Strategien zum Management von Labornachfragen

Über- und Unterversorgung in Form unnötiger und teurer Folgeuntersuchungen bzw. verzögerter Diagnosen sind trotz vorhandener Leitlinien ein häufiges Problem bei der Auswahl von Labortests. Strategien zum Nachfragemanagement (demand management, DM) sollen laut Laborspezialist*innen und Kliniker*innen nützliche Instrumente sein, um dieser Problematik entgegenzusteuern. Die meisten dieser DM-Instrumente beruhen auf automatisierten Algorithmen, anderen Arten des maschinellen Lernens oder der Informationsaufbereitung. Das Departement für Labormedizin der medizinischen Privatuniversität Salzburg (PMU) fasste im Rahmen einer Übersichtsarbeit die verfügbaren Strategien zusammen. Herausforderungen bestehen v.a. in der Harmonisierung der Strategien und deren Anpassung an lokale Gegebenheiten und im hohen Ressourceneinsatz für die Durchführung einer Bewertung der gewählten Strategie vor der Testimplementierung. Zweiterem könnte mithilfe des Ausbaus von künstlicher Intelligenz (KI) und Algorithmen begegnet werden, die bei der Verwaltung großer Datensätze helfen sollen. Zudem wird eine Kombination aus computergestützten und ärztlich geführten Prozessen empfohlen.

Die Studien*autorinnen identifizierten mehrere DM-Instrumente, mit denen einerseits Überbeanspruchung (mit Warnungen in Form von Pop-up-Fenstern im CPOE-System, Mindestintervallen für Wiederholungstests etc.)  bzw. Unterbeanspruchung (mit zusätzliche Testungen) vermieden werden können. Weitere Instrumente (Überarbeitung der Labor-Bestellformulare und –profile (LOPs), Reflextestung, Algorithmen, Ausbildung) funktionieren für beide Settings (Über- und Unterbeanspruchung). LOPs sollten laut der Studie bereits geeignete Tests für spezifische Indikationen oder Diagnosen vorschlagen und sich bereits in ihrem Design von unspezifischen „Routine“-Panels abgrenzen. Die Verwendung von Reflextestungen, bei denen Tests automatisch nach einem festen Algorithmus zum Labor Informationssystem (LIS) hinzufügt werden und von reflektiven Testungen, in denen Tests und/oder Kommentare nach Interpretation der Synopse aus Labor- und klinischen Daten ergänzt werden, haben sich etwa bei der Früherkennung von Hypophysenfunktionsstörungen oder für die schrittweise Analyse von Schilddrüsenhormonen bereits bewährt. Neben spezifischen IT-Ansätzen (Algorithmen) könnten Aufklärungsmaßnahmen wie Broschüren oder mündliche Informationssessions ebenfalls nützlich sein.

Einem breiten Konsens darüber, dass DM-Ansätze eine angemessene Nutzung von Tests begünstigen, stehen zahlreiche Herausforderungen gegenüber. So sind v.a. Harmonisierungsstrategien notwendig, um überregionale Vergleichbarkeit und Verallgemeinerbarkeit von DM-Ansätzen gewährleisten zu können. Die zeitaufwändigen Aktivitäten (wie die Bewertungen der gewählten Strategie etc.) könnten mithilfe von Modellen des maschinellen Lernens – etwa zur Ermittlung prognostischer Faktoren – und KI-basierten Lösungen abgekürzt werden. Derzeit gibt es allerdings nur wenige Studien zur Anwendung von KI-Algorithmen bei der Auswahl von Labortests. U.a. sind deshalb KI-Lösungen nur als Hilfsmittel zu verstehen. Denn: Die Synopse von Ergebnissen aus der Labormedizin, der diagnostischen Bildgebung und der Pathologie ist für eine integrierte Diagnostik erforderlich. Darüber hinaus müssen Anamnese, Komorbiditäten, Symptome und Behandlungen der Patient*innen für eine korrekte Interpretation berücksichtigt werden. OS

Mrazek, C., Haschke-Becher, E., Felder, T. K., Keppel, M. H., Oberkofler, H., & Cadamuro, J. (2021). Laboratory Demand Management Strategies-An Overview. Diagnostics , 11(7), 1141. https://pubmed.ncbi.nlm.nih.gov/34201549/.