ArchivDeutsches Ärzteblatt26/2018Künstliche Intelligenz für Ärzte und Patienten: „Googeln“ war gestern

THEMEN DER ZEIT

Künstliche Intelligenz für Ärzte und Patienten: „Googeln“ war gestern

Dtsch Arztebl 2018; 115(26): A-1262 / B-1066 / C-1058

Kuhn, Sebastian; MME; Jungmann, Stefanie Maria; Jungmann, Florian

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...
LNSLNS

Chatbots auf Basis von künstlicher Intelligenz und verfügbar als Smartphone-Apps schicken sich an, Anamnese und Diagnosefindung in der Medizin in vielfältiger Weise zu verändern.

Künftig können KI-Chatbots als Entscheidungshilfen im Diagnose- und Therapieprozess dienen oder eine Lotsenfunktion im Gesundheitssystem übernehmen. Foto: chatbot/sdecoret stock.adobe.com
Künftig können KI-Chatbots als Entscheidungshilfen im Diagnose- und Therapieprozess dienen oder eine Lotsenfunktion im Gesundheitssystem übernehmen. Foto: chatbot/sdecoret stock.adobe.com

Der Arztberuf befindet sich durch die digitale Transformation in einem großen Wandel. Von besonderem Interesse ist hierbei die Nutzung künstlicher Intelligenzen (KI) im Rahmen der Anamnese und Diagnosefindung. Erst kürzlich beschrieb Keith Dreyer, dass eigenständig denkende Maschinen mittlerweile den Weg von Science-Fiction zur Realität gefunden haben (1). KI-Chatbots sind Dialogsysteme, welche in Chat-Form die text- oder sprachbasierte Kommunikation mit künstlichen Intelligenzen ermöglichen. Im medizinischen Bereich sind die KI-Chatbots Ada Health, Babylon, Buoy und Your.MD über die App-Stores von Apple und Android sowohl für Ärzte als auch für Patienten frei verfügbar.

Anzeige

Grundlegend verändertes Informationsverhalten

Unabhängig von den Entwicklungen im Bereich der künstlichen Intelligenz zeigt sich bei Patienten und Ärzten seit einigen Jahren ein grundlegend verändertes Informationsverhalten. In einer Umfrage unter Radiologen gaben 72 Prozent der Befragten an, ihr Smartphone oder Tablet regelmäßig für medizinische Recherchen zu nutzen (2). Die Zufriedenheit mit dem aktuellen Angebot wurde in der Umfrage trotz der großen Anzahl an medizinischen Lösungen in den gängigen App-Stores als relativ gering angegeben. Knapp die Hälfte der Befragten empfindet durch die Apps keinen Nutzen beziehungsweise nur eine leichte Arbeitserleichterung (2).

Demgegenüber „googeln“ 58 Prozent der Patienten nach symptom- und krankheitsbezogenen Informationen vor und 62 Prozent nach einem Arztbesuch (3). In einer Studie der Bertelsmann Stiftung gaben 52 Prozent der Befragten an, zufrieden mit dem Ergebnis ihrer Internetrecherche zu sein (3).

An Nummer 1 der Informationsquellen stehen derzeit Wikipedia und andere Onlinelexika mit einer Nutzung von 72 Prozent der Befragten. Aufgrund der ungefilterten Informationsflut des Internets ist für den Patienten die Informationsqualität oft nur schwer abzuschätzen (4). Selbst die beliebteste Quelle Wikipedia wird von 46 Prozent der Befragten als nicht vertrauenswürdig angesehen (3).

Von Google zu KI-basierten Chatbots

Die Art und Weise, wie sich Patienten zu gesundheitsbezogenen Themen informieren, hat sich durch die Digitalisierung bereits fundamental verändert und wird sich in Zukunft durch KI-Systeme weiterentwickeln (3).

Beim derzeitigen Einsatz von KI in der Medizin sind drei Ebenen differenzierbar:

  • Die Konsumenten-Ebene, das heißt, Smartphone-Apps für individuelle Nutzer, wie etwa Ada Health (5). Hierauf wird im Folgenden detaillierter eingegangen.
  • Die professionelle Ebene, das heißt, die institutionelle Implementierung, etwa IBM Watson (6), ADA for doctors (5). Im Gegensatz zur Konsumenten-Ebene fließen in diese Applikationen zusätzliche klinische Informationen ein, unter anderem Laborparameter und Funktionsdiagnostiken. Auch auf künstlicher Intelligenz basierende Algorithmen (Deep Learning) zur automatischen Erkennung von Röntgenbildern, computertomographischen oder magnetresonanztomographischen Datensätzen werden zum aktuellen Zeitpunkt entwickelt und in Studien getestet.
  • Die Makro-Ebene, institutionsübergreifend wie zum Beispiel Data Mining und Radiomics (7, 8). Unter anderem werden medizinische Informationen aus Computertomographie-Untersuchungen, histologischen und genetischen Auswertungen bei der Integration dieser Informationen zur Diagnosefindung beziehungsweise zur Prognosebestimmung in Studien erprobt (8, 9).

Aufgrund der freien Verfügbarkeit nutzen auch zunehmend Ärzte solche Apps, um eine symptombezogene Anamnese zu erheben und insbesondere um Hilfestellungen bei der Differenzialdiagnose zu erhalten. Es ist zu erwarten, dass hierdurch sekundäre Entscheidungsprozesse im Sinne eines „Decision Support“ beeinflusst werden. Implikationen für bildgebende Verfahren und laborchemische Untersuchungen sind absehbar.

Medizinische KI ist seit 2017 durch die Einführung von medizinischen Chatbots in Form von Smartphone-Apps erstmals einer großen Nutzergruppe zugänglich. Somit ermöglichen Chatbot-basierte KI-Systeme derzeit eine neuartige und einfach verfügbare Anwendung von medizinischem Fachwissen für Patienten und Ärzte. Die aktuellen und zukünftigen Entwicklungen haben weitreichende Implikationen für Ärzte, was eine grundlegende Auseinandersetzung mit solchen Systemen erfordert. Zum einen stellt sich die Frage, inwiefern diese Systeme effizient in den Diagnose- und Behandlungsprozess einbezogen und Limitationen der Systeme durch ärztliche Nutzer erkannt werden können. Zum anderen müssen sich Mediziner mit den Grundprinzipien der wichtigsten KI-Apps auseinandersetzen, um ihre Patienten, die ebenfalls Nutzer dieser Systeme sind, besser verstehen und entsprechende Einschätzungen vornehmen zu können.

An der Schwelle zur Massenadaption

Im Gegensatz zur langsamen Implementierung institutioneller KI-Systeme steigen die Nutzerzahlen von App-basierten medizinischen KI-Chatbots wie zum Beispiel Ada Health, Babylon, Buoy und Your.MD derzeit rasant.

So verzeichnet Ada Health aktuell zwei Millionen Nutzer weltweit (10). Seit Herbst 2017 ist die „Gesundheitshelferin“ Ada auch in deutscher Sprache kostenfrei erhältlich. Die KI-basierte Medizin-App erfragt neben einer kurzen allgemeinen Anamnese des Nutzers gezielt dessen Beschwerden und Symptome und geht hierbei adaptiv vor. Das Krankheitsbild wird als Metapher für die Einzelinformationen der Beschwerden genutzt. Anhand von Zusammenhängen und Mustern der eingegebenen Symptome erstellt Ada auf Basis einer medizinischen Datenbank mit aktuellen Forschungsbefunden einen Bericht mit der wahrscheinlichsten Diagnose und möglichen Differenzialdiagnosen. Eine ständige Aktualisierung der Informationen innerhalb der Datenbank gelingt durch mehrere Feedbackschleifen und gewährleistet, dass die App dazulernt und präziser wird. Der erzeugte Befundbericht kann den behandelnden Ärzten als PDF-Datei zur Verfügung gestellt werden (Kasten).

Multiple Nutzungsszenarien denkbar

Im Gegensatz zu hochkomplexen Mechanismen von KI (Big-Data-Analysen, Deep Learning und andere) stellen Chatbots simple, jedoch zunehmend verbreitete Werkzeuge dar. Aufgrund der aktuell exponentiellen Zunahme an Nutzern wird in den kommenden Jahren die Erfahrung mit Chatbot-basierten KI-Systemen rasant zunehmen. Hierbei sind unterschiedliche Nutzungsszenarien denkbar:

  • Patienten: Chatbots können als Alternative zu Google und Wikipedia dazu beitragen, die Informationsvielfalt des Internets bei der Recherche auf eine Haupt- und wenige Differenzialdiagnosen zu beschränken. Die durch den Arztbesuch erworbenen Erkenntnisse über die eigene Symptomatik (erhöhte Herzfrequenz, erhöhte Blutzuckerwerte etc.) können in die Bearbeitung der App einfließen.
  • Ärzte als Individuen: Neben der Nutzung durch Patienten haben Smartphone-Apps mit KI das Potenzial, Ärzten bei der Diagnosefindung und der Stellung von Differenzialdiagnosen zu unterstützen, um so sekundär Entscheidungsprozesse zu triggern. Auf KI basierende Chatbots können im Sinne eines „Clinical Decision Supports“ zudem dazu beitragen, überflüssige Folgeuntersuchungen zu vermeiden, wie etwa Strahlenexposition bei Untersuchungen mit ionisierenden Strahlen. Durch Angaben von Wahrscheinlichkeiten bestimmter Diagnosen anhand der klinischen Symptome erhält der Arzt gegebenenfalls gewichtige Argumente zum Verzicht auf weiterführende diagnostische Maßnahmen in der Diskussion mit (fordernden) Patienten. Gleichzeitig besteht das Risiko, aufgrund der möglichen Differenzialdiagnosen im Rahmen des Diagnoseausschlusses eine größere Anzahl an diagnostischen Maßnahmen zu veranlassen. Ein weiteres Potenzial sehen Experten darin, dass KI-basierte Systeme zu einer schnelleren Diagnosestellung seltener Erkrankungen beitragen können. Insgesamt bestehen diese Vorteile nicht nur für somatische Erkrankungen, sondern auch für psychische Symptome und Störungen, sodass KI-gestützte Systeme auch ärztliche und psychologische Psychotherapeuten in vergleichbarer Weise unterstützen können (12).
  • Screening in Sprechstunden: In den häufig überfüllten Notaufnahmen kann durch eine Triage der Patienten die Wartezeit dringlicher Fälle verringert werden, um wichtige diagnostische Untersuchungen oder Therapien schneller einzuleiten. In speziellen Sprechstunden könnten Chatbots im Vorhinein zur Festlegung der Behandlungsdringlichkeit und der Gewinnung basaler Informationen vor der Konsultation dienen.
  • Nationales Gesundheitssystem: Auch das Gesundheitssystem könnte von der Lotsenfunktion von KI profitieren und so zu einer Steigerung der Effizienz im Sinne einer Verbesserung der Zuweisungsqualität führen. In der Schweiz sind Arzt-basierte Callcenter (zum Beispiel Medgate, Medi24, Sante24) seit rund zehn Jahren Bestandteil der medizinischen Versorgungsrealität. Die Zuweisungsqualität konnte, bei zeitgleicher Kostensenkung, verbessert werden (13). Die Unterstützung dieser Aufgabe durch künstliche Intelligenz beziehungsweise die alleinige KI-basierte Lotsenfunktion sind denkbare zukünftige Nutzungsszenarien.
  • Globales Gesundheitssystem: In strukturschwachen Regionen der Welt gibt es Orte, in denen Krankenschwestern/-pfleger und Health Professionals eine basale medizinische Versorgung ohne Ärzte aufrechterhalten. Hier könnte durch Chatbots ärztliches Wissen orts- und zeitunabhängig zur Verfügung gestellt werden.

Voraussetzungen und Limitationen

Die zunehmende Anzahl an KI-Apps birgt jedoch auch die Gefahr, dass Patienten durch Fehl- und Überinformationen verunsichert werden. Der Auftrag der medizinischen Experten ist es, fächerübergreifend aus der Masse an Apps jene herauszufiltern, die die vorhandenen Informationen zielgruppen-adaptiert darstellen und einen Zugewinn für Patienten, Ärzte und Psychotherapeuten bieten (4, 14). Die zahlreichen Fragen über den Nutzen dieser neuen Technologien müssen in klinischen Anwendungen an spezifischen Fragestellungen evaluiert werden (15). Zum jetzigen Zeitpunkt ist die Datenlage unzureichend.

Mit Augenmerk auf die zukünftigen Entwicklungen müssen digitale Kompetenzen Patienten, Ärzten und Psychotherapeuten strukturiert vermittelt werden, um der digitalen Kluft (digital divide) entgegenzuwirken (16). Neben den nicht von der Hand zu weisenden Vorteilen sind kritische Aspekte dieser Technologien sowie deren Akzeptanz bei Patienten zu diskutieren. Der Datenschutz spielt hier eine außerordentlich wichtige Rolle, da mit den sensiblen Daten auch im Hinblick auf Big-Data-Analysen über die Krankheitshistorie der App-Nutzer = Patienten nicht fahrlässig umgegangen werden darf (17). Hier spielen die AGBs der einzelnen Gesundheits-Apps eine relevante Rolle. Aufgrund der Komplexität dieser AGBs sollte ein Mindestmaß an Patientensicherheit gesetzlich implementiert werden. Jedem App-Nutzer sollte es unkompliziert möglich sein, auf einen Blick zu erkennen, inwiefern die eigenen sensiblen Daten genutzt und ob diese an Dritte weitergegeben werden.

Trotz Bedenken hinsichtlich des Datenmissbrauchs und der Limitationen im Einsatz bei speziellen Erkrankungen ist es von großer Bedeutung, dass Mediziner und Psychotherapeuten durch eine fundamentale Auseinandersetzung die neuen Technologien kennenlernen und technisch in der Lage sind, diese zu nutzen.

Zukunftsvision: Einbezug von patientengenerierten Daten

Die durch „Wearables“ und Smartphone-Apps erhobenen Parameter aufseiten des Patienten (Vitalparameter, Informationen zu Bewegung und sportlicher Aktivität) lassen sich in die klinischen Informationen (Anamnese, klinische Untersuchungsbefunde und Vorbefunde, Laborparameter, radiologische Bildgebungen, Histologie, Genanalyse) integrieren. Hierdurch könnten KI-basierte Systeme künftig – eine hierfür geeignete IT-Struktur vorausgesetzt – bei der Diagnosestellung, der Prognosebestimmung und der Implementierung individualisierter Behandlungsprogramme ein wichtiger Baustein sein. Die gemeinsame Analyse dieser zahlreichen erhobenen Informationen hat das Potenzial, Behandlungsabläufe fundamental zu verändern. Die naheliegende Integration mit einer Videosprechstunde erweitert die Funktion zusätzlich. In Großbritannien ist diese Funktion bei KI-basierten Chatbots bereits Wirklichkeit. In Deutschland ist dies aufgrund des Fernbehandlungsverbots derzeit nicht implementiert.

Evaluation als essenzielle Aufgabe

Der Einsatz von künstlicher Intelligenz in der Diagnosestellung wird, durch Chatbots und deren Umsetzung als Smartphone-Apps, breite Anwendung in der Medizin finden. Neben dem individuellen Gebrauch durch Patienten und Ärzte sind weitere Nutzungsszenarien, wie zum Beispiel Entscheidungshilfen im Diagnose- und Therapieprozess und eine potenzielle Lotsenfunktion im Gesundheitssystem, vielversprechend.

Patienten, Ärzte, Psychotherapeuten und Beschäftigte im Gesundheitssystem müssen mit den Grundprinzipien und kritischen Punkten der KI-basierten Technologien vertraut sein, um das vielversprechende Potenzial im Rahmen von Diagnostik und Therapie nutzen zu können. Durch die hohe Zahl an Anwendern wird die Weiterentwicklung dieser Form der KI rapide fortschreiten. Dabei stellt die Evaluation dieser bisher unzureichend validierten Systeme, neben der Schaffung von Rahmenbedingungen mit suffizienten und verständlichen Datenschutzbestimmungen, eine essenzielle zukünftige Aufgabe dar.

Priv.-Doz. Dr. med. Sebastian Kuhn, MME
Zentrum für Orthopädie und Unfallchirurgie, Universitätsmedizin der Johannes Gutenberg-Universität Mainz

Dr. phil. Stefanie Maria Jungmann
Abteilung Klinische Psychologie und Psychotherapie, Johannes Gutenberg-Universität Mainz

Dr. med. Florian Jungmann
Klinik und Poliklinik für Diagnostische und Interventionelle Radiologie, Universitätsmedizin der Johannes Gutenberg-Universität Mainz

Evaluation von Ada Health anhand von Fallberichten

Zwei Ärzte bearbeiteten unabhängig voneinander 16 Anamnese-basierte internistische Fallberichte mit der KI-App Ada Health (11). Die Ergebnisse der Diagnosestellung und Differenzialdiagnosen der App wurden mit dem „Goldstandard“-Lehrbuch verglichen. Die Ergebnisse der Evaluation sind getrennt für Anwender 1/Anwender 2 dargestellt.

  • Die durchschnittliche Bearbeitungszeit pro Fall lag bei 248/244 Sekunden.
  • Das Ergebnis der App erforderte pro Fall die Bearbeitung von durchschnittlich 31/34 Fragen.
  • Korrekte Diagnose durch Ada:
Screenshots aus ADA Health
Screenshots aus ADA Health

– in 13 von 16 (81,25 %)/14 von 16 (87,50 %) Fällen insgesamt (als Haupt- oder Differenzialdiagnose),

– in 11 von 16 (68,75 %)/12 von 16 (75,00 %) Fällen dezidiert als Hauptdiagnose (das heißt wahrscheinlichste Diagnose),

– eine hohe bis sehr hohe Übereinstimmung (Cohen´s κ -Koeffizient) der Ergebnisse der App und den Fallberichten von κ= .80/.87 bei Einbezug der Haupt- und Differenzialdiagnosen der App und von κ= .67/.74 bei ausschließlicher Berücksichtigung der Hauptdiagnose der App,

– Schwierigkeiten in der Diagnosestellung können bei der Kombination zweier Erkrankungen auftreten (zum Beispiel Erstdiagnose eines Ösophaguskarzinoms mit symptomatischer tiefer Beinvenenthrombose). Hier wurde bei den Anwendern jeweils eine der Diagnosen genannt. Abhängig von der Reihenfolge der Eingabe der Symptome wird ein unterschiedlicher Ablauf der Fragen getriggert.

– Im Vergleich zum Lehrbuch konnte Ada zusätzliche Differenzialdiagnosen nennen.

Fazit zu Ada Health

Ada Health zeigt eine hohe diagnostische Treffsicherheit in der Diagnosestellung bei der Bearbeitung von Anamnese-basierten Fallberichten der Inneren Medizin mit einer durchschnittlichen Bearbeitungszeit von vier Minuten. Im Vergleich zu unstrukturiertem „Googeln“ ist neben dem Zeitfaktor auch die hohe Qualität des Ergebnisses von Bedeutung für den Laienanwender.

1.
Dreyer KJ, Geis JR: When Machines Think: Radiology‘s Next Frontier. Radiology 2017; 285 (3): 713–8 CrossRef MEDLINE
2.
Schleder S, Dendl LM, Niessen C, Stroszczynski C, Schreyer AG: Acceptance of medical apps and ebooks among German radiologists. Radiologe 2017; 57 (9): 752–9 CrossRef MEDLINE
3.
Bertelsmann Stiftung: Wer suchet, der findet – Patienten mit Dr. Google zufrieden. Gesundheitsinfos Daten, Analysen, Perspektiven. Nr. 2, 2018. http://daebl.de/GH88 (last accessed on 30 March 2018).
4.
Albrecht UV: Gesundheits-Apps – Fachübergreifende Qualitätskriterien sind unabdingbar. Dtsch Arztebl 2018; 115 (3): 67–8 VOLLTEXT
5.
Ada Health GmbH: www.ada.com (last accessed on 30 March 2018).
6.
Chen Y, Elenee Argentinis JD, Weber G: IBM Watson: How Cognitive Computing Can Be Applied to Big Data Challenges in Life Sciences Research. Clin ther 2016; 38 (4): 688–701 CrossRef MEDLINE
7.
7. Brink JA, Arenson RL, Grist TM, Lewin JS, Enzmann D: Bits and bytes: the future of radiology lies in informatics and information technology. Eur radiol 2017; 27 (9): 3647–51 CrossRef MEDLINE
8.
Chaddad A, Desrosiers C, Toews M, Abdulkarim B: Predicting survival time of lung cancer patients using radiomic analysis. Oncotarget 2017; 8 (61): 104393–407 CrossRef MEDLINE PubMed Central
9.
Chen MC, Ball RL, Yang L, Moradzadeh N, Chapman BE, Larson DB, et al.: Deep Learn-ing to Classify Radiology Free-Text Reports. Radiology 2017; 286 (3): 845–52 CrossRef MEDLINE
10.
Medical News Today: www.medicalnewstoday.com/articles/321229.php (last accessed on 30 March 2018).
11.
Pottgießer T, Ophoven S: Die 50 wichtigsten Fälle Innere Medizin (3. Auflage). München: Urban & Fischer 2015 MEDLINE
12.
Lüttke S, Hautzinger M, Fuhr K: E-Health in Diagnostik und Therapie psychischer Störungen. Werden Therapeuten bald überflüssig? Bundesgesundheitsbl 2018; 61: 263–70 CrossRef MEDLINE
13.
Grandchamp C, Gardiol L: Does a mandatory telemedicine call prior to visiting a physician reduce costs or simply attract good risks? Health Econ. 2011 Oct; 20 (10): 1257–67. doi: 10.1002/hec.1668 CrossRef
14.
Bork U, Weitz J, Penter V: Apps und Mobile Health – Viele Potenziale noch nicht ausgeschöpft. Dtsch Arztebl 2018;115 (3): 62–6 VOLLTEXT
15.
Merz S, Bruni T, Gadebusch Bondio M: Diagnose-Apps: Wenig Evidenz. Dtsch Arzte-bl 2018; 115 (12): 522–4 VOLLTEXT
16.
Kuhn S, Kadioglu D, Deutsch K, Michl S: Data Literacy in der Medizin. Der Onkologe. 2018 Feb 13. [Epub ahead of print CrossRef
17.
Vollmar HC, Kramer U, Muller H, Griemmert M, Noelle G, Schrappe M: Position Paper of The AG Digital Health DNVF on Digital Health Applications: Framework Conditions For Use in Health Care, Structural Development and Science. Gesundheitswesen 2017; 79 (12): 1080–92 MEDLINE
1. Dreyer KJ, Geis JR: When Machines Think: Radiology‘s Next Frontier. Radiology 2017; 285 (3): 713–8 CrossRef MEDLINE
2. Schleder S, Dendl LM, Niessen C, Stroszczynski C, Schreyer AG: Acceptance of medical apps and ebooks among German radiologists. Radiologe 2017; 57 (9): 752–9 CrossRef MEDLINE
3. Bertelsmann Stiftung: Wer suchet, der findet – Patienten mit Dr. Google zufrieden. Gesundheitsinfos Daten, Analysen, Perspektiven. Nr. 2, 2018. http://daebl.de/GH88 (last accessed on 30 March 2018).
4. Albrecht UV: Gesundheits-Apps – Fachübergreifende Qualitätskriterien sind unabdingbar. Dtsch Arztebl 2018; 115 (3): 67–8 VOLLTEXT
5. Ada Health GmbH: www.ada.com (last accessed on 30 March 2018).
6. Chen Y, Elenee Argentinis JD, Weber G: IBM Watson: How Cognitive Computing Can Be Applied to Big Data Challenges in Life Sciences Research. Clin ther 2016; 38 (4): 688–701 CrossRef MEDLINE
7.7. Brink JA, Arenson RL, Grist TM, Lewin JS, Enzmann D: Bits and bytes: the future of radiology lies in informatics and information technology. Eur radiol 2017; 27 (9): 3647–51 CrossRef MEDLINE
8. Chaddad A, Desrosiers C, Toews M, Abdulkarim B: Predicting survival time of lung cancer patients using radiomic analysis. Oncotarget 2017; 8 (61): 104393–407 CrossRef MEDLINE PubMed Central
9. Chen MC, Ball RL, Yang L, Moradzadeh N, Chapman BE, Larson DB, et al.: Deep Learn-ing to Classify Radiology Free-Text Reports. Radiology 2017; 286 (3): 845–52 CrossRef MEDLINE
10. Medical News Today: www.medicalnewstoday.com/articles/321229.php (last accessed on 30 March 2018).
11. Pottgießer T, Ophoven S: Die 50 wichtigsten Fälle Innere Medizin (3. Auflage). München: Urban & Fischer 2015 MEDLINE
12. Lüttke S, Hautzinger M, Fuhr K: E-Health in Diagnostik und Therapie psychischer Störungen. Werden Therapeuten bald überflüssig? Bundesgesundheitsbl 2018; 61: 263–70 CrossRef MEDLINE
13.Grandchamp C, Gardiol L: Does a mandatory telemedicine call prior to visiting a physician reduce costs or simply attract good risks? Health Econ. 2011 Oct; 20 (10): 1257–67. doi: 10.1002/hec.1668 CrossRef
14. Bork U, Weitz J, Penter V: Apps und Mobile Health – Viele Potenziale noch nicht ausgeschöpft. Dtsch Arztebl 2018;115 (3): 62–6 VOLLTEXT
15. Merz S, Bruni T, Gadebusch Bondio M: Diagnose-Apps: Wenig Evidenz. Dtsch Arzte-bl 2018; 115 (12): 522–4 VOLLTEXT
16. Kuhn S, Kadioglu D, Deutsch K, Michl S: Data Literacy in der Medizin. Der Onkologe. 2018 Feb 13. [Epub ahead of print CrossRef
17. Vollmar HC, Kramer U, Muller H, Griemmert M, Noelle G, Schrappe M: Position Paper of The AG Digital Health DNVF on Digital Health Applications: Framework Conditions For Use in Health Care, Structural Development and Science. Gesundheitswesen 2017; 79 (12): 1080–92 MEDLINE

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Fachgebiet

Zum Artikel

Alle Leserbriefe zum Thema

Anzeige