbH, Berlin
,
Sven Meister
6   Fraunhofer-Institut ISST, Dortmund
,
Roland Roller
7   Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI GmbH), Berlin
› Institutsangaben
Weitere Informationen

Publikationsverlauf

Publikationsdatum:
29. März 2019 (online)

Was ist neu?

Stand der Dinge Die Nephrologie steht vor erheblichen strukturellen Herausforderungen. Die Digitalisierung kann ein entscheidender Katalysator sein, um mit neuen Systemlösungen den Bedürfnissen von Patienten und ihren versorgenden Ärzten besser gerecht zu werden.

Digitalisierung als „Game Changer“ in der Medizin Der Durchbruch der digitalen Medizin steht noch bevor; digitale Lösungen haben das Potenzial, das Gesundheitswesen und die klinische Arbeit am Patienten grundlegend zu verändern.

Bedürfnis nach Kommunikation und gesundheitsbezogenen Mobilapplikationen (mHealth) Eine verbesserte Kommunikation ist der entscheidende Treiber. Über gesundheitsbezogene Mobilapplikationen können Behandlungsprozesse neu gedacht und gestaltet werden.

Big Data und maschinelles Lernen Durch maschinelle Unterstützungssysteme könnte die Diagnosestellung insgesamt sicherer und schneller gestaltet werden, sodass in der Folge dem Arzt mehr Zeit für eine bedarfsadaptierte individuelle Patientenberatung zur Verfügung stehen würde.

Natürliche Sprachverarbeitung Mithilfe künstlicher Intelligenz können Patientendaten besser analysiert und beispielsweise zur Früherkennung seltener Erkrankungen auf Grundlage von Symptomen schneller erkannt werden.

Abstract

Clinical Nephrology faces considerable structural challenges. Digitization can be a critical catalyst to better address the needs of patients and their healthcare providers with new system solutions. Improved communication is the key driver. Through health-related mobile applications, big data and machine learning, as well as natural language processing, treatment processes can be rethought and redesigned.

* Kommission Digitale Nephrologie der Deutschen Gesellschaft für Nephrologie.


 
  • Literatur

  • 1 Levin A, Tonelli M, Bonventre J. et al. Global kidney health 2017 and beyond: a roadmap for closing gaps in care, research, and policy. Lancet 2017; 390: 1888-1917
  • 2 Sharif M, Elsayed M, Stack A. The global nephrology workforce: emerging threats and potential solutions!. Clin Kidney J 2016; 9: 11-22
  • 3 Dialog Consult/VATM. 17. TK-Marktanalyse Deutschland. 2015: 30
  • 4 Süddeutsche Zeitung: Whatsapp hat mehr als eine Milliarde Nutzer (Februar 2016). Im Internet: http://www.sueddeutsche.de/digital/messenger-whatsapphat-mehr-als-eine-milliarde-nutzer-1.2845262 ; Stand: 28.01.2019
  • 5 Potts H. Is e-health progressing faster than e-health researchers?. J Med Internet Res 2006; 8: e24
  • 6 Oliveira G, Ana S, Bertram N. European Scorecard zum Stand der Implementierung der elektronischen Patientenakte auf nationaler Ebene. Eine Studie im Auftrag der Stiftung Münch. 2018
  • 7 Thiel R, Deimel L, Schmidtmann D. et al. #SmartHealthSystems. Digitalisierungsstrategien im internationalen Vergleich. Bertelsmann Stiftung (2018). Im Internet: https://www.bertelsmann-stiftung.de/fileadmin/files/Projekte/Der_digitale_Patient/VV_SHS-Gesamtstudie_dt.pdf ; Stand: 28.01.2019
  • 8 Meister S, Becker S, Leppert F. Digital Health, Mobile Health und Co. – Wertschöpfung durch Digitalisierung und Datenverarbeitung. in: Pfannstiel M, Da-Cruz P, Mehlich H. Digitale Transformation von Dienstleistungen im Gesundheitswesen. Wiesbaden: Springer Gabler; 2017
  • 9 Mertens A, Brandl C, Miron-Shatz T. et al. A mobile application improves therapy-adherence rates in elderly patients undergoing rehabilitation – a crossover design study comparing documentation via iPadTM with paper-based control. Medicine (Baltimore) 2016; 95: e4446
  • 10 Diamantidis C, Ginsberg J, Yoffe M. et al. Remote Usability Testing and Satisfaction with a Mobile Health Medication Inquiry System in CKD. Clin J Am Soc Nephrol 2015; 10: 1364-1370 . doi:CJN.12591214
  • 11 Dey V, Jones A, Spalding E. Telehealth: Acceptability, clinical interventions and quality of life in peritoneal dialysis. SAGE Open Med 2016; 4: 2050312116670188
  • 12 Stephens J, Allen J. Mobile phone interventions to increase physical activity and reduce weight: a systematic review. J Cardiovasc Nurs 2013; 28: 320-329
  • 13 Schmidt D, Graf V, Roller R. et al. Integrierte Versorgung chronisch kranker Patienten am Beispiel von MACSS. IT für soziale Inklusion (pp. 41–50). Berlin, Boston: De Gruyter; 2018
  • 14 Sharma K, Rupprecht C, Caroli A. et al. Automatic Segmentation of Kidneys using Deep Learning for Total Kidney Volume Quantification in Autosomal Dominant Polycystic Kidney Disease. Sci Rep 2017; 7: 2049
  • 15 Esteban C, Staeck O, Baier S. et al. Predicting Clinical Events by Combining Static and Dynamic Information Using Recurrent Neural Networks. ICHI 2016; 93-101
  • 16 Ronicke S, Hirsch MC, Türk E. et al. The Impact of a Diagnostic Support System on Rare Disease Cases [abstract]. J Am Soc Nephrol 2018; 29: 836