Digitale Anwendungen in verschiedenen Versorgungsstrukturen der Dialyse

ZUSAMMENFASSUNG

Digitale Applikationen (Apps) sind zur medizinischen Überwachung während und außerhalb der Dialysezeit möglich. Telenephrologie und Patientenportale werden von Patienten und Ärzten gut akzeptiert. Sie ersetzen zwar nicht den Arztbesuch, können aber die Kommunikation intensivieren. Die Apps fördern das Selbst-Monitoring, indem sie Wissen zur Nierenerkrankung vermitteln und gleichzeitig die Behandlungswerte darstellen. Der Einsatz von Apps in der Heimdialyse unterstützt den Patienten beim Training und gibt ihm ein Sicherheitsgefühl, da Problemlösungen direkt visualisiert werden können. Die schnelle Generation von Daten-Pools (Patientenregister, Patientendaten-Management-Systeme zur Dialysebehandlung, klinische Studien, Labordaten, tragbare Smart Devices) eröffnet die Entwicklung von Prädiktionsmodellen und Systemen zur klinischen Entscheidungsunterstützung mithilfe von Methoden der künstlichen Intelligenz wie Machine Learning. Tragbare Smart Devices ermöglichen das 24-h-Monitoring. Ein Real-Time-Monitoring an der Dialyse und die direkte Intervention bieten perspektivisch eine individualisierte Therapie.

Publication History

Article published online:
04 August 2022

• Literatur

• 1 Silva Junior G, Askari M, Oliveira J. et al Digital health and possible solutions to improve the care in the field of nephrology. Contrib Nephrol 2021; 199: 307-321 DOI: 10.1159/000517709.
• 2 Stauss M, Floyd L, Becker S. et al Opportunities in the cloud or pie in the sky? Current status and future perspectives of telemedicine in nephrology. Clin Kidney J 2020; 14: 492-506 DOI: 10.1093/ckj/sfaa103.
• 3 Lemley KV. Machine learning comes to nephrology. J Am Soc Nephrol 2019; 30: 1780-1781 DOI: 10.1681/ASN.2019070664.
• 4 Saez-Rodriguez J, Rinschen MM, Floege J. et al Big science and big data in nephrology. Kidney Int 2019; 95: 1326-1337 DOI: 10.1016/j.kint.2018.11.048.
• 5 Barbieri C, Bolzoni E, Mari F. et al Performance of a predictive model for long-term hemoglobin response to darbepoetin and iron administration in a large cohort of hemodialysis patients. PLoS One 2016; 11: e0148938 DOI: 10.1371/journal.pone.0148938.
• 6 Alfieri F, Ancona A, Tripepi G. et al A deep learning model to continuously predict severe acute kidney injury based on urine output changes in critically ill patients. J Nephrol 2021; 34: 1875-1886 DOI: 10.1007/s40620-021-01046-6.
• 7 Kaur N, Bhattacharya S, Butte AJ. Big Data in Nephrology. Nat Rev Nephrol 2021; 17: 676-687 DOI: 10.1038/s41581-021-00439-x.
• 8 Chaudhuri S, Han H, Monaghan C. et al Real-time prediction of intradialytic relative blood volume: a proof-of-concept for integrated cloud computing infrastructure. BMC Nephrol 2021; 22: 274 DOI: 10.1186/s12882-021-02481-0.
• 9 B. Braun. interne Daten
• 10 Chiarolla E, Bonifazi F, Cangialosi F. et al für AReSS Puglia, Agenzia Regionale Strategica per la Salute ed il Sociale, Bari The management of patient in tele-dialysis: the experience of Azienda Ospedaliero-Universitaria Policlinico, Bari (IT). HS Report N. 1 (Juni 2021). Im Internet. https://www.sanita.puglia.it Stand: 21.03.2022
• 11 Wilkie M. Digital health – The new reality. What does this mean for peritoneal dialysis?. Perit Dial Int 2020; 40: 525-526 DOI: 10.1177/0896860820972031.
• 12 Walker RC, Tong A, Howard K. et al Clinicians’ experiences with remote patient monitoring in peritoneal dialysis: a semistructured interview study. Perit Dial Int 2020; 40: 202-208 DOI: 10.1177/0896860819887638.
• 13 Walker RC, Tong A, Howard K. et al Patients’ and caregivers’ expectations and experiences of remote monitoring for peritoneal dialysis: A qualitative interview study. Perit Dial Int 2020; 40: 540-547 DOI: 10.1177/0896860820927528.
• 14 eHAction – Joint action supporting the eHealth Network. D4.1 – Policy Framework on People Empowerment. WP4 – Empowering People (07.10.2019); Im Internet:. http://ehaction.eu/wp-content/uploads/2021/01/eHAction_D4.1_Policy-Framework-People-Empowerment_Final.pdf Stand: 21.03.2022
• 15 Pape L, Schneider N, Schleef T. et al The nephrology eHealth-system of the metropolitan region of Hannover for digitalization of care, establishment of decision support systems and analysis of health care quality. BMC Med Inform Decis Mak 2019; 19: 176 DOI: 10.1186/s12911-019-0902.
• 16 Pirovano P, Dorrian M, Shinde A. et al A wearable sensor for the detection of sodium and potassium in human sweat during exercise. Talanta 2020; 219: 121145 DOI: 10.1016/32887090.
• 17 Sharma MK, Wieringa FP, Frijns AJH. et al On-line monitoring of electrolytes in hemodialysis: on the road towards individualizing treatment. Expert Rev Med Devices 2016; 13: 933-943 DOI: 10.1080/17434440.2016.1230494.
• 18 Singh K, Diamantidis CJ, Ramani S. et al Patients’ and nephrologists’ evaluation of patient-facing smartphone apps for CKD. Clin J Am Soc Nephrol 2019; 14: 523-529 DOI: 10.2215/CJN.10370818.
• 19 Yang Y, Chen H, Qazi H. et al Intervention and evaluation of mobile health technologies in management of patients undergoing chronic dialysis: scoping review. JMIR mHealth Uhealth 2020; 08: e15549 DOI: 10.2196/15549.