Gesundheitswesen
DOI: 10.1055/a-2904-1788

Im Jahr 2005 wurde erstmals eine Gute Praxis Sekundärdatenanalyse (GPS) vorgelegt. Nach erneuter Revision im Jahr 2025 wird nun die Version 4 vorgelegt. Die Überarbeitung der GPS wurde von der Arbeitsgruppe Erhebung und Nutzung von Sekundärdaten (AGENS) der Deutschen Gesellschaft für Sozialmedizin und Prävention (DGSMP) und der Deutschen Gesellschaft für Epidemiologie (DGEpi) und der Arbeitsgruppe Validierung und Linkage von Sekundärdaten des Deutschen Netzwerks Versorgungsforschung (DNVF) vorgenommen.Gegenüber der bisherigen Version sind neben inhaltlichen Schärfungen und Aktualisierungen auch Empfehlungen ergänzt worden. Dabei handelt es sich um die Empfehlungen Studienpopulation (Empfehlung 3.3), Auswertestrategie (3.6), Registrierung (3.8), Wechselseitiges Zusammenwirken von Datenanalyse, versorgungsbezogener Expertise und Patient:innenperspektive (5.3), data dictionary (6.8), Zwischenauswertungen (7.3), verteiltes Rechnen (7.4), Dokumentation der Analyseschritte (7.6), Nutzung von gepoolten Daten sowie Analysen von Daten verteilt auf unterschiedliche Orte (8.12), gesetzlicher Rahmen (9.1) und Wissenschaftskommunikation (11.4).Mit der GPS wird ein Standard für die Durchführung von Sekundärdatenanalysen nach wissenschaftlichen Grundsätzen formuliert. Sie ergänzt gezielt andere gute Praxen und Berichtsstandards auf dem Bereich der Epidemiologie und Versorgungsforschung (GEP, Gute Praxis Datenlinkage, Berichtsstandard STROSA). Die GPS versteht sich als Richtschnur bei der Planung, Durchführung und Analyse von Studien auf der Basis von Sekundärdaten, unter Beachtung der aktuellen gesetzlichen Rahmenbedingungen. Konkrete Studienbedingungen und Spezifika bestimmter Daten können es erforderlich machen, begründet von den Empfehlungen der GPS abzuweichen.Die GPS richtet sich an alle Forscher:innen, die sich unter Anwendung wissenschaftlicher Methoden Sekundärdaten, ihrer Analyse und Interpretation zuwenden. Die GPS fokussiert dabei auf gesundheitsbezogene ("health-related") Daten in Deutschland, also typischerweise versorgungsnahe Daten wie Routinedaten der gesetzlichen Kranken-, Pflege-, Renten- und Unfallversicherung (Sozialdaten), der ambulanten und stationären Versorgungseinrichtungen und Registerdaten.
[...]

Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Article in Thieme eJournals:
Table of contents  |  Abstract  |  Full text

Gesundheitswesen
DOI: 10.1055/a-2718-4633

Im Rahmen dieser Studie wurden Einsatzmöglichkeiten von textgenerativer künstlicher Intelligenz bei der Auswertung von Dokumenten der gesetzlichen Unfallversicherung untersucht. Zu diesem Zweck wurden medizinische Dokumente mithilfe gezielter Prompts sowohl durch ChatGPT als auch durch ein speziell angepasstes CustomGPT-Modell analysiert. Die Ergebnisse zeigen, dass einfache Aufgaben wie das Auslesen von Stammdaten oder das Erkennen fehlender Kausalitäten mit hoher Genauigkeit und geringer Fehlerquote bewältigt wurden. Bei komplexeren juristischen Fragestellungen sowie bei der Einordnung kontextueller Informationen offenbarte sich jedoch eine eingeschränkte Zuverlässigkeit. Die Verwendung eines angepassten CustomGPT-Modells brachte hierbei keinen signifikanten Qualitätsvorteil gegenüber dem Standardmodell. In ihrer derzeitigen Entwicklungsstufe ist die Technologie für den praktischen Einsatz bei der Auswertung von Berichten in der gesetzlichen Unfallversicherung noch nicht geeignet. Künftige Studien sollten neuere Versionen von ChatGPT sowie alternative KI-Systeme einbeziehen. Es ist zu erwarten, dass textgenerative KI in naher Zukunft verlässlich für die hier betrachteten Anwendungsbereiche eingesetzt werden kann.
[...]

Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Article in Thieme eJournals:
Table of contents  |  Abstract  |  Full text