Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/198021 
Erscheinungsjahr: 
2019
Quellenangabe: 
[Journal:] DIW Wochenbericht [ISSN:] 1860-8787 [Volume:] 86 [Issue:] 19 [Publisher:] Deutsches Institut für Wirtschaftsforschung (DIW) [Place:] Berlin [Year:] 2019 [Pages:] 335-341
Verlag: 
Deutsches Institut für Wirtschaftsforschung (DIW), Berlin
Zusammenfassung: 
Eine zentrale Strategie, um der Zunahme von Antibiotikaresistenzen entgegenzutreten, ist die Verbesserung der ärztlichen Verschreibungspraxis. Damit sollen Fehlverschreibungen von Antibiotika als eine Hauptursache von Antibiotikaresistenzen vermieden werden. Die zunehmende Verfügbarkeit medizinischer Daten und Methoden des maschinellen Lernens bieten die Chance, schnellere Diagnosen bereitzustellen. In diesem Beitrag wird am Beispiel von Antibiotikaverschreibungen für Harnwegsinfekte in Dänemark dargelegt, wie datenbasierte Vorhersagen die klinische Praxis vor dem Hintergrund von Antibiotikaresistenzen verbessern können. Zu diesem Zweck werden umfassende administrative und medizinische Daten zusammen mit Methoden des maschinellen Lernens und einem ökonomischen Modell verwendet, um Verschreibungsregeln für Antibiotika zu entwickeln. Dabei zeigt sich, dass die Gesamtzahl an Verschreibungen durch die vorgeschlagenen Politikmaßnahmen um 7,42 Prozent verringert werden kann, ohne die Anzahl behandelter bakterieller Infektionen zu verringern. Dies demonstriert das große Potential dieser Methode. In Deutschland kann dieses Potential jedoch erst durch weitere Bemühungen bei der Digitalisierung von Informationen verwirklicht werden. Eine wichtige Rolle spielt die Verknüpfung oft dezentral erhobener und gespeicherter Informationen, die für die IT-Systeme von Arztpraxen und Krankenhäusern verfügbar sein müssen.
Schlagwörter: 
antibiotic prescribing
prediction policy
machine learning
expert decision-making
JEL: 
C10
C55
I11
I18
L38
Q28
Persistent Identifier der Erstveröffentlichung: 
Dokumentart: 
Article

Datei(en):
Datei
Größe
352.03 kB





Publikationen in EconStor sind urheberrechtlich geschützt.