25gmds177 10.3205/25gmds177 urn:nbn:de:0183-25gmds1779 Meeting Abstract Sommer Sommer Michael M

MED:ON Akademie, MED:ON MVZ, Jena, Germany

author Söhl Söhl Kristina K

MED:ON Akademie, MED:ON MVZ, Jena, Germany Universitätsklinikum Jena, Institut für Allgemeinmedizin, Jena, Germany

author Kuniß Kuniß Nadine N

MED:ON Akademie, MED:ON MVZ, Jena, Germany Universitätsklinikum Jena, FB Endokrinologie und Stoffwechselerkrankungen, Jena, Germany

author Böde Böde Monique M

MED:ON Akademie, MED:ON MVZ, Jena, Germany Universitätsklinikum Jena, Institut für Allgemeinmedizin, Jena, Germany

author German Medical Science GMS Publishing House

Düsseldorf

610 Routinedatenanalyse Qualitätsindikatoren Praxisverwaltungssystem Leitlinienimplementierung datengestütztes Edukationsformat 20251103 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0631 177 Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie 70. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS) PS 11: Wissens- und Prozessmanagement Jena 20250907 20250911 Abstr. 137 TextEinleitung: Hausärzt:innen stehen vor der kontinuierlichen Herausforderung, eine Vielzahl von Krankheitsbildern leitliniengerecht zu versorgen. Die Menge und Komplexität evidenzbasierter Leitlinien erfordert praktikable Wege zur Wissensaktualisierung im Versorgungsalltag. Das Potential der digital vorliegenden, im hausärztlichen Setting erhobenen medizinischen Daten wird aktuell noch nicht vollumfänglich ausgeschöpft.Unser Ziel war es, mit Hilfe dieser Daten die medizinische Qualität in unserem überregionalen MVZ-Verbund zu messen und eine qualitätsorientierte Rückmeldung an die Ärzt:innen zu geben. Konsekutiv entwickelten wir ein innovatives Format zur evidenzbasierten, praxisnahen Wissensvermittlung auf Grundlage unserer eigener Routinedaten: den „Lernsnack“.Methoden: Im interprofessionellen Team der MED:ON Akademie entwickelten wir ein praxisorientiertes, datengestütztes Edukationsformat. Als aktive Clinician Scientists bringen die Teammitglieder medizinisch-praktische, wissenschaftliche und didaktische Perspektiven integrativ im Sinne einer Fokusgruppe zusammen.Datengrundlage bildeten die Versorgungsdaten des MVZ, die mithilfe der inhouse IT aus dem einheitlichen Praxisverwaltungssystem (PVS) pseudonymisiert und strukturiert in SQLite exportiert und in R 4.4.2 (RStudio, tidyverse) durch die MED:ON Akademie selbst analysiert werden konnten. Die Auswahl der zu untersuchenden Krankheitsbilder erfolgte unter Berücksichtigung klinischer Relevanz, vorhandener Leitlinien und verfügbarer QISA-Kriterien innerhalb der Fokusgruppe.QISA-Kriterien wurden systematisch auf ihre Messbarkeit mit der Datengrundlage geprüft. Zusätzlich wurden weitere versorgungsbezogene Kennzahlen entwickelt, die klinisch sinnvoll und mit vorhandenen Daten messbar sind. Außerdem wurden epidemiologische Daten anonymisiert über alle Standorte ergänzt.Die Kennzahlen wurden jeweils für ein Krankheitsbild übersichtlich dargestellt, mit einer praxisorientierten Zusammenfassung der aktuellen Leitlinie didaktisch wertvoll aufbereitet und als sogenannter „Lernsnack“ in Form eines kurzen, lesefreundlichen E-Mail-Formats allen Ärzt:innen im MVZ zur Verfügung gestellt.Ergebnisse: Aufgrund der oben genannten Methodik war es uns möglich, im Rahmen der Pilotierung mit dem Krankheitsbild der Depression praxistaugliche und datentechnisch umsetzbare Qualitätsindikatoren für ein konkretes Beispiel zu definieren.In individuellen Rückmeldungen wurde das Format dankend und wertschätzend angenommen, vor allem bezüglich der zur Verfügung gestellten, komprimierter Leitlinieninformationen. Insbesondere die Darstellung der hauseigenen Versorgungsdaten mit Spannweiten der Kennzahlen über die Standorte hinweg wurde als hilfreicher Impuls für interne Reflexion wahrgenommen.Schlussfolgerung: Das Lernsnack-Format verbindet Routinedatenanalysen mit niederschwelliger Wissensvermittlung und kann einerseits zur internen Qualitätssicherung beitragen und andererseits eine Vorlage für mehr Transparenz und Benchmarking im hausärztlichen Versorgungsbereich darstellen. Durch die Aufbereitung in kleinen Snacks wird das umfängliche Leitlinienwissen leichter verdaulich und die Nutzung der vorhandenen Daten erhellt die Allgemeinmedizin.Die technische Ausgangslage mit einheitlichem PVS und inhouse IT ermöglicht einen datenschutzkonformen, verlustfreien, standardisierten Datenzugang über viele Standorte hinweg. Diese reichen von urbanen polyklinikähnlichen Strukturen bis zu ländlichen Einzelpraxen und ermöglichen ein realitätsnahes Bild hausärztlicher Versorgung.Durch die einheitliche Datenbasis, die Erweiterung bestehender Qualitätsindikatoren und die enge Verzahnung von Praxis und Wissenschaft entsteht ein praxisnaher, dateninformierter Zugang zur Leitlinienimplementierung. Perspektivisch ist eine kontinuierliche Ausweitung auf weitere Krankheitsbilder sowie eine systematische Evaluation der Wirkungen geplant.Anmerkung: Für die sprachliche Ausformulierung dieses Abstracts wurde unterstützend ein KI-basiertes Sprachmodell (ChatGPT von OpenAI) eingesetzt.Die Autoren geben an, dass kein Interessenkonflikt besteht.Die Autoren geben an, dass kein Ethikvotum erforderlich ist. 0 0 0 0