Vorlesung 9: Digitalization of Healthcare Flashcards
Implementierung von Digital Health in Entwicklungsländern
Fortschritt: Medizinisch-technologischer Fortschritt, mobile Konnektivität, digitale Technologien.
Faktoren: Alternde Bevölkerung, Fachkräftemangel, Pflege in ländlichen Gebieten.
Ziele: Personalisierte Medizin, informierte Patienten, gesteigertes Gesundheitsbewusstsein, Effizienzsteigerungen, stärkere sektorübergreifende Versorgung.
Digitale Trends im Gesundheitswesen (1/4)
Technologien: Quantencomputing, virtuelle Realität, Blockchain, kommerzielle Drohnen, Internet der Dinge, 3D-Druck, Cloud-Computing, soziale Medien.
Zukunftsperspektive: 2,3 Zettabyte an Gesundheitsdaten bis 2020; 80 % der Daten sind unstrukturiert, 60 % nützlich, wenn annotiert.
Digitalisierung wird die Medizin grundlegend verändern (2/4)
Treiber: Kabellose Sensoren, soziale Netzwerke, Genomik, Bildgebung, Internet + mobile Konnektivität, Rechenleistung, KI + Datenuniversum, Informationssysteme.
Transformation: Übergang von alter zu neuer Medizin durch kreative Zerstörung und Superkonvergenz
Neue Möglichkeiten durch Künstliche Intelligenz (3/4)
Beispiel: Apple Heart Study - KI zur Erkennung von unregelmäßigen Herzrhythmen und Benachrichtigung des Arztes.
Nutzen: Frühzeitige Diagnose und Behandlung von Herzproblemen.
Projekt AuMEDa: Was ist der Anwendungsfall?
Problem: Manueller Transfer medizinischer Dokumente in IT-Systeme.
Herausforderungen: Zeitaufwendig, fehleranfällig, kann die Patientenversorgung und Forschung beeinträchtigen.
Folgen: Weniger Zeit für Patienten, mögliche negative Auswirkungen durch fehlende oder fehlerhafte Informationen.
Projekt AuMEDa: Lösungsansatz
Prozess: Extraktion und Digitalisierung von Informationen aus unstrukturierten medizinischen Dokumenten.
Technologien: Optische Zeichenerkennung (OCR), Informationsextraktion (KI, reguläre Ausdrücke), Domänenwissen (Strukturierung nach medizinischen Standards).
Ziel: Integration in Krankenhausinformationssysteme.
Projekt AuMEDa: Anwendungsarchitektur
Komponenten: Dokumenttypen, OCR, KI-Sprachprozessor, Interface-Typen, Zielsysteme.
Funktion: Automatische Erkennung und Verarbeitung von Dokumenten, um Daten in Zielsysteme zu integrieren.
Projekt RPD: Machine Learning Potenziale in Abrechnungsprozessen im Gesundheitswesen
Ziel: Unterstützung der Prüfung von Ansprüchen gegenüber Krankenversicherungen.
Methoden: Maschinelles Lernen, Datenvorverarbeitung, erklärbare KI, Geschäftsmodell- und Prozessdesign.
Anwendung: Automatisierte Klassifikation, z.B. von Betrugsfällen.
Rechtliche Rahmenbedingungen für Digital Health in Deutschland
Gesetze: E-Health-Gesetz (2015), Terminservice- und Versorgungsgesetz (2019), Digitale Versorgung-Gesetz (2020), Patientendaten-Schutz-Gesetz (2020), Digitale Pflege-Gesetz (2021).
Ziele: Sichere Telematikinfrastruktur, Förderung digitaler Gesundheitsanwendungen, Schutz von Patientendaten, Ausweitung der Nutzung von elektronischen Patientenakten und E-Rezepten