Diese Seite ist für Menschen und Suchmaschinen gestaltet. Zur Version für KI-Systeme (LLM) →

· Review-Artikel · 8 Min. · Von Jonathan Koß

Gesundheitsapps in der Herzinfarkt Prävention

Herz-Kreislauf-Erkrankungen sind kostenintensiv

Herzinsuffizienz führt zu großem menschlichem Leid, einer hohen Sterblichkeit und Kostenbelastung für das deutsche Gesundheitssystem. Schätzungsweise entstehen Krankheitskosten von etwa 1,4 bis 2,5 Milliarden Euro, u. a. durch Krankenhausaufenthalte und ambulante Behandlungen sowie Medikamente (1). Als häufige Ursache der Herzinsuffizienz gilt der Myokardinfarkt. Als Risikofaktor eines Myokardinfarktes gilt das Vorhofflimmern (1, 2). Um diesen zu erkennen, werden Echokardiogramme (EKG) genutzt, die normalerweise in Praxen oder Krankenhäusern durchgeführt werden. Da Vorhofflimmern jedoch unregelmäßig auftritt, können nicht alle Risikopatienten erfasst werden (3).

Aus Krankenkassensicht sollten somit Alternativen evaluiert werden, um ein kontinuierliches und kosteneffizientes Screening zu gewährleisten. Können mobile Gesundheitsapps als Alternative zu einem herkömmlichen EKG genutzt werden?

Vorhofflimmern als Vorbote eines Herzinfarktes

Unerkanntes Vorhofflimmern ist ein Risikofaktor und Frühindikator eines Herzinfarktes, der wiederrum eine häufige Ursache von schwerwiegenden Folgeerkrankungen ist (1). Die Europäische Gesellschaft für Kardiologie empfiehlt daher, das Vorhofflimmern bei allen Patienten über 65 Jahren durch Pulsmessung zu untersuchen und, falls unregelmäßig, durch Aufzeichnung eines Elektrokardiogramms (EKG) zu diagnostizieren (3).

Stationäre EKG ermöglichen keine kontinuierlichen Screenings

Herkömmliche Methoden, beispielsweise ein EKG in einer Praxis, bieten jedoch nur Momentaufnahmen (da sie in einem begrenzten Zeitraum stattfinden) und sind mit einem hohen Personalaufwand durch die medizinische Betreuung verbunden (4). Durch diese temporäre Untersuchung können nicht alle Risikopatienten identifizieret werden: Exemplarisch werden nur bei 1 bis 2 Prozent der höchsten Risikogruppe (Patienten >65 Jahre) ein bisher unbekanntes Vorhofflimmern diagnostiziert. Die tatsächlich Prävalenz dürfte jedoch deutlich höher sein (3). Um ein umfassendes Bild des Vorhofflimmerns von Patienten zu erreichen, müsste folglich ein kontinuierliches Screening stattfinden (3, 5-7).

KI basierte Diagnostik mittels Smartphone

Um ein kontinuierliches und finanzierbares Screening zu ermöglichen, könnten spezielle als Medizinprodukt zertifizierte Apps genutzt werden. Diese „Screening-Apps“ nutzen die Hardware eines Smartphones, um Vorhofflimmern zu detektieren. Dazu legt der Anwender seine Fingerspitze auf die Smartphonekamera. Das Videosignal wird lokal durch eine KI weiterverarbeitet, sodass eine Pulskurve dargestellt werden kann. Diese wird anschließend mittels der App bezüglich Anomalien analysiert (3, 7, 8). Darauf basierend kann eine Diagnose hinsichtlich eines vorliegenden Vorhofflimmern mit einer hohen Präzision festgestellt werden (Beispiel der App Preventicus: Sensitivität 87,5 % und Spezifität 95 % (3)), ohne dass die Konsultation eines Arztes notwendig ist (5, 6, 8) Somit könnten Anwender regelmäßig und selbstständig Screenings durchführen, die vermutlich kostengünstiger sind als in medizinischen Einrichtungen. Diese Regelmäßigkeit könnte dazu führen, dass die Erkennungsrate der Risikopatienten steigt. Folglich könnte präventiv gehandelt werden, um einen Herzinfarkte oder Folgeerkrankungen und damit einhergehende Kosten zu reduzieren.

Adäquate Einbettung in ein Versorgungsmodell notwendig

Trotz der technischen Möglichkeiten bleiben einige Herausforderungen. Einerseits ist insbesondere die ältere Generation eine Hochrisikogruppe (3, 8). Fraglich bleibt, ob hochbetagte Patienten diese App-basierten Anwendungen steuern können und ob Anwender im Allgemeinen funktionsfähige Smartphones besitzen (9). Außerdem setzt die Lösung auf ein eigenverantwortliches Handeln des Versicherten, weil die Daten nicht automatisch an die Kostenträger weitergegeben werden. Insofern muss der Versicherte nach Erhalt der Diagnose eigenständig weitere Schritte einleiten. Außerdem könnte aus Krankenkassensicht das Angebot einer entsprechenden App Kosten verursachen, die durch den Preis der App selbst sowie Folgeuntersuchungen (basierend auf der Diagnose) entstehen (10).

Krankenkassen müssen digitale Versorgungsmodelle entwickeln

Der Einsatz App-basierter Diagnosetools ermöglicht eine relativ präzise Messung von Vorhofflimmern und kann somit eine frühe Identifikation gefährdeter Risikopatienten ermöglichen. Die Screening Apps eignen sich außerdem für weitere Indikation, die mit einem Vorhofflimmern einhergehen, beispielsweise Schlaganfälle (3). Folglich kann dies ein geeigneter Weg sein, Kosten im Bereich der Herz-Kreislauf-Erkrankungen zu senken – vorausgesetzt die Anwender sind fähig die Anwendungen zu bedienen. Gleichzeitig muss die App in ein Versorgungsmodell eingebunden werden, welches sicherstellt, dass Effizienzgewinne nicht durch kostensteigernde Effekte, wie dem Preis der App selbst, aufgehoben werden.

In diesem Kontext könnten erfolgsbasierte Erlösmodelle nützlich sein: Im Rahmen eines Selektivvertrags wäre es möglich, dass Versicherte die App kostenlos nutzen können. Wenn die App Vorhofflimmern diagnostiziert, müssten die Versicherten einen Facharzt aufsuchen. Bestätigt dieser die Diagnose erhält der App Anbieter eine Vergütung. Wird die Diagnose jedoch nicht bestätigt, trägt der App Anbieter die Kosten des unbegründeten Facharztbesuches.

Quellen

  1. Willich S, Reinhold T, Brüggenjürgen B. Herzinsuffizienz nach Myokardinfarkt in Deutschland – Ökonomische Bedeutung und Einschränkung der Lebensqualität PharmacoEconomics – German Research Articles. 2005;3(1):25-39. zum Original
  1. Lekander I, Willers C, von Euler M, Lilja M, Sunnerhagen KS, Pessah-Rasmussen H, et al. Relationship between functional disability and costs one and two years post stroke. PLoS One. 2017;12(4). zum Original
  1. Burri H. Screening for Atrial Fibrillation Using Smartphones and Smartwatches. European Journal of Arrhythmia & Electrophysiology. 2018;04(01). zum Original
  1. Häusler K. Verlängertes EKG-Monitoring nach ischämischem Schlaganfall. Der Klinikarzt. 2018;47(4):123-7. zum Original
  1. Mehrang S, Airaksinen J, Koivisto T, Pankaala M, Tadi MJ, Hurnanen T, et al. Reliability of Self-Applied Smartphone Mechanocardiography for Atrial Fibrillation Detection. IEEE Access. 2019;7:146801-12.zum Original
  1. Bashar SK, Han D, Hajeb-Mohammadalipour S, Ding E, Whitcomb C, McManus DD, et al. Atrial Fibrillation Detection from Wrist Photoplethysmography Signals Using Smartwatches. Sci Rep. 2019;9(1):15054. zum Original
  1. Krivoshei L, Weber S, Burkard T, Maseli A, Brasier N, Kuhne M, et al. Smart detection of atrial fibrillationdagger. Europace. 2017;19(5):753-7 DOI.zum Original
  1. Li KHC, White FA, Tipoe T, Liu T, Wong MC, Jesuthasan A, et al. The Current State of Mobile Phone Apps for Monitoring Heart Rate, Heart Rate Variability, and Atrial Fibrillation: Narrative Review. JMIR Mhealth Uhealth. 2019;7(2):e11606. zum Original
  1. Scheerder A, van Deursen A, van Dijk J. Determinants of Internet skills, uses and outcomes. A systematic review of the second- and third-level digital divide. Telematics and Informatics. 2017;34(8):1607-24. zum Original
  1. Steinhubl S, Muse E, Topol E. The Merging field of mobile health. 2015 zum Original

Verwandte Artikel

Verwandte Artikel