Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Einleitung „Künstliche Intelligenz im Gesundheitswesen“ Read chapter Read first chapter

2022 | OriginalPaper | Chapter

20. Künstliche Intelligenz und Digitalisierung im Bereich Diabetes mellitus

Authors : Carolin Kinzel, Mario A. Pfannstiel

Published in: Künstliche Intelligenz im Gesundheitswesen

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Der vorliegende Beitrag geht auf Patienten mit der Erkrankung Diabetes mellitus Typ 1 und die Behandlungskette Patient-Journey ein. Zu Beginn wird der Begriff „Diabetes mellitus“ definiert. Im Anschluss folgt für den Leser eine Einordnung zur wirtschaftlichen Bedeutung der Erkrankung. Auf die Rolle der Ärzte im Behandlungsprozess und beim Diabetesmanagement wird eingegangen. Die einzelnen Behandlungsschritte, die Diabetespatienten durchlaufen, werden erläutert. Beispielhaft wird der traditionelle Behandlungsablauf in seiner Komplexität herausgearbeitet. Die Veränderungen an der Behandlungskette, die sich durch die Digitalisierung im Gesundheitswesen in den letzten Jahren ergeben haben und Einfluss auf das Patientenverhalten nehmen, werden in Form einer digitalisierten Behandlungskette dargestellt. Mit Blick auf die Zukunft wird exemplarisch eine Behandlungskette aufgezeigt, die Elemente der künstlichen Intelligenz (KI) mitberücksichtigt. Aktuelle Forschungsprojekte zum Themenbereich der künstlichen Intelligenz werden vorgestellt. Durch die Gegenüberstellung der drei Behandlungsketten wird ein Vergleich ermöglicht. Der Beitrag endet mit einer Schlussbetrachtung, die auf die Vor- und Nachteile der Digitalisierung und den zunehmenden Einsatz von künstlicher Intelligenz eingeht. Im Ergebnis zeigt sich, dass Patienten stark von technischen Veränderungen betroffen sind und von Patienten Flexibilität, Anpassungswille und Eigenverantwortung erwartet wird.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Einsatzgebiete künstlicher Intelligenz bei chronischen Erkrankungen – Ein erster Überblick im Diagnostik- und Therapiebereich
next chapter Künstliche Intelligenz in Prozessen des Gesundheitswesens – Chancen und Risiken am Beispiel der akuten Schlaganfallbehandlung
Literature
Arras-Friederich, C. (2018), Veränderungen in der Position „der“ Industrie. Der Diabetologe, 14(7), 476–480.
Beck, R. W., Riddlesworth, T., Ruedy, K., Ahmann, A., Bergenstal, R., Haller, S., Kollmann, C., Kruger, D., McGill, J. B., Polonsky, W., Toschi, E., Wolpert, H., & Price, D. (2017). Effect of continuous glucose monitoring on glycemic control in adults with type 1 diabetes using insulin injections: The DIAMOND randomized clinical trial. JAMA, 317(4), 371–378.CrossRef
Becker, K. (2019). Intelligentes Diagnose- und Therapiemanagementkonzept mit einem digitalen Avatar durch Integration von Vitalparametern und genomischen Daten am Beispiel des Diabetes mellitus. In M. A. Pfannstiel, P. Da-Cruz, & H. Mehlich (Hrsg.), Digitale Transformation von Dienstleistungen im Gesundheitswesen: Bd. VI. Impulse für die Forschung (S. 233–257). Springer.
Contreras, I., & Vehi, J. (2018). Artificial intelligence for diabetes management and decision support: Literature review. Journal of Medical Internet Research, 20(5), 389–409.CrossRef
Dankwa-Mullan, I., Rivo, M., Sepulveda, M., Park, Y., Snowdon, J., & Rhee, K. (2019). Transforming diabetes care through artificial intelligence: The future is here. Population Health Management, 22(3), 229–242.CrossRef
Danne, T. (2016a). Früherkennung mit Fr1dolin und Fr1da. Diabetes-Eltern-Journal, 9(1), 6–7.
Danne, T. (2016b). Selbstmanagement: CGM, FGM, Closed-Loop: Welches System für wen? Diabetes-Eltern-Journal, 9(4), 6–7.
Danne, T., & Kapellen, T. (2020). Diabetes bei Kindern und Jugendlichen. In Deutsche Diabetes Gesellschaft (DDG) und diabetesDE – Deutsche Diabetes-Hilfe. (Hrsg.), Deutscher Gesundheitsbericht Diabetes 2020: Die Bestandsaufnahme (S. 128–141). Kirchheim + Co GmbH.
Danne, T., Kordonouri, O., Biester, T., Siegmund, T., Kröger, J., Bramlage, P., & Haak, T. (2019a). Glukoseprofil: „Time in Range“ neue Zielgröße. Diabetes-Forum, 18(6), 22–25.
Deutsche Diabetes Gesellschaft. (Hrsg.). (2018). Im Wandel. diabeteszeitung, 3(11), 15.
Dewangan, A., & Agrawal, P. (2015). Classification of diabetes mellitus using machine learning techniques. International Journal of Engineering and Applied Sciences, 2(5), 145–148.
Finck, H., Holl, R. W., & Ebert, O. (2018). Die soziale Dimension des Diabetes mellitus. In Deutsche Diabetes Gesellschaft (DDG) und diabetesDE – Deutsche Diabetes-Hilfe (Hrsg.), Deutscher Gesundheitsbericht Diabetes 2018: Die Bestandsaufnahme (S. 161–175). Kirchheim + Co GmbH.
Heinemann, L., Deiss, D., Siegmund, T., Schlüter, S., Naudorf, M., von Sengbush, S., Lange, K., & Freckmann, G. (2017). Praxisempfehlung der DDG: Glukosemessung und -kontrolle bei Patienten mit Typ-1- oder Typ-2-Diabetes. Diabetologie und Stoffwechsel, 12(2), S242–S262.
Holl, R. W., & Prinz, N. (2020). Versorgung von Kindern und Jugendlichen mit Diabetes – Aktuelle Situation und Veränderungen der letzten 24 Jahre. In Deutsche Diabetes Gesellschaft (DDG) und diabetesDE – Deutsche Diabetes-Hilfe (Hrsg.), Deutscher Gesundheitsbericht Diabetes 2020: Die Bestandsaufnahme (S. 142–152). Kirchheim + Co GmbH.
Ickrath, M. (2016). Daten und Diabetes: Big-Data-Medizin, Große Verheißungen und viele offene Fragen. Der Diabetologe, 12(8), 550–557.
Ickrath, M. (2018). Bedeutung der Digitalisierung für die DDG als Fachgesellschaft, Gestaltungsanspruch und Orientierungshilfe. Der Diabetologe, 14(7), 449–545.
Ickrath, M., & Heinemann, L. (2018). Digitalisierung in der Diabetologie. Der Diabetologe, 14(7), 444–448.
Jacobs, E., & Rathmann, W. (2020). Epidemiologie des Diabetes in Deutschland. In Deutsche Diabetes Gesellschaft (DDG) und diabetesDE – Deutsche Diabetes-Hilfe. (Hrsg.), Deutscher Gesundheitsbericht Diabetes 2020: Die Bestandsaufnahme (S. 9–16). Kirchheim + Co GmbH.
Jarasch, A., Glaser, A., Häring, H., Roden, M., Schürmann, A., Solimena, M., Theiss, F., Tschöp, M., Wess, G., & Hrabe de Angelis, M. (2018). Mit Big Data zur personalisierten Diabetesprävention. Der Diabetologe, 14(7), 486–492.
Kaltheuner, M., Droßel, D., & Heinemann, L. (2016). DiaDigital, Unterstützung von Patienten und Diabetologen bei der Nutzung von Apps. Der Diabetologe, 12(8), 538–549.
Kröger, J. (2019) Wie Künstliche Intelligenz in Zukunft die Diabetologie verändern könnte. Diabetes Zeitung, Deutsche Diabetes Gesellschaft, 4(9), 21.
Loßin, A., & Schöpke, B. (2020). Die elektronische Gesundheitskarte und ihr möglicher Beitrag zu einer vernetzten innovativen Behandlung am Beispiel des Diabetes mellitus Typ 1 und 2. In M. A. Pfannstiel, K. Kassel, & C. Rasche (Hrsg.), Innovationen und Innovationsmanagement im Gesundheitswesen, Technologien, Produkte und Dienstleistungen voranbringen (S. 479–492). Springer.CrossRef
Mischak, R., Schnalzer, B., Alcalde, B., & de Bruin, J. (2020). KI-gestütztes Wundmanagement. In M. A. Pfannstiel, F. Holl, & W. Swoboda (Hrsg.), (S. 87–105). Springer.
Montalbo, J., Linnenkamp, U., Andrich, S., & Icks, A. (2020). Gesundheitsökonomische Aspekte des Diabetes mellitus. In Deutsche Diabetes Gesellschaft (DDG) und diabetesDE – Deutsche Diabetes-Hilfe (Hrsg.), Deutscher Gesundheitsbericht Diabetes 2020: Die Bestandsaufnahme (S. 17–25). Kirchheim + Co GmbH.
Mortensen, H. B., Hougaard, P., Swift, P., Hansen, L., Holl, R. W., Hoey, H., Bjoerndalen, H., de Beaufort, C., Chiarelli, F., Danne, T., Schoenle, E. J., & Aman, J. (2009). New definition for the partial remission period in children an adolescents with type 1 diabetes. Diabetes Care, 32(8), 1384–1390.CrossRef
Rajalakshmi, R., Subashini, R., Anjana, R., & Mohan, V. (2018). Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye, 32(6), 1138–1144.CrossRef
Rigla, M., Garcia-Saez, G., Pons, B., & Hernando, M. (2018). Artificial intelligence methodologies and their application to siabetes. Journal of Diabetes Science and Technology, 12(2), 303–310.CrossRef
Schwarz, P. (2019). Auf ins Abenteuer Digitalisierung – Aber mit System. Info Diabetologie, 13(4), 3.CrossRef
Schwarz, P., Piller, S., Kokelmann, C., Holland, M., & Timpel, P. (2019). Digitalisierung in der Diabetologie – Realität, Herausforderung, Vision. Info Diabetologie, 13(1), 28–35.
Sisodia, D., & Sisodia, D. (2018). Prediction of diabetes using classification algorithms. Procedia Computer Science, 132, 1578–1585.
Sonnet, M. (2020). Diabetestherapie per Videosprechstunde. Info Diabetologie, 14, 48.
Stiefelhagen, S. (2017). Die Zukunft der Diabetologie ist digital und personalisiert. Infor Diabetologie, 11(3), 49.CrossRef
Stockmann, C., & Stirban, O. (2018). Digitale situation in diabeteskliniken. Diabetologe, 14(7), 481–485.CrossRef
Takahashi, H., Tampo, H., Arai, Y., Inoue, Y., & Kawashima, H. (2017). Applying artificial intelligence to disease staging: Deep learning for improved staging of diabetic retinopathy. PLoS ONE, 12(6), 1–11.
Trevitt, S., Simpson, S., & Wood, A. (2016). Artificial pancreas device systems for the closed-loop control of type 1 diabetes: What systems are in development? Journal of Diabetes Science and Technology, 10(3), 714–723.CrossRef
Wiesner, T. (2018). Digitalisierung in der alltäglichen Praxis. Der Diabetologe, 14(7), 455–459.
Wiesner, T. (2020). Veränderungen der diabetologischen Arbeitsweise durch technische Entwicklungen. Der Diabetologe, 16(1), 6–11.
Woldaregay, A., Arsand, E., Botsis, T., Albers, D., Mamykina, L., & Hartvigsen, G. (2019). Data-driven blood glucose pattern classification and anomalies detection: Machine-learning applications in type 1 diabetes. Journal of Medical Internet Research, 21(5), 1–18.
Wolf, S., & Lederle, M. (2019). AID: Patienten werden selbst aktiv. Diabetes-Forum, 31(4), 10–12.
Metadata
Title
Künstliche Intelligenz und Digitalisierung im Bereich Diabetes mellitus
Authors
Carolin Kinzel
Mario A. Pfannstiel
Copyright Year
2022
Book
Künstliche Intelligenz im Gesundheitswesen

Print ISBN: 978-3-658-33596-0

Electronic ISBN: 978-3-658-33597-7

Copyright Year: 2022

DOI
https://doi.org/10.1007/978-3-658-33597-7_20