Ärzte retteten Kind mit Atemwege aus dem 3D-Drucker

Posts auf Twitter und Facebook nutzen, um den Ausbruch von Krankheiten frühzeitig zu erkennen, um das Wissen über Nutzen und Nebenwirkungen von Arzneimitteln zu verbessern und Arzneimittelmissbrauch und illegalen Schwarzmarkt einzudämmen, das ist längst nicht mehr Zukunftsmusik. Denn nicht nur auf Plattformen wie “Patients like me”, sondern auch auf Facebook und Twitter tauschen Nutzer ihre Erfahrungen mit Arzneimitteln und ihre Sorgen und Probleme als Betroffene von Krankheiten täglich weltweit millionenfach aus. Die folgenden Beispiele zeigen, wie neue Dienstleistungsunternehmen im Auftrag von Pharmaunternehmen und Gesundheitsinstitutionen aktiv werden und gesundheitsbezogene Daten aus Sozialen Medien analysieren und interpretieren, um die Arzneimittelsicherheit zu verbessern und neue Präventionskonzepte zu entwickeln.

• Epidemico, ist ein Unternehmen der Booz Gruppe, das die Informationen aus Facebook und Twitter filtert, anonymisiert und z. B. produktbezogen für die Arzneimittelsicherheit von Pharmaunternehmen aufarbeitet. Wie groß der Datenschatz ist, zeigt das Beispiel des Pharmaunternehmens GSK. Über 6 Millionen Posts auf Twitter und 15 Millionen auf Facebook beziehen sich auf die ca. 1.000 Arzneimittel des Unternehmens. Somit lassen sich aus diesen Datenquellen für GSK in einem Jahr mehr Daten ableiten, als aus der FDA Datenbank seit 1968.
• MedWatcherSocial geht in Sachen Arzneimittelsicherzeit noch einen Schritt weiter. Das Partnerprojekt von Epidemica und der FDA identifiziert jeden Tweet mit potentiellen Nebenwirkungsmeldungen und beantwortet diesen mit einem Back Tweet. Nutzer werden darin aufgefordert, einen vollständigen FDA-Report auszufüllen, der hilft, die Datenqualität der Nebenwirkungsmeldungen zu verbessern.

Die Epidemico Daten lassen sich auch als wertvolle Marktforschungsquelle nutzen. So hat Merck diesen Dienst im Pre-Marketing des verschreibungspflichtigen Schlafmittels Belsomra genutzt, um die Erwartungen und Probleme Betroffener zu identifizieren und daraus Argumente für die Vermarktung des Produktes abzuleiten. Auch Patienteninformationen der Unternehmen lassen sich optimieren, wenn die Datenanalyse z. B. Informationsdefizite der Nutzer aufzeigt.

• StreetRX analysiert Social Media Daten, um Informationen zum Schwarzmarkt von Arzneimitteln und Drogen sichtbar zu machen. Dazu werden ebenfalls die Meldungen auf Twitter und Facebook ausgewertet. Daneben gibt es eine Plattform, auf der sich Nutzer anonym anmelden und die Schwarzmarktpreise für verschreibungspflichtige Arzneimittel einsehen und selbst melden können. Pharmaunternehmen nutzen diesen Service z. B. um zu prüfen, wie gut ihre Maßnahmen zur Verhinderung des Missbrauchs ihrer Arzneimittel greifen. Kann durch die Kombination eines Opioids (Oxycontin) mit einem Opioid-Antagonisten (Naloxon) der Missbrauch tatsächlich eingedämmt werden?
• Der ebenfalls auf  Crowd Sourcing basierende Service „Flu Near You“ liefert eine Echtzeitkarte zur Grippeaktivität in einer Region und bezieht dazu, anders als die Meldungen der amerikanischen Gesundheitsbehörde CDC (Denter of Disease Control and Prevention), auch die Daten von Nutzern ein, die nicht zum Arzt oder ins Krankenhaus gehen.
• Thermia ist eine Entscheidungshilfe für Eltern, die ebenfalls auf den Crowdsourcing Ansatz setzt. Eltern melden die Fieberverläufe ihrer Kinder in einer Datenbank, die Daten vieler werden analysiert, um daraus Handlungsempfehlung abzuleiten. Gekoppelt mit einem Fiebermessgerät und einer App können Eltern frühzeitig eine Warnmeldung erhalten, wann zur Abklärung ein Arztbesuch angezeigt ist.

FAZIT: Anhand der Auswertung meteorologischer Daten lassen sich oft erstaunlich präzise Wettervorhersagen treffen. Auch die Analyse gesundheitsrelevanter Informationen, die Nutzer täglich millionenfach über Soziale Medien kommunizieren, können das Verständnis über Krankheitsursachen, über die Sicherheit und den Nutzen von Therapiemöglichkeiten verbessern und neue Präventionskonzepte hervorbringen.

Quellen:

GSK, Merck use social media to learn how patients use drugs outside the lab, October 2015

Five ways a Boston Children’s Hospital spin-off is using social media for public health. April 2015
 

Drei oder fünf Sterne im App-Store? Was sagt die subjektive Bewertung der Nutzer in den App-Stores über die objektive Qualität der bewerteten Health-App aus? Gibt es definierte Qualitätskriterien, mit denen sich diese Bewertungen unabhängig vom Tester reproduzieren lassen? Das war die Fragestellung der australischen Forschergruppe, die die “Mobile Application Rating Scale” (MARS) entwickelt  hat und nun erste Ergebnisse zur Validierung veröffentlicht.Insgesamt 29 Fragen in sechs Kategorien (A bis F) sollen Rückschlüsse zulassen auf die objektive Qualität, die Testergebnisse korrelieren nach derzeitigen Untersuchungen mit insgesamt 60 Apps mit dem Sterne-Rating der App-Nutzer. Sie lassen sich außerdem von unterschiedlichen Testern reproduzieren. Qualtätsbestimmenden Faktoren, die den Erfolg einer Health-Apps vorhersagen lassen, werden die Entwickler und Anbieter von Gesundheits- und Medizin-Apps gleichermaßen interessieren.Hier ein Kurzvorstellungen der Testkategorien mit den jeweiligen Kernfragen:

• A. Macht die App Spaß, weckt sie das Interesse des Nutzers, ist sie zugeschnitten auf die Nutzerzielgruppe, bindet sie den Nutzer interaktiv ein? (5 Fragen, User Experience)
• B. Ist die App einfach und intuitiv zu bedienen, logisch aufgebaut? (4 Fragen, Usability)
• C. Look and Feel, Attraktivität der Bildwelt, Professionialität des Design? (3 Fragen, User Experience)
• D. Informationen & Inhalte: Hält die App, was sie in der Ankündigung verspricht, erklärt sie die mit Hilfe der App erreichbaren Ziele, sind die Informationen relevant für den Nutzer, sind die Texte verständlich? Ist der Informationgehalt überzeugend und gut visualisiert, stammt die App aus einer vertrauenswürdigen Quelle, ist die Wirksamkeit der App in Studien getestet, das Wissen evidenzbasiert? (7 Fragen Qualitätsstandards, Vertrauenswürdigkeit & Evidenz))
• E. Persönliche Qualitätseinschätzung: Würde der Tester die App empfehlen? Wie häufig würde er sie nutzen (1 x bis mehr als 50 mal?). Wäre er bereit, die App zu kaufen? Wie würde er sie auf der 5-Sterneskala bewerten? (4 Fragen)
• F. App-spezifische Fragen: Einfluss auf das Gesundheitsverhalten – Was kann die App? Sensibilisieren, Wissen vermitteln, Einstellung verändern, zu Verhaltensänderungen motivieren, zur Nutzung weitere Hilfeangebote motivieren, Verhalten gesundheitsförderlich verändern? (6 Fragen: Gesundheitsförderliches Methodenkonzept der App)

Die Bewertungsskala klassifiziert die App darüber hinaus anhand folgender, allgemeiner Fragen:

• Technische Merkmale der App. Ist eine Anmeldung erforderlich? Bietet die App einen Passwort-Schutz? Benötigt sie Netzzugang? Kann sie Nachrichten senden? Bietet sie verschieden Funktionen zum Teilen (twitter, Facebook etc.) mit anderen? Hinweis: Weitere Fragen zu Berechtigungen der App oder zum Datenschutz werden nicht erfasst. 
• Anwendungsfokus der App (z. B. Verhaltensänderung, körperliche Gesundheit, Unterhaltung, Depression etc.)
• Theoretischer Unterstützungsansatz der App (z. B. Risikoassessment, Information, Tracking, Entspannung, Training etc.)
• Alter der Nutzerzielgruppe
• Anbietergruppe (Univeristät, Staatliche Behörde, Wirtschaftsunternehmen etc.)

Fazit: Die MARS-Bewertungsskala gibt wichtige Hinweise auf qualitätsbestimmende Merkmale einer Health-App. Die meisten Fragen sind graduelle Einschätzungen, die vom Hintergrund und der Erfahrung der Tester abhängen. Bisher wurde die MARS-Skala in der Pilotphase mit 9 iOS-Apps getestet und im Anschlusstest mit 50 iOS-Apps auf die Reproduzierbarkeit der Ergebnisse überprüft. Wir sind gespannt auf weitere Ergebnisse.Mobile App Rating Scale: A New Tool for Assessing the Quality of Health Mobile Apps, Published on 11.03.15 in Vol 3, No 1 (2015): Jan-Mar.Stoyanov SR, Hides L, Kavanagh DJ, Zelenko O, Tjondronegoro D, Mani M. Mobile App Rating Scale: A New Tool for Assessing the Quality of Health Mobile Apps. JMIR mHealth uHealth 2015;3(1):e27. DOI: 10.2196/mhealth.3422