Skip to content

Entscheidungsunterstützung in der Medizin

Medizinisches Wissen für die klinische Entscheidungsunterstützung nutzen

Universitätsmedizin Göttingen (UMG)

Dieses Modul ist Teil des Zertifikats „Digitalisierung klinischer Forschung und Versorgung”

Modulsprache: Deutsch und Englisch

Aufwand: 0h Präsenz / 56h Virtuell / 124h Selbststudium = 180h Gesamt1 (6 ECTS)

Zielgruppe: Studierende und in der Patientenversorgung tätige Personen müssen auf diese Situation vorbereitet werden und ihnen Strategien zur Problemlösung nahegebracht werden. Außerdem sollen sie die Optionen, Stärken und Schwächen von digitalen Entscheidungsunterstützungssystemen in der medizinischen Versorgung kennen und beispielhaft den Umgang mit solchen Systemen trainiert haben. 

Das Modul adressiert primär Studierende der Medizin und Medizininformatik, sowie Ärzt*innen in der Weiter- und Fortbildung. Das Modul wird in enger Zusammenarbeit mit der Bundesärztekammer sowie dem Industriepartner Ada Health GmbH angeboten.

Pretty young student studying at home sitting at her dining table with a large binder of notes checking something on the screen of her laptop computer
top view of Medicine doctor hand working with modern computer and smart phone on wooden desk as medical concept-1
Focused classmates studying together and using laptop in library

Beratung & Anmeldung:
Wenn Sie Fragen haben, zögern Sie bitte nicht, uns zu kontaktieren: info@highmed-lehre.de

Format: E-tivities, Konsultationen, Lehrvideos, Quiz, Ada App

Die zunehmende diagnostische Differenziertheit der personalisierten Medizin, hochspezifische Strategien in der Behandlung der Patienten, ein wachsendes Krankheitsspektrum durch zunehmende Migration von Erregern, sowie zunehmend komplexe Komorbiditäten bei älteren Patienten erschweren substantiell die klinische Entscheidungsfindung.

Daraus ergeben sich erhebliche Fehlbehandlungsmöglichkeiten. Auch erschwert die Komplexität den Austausch zwischen den Ärzt*innen in der Entscheidungsfindung sowie die Partizipation der Patienten an Entscheidungsprozessen.

Kompetenzniveau & Kompetenzart |
Kompetenzbeschreibung

1. Stufe: Kennen & Verstehen / Fachkompetenz

Nach der erfolgreichen Teilnahme am Modul können die Lernenden:

  • die Entwicklung der Data Science Aspekte der Präzisionsmedizin beschreiben und Ansätze für klinisches Data Management erläutern
  • neue Datenquellen nennen und deren technische Hintergründe beschreiben

2. Level: Anwenden & Analysieren / Fachkompetenz

Nach der erfolgreichen Teilnahme am Modul können die Lernenden:

  • tradierte Arten der klinischen und forschungsbezogenen Datenerhebung incl. Metadaten von neuen Formen und Bedürfnissen unterscheiden
  • die Typen von Entscheidungsunterstützungssystemen beschreiben, sowie die entsprechenden mathematischen Unterstützungsoptionen benennen
  • abschätzen und darlegen, welche Prozesse der klinischen Entscheidungsfindung durch moderne Data Science unterstützt werden können 

3. Stufe: Beurteilen & Synthetisieren / Fachkompetenz 

Nach der erfolgreichen Teilnahme am Modul können die Lernenden:

    • die Stärken und Schwächen der verschiedenen Arten der Datenerhebung im Hinblick auf unterschiedliche Entscheidungssituationen erläutern und anhand von Beispielen bewerten
    • den Umgang mit Daten im Hinblick auf eine klinische Entscheidung anhand von selbst gewählten Praxisbeispielen beschreiben, planen und bewerten
    • die Auswirkungen der bisherigen und voraussichtlichen Entwicklung der Entscheidungsunterstützung auf Arbeitsprozesse anhand selbst gewählter Beispiele differenziert bewerten
    • das erarbeitete Spektrum an Entscheidungsunterstützung am Beispiel der Ada Health-Software erläutern und demonstrieren - sowohl orientiert auf die ärztliche Unterstützung wie die Partizipation des Patienten

Einbettung

Das Modul ist im Curriculum der Medizininformatik der Georg-August-Universität Göttingen integriert und wird darüber hinaus berufsbegleitend zur Fort- und Weiterbildung angeboten. Der Arbeitsumfang umfasst 15 Wochen, welche insgesamt 6 ECTS-Punkten entsprechen. Die Teilnahme ist überwiegend in virtueller Präsenz, sodass die Arbeitszeit im Modul für die Teilnehmenden flexibel gestaltet werden kann.

 

Literatur:

  • Berner E.S., La Lande T.J. (2016) Overview of Clinical Decision Support Systems. In: Berner E. (eds) Clinical Decision Support Systems. Health Informatics. Springer, Cham. https://doi.org/10.1007/978-3-319-31913-1_1
  • Campbell, Robert James. "The Five Rights of Clinical Decision Support: CDS Tools Helpful for Meeting Meaningful Use" Journal of AHIMA84, no.10 (October 2013): 42-47 (web version updated February 2016).
  • Wright A, Sittig DF. A four-phase model of the evolution of clinical decision support architectures. Int J Med Inform. 2008;77(10):641-649. doi:10.1016/j.ijmedinf.2008.01.004
  • Boersch I, Heinsohn J, Socher R. Wissensverarbeitung – Eine Einführung in die Künstliche Intelligenz für Informatiker und Ingenieure 2nd Ed. Spektrum Akademischer Verlag ELSEVIER, 2007, pp 8-10
  • Richter J, Vogel S. Illustration of Clinical Decision Support System Development Complexity. Stud Health Technol Inform. 2020 Jun 26; 272:261-264. doi: 10.3233/SHTI200544. PMID: 32604651.

 

1: Bei der Aufteilung handelt es sich um eine grobe Orientierung. Die tatsächlichen Zeiten können Abweichen.

BMBF
MII