<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
<channel>
<title>MVF-KI-Hub: Neueste Studien - Digitalisierung, KI und Gesundheit</title>
<link>https://ki.m-vf.de/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=kanal</link>
<description>Täglich ausgewählte Studien aus PubMed, auf Deutsch zusammengefasst mit den konkreten Ergebnissen. Ein Angebot von Monitor Versorgungsforschung.</description>
<language>de-de</language>
<lastBuildDate>Thu, 19 Nov 2026 06:00:00 +0100</lastBuildDate>
<atom:link href="https://ki.m-vf.de/studien-feed.xml" rel="self" type="application/rss+xml"/>
<item>
<title>KI-gestützte Kliniker-Assistenten: Weniger Dokumentation, mehr Zeit für Patienten – messbar (NEJM Catal Innov Care Deliv 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43049313/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43049313</guid>
<pubDate>Thu, 19 Nov 2026 06:00:00 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Stephens J et al.  ·  23.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Implementierungsstudie eines Ambient-AI-Systems (KI-gestützte Spracherkennung für Dokumentation) in einem US-Krankenhaus mit 283.028 ambulanten Terminen über 6 Monate und Patient-Experience-Befragungen bei zwei elektronischen Systemen mit unterschiedlicher Vorgeschichte.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Unter 1.802 aktiven Klinikern reduzierte Ambient AI die Dokumentationszeit im Schnitt um 84 % (History of Present Illness und Assessment/Plan). Nach-Stunden-Dokumentation (»Pajama Time«) fiel um 8,9 % bis 16,6 %. Obere Quartile gewannen knapp 17 Minuten täglich zurück, Chart-Closure-Zeit sank um 25,3 % bis 39,3 %. Effekt konzentrierte sich auf die dokumentationsbelastetsten Kliniker (Advanced-Practice-Clinicians: −9,9 min/Tag vs. Ärzte −3,8 min/Tag, p&lt;0,001). Patient Experience zeigte keine Einbußen. Dose-Response statistisch signifikant für Dokumentationszeit pro Tag (p&lt;0,001), Chart-Closure (p=0,002), Same-Day-Closure (p&lt;0,001).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA – nur Nutzenbefund (Zeitersparnis, Workflow) übertragbar, nicht Zulassungsmodell</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43049313/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Vorhersage von Pflegeleistungsanspruch aus Routinedaten: Machine Learning in Österreich (BMC Geriatr 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43046138/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43046138</guid>
<pubDate>Thu, 19 Nov 2026 05:59:59 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Famira-Mühlberger U et al.  ·  20.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Machine-Learning-Modelle zur Vorhersage der erstmaligen Inanspruchnahme von Pflegeleistungen aus administrativen Gesundheitsdaten von knapp 474.000 österreichischen Versicherten im Alter von 60–85 Jahren.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Die Modelle erreichten AUC-Werte nahe 0,9 bei der Vorhersage kurzfristiger Pflegeleistungsansprüche; die häufigsten Prädiktoren waren Arztbesuche, Krankenhausaufenthalte und Diagnosen wie Demenz und Hirnschlag. Die Analyse zeigt, dass Routinedaten substantielle Vorhersagekraft für Pflegeplanung bieten.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Österreich, direkter Transfer auf deutsches Sozialversicherungssystem und Leistungsvergabe</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43046138/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLMs in der Onkologie: Vom Labor in die Praxis – was noch fehlt (Cell Rep Med 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43044569/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43044569</guid>
<pubDate>Thu, 19 Nov 2026 05:59:58 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Duan Z et al.  ·  17.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Perspektiv-Papier (Charité/Fudan University) zur Kritik am Mismatch zwischen Benchmark-Performance von Large Language Models und klinischer Einsatzfähigkeit in der Onkologieversorgung mit Vorschlag eines vierstufigen Evaluierungsparadigmas.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Autoren identifizieren vier systematische Mismatches: (1) vollständige Information in Benchmarks vs. aktive Informationssuche in der Praxis, (2) einzelne Referenzantworten vs. präferenzabhängige Entscheidungen, (3) Querschnitts-Snapshots vs. longitudinale Krankheitsverläufe, (4) isolierte Modellperformanz vs. Modell-im-System-Einsatzfähigkeit. Sie schlagen vier-Stufen-Evaluation vor: strukturiertes Wissen → interaktive Dialoge → longitudinale Trajektorien → Modell-im-System-Bewertung mit kontinuierlichem Monitoring über den Modell-Lebenszyklus.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutschland und Charité beteiligt, regulatorischer Kontext EU-KI-Verordnung relevant</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43044569/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Prädiktive KI in der Neonatologie: Was Eltern sich wünschen und befürchten (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43044105/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43044105</guid>
<pubDate>Thu, 19 Nov 2026 05:59:57 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Schuitmaker L et al.  ·  17.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Qualitative Fokusgruppenstudie mit 18 niederländischen Eltern von ehemals intensivpflegigen Neugeborenen zu deren Wahrnehmung von KI-gestützten Frühwarnsystemen und Vorhersagemodellen in der Neonatalmedizin.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Eltern begrüßten prädikte KI grundsätzlich als Unterstützung für das ärztliche Team. Kurzfristprognosen wurden deutlich akzeptiert, Langzeitprognosen skeptischer bewertet. Zentrale Bedenken waren Untergrabung elterlicher Intuition, Überreliance auf KI bei Entscheidungen und ethische Bedenken bei langfristigen Gesundheitsprognosen. Eltern wünschten sich zusätzlich KI-Tools, die stärker ihre Partizipation in Entscheidungsprozessen unterstützen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Niederlande, vergleichbares Versicherungssystem, Versorgungskontexte ähnlich</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43044105/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>App-gestütztes Coaching bei wiederkehrenden Harnwegsinfektionen: Versorgungsstudie mit Implementierungsforschung (Trials 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43040432/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43040432</guid>
<pubDate>Thu, 19 Nov 2026 05:59:56 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Frijns FO et al.  ·  21.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Registriertes RCT-Protokoll aus den Niederlanden zur Evaluierung einer Digital-Health-Anwendung mit interaktiver Schulung, Symptomverfolgung und Lebensstilberatung versus Standardversorgung bei Frauen mit rezidivierenden Harnwegsinfektionen über 12 Monate mit umfassender Prozessevaluation.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Studiendesign beschreibt geplante Erhebung von HWI-Häufigkeit, Antibiotikanutzung, Lebensqualität, Gesundheitsausgaben und Kosteneffektivität. Prozessevaluation soll Barrieren und Förderfaktoren für die Implementierung ermitteln. Baseline-Daten stehen aus.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Niederlande, primärärztliche Versorgung, Transfer auf deutsches Gesundheitssystem mittelhoch</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43040432/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Elektronische Patientenakte in Europa: Ist die Realität ready für den Datenaustausch? (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43039899/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43039899</guid>
<pubDate>Thu, 19 Nov 2026 05:59:55 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Januário F et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Multinationale Erhebung mit Feasibility-Demonstratoren in vier EU-Ländern (Ungarn, Portugal, Griechenland, Slowakei) zur Bewertung von Strukturierungsgrad und Abdeckung kritischer Datenfelder für standardisierten EHR-Austausch unter EHDS-Verordnung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Von 30 gültigen Antworten zeigten Patientenzusammenfassungen die höchste Strukturierung mit 46 % (317/682) strukturierter Felder, Laborbefunde 35 % (204/591) und Entlassbriefe nur 28 % (438/1549). Erhebliche Wichtigkeits-Praxis-Lücke: 35–54 % der EEHRxF-Felder als »sehr wichtig« bewertet, aber 32–49 % davon unstrukturiert oder 13–26 % völlig nicht verfügbar. Semantische Analyse zeigte niedrige LOINC-Übereinstimmung (14 Codes in Ungarn, 26 in Portugal von insgesamt 57).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Vier EU-Länder, direkter Bezug zu deutschem Datenschutzrecht und Interoperabilität</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43039899/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-gestützte Analyse von Simulationsdebriefings in der Ausbildung: Machbarkeitsstudie (JMIR Form Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43044104/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43044104</guid>
<pubDate>Wed, 18 Nov 2026 05:59:54 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Pico J et al.  ·  17.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Prospektive Beobachtungsstudie an 30 Anästhesie-Assistenzärzten: ChatGPT wurde eingesetzt, um Transkripte von Simulationsdebriefings automatisiert mit dem DASH-Rahmen (Debriefing Assessment for Simulation in Healthcare) zu bewerten und strukturierte qualitative Rückmeldungen sowie Effektivitätsratings zu generieren.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Für alle 30 (100%) Debriefings wurden vollständige, strukturierte KI-generierte Bewertungen über alle 6 DASH-Elemente hinweg erreicht, was die Machbarkeit belegt. Medianratings für vier Elemente (Lernumgebung etablieren/aufrechterhalten, diskussionsorientiert sein, Leistungslücken identifizieren): je 6 auf 7er-Skala. Strukturierung hatte niedrigstes Median-Rating (4), zukünftige Leistung unterstützen (5). Querdebriefing-Analyse zeigte Muster der Schülerbeteiligung und Verbesserungspotenziale.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Kanada, Proof-of-Concept für LLM in der medizinischen Simulationslehre, Validierung gegen Experten noch ausstehend</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43044104/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Telemedizinische Aufsicht in KI-Apps zur Hautkrebserkennung erhöht Patientenvertrauen und Therapietreue (JMIR Mhealth Uhealth 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43044097/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43044097</guid>
<pubDate>Wed, 18 Nov 2026 05:59:53 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Swain R et al.  ·  17.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Randomisierte Studie an 879 Niederländern zur Frage, ob die Überwachung durch Teledermatologische Fachpersonen (hybrid) gegenüber reinen KI-Vorhersagen zu besserem Patientenvertrauen und höherer Therapieadhärenz in einer Screening-App für Hautkrebs führt.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Vertrauen in Ratschläge war höher bei hybrider Aufsicht (Mittelwert 76,9) als bei reiner KI (65,7; Unterschied 11,98 Punkte, p&lt;0,001). Adherenzwahrscheinlichkeit war mit hybrider Variante 1,7× höher (Odds Ratio 1,7, 95%-KI 1,28–2,22, p&lt;0,001). Effekt wurde vollständig durch Vertrauen vermittelt.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Niederlande, vergleichbares Versicherungssystem mit Deutschland</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43044097/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Reinforcement Learning optimiert digitale Bewegungsempfehlungen und erhöht Schrittanzahl nachweisbar (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43043653/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43043653</guid>
<pubDate>Wed, 18 Nov 2026 05:59:52 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Armento Lee A et al.  ·  17.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Großangelegte 4-armige RCT mit 13.463 Fitbit-Nutzern, in der ein Reinforcement-Learning-Algorithmus personalisierte Bewegungs-Nudges (kombiniert mit Verhaltenstheorie) gegen fixe regelbasierte und zufällige Nudges sowie Kontrollgruppe testete – Outcome: tägliche Schrittanzahl über 2 Monate.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Nach 1 Monat zeigte die RL-Gruppe signifikante Steigerung gegenüber Kontrolle (+296 Schritte, p&lt;0,001), zufällig (+218, p=0,005) und fix (+238, p=0,002). Nach 2 Monaten (primärer Endpunkt) persistierte Unterschied zu Kontrolle (+210 Schritte, p=0,01). GEE-Modelle bestätigten +208 Schritte (p=0,002). RL-Gruppe berichtete höhere Zufriedenheit mit Personalisierung (37% favorable responses). Population: 86,3% weiblich, 7.711 in Analyse.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA, aber Effekt ist versorgungsrelevant und bevölkerungsweit skalierbar, Generalisierbarkeit auf deutschsprachigen Raum mit diverserer Population zu testen</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43043653/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-generierte Entlassbriefe erreichen Versorgungsstandard und werden von Klinikern akzeptiert (JAMA Netw Open 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43043638/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43043638</guid>
<pubDate>Wed, 18 Nov 2026 05:59:51 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Goldsmith K et al.  ·  02.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Vergleichende Effektivitätsstudie an 1294 Entlassbriefen aus fünf Londoner Kliniken, in der ärztlich verfasste Briefe gegen GPT-4o-mini-generierte Varianten getestet wurden – gemessen wurde ärztliche Akzeptanz ohne oder mit nur geringen Änderungen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> LLM-generierte Briefe erreichten Nicht-Unterlegenheit (22,2 Prozentpunkte höher akzeptiert als ärztlich geschriebene; 95%-KI 19,0–27,5; Schwelle -5 Punkte überschritten). Sie erhielten höhere Bewertungen für Genauigkeit, Vollständigkeit, Ton und Klarheit (adjustierte Risikodifferenzen 19,4–29,1 Punkte). Potenzieller Schaden war in KI-Briefen seltener (26,2% vs. 45,1% bei klinischen Summaries).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Großbritannien, Studienpopulation und Anforderungen nicht direkt auf Deutschland übertragbar, Methodik und Nutzenergebnis aber relevant</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43043638/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Erklärbarkeit von KI-Entscheidungshilfen in der Neurochirurgie: Welche Visualisierungen Chirurgen vertrauen (Sci Rep 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43042650/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43042650</guid>
<pubDate>Wed, 18 Nov 2026 05:59:50 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Khan DZ et al.  ·  24.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Internationale Befragung von 47 Neurochirurgen zur Bewertung verschiedener Erklärungstechniken für KI-Vorhersagen bei endoskopischer Hypophysenchirurgie – als Testfall für Interpretierbarkeit von Anatomie-Erkennungssystemen im OP.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Zertifizierungsbasierte Techniken (Konfidenzscores und -karten) wurden durchgehend am höchsten bewertet und als klinisch relevantesten eingestuft, da sie Vertrauen und anatomische Grenzen vermittelten. Salienz- und Ähnlichkeitsmethoden galten als weniger klinisch relevant, aber besser für Lehre geeignet. Autoren betonen: Prospektive Validierung zum Einfluss auf Vertrauen und Leistung erforderlich.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Internationale Studie mit Beteiligung deutscher und britischer Zentren, qualitative Ergebnisse zu Anforderungen an Erklärbarkeit übertragbar</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43042650/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Natural Language Processing erkennt Veränderungen in Psychosesymptomen an Sprachmerkmalien in Längsschnitt (Transl Psychiatry 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43035468/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43035468</guid>
<pubDate>Wed, 18 Nov 2026 05:59:49 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Just SA et al.  ·  19.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Längsschnittstudie an 95 Personen mit Schizophrenie oder schizoaffektiver Störung: Sprechproben und klinische Bewertungen wurden zu Baseline und nach 6 Monaten mit Natural Language Processing analysiert, um zu prüfen, ob automatisierte Sprachmarker intraindividuelle Symptomschwankungen abbilden.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Acht NLP-Marker für Sprachmenge, Lexik-, Syntaxkomplexität, semantische Ähnlichkeit und Vernetzung zeigten longitudinale Sensitivität für Symptomveränderungen. Moving-Average-Type-Token-Ratio, Token-Count, semantische Ähnlichkeit und Graph-Konnektivität waren am aussagekräftigsten (p&lt;0,05). Partial Least Squares-Regression zeigte signifikante Assoziation zwischen NLP-Markerveränderungen und Komponenten für Negativ- und Gesamtsymptome.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche und britische Zentren, offene Kohorten-Langzeitforschung zur Symptomüberwachung in Psychose</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43035468/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Patienten-Feedback zu Symptom-Assessment-App in der Notfallambulanz (JMIR Hum Factors 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43038511/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43038511</guid>
<pubDate>Tue, 17 Nov 2026 05:59:48 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Schorr C et al.  ·  16.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Qualitative Studie mit 18 Patienten in Berlin zur Nutzung einer Symptom-Assessment-App (Ada Health) vor Notfallarztbesuch; Patienten sahen die App als Hilfsmittel zur Symptomreflexion und Vorbereitung auf Gespräche, vertrauten aber stärker Fachpersonen als dem Algorithmus.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 14 von 18 Patienten würden die App erneut nutzen. Häufig diskutierte Themen waren Home/Education/Activities; Risikoverhalten, Sexualität und Substanzkonsum wurden selten angesprochen. Patienten wünschten sich Integration der App-Berichte in die elektronische Patientenakte und Verlinkung mit evidenzgestützten Gesundheitsinformationen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Studie mit deutschem Gesundheitssystem, vergleichbare Versorgungsstrukturen.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43038511/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM gegen Algorithmus: Fernerkennung von Brustkrebs-Metastasen aus EHR-Text (JCO Clin Cancer Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43038486/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43038486</guid>
<pubDate>Tue, 17 Nov 2026 05:59:47 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Mullins MA et al.  ·  16.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Vergleich von GPT-4-mini mit validiertem Discrete-Field-Algorithmus zur Identifikation von Fernmetastasen bei Brustkrebs-Patientinnen aus EHR-Noten (429 Frauen, Daten 2010–2023); Benchmark: manuelle Chart-Übersicht durch Ärzte.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> GPT-4-mini: Sensitivität 1,00 (95%-KI 0,96–1,00), Spezifität 0,94 (0,91–0,96), PPV 0,80 (0,72–0,87), NPV 1,00 (0,99–1,00). Algorithmus: Sensitivität 0,82 (0,73–0,89), Spezifität 0,98 (0,96–0,99), PPV 0,91 (0,83–0,96), NPV 0,95 (0,93–0,97). LLM-Datumsangaben: 69% innerhalb ±1 Monat vom Gold-Standard vs. 10% beim Algorithmus. LLM mit minimalem Lernaufwand anwendbar.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA-Struktur, Datenprobleme (EHR-Text-Auswertung) in Deutschland ähnlich relevant.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43038486/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-Bereitschaft bei Hausarztpraxen-Personal: Kompetenzlücke trotz hoher Erwartungen (PLoS One 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43038192/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43038192</guid>
<pubDate>Tue, 17 Nov 2026 05:59:46 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Vences Garrido A et al.  ·  16.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Fragebogenerhebung mit 102 Pflegefachpersonen in Galicien (Spanien, Urban und Rural) zu Wahrnehmung und Vorbereitung auf KI; Diskrepanz zwischen optimistischen Erwartungen (Mittelwert 4,25) und niedriger Schulung (1,75 auf 5er-Skala).</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 19,6% nutzten bereits KI klinisch, 69,6% hatten keine Vorbereitung erhalten. Hauptbarrieren: Wissensmangel (81,4%) und Ethik-/Datenschutz-Bedenken (30,4%). Frühere Schulung war einziger unabhängiger Prädiktor für klinische Nutzung (OR 3,73; 95%-KI 1,37–10,54; p=0,010). 99,0% interessiert an Fortbildung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Südeuropäisches Gesundheitssystem, vergleichbarer Versorgungsauftrag wie Deutschland.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43038192/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-gestützte Klassifikation von Komplikationen in Schlaganfall-Registern (J Med Syst 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43037770/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43037770</guid>
<pubDate>Tue, 17 Nov 2026 05:59:45 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Asperger H et al.  ·  16.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Workflow mit GPT-4 und lokalem Qwen-Modell zur automatisierten Auswertung von Freitextfeldern aus dem Deutschen Schlaganfall-Register (11.216 Einträge, 18.069 Patienten); Ziel: Strukturierte Analyse von Nebenereignissen ohne manuelle Kodierung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> GPT-4 erreichte F1-Score 92,4% (95%-KI 91,4–93,4) auf Entwicklungsset; auf 300 gehaltenen Einträgen gewichteter F1 96,5% (94,6–98,1). Freitextdokumentation identifizierte 1.345 zusätzliche Nebenereignisse (+19,6% über strukturierte Felder). Integration von Komplikationskonzepten erhöhte AUC für gutes funktionelles Ergebnis um 0,025 (95%-KI 0,021–0,028).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Registerdaten, direkt anwendbar auf hiesige Dokumentationspflichten.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43037770/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Inklusive Design-Richtlinien für digitale Gesundheits-Apps für ältere Erwachsene (JMIR Aging 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43037439/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43037439</guid>
<pubDate>Tue, 17 Nov 2026 05:59:44 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Denecke K et al.  ·  12.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">3-stufige Fuzzy-eDelphi mit 28 Experten (Runde 1), 20 (Runde 2), 19 (Runde 3) zur Validierung von 14 Design-Richtlinien für digitale Gesundheitsanwendungen für über 60-Jährige; Bewertung auf 7er-Likert-Skala zu Nutzen, Klarheit und Anwendbarkeit.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Konsens erreicht für 33 von 42 Bewertungen (78,6%). Alle 14 Richtlinien zeigten Konsens zu Nutzen und Klarheit; nur 35% (5 von 14) erreichten Konsens zur Benutzerfreundlichkeit. Experten identifizierten fehlende praktische Beispiele als Implementierungshindernis; diese wurden in finale Version integriert.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Internationale Expertengruppe (Schweiz, Spanien, UK, Deutschland, Türkiye), Design-Prinzipien systemübergreifend anwendbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43037439/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-gestützte Zuordnung von Klinikvariablen zu FHIR-Standards (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43037145/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43037145</guid>
<pubDate>Tue, 17 Nov 2026 05:59:43 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Riquelme-Tornel Á et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">LLMs (GPT-4o, Llama 3.3 70B) mit Retrieval-Augmented Generation getestet zur automatisierten Zuordnung von 65 strukturierten Klinikvariablen (MIMIC-IV-Daten) zu HL7 FHIR-Ressourcen; zwei Szenarien mit unterschiedlicher Kontextmenge.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Im Baseline-Szenario (reichhaltige Beschreibungen): Ressourcen-Identifikation Top2 100% genau, Best-Attribute-Mapping (GPT-4o) 80,61% (SD 2,06). Im Low-Context-Szenario (reduzierte Kontextinformation): Top5 Ressourcen-Identifikation 94%, GPT-4o Attribute-Mapping 73,23–76,77% (je nach Temperature). Clustering unterstützte Kontext-Erholung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA-basierte Daten, Interoperabilitäts-Challenge universal, Befund zu Modell-Unterschieden global relevant.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43037145/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>ChatGPT-Antworten zur Psychoedukation bei Magnetstimulation: Qualität und Grenzen (Acta Neuropsychiatr 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42924461/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42924461</guid>
<pubDate>Tue, 17 Nov 2026 05:59:42 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Kalem B et al.  ·  23.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Drei Psychiater bewerteten 25 häufig gestellte Fragen zu repetitiver Magnetstimulation (rTMS), beantwortet von ChatGPT-4; Qualität, Zuverlässigkeit und Lesbarkeit wurden mit etablierten Scales gemessen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Globale Qualitätsscala (GQS): Mittelwert 3,69 (moderat bis gut). DISCERN-Score: 35,33 (schlecht). JAMA-Benchmark: 0 für alle Fragen. Mittleres Lesbarkeits-Level: 10,98 Klasse (zu hoch für Laien). Fazit: Akzeptable Qualität, aber begrenzte Zuverlässigkeit und hoher Lese-Anforderung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Sprachmodell-Validierung, Befunde zur Zuverlässigkeit übertragbar unabhängig vom System.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42924461/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-Nutzung in der Hausarztpraxis: Was GP-Assistenzärzte über Risiken und Bildungsbedarf berichten (BMC Med Educ 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43034204/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43034204</guid>
<pubDate>Mon, 16 Nov 2026 05:59:41 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Dreher AC et al.  ·  14.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Qualitative Studie mit 17 deutschen Hausarzt-Trainern zu ihrer Nutzung von Large Language Models in der klinischen Entscheidungsfindung, ihren wahrgenommenen Chancen, Risiken durch Überabhängigkeit und Defizite in der KI-Ausbildung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> KI wurde von den Teilnehmern als Werkzeug zur Beschleunigung und Ergänzung der klinischen Entscheidungsfindung wahrgenommen. Sie identifizierten Risiken der Deskilling durch Überabhängigkeit und einen Mangel an strukturierter KI-Ausbildung. Die Studie plädiert für Integration von KI-Kompetenzen in die Facharztausbildung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Studie, unmittelbare Relevanz für hiesige Weiterbildungsprogramme im ärztlichen Dienst.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43034204/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitale Gesundheitskompetenz in der Bevölkerung: Alter, Bildung und Nutzungshäufigkeit als Prädiktoren (Front Public Health 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43031887/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43031887</guid>
<pubDate>Mon, 16 Nov 2026 05:59:40 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Estrela M et al.  ·  30.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Querschnittsstudie mit 1.047 portugiesischen Bürgern zur digitalen Gesundheitskompetenz (Digital Health Literacy) mit Analyse von Determinanten wie Alter, Bildung, Einkommen und Nutzungshäufigkeit.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Digital Health Literacy sank konsistent mit zunehmendem Alter; häufige Nutzung digitaler Werkzeuge korrelierte mit höheren DHL-Werten. Haushaltseinkommen moderierte die Assoziationen zwischen Alter, Geschlecht und Berufstätigkeit. Fast die Hälfte berichtete ausgezeichnete Literacy-Werte, doch zeigten sich deutliche Unterschiede zwischen funktionalen, kommunikativen, kritischen und translationalen Dimensionen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Südeuropäisches Sozialversicherungssystem, vergleichbare digitale Infrastruktur mit Deutschland; Befunde zur Ungleichheit bei digitaler Gesundheitskompetenz.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43031887/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Online-Zugang zu Patientenakten: Pensionierte Ärzte sind aufgeschlossener als praktizierende Hausärzte (BMC Med Inform Decis Mak 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43015775/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43015775</guid>
<pubDate>Mon, 16 Nov 2026 05:59:39 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Jones R et al.  ·  14.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Gemischte Querschnittsstudie mit 200 Pensionären (UK n=92, Spanien n=108) zum Erleben des Zugriffs auf eigene digitale Patientenakten und zur Unterstützung für breite Patienten-Zugänglichkeit.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 64 % der Pensionären unterstützten Online-Zugang für alle Patienten; dieser Anteil war höher als bei praktizierenden englischen Hausärzten (ca. 33 %). Wer bereits auf die eigene Patientenakte zugegriffen hatte, befürwortete Zugang stärker (OR 4,74, 95%-KI 1,80–12,53). Nutzen umfassten Patientenempowerment und Transparenz; Bedenken galten Missinterpretation, Angst und Umgang mit sensiblen Informationen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> UK und Spanien, europäische Gesundheitssysteme, aber Stichprobe nicht repräsentativ; Attitudinalen eher als direkte Versorgungseffekte.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43015775/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitalisierungsgrad in spanischen Zahnkliniken: Polarisierte Landschaft mit 51 % rückständiger Praxen (Inquiry 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43014702/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43014702</guid>
<pubDate>Mon, 16 Nov 2026 05:59:38 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">de Ahumada Servant P et al.  ·  11.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Clusteranalyse an 536 spanischen Zahnkliniken zur Digitalisierung mittels 15 Indikatoren zu Admin-, Klinik- und Kommunikationstechnologien, mit Typisierung der Digitalisierungsmuster.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Fünf Kategorien identifiziert: Traditional (25 %), Low-digital (26 %), Emerging Digital, Progressive Digital (12 %) und Digitally Transformed (16 %). Über die Hälfte der spanischen Kliniken (51 %) hinkt erheblich hinterher. Progressive und Digitally Transformed Kliniken verfolgten unterschiedliche Strategien (Zahntech vs. allgemeine ICT-Infrastruktur).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Spanische Zahnmedizin, EU-Land, Polarisierung und Barriers transferierbar auf Deutschlands Zahnarztpraxen.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43014702/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>WhatsApp-Chatbot für informelle Pflegepersonen: System Usability Score 82,45 und hohe Zufriedenheit (JMIR Form Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43013871/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43013871</guid>
<pubDate>Mon, 16 Nov 2026 05:59:37 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Gencer H et al.  ·  11.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Einarmige Machbarkeitsstudie (Dez 2023–März 2024) mit 102 informellen Pflegepersonen in Deutschland zu einem co-designten, bilingualen (Deutsch/Türkisch) WhatsApp-Chatbot (PflegeBot) mit 84 Nachrichten über 12 Wochen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Nachrichtenlieferung initiiert für 67 von 102 Teilnehmer; 49 gaben Abschlussdaten ab. Mittlerer SUS-Score 82,45 (SD 14,86, 95%-KI 78,03–86,86); 76 % erreichten SUS ≥68. Durchschnittliche Zufriedenheit 4,02 von 5 (SD 0,98). Exploratorische Outcomes zeigten kleine nicht-signifikante Trends bei wahrgenommener Belastung (−0,57) und depressiven Symptomen (−2,38).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Studie, unmittelbare Relevanz für niedrigschwellige digitale Prävention bei Pflegepersonen.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43013871/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitale Einsamkeitsintervention: Signifikante Verbesserung nach 4 und 8 Wochen (JMIR Hum Factors 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42954052/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42954052</guid>
<pubDate>Mon, 16 Nov 2026 05:59:36 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Hornstein S et al.  ·  22.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Einarmige Pilotstudie einer psychologischen App-Intervention (Platoniq) zur Reduktion von Einsamkeit mit Pre-Post-Messungen an Woche 4 und 8.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Signifikante Reduktion der Einsamkeit nach 4 und 8 Wochen nachgewiesen (exakte Effektgrößen nicht im Abstract genannt, aber Richtung und Signifikanz berichtet).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Berlin-Potsdam, deutschsprachig, App-basierte Intervention für psychische Gesundheit.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42954052/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Übergang zur digitalen Ausbildung: Qualitative Studie zu Lehrenden an deutscher Universitätsklinik (BMC Med Educ 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43026567/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43026567</guid>
<pubDate>Sun, 15 Nov 2026 05:59:35 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Alexander M et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Qualitative Studie mit 15 erfahrenen Dozenten aus unterschiedlichen Gesundheitsdisziplinen an der Charité Berlin; Analyse ihrer Rollenveränderung beim Übergang zu digitaler Lehre mittels Schlossberg-Transitionstheorie (vier Dimensionen: Situation, Selbst, Unterstützung, Strategien).</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Vier kritische Einflussfaktoren identifiziert: (1) veränderte Rollen und persönliche Zeitpunkte der Transition; (2) vorherige Online-Lehrerfahrung und psychologische Ressourcen als Schlüsselfaktoren; (3) Peer-Netzwerke, institutionelle Unterstützung und Mentoring entscheidend; (4) berufliche Anerkennung und Entwicklung digitaler Fähigkeiten notwendig. Der Übergang umfasst nicht nur technische Kompetenzen, sondern Identitätstransformation.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Universitätsklinik, Erkenntnisse direkt auf deutsches Hochschulsystem übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43026567/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Föderiertes Datennetzwerk für Versorgungsforschung: 57 Millionen Patienten über sieben britische Partner (Pharmacoepidemiol Drug Saf 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43025859/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43025859</guid>
<pubDate>Sun, 15 Nov 2026 05:59:34 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Campanile C et al.  ·  Nov. 2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Etablierung eines britischen Federated-Learning-Netzwerks (HERON-UK) mit sieben Partnern (fünf NHS-Trusts, eine Primary-Care-Datenbank, ein schottischer NHS-Trust); Standardisierung von Krankenakten nach OMOP Common Data Model; Privacy-preserving Analyse durch dezentrale Berechnung und Aggregation nur ohne identifizierende Informationen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Netzwerk umfasst ca. 57,2 Millionen Personen, 1,73 Milliarden Arzneimittelexpositionen, 854 Millionen Diagnosedaten. Standardisierte Datencharakterisierung und Qualitätsbewertung durchgeführt. Infrastruktur für reproduzierbare Multi-Datenbank-Beobachtungsstudien etabliert; Potenzial für Real-World Evidence zur Unterstützung von Entscheidungsfindung im Gesundheitswesen demonstriert.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Großbritannien mit NHS-Struktur; Föderiertes Modell auf Deutschlands FDGG-Architektur übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43025859/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Machine Learning zur automatisierten EEG-Analyse bei Kindern: Vergleich von Deep Learning und Gradient Boosting (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43025848/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43025848</guid>
<pubDate>Sun, 15 Nov 2026 05:59:33 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Poggi L et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Retrospektive Studie an deutschen Universitätskliniken (Essen); Vergleich eines Deep-Learning-Modells (Convolutional Neural Networks) mit Gradient Boosting zur automatisierten Klassifikation normaler vs. abnormaler pädiatrischer EEGs als Entlastung bei intensivmedizinischen Langzeitaufzeichnungen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Deep Learning zeigte höhere Sensitivität (78,3% vs. 65,2%) und F1-Score (80% vs. 73,8%), Gradient Boosting höhere Spezifität (93% vs. 89,6%). Gesamtgenauigkeit bis 85,3%. Beide Verfahren zeigten vielversprechendes Potenzial; Verbesserungen durch größere Datensätze und Explainable AI vorgesehen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Kliniken, pädiatrische EEG-Daten; methodisch und technisch übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43025848/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Patientenzugang zu Elektronischen Gesundheitsakten: Akzeptanz und Nutzung in Schweden 2016–2022 (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43024949/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43024949</guid>
<pubDate>Sun, 15 Nov 2026 05:59:32 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Moll J et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Vergleich zweier bevölkerungsweiter Surveys (2016, 2022) zu Erfahrungen von Patienten mit der elektronischen Patientenakte in Schweden; Messung von Nutzungsmustern, wahrgenommener Kommunikationsunterstützung und Wertzuschreibung durch Patienten.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 2022 berichteten 72,3% (vs. 60,0% 2016, p&lt;0,001) dass die ePA die Kommunikation mit Fachpersonen unterstützte. Laborergebnisse einsehen: 97,8% (2022) vs. 95,0% (2016, p&lt;0,001). Der primäre Nutzungsgrund verschob sich von allgemeinem Interesse zur Vorbereitung von Behandlungsterminen. Positive Patientenhaltung verstärkte sich über sechs Jahre.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Skandinavisches Modell mit Volldigitalisierung; zeigt längfristige Akzeptanz, nicht unmittelbar umsetzbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43024949/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Ärzte und KI-generierte Falschinformationen: Risiko bei der Klinischen Entscheidung (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43024882/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43024882</guid>
<pubDate>Sun, 15 Nov 2026 05:59:31 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Hakam HT et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Cross-sectional Vignettenstudie mit 20 deutschen Traumachirurgen und Notfallmedizinern; Prüfung, ob Ärzte falsche Behauptungen in von GPT-5 erzeugten Abstract-Texten erkennen und ihre Bereitschaft, darauf zu handeln, misst.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Ärzte berichteten, bei 68% (54/80) der Abstracts handeln zu wollen. Sensitivität für Erkennung falscher Aussagen: 78%, Spezifität: 43%, positiver prädiktiver Wert: 57%. Wahre und falsche Abstracts erhielten ähnliche Bewertungen für wahrgenommene Genauigkeit (p=0,21), Präzision (p=0,29), Struktur (p=0,89) und Grammatik (p=0,86). Die wahrgenommene Qualität der Präsentation erhöhte die vermeintliche Glaubwürdigkeit stärker als faktische Korrektheit.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutschland, Notfall- und Traumachirurgie-Setting; direkt anwendbar für Sicherheitsbedenken bei LLM-gestützten klinischen Informationen.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43024882/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-gestützte Herzanalyse aus MRT versus klinische Segmentierung: Mortalitätsvorhersage in multizentrischer Studie (Lancet Digit Health 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42971896/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42971896</guid>
<pubDate>Sun, 15 Nov 2026 05:59:30 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Joy G et al.  ·  02.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Retrospektive Multizenterstudie (UK, USA) mit 27.382 Patienten (26.106 aus Barts Heart Centre London, 1.276 aus University of Pittsburgh); Vergleich von Deep-Learning-basierter gegen klinischer Ejektionsfraktion-Messung als Prädiktor für 5-Jahres-Mortalität mittels Cox-Modellen und C-Indizes.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> AI-Ejektionsfraktion zeigte besseres Modellfit (AIC 57.936 vs. 58.097, Δ161 zugunsten KI) und marginal bessere Diskrimination (C-Index 0,669 vs. 0,637; ΔC 0,033 [95% CI 0,026–0,041]). AI verbesserte das Modellfit signifikant, wenn zu klinischem EF addiert (χ²=168, p&lt;0,0001). Nach Adjustierung auf Alter/Geschlecht: AI-EF besseres Modellfit (AIC 55.684 vs. 55.742), marginal bessere Diskrimination (C-Index 0,781 vs. 0,777).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> UK-basierte Multizenterstudie mit europäischer Struktur; kardiologische Routine in europäischen Zentren vergleichbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42971896/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitale Unterstützung im Hospital-at-Home: wie Kliniker das System bewerten (JMIR Hum Factors 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43024852/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43024852</guid>
<pubDate>Sat, 14 Nov 2026 05:59:29 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Bibiano Guillén C et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Befragung von 30 Gesundheitsfachpersonen (Ärzte, Pflegekräfte, Pflegeassistenten) an einem madrilenischen Universitätskrankenhaus zur Nutzerfreundlichkeit, Arbeitsbelastung und wahrgenommenen Auswirkungen eines etablierten, telemedizinisch unterstützten Hospital-at-Home-Programms.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Überwiegend positive Bewertungen des digitalen Modells, besonders zur Versorgungsqualität und Patientenautonomie. Größte Unterschiede zwischen Berufsgruppen bei Fragen zur Technologiebeitrag (ε²=0,46, 95%-KI 0,17–0,85) und Arbeitsbelastung: Pflegekräfte bewerteten Technologieaspekte ungünstiger, Ärzte berichteten höhere Belastung. 20% der Teilnehmer äußerten Bedenken zu Konnektivität, Plattformfunktionalität und Workflow-Integration.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Spanischer Klinikalltag vergleichbar mit deutschem Versorgungssystem</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43024852/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Entscheidungsregel für echte Bakteriämie vs. Kontamination: externe Validierung an Kindern (PLoS One 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43024602/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43024602</guid>
<pubDate>Sat, 14 Nov 2026 05:59:28 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">D'amours-Gravel M et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Externe Validierung einer klinischen Entscheidungsregel (aus kanadischer Klinik) zur Unterscheidung echte Bakteriämie von Kontaminationen bei Blutkulturen von Kindern unter 16 Jahren an schweizer Pädiatrischer Notaufnahme (130 Kinder, 2015–2025).</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Sensitivität 97,4% (95%-KI 91,0–99,7), Spezifität 69,2% (95%-KI 54,9–81,3), negativer prädiktiver Wert 94,7% (95%-KI 82,3–99,4). Unter Routinebehandlung erhielten 71% der tatsächlichen Kontaminationen Antibiotika; die Regel klassifizierte 31% als moderat/hoch-Risiko, hätte also Überbehandlung reduziert. Zwei falsch-negative Fälle: immunogesunde Kinder mit MSSA-Bakteriämie ohne liegende Katheter.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Schweiz, ähnliche pädiatrische Versorgungsstrukturen; erste externe Validierung stärkt Anwendbarkeit</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43024602/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Wie klinische Anwender KI-Entscheidungshilfen interpretieren und vertrauen (JMIR Hum Factors 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43024065/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43024065</guid>
<pubDate>Sat, 14 Nov 2026 05:59:27 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Mingels S et al.  ·  13.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Qualitative Reanalyse von 16 semistrukturierten Interviews (8 Kliniker, 8 KI-Experten) in Niederlanden zum Sensemaking rund um AI-CDSS unter feminist-konstruktivistischer Science-and-Technology-Studies-Perspektive; Fokus auf wie Wissen, Wert und Verantwortung situativ ausgehandelt werden.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Zentrale Befunde: (1) Kliniker benötigen weniger technische Transparenz als actionable Guidance und Workflow-Integration; (2) Experten und Kliniker priorisieren unterschiedlich (Techniker: Performance-Metriken, Kliniker: praktische Nutzung); (3) Kliniker entwickeln durch Experimentation lokales Fachwissen; (4) Trust und Accountability werden großteils an Institutionen delegiert, während klinisches Personal bei Unsicherheit wenig rechtliche/strukturelle Unterstützung erhält.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Niederlande, europäischer Kontext; zeigt grundsätzliche Implementierungshürden auch für Deutschland</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43024065/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Was Bürger von Telemedizin in ICU-Palliativversorgung halten: ethische Bedenken und Chancen (BMC Med 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43021224/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43021224</guid>
<pubDate>Sat, 14 Nov 2026 05:59:26 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Krieckemans L et al.  ·  18.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Zwölf Fokusgruppen (64 Teilnehmer, Laien und Gesundheitsfachpersonen) in Flandern zur ethischen Bewertung von Telepalliativversorgung auf Intensivstationen; Untersuchung von Chancen, Risiken und Bedingungen für ethisch akzeptable Implementierung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Kernbefunde: Teilnehmer erkannten konzeptionelle Spannungen zwischen Telemedizin und Palliativversorgung; Sorge vor ökonomischen/technologischen Motiven ohne ethisches Ziel. Telemedizin hebt/behindert gleichzeitig menschlichen Kontakt (fehlendes physisches Präsenz/Berührung vs. Wahrung von Kontakt wenn in-situ unmöglich). Konkrete Bedenken: informed Consent bei unbewussten Patienten, Kamera-Privatsphäre-Risiken. Potenzial für verbesserte Zugangs-Gerechtigkeit bei digitaler Kompetenz und Barrierefreiheit.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Belgien, europäisches Gesundheitssystem; Bürger-Partizipation vor Implementierung wertvoll</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43021224/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Mobile App zur Ernährungsaufklärung bei älteren Erwachsenen: Usability-Pilot (JMIR Form Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43019533/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43019533</guid>
<pubDate>Sat, 14 Nov 2026 05:59:25 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Bosoni P et al.  ·  12.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Pilot-Usability-Studie einer theoriegestützten, für ältere Menschen mit Sarkopenie entwickelten mobilen Ernährungs-App (NutriA-S); 35 gesunde Freiwillige (65–85 Jahre) nutzten die App 4 Wochen lang remote mit Telemedizin-Support; Bewertung per System Usability Scale (SUS) und Mobile Application Rating Scale (uMARS).</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Medianer SUS-Score 80/100 (IQR 55–92,5); &gt;50% der Teilnehmer über Acceptability-Schwelle von 68. Medianer uMARS-Gesamtscore 4,083 (IQR 3,68–4,30); Funktionalität und Informationen höchste Scores (jeweils 4,5). App wurde als technisch zuverlässig und glaubwürdig wahrgenommen. Niedrigere Bewertungen für Individualisierbarkeit, Zahlungsbereitschaft und Nutzungshäufigkeit wiesen auf Verbesserungsbedarf vor RCT mit Sarkopenie-Patienten.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Italien, europäische Altersstruktur und Digitalisierung vergleichbar</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43019533/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Strukturierte vs. manuelle EHR-Datenextraktion zur Präeklampsie-Diagnose: Validierungsstudie (Lancet Digit Health 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42982697/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42982697</guid>
<pubDate>Sat, 14 Nov 2026 05:59:24 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Wilson MG et al.  ·  04.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Retrospektive Kohortenstudie (21.120 Schwangerschaften mit Geburtsoutcomes, zwei NHS-Trusts Südlondon, 2018–2023) zur Evaluation strukturierter elektronischer Patientenakten-Daten gegen breite klinische Präeklampsie-Definition; Vergleich von ICD-10-Kodierung und teilweise-strukturierter EHR-Erfassung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Präeklampsie-Prävalenz variierte nach Definition: 7,7% (strukturiert), 4,5% (EHR halbstrukturiert), 3,7% (ICD-10), 5,8% (kombiniert). Im Vergleich zur strukturierten Definition hatten Case-Finding-Definitionen schwächere Erkennungsraten für unerwünschte Outcomes: schwere Hypertension 26–32,6% vs. 68,2%, Geburtsgewicht &lt;10. Perzentil 9,7–13,3% vs. 26,2%. Spezifität hoch (97%) bei allen Definitionen, Sensitivität schwach (29–37%). Befunde zeigen: Struktur und Teilstrukturierung müssen integriert werden, um vollständig identifizierbar zu sein.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> UK-Daten, vergleichbare EHR-Struktur und Dokumentationspflicht mit Deutschland</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42982697/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Klinische Entscheidungsunterstützung in der Pharmazie: Auswirkung auf Interventionen und Ergebnisse (PLoS One 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43019328/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43019328</guid>
<pubDate>Fri, 13 Nov 2026 05:59:23 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Santos TLC et al.  ·  12.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Retrospektive Vorher-Nachher-Studie zur Implementierung eines regelbasierten Clinical Decision Support System (Medi-Span) in ein Computerized Physician Order Entry System in einer brasilianischen Uniklinik; Messung von Änderungen in Häufigkeit und Muster klinisch-pharmazeutischer Interventionen sowie unerwünschten ICU-Aufnahmen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Anteil von Klinikaufenthalten mit klinisch-pharmazeutischen Interventionen stieg von 11,2% auf 13,4% (p&lt;0,01; adjustierte OR=1,34, 95%-CI 1,26–1,41); Verschiebung von Dosierung/Posologie (54,8%→44,6%) zu therapeutischen Duplizierungen (54,5%→68,2%); ungeplante ICU-Aufnahmen sanken von 5,4% auf 4,1% (OR=0,84, 95%-CI 0,77–0,91, p&lt;0,01; NNT=118).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Brasilien, aber CDSS-Effekt auf Pharmazie-Prozesse prinzipiell übertragbar; deutsches CPOE-System ähnlich strukturiert.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43019328/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Synthetische Gesundheitsdaten für sichere Forschung: Implementierung in Tschechien (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43018400/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43018400</guid>
<pubDate>Fri, 13 Nov 2026 05:59:22 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Komenda M et al.  ·  10.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Entwicklung und Betrieb einer nationalen Infrastruktur für pseudonymisierte, synthetische Gesundheitsdaten, die Forschern die Entwicklung und Validierung von Analyseworkflows ermöglicht, ohne Zugang zu echten Patientendaten.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 170 registrierte Nutzer, 199 eingereichte Anfragen, 184 verarbeitete Anfragen (davon 173 mit Datenbefund) zwischen Plattformstart und Juli 2026; 20,6 % der Anfragen teilten SQL-Scripts zur Transparenz; keine Datenschutzvorfälle gemeldet. Die Plattform ermöglichte standardisierte Analyseworkflows in Onkologie, Nephrologie, Kardiologie und Impfforschung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Europäisches Modell, DSGVO-konform, direkt auf deutsches Gesundheitssystem übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43018400/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Sichere KI-Plattform für neurogenetische Datenintegration: CoMPaSS-NMD (Eur J Neurol 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43018172/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43018172</guid>
<pubDate>Fri, 13 Nov 2026 05:59:21 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Corrias R et al.  ·  Nov. 2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Entwicklung einer europäischen Forschungsplattform zur pseudonymisierten Erfassung klinischer, genetischer, bildgebender und histopathologischer Daten aus Referenzzentren für neuromuskuläre Erkrankungen, vorbereitet für Machine Learning-basierte Patientenstratifizierung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Plattform unterstützt rollenbasierte Zugriffe, strukturierte Dateneingabe mit Human Phenotype Ontology, Datei-Uploads und ontologie-gesteuerte Kohortenerkundung; ermöglicht hierarchische Phänotypnavigation und Cross-Domain-Abfragen; klinische Validierung läuft.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Europäisches Mehrzentren-Konsortium, strukturelle Vergleichbarkeit mit deutschem Versorgungsauftrag.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43018172/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitales Gedächtnistraining mit Online-Ernährungsberatung bei leichter kognitiver Beeinträchtigung (Alzheimers Res Ther 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43015907/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43015907</guid>
<pubDate>Fri, 13 Nov 2026 05:59:20 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Scheuermann JS et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Randomisierte kontrollierte Studie zu computergestütztem kognitiven Training (CCT) kombiniert mit digitaler Ernährungsberatung bei Patienten mit leichter kognitiver Beeinträchtigung in Deutschland; 2×2-faktorielles Design mit vier Gruppen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Alle vier Gruppen zeigten signifikante Verbesserung um etwa 2 Punkte auf der Montreal Cognitive Assessment nach 6 Monaten (p=0,048); keine signifikanten Unterschiede zwischen individualisiertem und Basis-CCT oder zwischen pflanzlicher und Standard-Ernährungsberatung; 55% aller Teilnehmenden erreichten nicht-MCI-Werte nach 6 Monaten.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Studie, vollständig digital, direkt auf deutsches Versorgungssystem übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43015907/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Telekonsultationen in der ländlichen Neurologie: Machbarkeit und Akzeptanz in Nordostdeutschland (BMC Health Serv Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43015780/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43015780</guid>
<pubDate>Fri, 13 Nov 2026 05:59:19 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Wainwright K et al.  ·  10.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Evaluierung von Videokonsultationen zwischen Hausarztpraxen und Universitätsneurologen in ländlichen Regionen Mecklenburg-Vorpommerns mittels RE-AIM-Framework zur Bewertung von Erreichbarkeit, Wirksamkeit, Adoption, Implementierung und Verstetigung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Reach 98,8%, Adoption 83,0%, Implementierung 99,2%, Verstetigung 85,0%; Wirksamkeit "grundsätzlich positiv" (66,0%); Telemedizin verbesserte Zugang zu Spezialistenkompetenz für neurologische Patienten in der Primärversorgung; Repräsentativität der Stichprobe begrenzt, aber regional vergleichbar mit Zielbevölkerung.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Studie in deutschem Versorgungssystem, direkt übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43015780/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-Nutzung durch Jugendliche in Großbritannien: Wissenslücken und Vertrauensprobleme (Wellcome Open Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42984772/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42984772</guid>
<pubDate>Fri, 13 Nov 2026 05:59:18 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Yap V et al.  ·  17.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Querschnittstudie zur Häufigkeit, Art und Bewertung von generativer KI-Nutzung durch 12–15-jährige Schüler in Bradford, Großbritannien; Fokus auf Schulkontexte, Vertrauen in KI-Ausgaben und Verifikationsverhalten.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Von 1.443 Schülern nutzen 73,5% generative KI mindestens selten, 25,5% täglich; Schularbeiten mit 36,6% wöchentlich häufigste Nutzung; 39,4% vertrauen KI-Ausgaben gar nicht, 47,5% überprüfen diese nie; wahrgenommener Nutzen niedrig (41,1% sagen creative subjects "nicht nützlich", 21,1% sagen maths "sehr nützlich"); deutliche Geschlechts- und Jahrgangsdifferenzen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Großbritannien, verschiedenes Bildungssystem; Befund zu KI-Literalität übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42984772/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Nachhaltiges nationales EHR-System in Japan durch Monetarisierung von Daten-Sekundärnutzung (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43013344/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43013344</guid>
<pubDate>Thu, 12 Nov 2026 05:59:17 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Kume N et al.  ·  11.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Implementierungsstudie des Sennen-Karte-Projekts seit 2015 in Japan zur Schaffung eines bundesweiten integrierten EHRs, das durch Daten-Sekundärnutzung selbstfinanzierbar ist, mit rechtlichen und technischen Komponenten.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Neue Gesetzgebung 2017 verabschiedet, 2018 in Kraft getreten. EHR seit 2015 implementiert; über 100 Kliniken beteiligt innerhalb von 4 Jahren, 77 Vertragspartner liefern medizinische Daten. System operativ seit 2015, nachhaltige Struktur etabliert ohne externe Subventionen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Japan-Modell; strukturell nicht direkt übertragbar (andere Rechtsrahmen), aber regulatorische Lerneffekte für Elektronische Patientenakte in Deutschland.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43013344/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Smartphone-basierte Tests exekutiver Funktionen bei Depression: Validierung gegen Hirnkonnektivität (Transl Psychiatry 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43009487/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43009487</guid>
<pubDate>Thu, 12 Nov 2026 05:59:16 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Heckel JM et al.  ·  14.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Prospektive Kohortenstudie (n=72, davon 30 mit aktueller Depression, 42 Kontrollen) zur Validierung von Smartphone-basierten Set-Shifting-Tests über 2 Wochen gegen funktionelle Konnektivität.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Patienten mit Depression zeigten niedrigere Set-Shifting-Genauigkeit (β=-0,24, p=0,044) und höhere Variabilität (β=0,25, p=0,049). Assoziationen zwischen Test-Performance und Aktivierung des dorsolateralen Aufmerksamkeitsnetzwerks unterschieden sich signifikant zwischen Patienten und Kontrollen. Smartphone-Assessments könnten skalierbare Methode zur longitudinalen Überwachung kognitiver Defizite sein.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA-Studie; Methodik prinzipiell auf Europa übertragbar, aber US-Infrastruktur-spezifisch.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43009487/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-gestützte EKG-Analyse zur Vorhersage von Herzinsuffizienz-Subtypen (J Card Fail 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43009242/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43009242</guid>
<pubDate>Thu, 12 Nov 2026 05:59:15 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Khurshid S et al.  ·  Nov. 2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Entwicklung und externe Validierung eines Deep-Learning-Modells zur Vorhersage des 10-Jahres-Risikos für Herzinsuffizienz mit erhaltener vs. reduzierter Ejektionsfraktion anhand von Ruhe-EKGs an drei US-amerikanischen Zentren.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> ECG2HF-Subtype zeigte konsistente Diskriminationsfähigkeit für HFrEF-Risiko (AUC 0,88–0,89 über die drei Zentren, kumulative Inzidenz 1,73–2,23 %) und HFpEF-Risiko (AUC 0,79–0,83, kumulative Inzidenz 2,75–3,49 %). Gegenüber klinischen Variablen allein zeigte das KI-Modell bessere Diskriminationsfähigkeit für HFrEF (AUC 0,86 vs. 0,78 für PREVENT-HF-Variablen).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA-Studie, aber klinische Validierbarkeit des Ansatzes unabhängig von System übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43009242/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-gestützter Chatbot zur psychischen Gesundheit: reale Nutzung und Ergebnisse (JMIR Form Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43002740/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43002740</guid>
<pubDate>Thu, 12 Nov 2026 05:59:14 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Schäfer LM et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Einjahres-Beobachtungsstudie mit 527 selbstakquirierten Nutzern eines KI-Chatbots (Clare) zur psychischen Gesundheit, die über 8 Wochen Engagement, therapeutische Allianz und psychische Symptome erfasste.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Von 527 Baseline-Teilnehmern erfüllten 53 (10,1 %) die 4-Wochen-Kriterien und 21 (4,0 %) die 8-Wochen-Kriterien. Bei Completer-Paaren (n=52) zeigten sich Verbesserungen: PHQ-Distress -1,13 Punkte (95 % CI 0,25–2,02), Mini-Social Phobia Inventory -1,73 (0,88–2,58), Life Satisfaction Scale +6,23 (4,70–7,76). Hohe Abbruchquoten und fehlende Kontrolle limitieren Aussagekraft.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutschland/EU: Implementierungsstudie qualitativ (real-world), aber unklar generalisierbar wegen selektiver Stichprobe.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43002740/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>eHealth-Kompetenz bei älteren Patienten: Assoziationen mit Gebrechlichkeit und Funktion (JMIR Hum Factors 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43002657/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43002657</guid>
<pubDate>Thu, 12 Nov 2026 05:59:13 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Flemm C et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Querschnittstudie in deutscher Geriatrie-Klinik (n=244, mittleres Alter 77,2 Jahre) zu Zusammenhängen zwischen selbstberichteter eHealth-Literalität (GR-eHEALS) und kognitiven, funktionalen sowie Gebrechlichkeitsmerkmalen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Höhere eHealth-Literalität in Subskala Informationssuche (3,64±0,84) als in kritischer Bewertung (3,32±0,80). Gebrechlichkeit assoziiert mit schlechterer kritischer Informationsbewertung (B=-1,372, 95 % CI -2,554 bis -0,189). Keine signifikanten Assoziationen mit kognitiver Funktion (MoCA), Bildung oder Geschlecht.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Klinikdaten, direkt übertragbar; zeigt Bedarf für Interventionen bei älteren Menschen.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43002657/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Ärztliche digitale Kompetenz und generative KI in der Gesundheitskommunikation (Int J Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42967410/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42967410</guid>
<pubDate>Thu, 12 Nov 2026 05:59:12 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Han X et al.  ·  30.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Vergleichende Analyse (Dokumentenanalyse, Regulations- und Programmreview) zur digitalen Kompetenz von Ärzten und KI-Nutzung für Gesundheitskommunikation in China, Südkorea, Singapur, USA und UK; Entwicklung eines Modells für Shanghai basierend auf Singapurs MedVid-Programm.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Genauigkeit war in allen Systemen mit Messung ein Kernproblem (Score ≥2). Ärztliche Datenschutzbedenken bezüglich Gesichtsbiometrie selten gemessen. Singapurs MedVid produzierte über 300 KI-generierte Beratungsvideos in vier Sprachen. Institutionelle Kanalisierung fördert Authentizität; USA und UK zeigen eher individuelle, schwach unterstützte Adoption.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Singapur-Studie mit potentiellen Lehren für Shanghai, aber begrenzte direkte Übertragbarkeit auf Deutschland.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42967410/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Nomophobie und digitale Kompetenz bei Lehrkräften: Cluster-Analyse zeigt ambivalente Profile (BMC Psychol 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42947244/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42947244</guid>
<pubDate>Thu, 12 Nov 2026 05:59:11 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Altin R et al.  ·  10.08.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Querschnitts-Clusteranalyse mit 245 türkischen Lehrkräften zu Profilen von Nomophobie, Lehrer-Selbstwirksamkeit und IKT-Kompetenz zur Klärung, ob hohe digitale Nutzung immer pathologisch ist.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Identifikation von zwei kontrastierenden Lehrkräfte-Profilen: Profil mit erhöhter Nomophobie zeigte in einigen Fällen parallel hohe berufliche Sicherheit und digitale Kompetenz. Chi-Quadrat-Tests zeigten keine signifikanten Unterschiede nach Geschlecht oder Unterrichtsstufe. Ergebnis deutet darauf hin, dass funktionale digitale Abhängigkeit sich von problematischer unterscheidet.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Türkei; befundfähig für EU-Kontext, aber kulturell spezifisches Lehrkräfte-Sample.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42947244/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-gestützter Dokumentationsassistent in Spital: Kosten, Adoption und Datenschutz (JMIR Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43008220/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43008220</guid>
<pubDate>Wed, 11 Nov 2026 05:59:10 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Vaid S et al.  ·  10.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Implementierungsstudie eines Open-Source-KI-Scribes (Berta) in einer kanadischen Provinzgesundheitssystem mit Fokus auf operative Kosteneinsparung, Nutzung und Auswirkungen auf klinische Dokumentation über 9 Monate.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 197 Notfallarztärzte an 105 Einrichtungen erzeugten 21.548 Klinische Sitzungen über 2700 Stunden Audio. Betriebskosten betrugen weniger als 30 USD pro Arzt/Monat (70–95% Reduktion gegenüber kommerziellen Abos). Umfrageteilnehmer (69–73 pro Item) bewerteten Benutzerfreundlichkeit als gut (Median 5/6), berichteten Zeiteinsparung von 16–30 Minuten pro Schicht, vergaben aber niedrigere Noten für Dokumentationsqualität.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Kanada (vergleichbar europäischer Gesundheitssysteme); Datenhoheit und Open-Source-Transparenz relevant für deutschsprachigen Raum.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43008220/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>KI-gestützte Emotionserkennung in digitaler Psychotherapie: Prozessanalyse (JMIR Form Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43007710/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43007710</guid>
<pubDate>Wed, 11 Nov 2026 05:59:09 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">McAlister K et al.  ·  10.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Retrospektive Analyse von Nachrichtenebenen-KI-Emotionsdaten aus 28.870 Sitzungen von 4.463 Nutzern des KI-gestützten Mental-Health-Interventions-Tools Yuna mit Fokus auf emotionale Zustände, Trajektorien und Prädiktoren von Belastungsreduktion.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Fünf Trajektorienttypen wurden identifiziert: stabil (26,6%), reduzierte Belastung (24,4%), Übergangsprozess (21,5%), anhaltende Belastung (15,8%) und eskalierende Belastung (11,7%). Kognitiver Verarbeitungszustand war am häufigsten auf Nachrichtenebene (35,8%), gefolgt von Belastungszuständen (32,2%). Unter Sitzungen mit Belastung am Anfang zeigten 73,3% (1.170/1.597) reduzierte Belastungstrajektorien am Ende. Reduzierte-Belastungs-Sitzungen waren durch mehr Nachrichten (B=1,67; P=0,02), längere Dauer (B=3,61; P=0,001), KI-Emotionswechsel (B=1,57; P=0,01) und höhere Anteile kognitiver Verarbeitung charakterisiert. Mehr eindeutige emotionale Zustände (OR 1,16; P&lt;0,001) und längere Sitzungsdauer (OR 1,01; P=0,04) waren positiv, mehr Emotionswechsel negativ mit Belastungsreduktion assoziiert (OR 0,97; P=0,003).</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA; Prozessmarker aus KI-Sprachdaten für Versorgungsevaluationen übertragbar.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43007710/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Automatisierte Entscheidungsunterstützung für Koloskopie-Nachverfolgung: EHR-Integration (JAMA Netw Open 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43007676/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43007676</guid>
<pubDate>Wed, 11 Nov 2026 05:59:08 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">O'Brien MT et al.  ·  02.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Kohortenstudie an einem tertiären Zentrum (35.802 Patienten, 2017–2024) zur Auswirkung eines automatisierten Decision-Support-Tools auf die Dokumentation von Nachsorgeintervallen bei Adenomen in der elektronischen Patientenakte.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Adenome wurden bei 44,4% (8.004/18.027) präintervention und 47,2% (8.396/17.775) postintervention detektiert. Health-Maintenance-Updates für Patienten mit Adenomen, die engere Überwachung benötigten, stiegen signifikant von 83,4% auf 94,2% (P&lt;0,001). Gastroenterologie-Updates stiegen von 67,6% auf 91,9%, während Hausarzt-Updates von 9,3% auf 1,4% sanken (P&lt;0,001 für beide). Automatische Population-Health-Updates waren in beiden Phasen selten.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> USA (Vanderbuilt), aber Workflow und EHR-Integration gelten für deutsches Dokumentationssystem.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43007676/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Digitale und automatisierte Arbeit: Psychosoziale Effekte in deutscher Kohortenstudie (Int Arch Occup Environ Health 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43007483/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43007483</guid>
<pubDate>Wed, 11 Nov 2026 05:59:07 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Freiberg A et al.  ·  10.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Querschnittsstudie unter 5.730 Beschäftigten (2019–2022) zu Zusammenhängen zwischen Digitalisierung, Automatisierung und psychosozialen Outcomes wie Burnout, Arbeitszufriedenheit und Kündigungsabsicht.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Häufige digitale Arbeit war mit höherer Jobzufriedenheit (≈80% der Befragten) und niedrigerem Präsentismus assoziiert, aber auch mit stärkerer Kündigungsabsicht und reduzierter Arbeitsengagement. Automatisierte Arbeit (≈6% häufig) war mit erhöhtem Burnout und niedrigerer Jobzufriedenheit verknüpft. Positive Erfahrungen mit beiden Technologieformen gingen mit besseren psychosozialen Outcomes einher.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutsche Kliniken und Arbeitgeber: Daten aus Mainz und Umland, typische Versicherungsbeschäftigte.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43007483/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Machine-Learning-Modelle für Glukoseprognose bei Diabetes: systematischer Review mit Meta-Analyse (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43006686/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43006686</guid>
<pubDate>Wed, 11 Nov 2026 05:59:06 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Yang H et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Systematischer Review mit Meta-Analyse von 299 Studien (270 Unique-Studen) zum Einsatz von Machine Learning für die Vorhersage zukünftiger Glukosewerte oder -ereignisse bei Typ-1-, Typ-2- und gemischtem Diabetes; Fokus auf externe Validierung und Implementierungsbereitschaft.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Gepoolte RMSE betrug 1,18 mmol/L (95% CI 1,01–1,34; n=37 Effekte), gepoolte mittlere absolute Abweichung 0,90 mmol/L. Bayesische gepoolte AUC unter ROC-Kurve 0,926 (95% CrI 0,877–0,957). Von 28 PROBAST-Einheiten waren 24 hohes Risiko, 2 unklar, 2 niedrig. Externe Validierung lag bei 4,0% (10/251), prospektive Evaluierung bei 0,7% (2/270), Kalibrierung bei 4,8%. Heterogenität, hohes Verzerrungsrisiko und unvollständige Unsicherheitsberichterstattung verhindern deploybare Benchmarks.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Globale Evidenz, aber unzureichende externe Validierung für sofortige Versorgungsimplementierung in Deutschland.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43006686/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Nutzerbeteiligung bei IT-Systementwicklung im Gesundheitswesen: Entwicklerperspektive (Int J Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42950628/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42950628</guid>
<pubDate>Wed, 11 Nov 2026 05:59:05 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Martikainen S et al.  ·  28.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Befragung von 266 Softwareentwicklern der fünf größten Gesundheits-IT-Anbieter Finnlands zu Erfahrungen mit Nutzerbeteiligung, Partizipationsmethoden und Implementierung von Nutzerfeedback in die Entwicklung.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> 81% der Entwickler berichteten Zusammenarbeit mit Endnutzern, höher in Produktmanagement (77%) als in anderen Rollen (41–65%). 92% gaben an, ihre Organisation interessiere sich für Nutzerfeedback, aber nur 44% glaubten, Nutzer wüssten, wie und an wen sie Feedback geben sollten. Häufigste Partizipationsmethoden: Online-Portale (74%), Feedback während Schulung (64%), Anforderungsworkshops (58%), Usability-Tests (55%). Offene Antworten nannten als Hauptgründe für Nutzersunzufriedenheit: Vendor-Ressourcenpriorisierung, nationale Anforderungen über Usability-Verbesserungen, fehlende Kommunikation über Umsetzung von Vorschlägen, technische Beschränkungen und fehlende Kooperationsstrukturen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Finnland (digitaler Vorreiter); Befunde zur Implementierungsforschung gelten für alle Länder mit etablierter Systemlandschaft.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42950628/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>EpiLinx: Interaktives Werkzeug zur Ausbruchsverfolgung im Krankenhaus (Int J Med Inform 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/42933268/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-42933268</guid>
<pubDate>Wed, 11 Nov 2026 05:59:04 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Henius AE et al.  ·  24.10.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Entwicklung und Anwendung eines R-Shiny-Tools (EpiLinx) zur Identifikation spatio-temporaler Überschneidungen in Patientenkontakten aus Verwaltungsdaten zur Unterstützung der systematischen Ausbruchsuntersuchung in Krankenhäusern.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> EpiLinx wurde auf zwei reale Ausbrüche angewendet: einen dänischen Enterobacter-hormaechei-Ausbruch und einen britischen Norovirus-Ausbruch. Visualisierungen und Netzwerkstrukturen stimmten mit den Schlussfolgerungen der ursprünglichen Untersuchungen überein. Analysen, die zuvor Stunden manueller Datenbearbeitung erforderten, wurden in Sekunden abgeschlossen. Das Tool ist generisch gestaltet mit minimalen Datenanforderungen für Nicht-Techniker.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Dänemark und Großbritannien; Verfahren unmittelbar auf deutsche Krankenhausdaten übertragbar, nutzt Routinedaten.</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/42933268/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Standardisierte Begriffe für KI-gestützte Flüssigkeitstherapie-Entscheidungshilfen gefordert (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43002738/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43002738</guid>
<pubDate>Tue, 10 Nov 2026 05:59:03 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Andrijauskas A et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Ein Expertenpanel (Fachleute aus Anästhesiologie, Intensivmedizin, 7 Ländern) analysiert, wie inkonsistente Terminologie (z.B. ‚Dehydration' vs. ‚Hypovolämie') und statische quantitative Labels die Qualität von Trainingsdaten für AI-CDSS gefährden, und schlägt Adequacy-basierte Phänotypen vor.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Das Panel identifiziert zentrale Schwachstellen aktueller Terminologie: unklar definierte Begriffe erzeugen fehlerhafte Trainingsdaten. Vorschlag: Shift zu Adequacy-basierten Phänotypen mit Kategorien wie 'insuffizient', 'optimal' oder 'exzessiv' statt kontextsensitiver Quantifizierungen. Phänotyp-Matrix als strukturiertes Werkzeug für Clinical Algorithms und ML-Datenbanken skizziert. Propsal-Matrix noch nicht formal validiert, Konsensbuilding soll folgen.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Multizentrisch international, aber Versorgungsproblem universell; deutsche Kliniken betroffen</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43002738/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>Machine Learning analysiert Bewegungsmuster beim Stuhl-Aufsteh-Test älteren Menschen (JMIR Aging 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43002696/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43002696</guid>
<pubDate>Tue, 10 Nov 2026 05:59:02 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Schumacher A et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">Eine prospektive Längsschnittstudie (172 ältere Erwachsene, 24 Monate) verwendete Sensoren und Dynamic Time Warping-Clustering, um Bewegungsmuster beim Five Times Chair Rise Test zu analysieren und deren Assoziation mit funktionaler Leistung zu bewerten.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Zwei distinct Bewegungscluster wurden identifiziert. Cluster 1 zeigte durchgehend höhere Muskelkraft, Beinleistung und Gehgeschwindigkeit als Cluster 2 (alle p&lt;0,01). Bei 24-Monats-Nachuntersuchung zeigten sich große Unterschiede zwischen Clustern in Timed Up and Go, 5CRT-Dauer, Gehgeschwindigkeit und 6-Minuten-Gehstrecke. ML-Clustering offenbarte funktionale Heterogenität, die reine Zeitmessungen nicht abbildeten.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> Deutschland: deutsche Altersforschungszentren, vergleichbare Versorgungsstrukturen</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43002696/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
<item>
<title>LLM-gestützte CT-Interpretation bei Bauchspeicheldrüsenkrebs: Klinische Entscheidungsunterstützung (J Med Internet Res 2026)</title>
<link>https://pubmed.ncbi.nlm.nih.gov/43002664/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie</link>
<guid isPermaLink="false">pmid-43002664</guid>
<pubDate>Tue, 10 Nov 2026 05:59:01 +0100</pubDate>
<description><![CDATA[<p style="margin:0 0 8px;font:italic 13px Georgia,serif;color:#666;">Kuang T et al.  ·  09.11.2026</p><p style="margin:0 0 10px;font:15px Georgia,serif;color:#333;">PancreaGuide, ein mit Domänenwissen angereichertes LLM-System, wurde entwickelt und retrospektiv an 444 Patienten evaluiert, um Chirurgen bei der Interpretation von CT-Befunden zur Resektabilität und perioperativen Planung zu unterstützen.</p><table role="presentation" cellpadding="0" cellspacing="0" border="0" width="100%"><tr><td style="background:#f4f6f4;border-left:3px solid #5a7d3a;padding:10px 14px;font:15px Georgia,serif;color:#222;"><strong>Ergebnis:</strong> Gemini+ erreichte 87,4% Genauigkeit (95% KI 0,84–0,90) und 95,9% Sensitivität für die Resektabilitätsinterpretation. Alle drei getesteten LLM-Modelle zeigten nach PancreaGuide-Integration verbesserte Sensitivität und Spezifität. Bei der perioperativen Konsultation erhielten LLM-integrierte Modelle höhere Expertenbewertungen als Basis-Modelle, mit größten Verbesserungen bei Vollständigkeit und Robustheit.</td></tr></table><p style="margin:8px 0 0;font:13px Georgia,serif;color:#666;"><strong>Übertragbarkeit:</strong> China, aber Methode (CT-Interpretation durch LLM) prinzipiell auf deutsches System übertragbar</p><p style="margin:10px 0 0;font:13px Georgia,serif;"><a href="https://pubmed.ncbi.nlm.nih.gov/43002664/?utm_source=newsletter&amp;utm_medium=email&amp;utm_campaign=studien-feed&amp;utm_content=studie" style="color:#5a7d3a;">Studie in PubMed ansehen &rarr;</a></p>]]></description>
</item>
</channel>
</rss>
