27.03.2020 | Diagnostik in der Pneumologie | Schwerpunkt: Patientensicherheit | Ausgabe 5/2020 Open Access
Verbesserte Patientensicherheit durch „clinical decision support systems“ in der Labormedizin
- Zeitschrift:
- Der Internist > Ausgabe 5/2020
Wichtige Hinweise
Redaktion
H. Haller, Hannover
J.R. Schäfer, Marburg
Die Autoren F. Eckelt und J. Remmler haben zu gleichen Teilen zum Manuskript beigetragen.
Zusammenfassung
Hintergrund
Labormedizinische Diagnostik ist für die Diagnosestellung, Therapieeinleitung und Überwachung von Patienten unverzichtbar. Unberücksichtigte oder fehlerhaft interpretierte Laborergebnisse haben unerwünschte Auswirkungen und gefährden die Patientensicherheit. „Clinical decision support systems“ (CDSS) könnten helfen, eine angemessene Interpretation und medizinische Reaktion zu unterstützen.
Ziel der Arbeit
Das Forschungsprojekt zur digitalen Labormedizin (Analyse- und Meldesystem zur Verbesserung der Patientensicherheit durch Echtzeitintegration von Laborbefunden [AMPEL]) hat zum Ziel, auf Basis der Diagnostik am Institut für Laboratoriumsmedizin der Universitätsmedizin Leipzig ein CDSS zu entwickeln, das die Behandler dabei unterstützt, notwendige medizinische Maßnahmen sicherzustellen.
Material und Methoden
In einer Literaturrecherche zu CDSS wird der aktuelle Stand der Technik beschrieben. Hierauf aufbauend wird das AMPEL-Projekt mit seinen Zielen, Herausforderungen und ersten Ergebnissen vorgestellt. Die Entwicklung der Regel- und Meldesysteme wird am klinischen Beispiel der schweren Hypokaliämie erläutert.
Ergebnisse und Diskussion
Durch die interdisziplinäre Entwicklung von Regel- und Meldesystemen auf Basis von klinischen Daten wurden spezifische, fachgebietsübergreifende CDSS erstellt, die auf hohe Akzeptanz stoßen. Erste Ergebnisse zur schweren Hypokaliämie belegen einen positiven Effekt auf die Patientenbehandlung. Bei der Entwicklung komplexerer Regelwerke, etwa zur Sepsisdiagnostik oder dem akuten Koronarsyndrom, stellt die begrenzte Verfügbarkeit standardisierter und digital verfügbarer klinischer Daten eine Herausforderung dar. Neben klassischen Entscheidungsbäumen in CDSS bieten Methoden des maschinellen Lernens eine vielversprechende Perspektive für zukünftige Entwicklungen.