eHealth: Gesundheits-Apps und digitale Angebote PDF

B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 1 8 eHealth Lernziele Nach der Lektüre dieses Kapitels  können Sie den Gegenstandsbereich von eHealth und seiner Unterkategorie mHealth definieren,  kennen Sie wesentliche Ziele, die mit eHealth-Anw...

B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 1 8 eHealth Lernziele Nach der Lektüre dieses Kapitels  können Sie den Gegenstandsbereich von eHealth und seiner Unterkategorie mHealth definieren,  kennen Sie wesentliche Ziele, die mit eHealth-Anwendungen verfolgt werden,  können Sie eHealth-Anwendungen anhand von pragmatischen Ordnungskriterien kategorisieren,  kennen Sie die aktuellen gesetzlichen Rahmenbedingungen für eHealth-Angebote in Deutschland,  besitzen Sie Wissen über nutzungsbezogene Eigenschaften von Gesundheits-Applikationen,  kennen Sie unterschiedliche eHealth- und mHealth-Interventionen aus ausgewählten Anwendungsbereichen der Gesundheitspsychologie. Die Verbreitung des Internets und die damit einhergehende Digitalisierung hat das Leben in vielen Bereichen einschneidend verändert – besonders im Bereich der Kommunikation in privaten, beruflichen sowie öffentlichen Bereichen. Hierbei beschreibt Digitalisierung den Einsatz von Informations- und Kommunikationstechnologien (IKTs). Laut der ARD-ZDF-Onlinestudie (2022) nutzten im Jahr 2022 95 % (67 Millionen Personen) der deutschen Bevölkerung ab 14 Jahren das Internet; davon 80 % (fast 57,0 Millionen Personen) täglich. Daher ist es naheliegend, dass IKTs auch genutzt werden, um gesundheitsrelevante Informationen einzuholen: Laut einer bevölkerungsrepräsentativen Telefonbefragung von 1,074 Internetnutzenden im Alter zwischen 18 und 80 Jahren im Oktober 2017 konsultierten in Deutschland fast die Hälfte der Befragten (46 %) bei Gesundheitsfragen das Internet (Marstedt, 2018). Bei einer im Dezember 2018 durchgeführten Umfrage gaben 72 % der befragten Internetnutzenden (N = 3,000) an, sich im Netz über Gesundheitsthemen informiert zu haben (Link & Baumann, 2020). In den letzten Jahren sind das Interesse an gesundheitsbezogenen Informationen und die Entwicklung digitaler Angebote für den Gesundheitsbereich angestiegen. Neben Anwendungsfeldern in der medizinischen Versorgung, wie der Einführung der elektronischen Gesundheitskarte (eGK) oder elektronischen Patientenakten (ePA), hat sich in den letzten zwei Jahrzehnten ein exponentiell wachsender Markt mit vielfältigen, gesundheitspsychologischen und therapeutischen webbasierten Gesundheitsangeboten, interaktiven Internetplattformen und Anwendungen beziehungsweise Applikationen (Apps) in App-Stores entwickelt. Diese Entwicklung ist von zunehmender Relevanz für die gesundheitspsychologische Forschung und Praxis. 8.1 Begriffsklärungen zu eHealth und seiner Unterkategorie mHealth Die im Gesundheitsbereich vergleichsweise jungen Disziplinen electronic health (eHealth) und mobile health (mHealth) finden im politischen, wissenschaftlichen, aber auch privaten Bereich immer mehr Aufmerksamkeit und Verwendung. Gleichzeitig gibt es jedoch keine einheitlichen Definitionen. Dies liegt zum einen daran, dass viele unterschiedliche Disziplinen aus den Natur-, Sozial- und Technikwissenschaften im Themenbereich eHealth vertreten sind (Fischer et al., 2016) und zum anderen daran, dass die Begriffe im allgemeinen Sprachgebrauch nicht immer trennscharf verwendet werden. Der Begriff eHealth unterliegt zudem einem ständigen Wandel und wird in Anbetracht neuer Entwicklungen (wie z. B. Apps) regelmäßig auf Aktualität überprüft B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 2 (Boogerd et al., 2015). Daher soll im Folgenden zunächst eine begriffliche Einordnung von eHealth erfolgen. eHealth ist ein Teilgebiet der Medizinischen Informatik, die sich vereinfacht gesprochen mit dem Einsatz von Informatik im Gesundheitswesen beschäftigt. Im Allgemeinen wird eHealth als Sammelbegriff für den Einsatz von IKTs im Gesundheitswesen verwendet und soll der Verbesserung der gesundheitlichen Versorgung auf individueller und gesellschaftlicher Ebene dienen (Fischer et al., 2016). Dabei sind die Ansatzpunkte von eHealth vielfältig und reichen von Screening, Diagnostik, Dokumentation, Monitoring, Selbsthilfe, Therapie, Rehabilitation und Pflege bis hin zu Prävention und Gesundheitsförderung. Ein besonderes Merkmal von eHealth-Angeboten umfasst die mögliche Überwindung von räumlichen und zeitlichen Barrieren bei der Bereitstellung von gesundheitsbezogenen Dienstleitungen (Haas, 2006). Dies kann bei eHealth-Angeboten im Bereich Diagnostik und Therapie das Ausbleiben oder Verringern von Wartezeiten beinhalten. Im Bereich Gesundheitsförderung beziehungsweise Primärprävention kann durch den Einsatz von IKTs beispielsweise eine zeitlich flexible und ortsunabhängige Bearbeitung von Aufgaben oder Übungen aus Gesundheitstrainings (z. B. bei Stressmanagementkursen) ermöglicht und so der Transfer der Trainingsinhalte in den Alltag erleichtert werden. Zwei weitere wichtige Aspekte, die bei der oben angeführten, eher technisch orientierten Definition von eHealth zu ergänzen sind, sind zum einen die soziotechnische Komponente (Zusammenbringen von Menschen über technische Möglichkeiten) und zum anderen die Nutzerorientierung. So kann eHealth als Einsatz moderner IKTs im Gesundheitswesen verstanden werden, die das Ziel haben, den Austausch verschiedener Gruppen von Nutzenden in Bezug auf Gesundheitsbelange zu unterstützen. Eine besondere Untergruppe von eHealth stellen mHealth-Angebote dar, bei denen mobile Endgeräte wie Smartphones oder Tablets genutzt werden. Die Weltgesundheitsorganisation (World Health Organization, WHO) beschreibt mHealth als „… medical and public health practice supported by mobile devices, such as mobile phones, patient monitoring devices, personal digital assistants (PDAs), and other wireless devices” (WHO, 2011, S. 6). Die Anwendung mobiler Technologie (z. B. SMS, Sensoren) zur Bereitstellung und Messung von Gesundheitsinformationen und -daten erfolgte ursprünglich über Mobiltelefone und heutzutage entsprechend des Voranschreitens der Digitalisierung zunehmend über mobile, internetfähige Kommunikationsgeräte (z. B. Smartphones, Tablets, Fitness-Wearables). Viele mHealth- Technologien werden privat im häuslichen Bereich genutzt, wie zum Beispiel Gesundheits-Apps auf mobilen Endgeräten zur Erfassung körperlicher Aktivität. Insgesamt kann daher die Nutzung mobiler Gesundheitsangebote zum Gesundheitsverhalten (siehe Kurs 1, Kapitel 2 „Gesundheitsbezogenes Verhalten“) gezählt werden (Krömer & Zwillich, 2014). Neben eHealth und mHealth umfasst die Medizinische Informatik aber auch beispielsweise Anwendungen der medizinischen Bild- und Signalverarbeitung, die Bioinformatik oder Algorithmen zum maschinellen Lernen (Machine Learning) einschließt. Solche Angebote haben – in Abgrenzung zum Begriff eHealth im engeren Sinne – nicht primär das Ziel, Raum und Zeit bei der Bereitstellung medizinischer Dienste durch den Einsatz von Technik zu überbrücken, sondern sollen lokal (in Krankenhäusern) Leistungserbringende in ihrer Arbeit unterstützen (z. B. in der Diagnostik). Als Abgrenzungsmerkmal kann also angeführt werden, dass nicht alleine der lose Gesundheitsbezug und die Technik (elektronisch, internetbasiert etc.), sondern die Nutzungsart und der Zweck für die Zuordnung als eHealth-Angebot relevant sind. Dies soll nachfolgend mithilfe ausgewählter Anwendungsfelder von eHealth veranschaulicht werden. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 3 8.2 Anwendungsfelder von eHealth Wenn man eHealth als Sammelbegriff versteht, unter dem alle IKT-Anwendungen zur Verbesserung der gesundheitlichen Versorgung subsummiert werden, stellt sich die Frage, wie sich diese Vielzahl von Anwendungen ordnen lässt. Aufgrund vieler, sich teilweise überschneidender Betrachtungsperspektiven ist eine eindeutige Zuordnung je nach Auswahl der Kategorien entweder nur auf sehr abstraktem Niveau oder gar nicht möglich. Im Folgenden werden Einteilungskriterien vorgestellt, die eine pragmatische Einordnung von eHealth- Anwendungen ermöglichen. 8.2.1 Nutzende als Ordnungskriterium für eHealth-Anwendungen Ein bewährtes Ordnungskriterium beinhaltet die Frage nach den Nutzenden. Werden die IKT- Anwendungen von Ärzt:innen genutzt, hat sich der Begriff Telemedizin etabliert. So definiert die Bundesärztekammer (BÄK, 2015, S. 2) Telemedizin als einen „… Sammelbegriff für verschiedenartige ärztliche Versorgungskonzepte. Dabei werden medizinische Leistungen der Gesundheitsversorgung der Bevölkerung in den Bereichen Diagnostik, Therapie und Rehabilitation sowie bei der ärztlichen Entscheidungsberatung über räumliche Entfernungen (oder zeitlichen Versatz) hinweg erbracht. Hierbei werden Informations-und Kommunikationstechnologien eingesetzt.“ Der Unterschied zu vielen eHealth-Anwendungen besteht also darin, dass es bei Telemedizin ausschließlich um ärztliche Versorgungskonzepte geht, die nur einen Teil des digitalisierten Gesundheitswesens ausmachen. Darunter fallen sowohl Anwendungen der Kommunikation zwischen Ärzt:innen wie beispielsweise ein Telekonsil (Einholung einer Zweitmeinung) oder ein Austausch von elektronischen Arztbriefen, Rezepten und Überweisungen als auch Anwendungen, an denen Therapierende sowie Patient:innen beteiligt sind (z. B. die online-Videosprechstunde). Hier haben sich weitere eigene Unterbegriffe wie Telediagnostik und Teletherapie etabliert. Als weitere Anwendungsfelder von eHealth in Deutschland mit hoher Relevanz für die Gesundheitsversorgung gelten die eGK, die ePA und die elektronische Gesundheitsakte (eGA), die alle Bürger:innen der Bundesrepublik Deutschland betreffen und die im Kontext der Digitalisierungspläne des Bundesministeriums für Gesundheit (BMG) auch immer wieder in den Medien thematisiert werden. Alle gesetzlich Versicherten benötigen die eGK zur Inanspruchnahme von medizinischen beziehungsweise psychotherapeutischen Kassenleistungen. Aktuell speichert die eGK allgemeine Daten zur Person beziehungsweise zum Versicherungsstatus (Stammdaten), soll aber in ihren Funktionen perspektivisch um die Speicherung von Gesundheitsdaten erweitert werden (schrittweise Erweiterung der gespeicherten Daten bei Gesundheitsversicherungskarten, z. B. um Medikamentenpläne). Weitere Informationen zur eGK finden sich auf der Internetseite des BMG: https://www.bundesgesundheitsministerium.de/themen/krankenversicherung/egk.html. Während die eGK und die ePA (Ersetzen der internen Papierdokumentation/gedruckten Patient:innen-Akten in Krankenhäusern und Praxen) zur Speicherung gesundheitsbezogener Daten im Kontext der Inanspruchnahme von Angeboten im Gesundheitswesen durch Leistungserbringende (ohne Beteiligungsmöglichkeiten von Patient:innen) dienen, stellt die eGA eine Art erweiterte ePA mit zusätzlichen Bearbeitungs- beziehungsweise Eintragungsmöglichkeiten durch Patient:innen dar. Die ePA ist im Gegensatz zur papiergebundenen Akte unabhängig vom physischen Lagerungsort verfügbar, sodass Patient:innen von zu Hause aus in Kontakt zu ihren (Haus-)Ärzt:innen treten können. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 4 Demgegenüber steht der Bereich der Consumer Health Informatics, einem weiteren Teilgebiet der Medizinischen Informatik, das sich mit konsumentenorientierten eHealth-Anwendungen jenseits der medizinischen Regelversorgung beschäftigt. Prominenteste Beispiele sind hier Fitnesstracker, die es erlauben, per Smartphone, Smartwatch oder anderer mobiler Sensorik gesundheitsbezogene Daten zu sammeln, auszuwerten, bereitzustellen und auszutauschen. Der ubiquitäre Einsatz von Smartphones und die sehr hohe Anzahl von zugehörigen Apps machen deutlich, dass dieser Markt nicht von den Leistungserbringenden im Gesundheitswesen getrieben wird, sondern von Konsumierenden. Hier haben sich in den letzten Jahren zahlreiche Firmen (inkl. vieler Informationstechnologie-[IT-]Start-ups) mit ihren Angeboten direkt an die Nutzenden gewandt und ihre Produkte ohne einen Umweg über Instanzen im Gesundheitswesen (z. B. Krankenkassen) direkt auf den Markt gebracht (z. B. eine Gesundheits-App im App-Store). 8.2.2 Art der Technik als Ordnungskriterium für eHealth-Anwendungen Ein weiteres Ordnungskriterium ist die Frage nach der Art der Technik, die für eHealth- Anwendungen genutzt wird. Für alle Verfahren der medizinischen und öffentlichen Gesundheitsfürsorge, die auf Smartphones und Tablets genutzt werden können, hat sich der Begriff mHealth etabliert (siehe auch Abschnitt 8.1). Die WHO definiert mHealth als medizinische und öffentliche Gesundheitspraxis (öffentlich im Sinne von Public Health), die von mobilen Geräten wie Mobiltelefonen, Monitoring-Geräten für Patient:innen, persönlichen digitalen Assistenzsystemen (PDAs) und anderen drahtlosen Geräten unterstützt wird und dazu sowohl Sprach- und Kurznachrichtendienste (SMS) als auch komplexere Funktionalitäten und Anwendungen wie GPS und Bluetooth einsetzt (WHO, 2011). Demgegenüber steht der Einsatz „fester“, ortsgebundener Informationssysteme beziehungsweise IKTs in den jeweiligen Institutionen, wie sie beispielsweise in der Teleradiologie genutzt werden. Eine weitere Gruppe in Bezug auf die Technik bildet der Einsatz von eHealth im privaten Umfeld von Patient:innen, vor allem in Bezug auf den Einsatz von Sensorik. So findet sich unter dem Begriff Ambient Assisted Living (AAL) ein breites Feld an eHealth-Anwendungen. Unter AAL wird die Unterstützung des eigenständigen häuslichen Lebens durch technische Assistenz (z. B. durch Sensoren oder Kommunikationshilfen) verstanden, die vor allem im Bereich der Pflege und Rehabilitation zum Einsatz kommen. Bekannteste Beispiele dieser Gruppe sind der Hausnotruf und die Sturzsensorik, wobei auch Elemente wie die Videotelefonie oder sogenannte Hausroboter zu AAL gezählt werden. Ein weiterer Bereich umfasst das Telemonitoring, das beispielsweise im Rahmen von Disease-Management-Programmen für Menschen mit chronischen Krankheitsbildern und -ver- läufen zur Therapieunterstützung eingesetzt wird (z. B. zum Monitoring des Blutzuckerspiegels und Insulineinnahme bei Diabetes mellitus; siehe Kurs 1, Kap. 12 „Ernährung und Essverhalten“). 8.3 eHealth in Deutschland Um einen ersten Überblick zur aktuellen Situation für die Dissemination von eHealth- Angeboten in Deutschland zu ermöglichen, wird im Folgenden eine vorläufige Bestandsaufnahme zu relevanten Akteur:innen sowie Gruppen, von strukturellen Voraussetzungen und der rechtlichen Ausgangssituation vorgestellt. 8.3.1 Relevante Gruppen bei der Digitalisierung des deutschen Gesundheitswesens In der deutschen Gesundheitsversorgung prägen verschiedene Akteur:innen sowie Gruppen die Verbreitung und Nutzung internetbasierter beziehungsweise digitalisierter Angebote (siehe Abschnitt 8.2 „Anwendungsfelder von eHealth“). Dies sind vor allem Patient:innen (bzw. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 5 Verbraucher:innen) als Leistungsempfangende, ambulante und stationäre Leistungserbringende, die Privatwirtschaft als Anbietende weiterer gesundheitsbezogener Dienstleistungen, der Staat als gesetzgebender Rahmen und Wissenschaftler:innen, die Angebote entwickeln und evaluieren. Die unterschiedlichen Akteur:innen stehen, wie bei anderen gesundheitsbezogenen Leistungen auch, in Interaktion miteinander. So könnte zum Beispiel eine Rehabilitationsklinik als stationärer Leistungserbringer eine App zur Unterstützung regelmäßiger Bewegung bei Schmerzpatient:innen nutzen, die von einem Unternehmen aus der Privatwirtschaft entwickelt wurde, und die damit verbundenen Kosten bei den Kostenträgern (Krankenkassen oder Rentenversicherungsträgern) abrechnen. Unter Voraussetzungen auf Seiten der Akteur:innen, durch die die Etablierung von eHealth- Angeboten erleichtert werden kann, fallen insbesondere ein umfassendes Wissen und ein einheitliches Verständnis hinsichtlich der Möglichkeiten und Grenzen der Technologien und ihres Einsatzes sowohl bei den Verbraucher:innen als auch bei den Beschäftigten im Gesundheitswesen. 8.3.2 Strukturelle Voraussetzungen für die Digitalisierung im deutschen Gesundheitswesen Die Verbesserungen der technischen Gegebenheiten, vor allem der Ausbau der Telematik- Infrastruktur (TI) sowie die Herstellung flächendeckender Zusammenarbeit unterschiedlicher Techniken und Systeme, gelten als wichtige Voraussetzung für die Digitalisierung (vgl. https://www.bundesgesundheitsministerium.de/e-health-initiative.html). Deutschland wird aktuell ein geringerer Grad der IT-Durchdringung als in vielen anderen Ländern wie Estland und Kanada attestiert: In einer internationalen Vergleichsstudie im Auftrag der Bertelsmann Stiftung zur Digitalisierung des Gesundheitswesens nimmt Deutschland Rang 16 von 17 untersuchten Ländern ein (Thiel et al., 2018). Die vielfältigen Gründe umfassen unter anderem strukturelle (z. B. Einwohnerzahl) und politische Aspekte (z. B. Gesundheitssystem, Gesetzeslage). Zudem wird dem Datenschutz in Deutschland – insbesondere in Bezug auf Gesundheitsdaten – ein besonders hoher Stellenwert zugesprochen, der sich sowohl in der Gesetzgebung als auch im gesamtgesellschaftlichen Diskurs widerspiegelt (z. B. Stichwort „Gläserne Patient:innen“). Als hinderlich für die Digitalisierung des Gesundheitswesens in Deutschland wird jedoch vor allem das Fehlen einer Gesamtstrategie (eHealth-Strategie) gesehen, die sich darin begründet, dass eine zentrale politische Koordination von eHealth-Aktivitäten im Vergleich zu diversen anderen Ländern nicht existiert (Thiel et al., 2018). Darüber hinaus treten im Zusammenhang mit der Digitalisierung des Gesundheitswesens viele Fragen auf, die zunächst – auch rechtlich – geklärt werden mussten: Wird die Privatsphäre der Einzelnen gewahrt? Was geschieht mit den Daten? Wer besitzt die Urheberschaft über die Daten? 8.3.3 Gesetzliche Grundlagen für eHealth in Deutschland In Deutschland regeln verschiedene berufsrechtliche und datenschutzrechtliche Bestimmungen die Nutzung internetbasierter Gesundheitsangebote. Aus datenschutzrechtlichen Gründen müssen personenbezogene Daten besonders geschützt werden (v. a. durch Verschlüsselung der Daten). Diskutiert wird der Datenschutz auch im Zusammenhang mit Big Data, also große, sich schnell verändernde oder sehr heterogene Datenmengen, und Open Data, also über das Internet frei verfügbare Datensätze. Aus Big Data ließen sich im Gesundheitswesen beispielsweise Hinweise für maßgeschneiderte Therapien bei einzelnen Erkrankten ableiten. Da jedoch immer wieder Mängel in Bezug auf die Datensicherheit auftreten und es noch keine vollständig sicheren Systeme gibt (Hänisch, 2016), werden solche Optionen sehr kritisch diskutiert. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 6 Um einen Grundstein für die Telematik-Infrastruktur zu schaffen, ist 2015 das Gesetz für sichere digitale Kommunikation und Anwendungen im Gesundheitswesen (sog. „E-Health- Gesetz“) verabschiedet worden, das am 01.01.2016 in Kraft getreten ist. Ein zentraler Aspekt dieses Gesetzes ist die Regelung von Rahmenbedingungen zur Einführung der eGK. Verbindlich und verpflichtend wurde in dem Zusammenhang das Stammdatenmanagement geregelt. So findet ein online-Abgleich der auf der eGK gespeicherten Versichertenstammdaten mit den bei der Krankenkasse vorliegenden aktuellen Versichertendaten statt. Darüber hinaus wurden Rahmenbedingungen für freiwillige Anwendungen (z. B. Notfalldaten, Medikationsplan, ePA) festgelegt. Die Inhalte des E-Health-Gesetzes sind hier einsehbar: http://www.bgbl.de/xaver/bgbl/start.xav?startbk=Bundesanzeiger_BGBl&jumpTo=bgbl115s2408. pdf. Seit 2018 ist es zudem durch eine Erweiterung der Zertifizierungsrichtlinie des Spitzenverbandes der Gesetzlichen Krankenversicherungen (GKV-Spitzenverband) für primärpräventive Angebote (siehe Kurs 2, Kapitel 1 „Gesundheitsförderung“ und Kapitel 2 „Krankheitsprävention“) möglich geworden, dass neben traditionellen Angeboten wie face-to- face-Gruppengesundheitskursen auch IKT-basierte Selbsthilfe (Präventionsangebote und Angebote zur Gesundheitsförderung) gefördert werden können (GKV-Spitzenverband, 2019). Die Teilnahmekosten für durch die Zentrale Prüfstelle Prävention (ZPP) zertifizierte IKT-basierte Gesundheitsangebote können sich gesetzliche Versicherte analog zu traditionellen Präventionsangeboten unter bestimmten Voraussetzungen (größtenteils) erstatten beziehungsweise bezuschussen lassen (Erwachsene i. d. R. zu 80 % und Minderjährige zu 100 % der Kursgebühren). Die Anforderungen an solche IKT-basierten Interventionen auf Seite der Anbietenden (z. B. Begleitung durch qualifizierte eCoaches bei Stressmanagementkursen) sind zuletzt im Juli 2020 aktualisiert worden und können auf der Internetseite der ZPP unter dem Menüpunkt „Downloads“ nachgelesen werden: https://www.zentrale-pruefstelle-praevention.de (siehe „Information für Anbietende von IKT-basierten Selbstlernprogrammen“). Mit dem am 10.07.2019 im Bundeskabinett beschlossenen Entwurf für das „Digitale- Versorgung-Gesetz“ (DVG) können in Zukunft digitale Gesundheitsanwendungen (DiGAs, z. B. Apps) in Deutschland auf Kosten der gesetzlichen Krankenversicherung verordnet werden, wenn Sicherheits- und Qualitätskriterien wie Datenschutz und Nutzerakzeptanz eingehalten werden (BMG, 2019). Dazu müssen die Apps zukünftig vom Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM) auf Datensicherheit, Datenschutz und Funktionalität geprüft werden. Die/Der Herstellende muss beim BfArM nachweisen, dass die App die Versorgung von Patient:innen verbessert (BMG, 2019), also auch inhaltlichen Qualitätsstandards wie der Effektivität und Effizienz entspricht. Weitere Informationen finden sich auf der Internetseite des BfArM unter: https://diga.bfarm.de/de oder https://www.bfarm.de/SharedDocs/Downloads/DE/Medizinprodukte/diga_ausfuellhilfe.pdf?__blo b=publicationFile. Darüber hinaus sollen telemedizinische Leistungen wie die Videosprechstunde oder das Telekonsil durch das BMG gefördert werden. Dies wurde zudem von ärztlicher Seite unterstützt, als der Deutsche Ärztetag 2018 das bisher geltende „Fernbehandlungsverbot“ für Ärzt:innen lockerte und somit den Weg für eine Videosprechstunde ebnete (Gassner & Strobl, 2019). Aktuelle rechtsverbindlichen Neuregelungen zur Weiterentwicklung der ePA sowie beispielsweise des elektronischen Rezepts (E-Rezept) 1 resultieren aus dem Patientendaten-Schutz-Gesetz (PDSG) vom 1 Jeweils aktuelle Informationen zur ePA siehe https://www.bundesgesundheitsministerium.de/elektronische- patientenakte.html, zum E-Rezept siehe https://www.bundesgesundheitsministerium.de/e-rezept.html. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 7 14.10.2020 sowie aus dem Digitale-Versorgung-und-Pflege-Modernisierungs-Gesetz (DVPMG) vom 09.06.2021 (BMG, 2020, 2021). Weitere rechtliche Rahmenbedingungen ergeben sich durch die Datenschutz- Grundverordnung (DSGVO), die seit dem 25.05.2018 anzuwenden ist, und die EU-Verordnung über Medizinprodukte (MPVO), die seit dem 26.05.2020 verpflichtend anzuwenden ist (Gassner & Stobl, 2019). In der DSGVO gibt es besonders schützenswerte Daten, zu denen sogenannte Gesundheitsdaten gehören. Dies sind nach § 4 Nr. 15 DSGVO personenbezogene Daten, die sich auf die körperliche oder geistige Gesundheit einer natürlichen Person, einschließlich der Erbringung von Gesundheitsdienstleistungen, beziehen und aus denen Informationen über deren Gesundheitszustand hervorgehen (Gassner & Stobl, 2019). Die MPVO regelt nicht nur Hardware- Produkte wie Beatmungsgeräte, sondern auch Software; sie gilt somit gleichermaßen für Apps, sofern diese eine medizinische Zweckbestimmung verfolgen (Gassner & Stobl, 2019). Die Grenze zwischen medizinischer und nichtmedizinischer Zweckbestimmung erscheint unter Umständen nicht immer eindeutig, vor allem im Bereich Gesundheitsförderung. Laut Gassner und Stobl (2019) würde aber eine App zur Bewältigung von chronischem Stress, die laut Herstellerfirma mit dem Zweck der Verbesserung des gesundheitlichen Zustandes vertrieben wird, als Medizinprodukt zu klassifizieren sein. Ein abschließender Stand zur Digitalisierung im Gesundheitswesen lässt sich aufgrund der aktuell andauernden Entwicklung nicht berichten. 8.4 Spezielle Arten und Komponenten von eHealth-Angeboten Es existieren verschiedene Gruppen von eHealth-Angeboten, die sich in ihren Interventionszielen, den Zielgruppen oder in Bezug auf die verwendeten Kommunikations- und Technologieformen unterscheiden. 8.4.1 Technische Umsetzung und Zielsetzung Domhardt et al. (2018) listen folgende Gruppen von Anwendungen mit einer jeweils etwas anderen technischen Gestaltung und/oder Zielsetzung auf:  internetbasierte Selbsthilfeinterventionen mit oder ohne professionelle Begleitung  internetbasierte Gesundheitskampagnen und/oder -ratgeber  virtuelle Umgebungen (virtual reality) oder Internetspiele mit therapeutischem Ziel (serious games)  Gesundheits-Apps für mobile Endgeräte  App-/E-Mail-/SMS-gesteuerte Erinnerungs-, Feedback- und Verstärkungsautomatismen zur erleichterten Umsetzung und Verfestigung von gesundheitsrelevanten Verhaltensweisen im Alltag  Blogs, Podcasts und online-Support-Gruppen Die Gruppen sind allerdings nicht immer trennscharf. So sind einige Webseiten wie auch internetbasierte Interventionen für die Darstellung auf mobilen Endgeräten soweit optimiert worden, dass sie den Nutzenden auf dem Smartphone oder dem Tablet wie eine App erscheinen können. Innerhalb und zwischen diesen Gruppen unterscheiden sich die einzelnen Angebote weiterhin hinsichtlich der inhaltlichen Ausgestaltung und der theoretischen Fundierung sowie darin, ob und in welchem Ausmaß sie medizinisch, psychologisch oder therapeutisch begleitet werden. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 8 8.4.2 Inhaltliche Ausgestaltung Die inhaltliche Ausgestaltung einer eHealth- oder mHealth-Intervention hängt von ihrem Ziel ab. Bei vielen digitalen Gesundheitsangeboten werden Verhaltensänderungen angezielt, durch die eine Verbesserung des Gesundheitszustands oder ein funktionaler Umgang mit einer gesundheitlichen Einschränkung beziehungsweise einer Krankheit erreicht werden soll. Je nach konkretem Ziel kann dies unter anderem durch edukative Anteile, beispielsweise in der Form von Informationen über ein Krankheitsbild oder ein Gesundheitsrisiko, erreicht werden (Domhardt et al., 2018). Diese Anteile können durch die Vermittlung von Anleitungen für das gewünschte Verhalten, durch Hilfen bei der Planung und Ausübung des Verhaltens und durch Unterstützung bei der Aufrechterhaltung ergänzt werden. Als Grundlage für die Gestaltung der digitalen Angebote dienen häufig evidenzbasierte Manuale herkömmlicher face-to-face-Interventionen, die in elektronische beziehungsweise internetgestützte Technologien übersetzt werden. Die Module einer solchen Anwendung können frei wählbar sein oder nach einem vorgegebenen Schema (festgelegte Reihenfolge und Bearbeitungsdauer) erfolgen. Nach der Ausführung der Module beziehungsweise Aufgaben kann entweder ein automatisiertes allgemeines oder ein individuelles Feedback erfolgen. 8.4.3 Theoretische und empirische Fundierung Gesundheitsbezogene Interventionen sollten auf einer möglichst soliden theoretischen sowie empirischen Grundlage entwickelt werden. Je umfassender einschlägige Gesundheitsverhaltenstheorien und wirksame Techniken zur Verhaltensänderung herangezogen werden, desto größer ist die Wahrscheinlichkeit, dass eine Intervention wirksam ist (siehe Kurs 2, Kapitel 6 und 7 „Intervention Mapping I und II“). Dies gilt für face-to-face-Interventionen ebenso sowie für webgestützte (Webb et al., 2010) und mobil vermittelte Interventionen (Riley et al., 2011). Im Bereich der Gesundheitsförderung haben sich die eingeführten gesundheitspsychologischen Theorien zur Beschreibung, Erklärung und Vorhersage von gesundheitsbezogenem Verhalten bewährt (siehe Kurs 1, Kapitel 9 und 11 „Gesundheitsverhaltensmodelle I und II“). Eine Übersichtsarbeit zu 170 Studien, die gesundheitsbezogene IT-Plattformen untersuchten (Sawesi et al., 2016), ergab jedoch eine lückenhafte theoretische Fundierung bei den meisten untersuchten eHealth-Angeboten. So war nur in weniger als der Hälfte der Publikationen ein expliziter Bezug zu einschlägigen Modellen der Verhaltensänderung erkennbar. Am häufigsten wurde in Reviews eine Bezugnahme auf die Theorie des geplanten Verhaltens (Theory of Planned Behavior; TPB) gefunden (Sawesi et al., 2016; Webb et al., 2010). Insgesamt ist daher zu konstatieren, dass die theoretische Fundierung häufig noch ein Problem bei internetbasierten Gesundheitsangeboten darstellt. Daher ist das Ausmaß der theoretischen Fundierung eines Angebots ein wichtiges Kriterium für die Bewertung seiner Qualität (siehe Abschnitt 8.6 „Gesundheits-Apps“). 8.4.4 Art und Grad der professionellen Begleitung Ganz wesentliche Unterscheidungsmerkmale gesundheitsbezogener internetbasierter Interventionen sind die Art und der Grad der medizinischen, psychologischen oder therapeutischen Begleitung (Domhardt et al., 2018). Neben reinen Selbsthilfeinterventionen ohne jede Begleitung können eHealth- und mHealth-Interventionen durch Therapierende oder eCoaches begleitet werden (Baumeister et al., 2014). Der Begriff eCoach ist kein geschützter Begriff. Somit müssen eCoaches keine spezifische Ausbildung durchlaufen haben. Ein Beispiel für eCoaches sind Peers, die technische Fragen beantworten, Verständnisfragen klären, therapeutisch B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 9 unterstützen oder die Aufrechterhaltung der Teilnahme an einem Angebot (Adhärenz) fördern. Kasten 8.1 veranschaulicht die Begleitung einer eHealth-Intervention durch geschulte Peers. 2001 wurde in Freiburg die von der Caritas gestützte Organisation [U25] (http://www.u25- deutschland.de/) zur online-Mailberatung suizidaler Jugendlicher gegründet. Inzwischen gibt es deutschlandweit zehn Standorte. Bei dem Projekt [U25], das seit 2017 von dem Bundesministerium für Familie, Senioren, Frauen und Jugend gefördert wird, handelt es sich um eine online-Peer-Beratung per Mail für Jugendliche und junge Erwachsene in einer Krise. Das Angebot richtet sich an junge Menschen, die unter Selbstmordgedanken leiden oder in einer anderen Krise stecken. Ehrenamtliche Beratende, die selbst jünger als 25 Jahre alt sind, werden von Hauptamtlichen ausgebildet und in der Peer-Beratung supervidiert. Das Angebot ist anonym (die IP-Adresse wird nicht erfasst) und kostenlos. Die Anmeldung erfolgt per Nicknamen, sodass die Peer-Beratenden den einzelnen Ratsuchenden zugeordnet werden können. Kasten 8.1. Das webbasierte Programm [U25] mit Peer-Begleitung. eCoaches können synchron (z. B. mit verschlüsseltem Chat) oder asynchron (z. B. über verschlüsselte Nachrichten) verfügbar sein. Zudem können sie variabel von Teilnehmenden angefordert werden oder der Kontakt einem Algorithmus (z. B. automatisierte Reminder zu Rückmeldungen nach jeder x-ten Sitzung) folgen (Domhardt et al., 2018). Darüber hinaus bietet die Digitalisierung weitere Möglichkeiten zur kosteneffizienten Begleitung, beispielsweise in der klinischen Psychologie und Psychiatrie in Form von Chatbots, also automatisierten Computerprogrammen, die mittels Techniken der Künstlichen Intelligenz (KI) skriptbasiert mit Patient:innen kommunizieren (Bendig et al., 2019). Aktuell handelt es sich im Bereich eMental-Health überwiegend um experimentell angelegte Pilotstudien zum Einsatz von Chatbots in der Verhaltenstherapie bei psychischen Erkrankungen wie Depressionen oder Angststörungen (z. B. mit dem Chatbot „Woebot“ (https://woebothealth.com) zur Begleitung von Nutzenden im Rahmen von digitalen Selbsthilfeinterventionen. Erste Ergebnisse in Hinblick auf die Praktikabilität, Durchführbarkeit und Akzeptanz im Bereich psychischer Gesundheit beziehungsweise Krankheit erscheinen zwar durchaus vielversprechend, müssen jedoch noch durch qualitativ hochwertige, randomisiert-kontrollierte und klinische Studien untermauert werden (Bendig et al., 2019). Auch jenseits von Interventionen im Bereich der psychischen Gesundheit kommen bereits Chatbots zum Einsatz. So zeigen Chaix et al (2019), dass es möglich ist, die Adhärenz bei der Medikamenteneinnahme bei an Brustkrebs erkrankten Patientinnen durch den Einsatz von Chatbots zu verbessern. 8.4.5 Kombination unterschiedlicher Darbietungsmodi Internetbasierte Interventionen können entweder eine alleinige (stand-alone) Intervention darstellen oder mit weiteren face-to-face-Angeboten in den Bereichen der Diagnostik, Therapie, Prävention und Rehabilitation kombiniert werden (blended intervention; Erbe et al., 2017). Eine kombinierte Intervention kann beispielsweise genutzt werden, um therapierelevante Inhalte mit internetbasierter Technologie zu wiederholen und so im face-to-face-Kontakt zeitliche Kapazitäten für weitere Inhalte zu gewinnen. Eine aktuelle Übersichtsarbeit zeigt zudem, dass mögliche Vorteile von blended-Interventionen nicht nur mit Vorteilen wie der Zeitersparnis für Behandelnde, sondern auch mit niedrigeren Therapieabbruchquoten und einer erleichterten Aufrechterhaltung von anfänglich in einer Psychotherapie erzielten Therapieeffekten beziehungsweise positiven Veränderungen im Rahmen von nachfolgenden stationären Therapien verbunden sein können (Erbe et al., 2017). Zudem gibt es internetbasierte Gesundheitsangebote, B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 10 die in gestufte Präventions- und Behandlungskonzepte (stepped-care-Modelle) integriert sind und sich so je nach Anforderung und Bedarf individuell anpassen lassen (Domhardt et al., 2018). Hierbei können die Angebote entweder im step-up-Prozess intensiviert werden, wenn sie zuvor nicht ausreichend waren, oder im step-down-Prozess schrittweise in ihrer Intensität oder Frequenz reduziert werden. 8.5 eHealth und mHealth-Angebote im Vergleich zu face-to-face-Interventionen Mit eHealth- und mHealth-Angeboten sollen dieselben Ziele erreicht werden wie mit traditionellen gesundheitsbezogenen face-to-face-Interventionen: Veränderungen des Verhaltens und Erlebens, durch die eine Verbesserung der Gesundheit und eine Verringerung gesundheitlicher Gefährdungen ermöglicht wird. Es liegt derzeit nur eine begrenzte Anzahl an klinischen Studien vor, die die Wirksamkeit von digitalen und face-to-face-Interventionen direkt vergleichen. Im Bereich der Verhaltenstherapie hat eine Metaanalyse (Carlbring et al., 2018) mit 20 randomisiert-kontrollierten Studien keine signifikanten Unterschiede zwischen face-to-face- und internetbasierten Gesundheitsinterventionen gefunden, jedoch wird gleichzeitig die zu geringe Anzahl an Vergleichsstudien angeführt und weitere Forschung angeraten. Eine systematische Aufarbeitung der Vor- und Nachteile der beiden Zugangsarten für unterschiedliche Anwendungsbereiche und Zielgruppen steht bisher noch aus. Ebenso existieren erst begrenzte datenbasierte Kenntnisse darüber, wann welche Form von Intervention bei welchen Personen und welchen gesundheitsbezogenen Zielsetzungen besonders wirksam ist. Hinweise zu den jeweiligen Stärken und Schwächen von eHealth- und mHealth-Interventionen und herkömmlichen face-to-face-Interventionen finden sich bei einer Gegenüberstellung von Domhardt et al. (2018; siehe Tabelle 8.1). B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 11 Tabelle 8.1 Chancen (+) und Risiken (-) von internetbasierten Gesundheitsinterventionen im Vergleich zu face- to-face-Interventionen face-to-face- Internet- Chancen und Risiken auf Seiten der Interventionen Interventionen internetbasierten Interventionen + Flexibilität + Nutzerfreundlichkeit Durchführung und Durchführung und + Leistungsnutzende mit Mobilitätseinschränkungen Einsatzmöglichkeiten Einsatzmöglichkeiten + Erinnerungsfunktion zeit- und ortsgebunden zeit- und ortsflexibel + Verstärkerfunktion - niedrige Adhärenzraten (hoher Drop-out) Skalierbarkeit/Variation + verschiedene Intensitäten möglich der Intensität durch Skalierbarkeit/Variation + Einstieg niedrigschwellig möglich verfügbare Ressourcen der Intensität flexibel + große Reichweite/großer Personenkreis häufig begrenzt + Berücksichtigung von störungs- oder kulturspezifischen Personalisierbarkeit Personalisierbarkeit Aspekten (z. B. Sprache) möglich möglich, in möglich, jedoch + Individualisierbarkeit auf Modulebene Gruppenangeboten eingeschränkter + personalisierte Begleitung eingeschränkt - keine Individualisierung über vordefinierte Inhalte hinaus + Zugang zu Personen, die ansonsten aus Sorge (z. B. bzgl. Stigmatisierung) nicht teilgenommen hätten Keine Anonymität Anonymität möglich - adäquates Handeln in Risikosituationen (z. B. Suizidalität) + Selbstzuweisung zu Teilnahme + Alltagsübungen sind der Generalisierung und Erhöhung Autonomie und Starke Ausprägung von der Programmintensität dienlich Selbstmanagement Autonomie und + Forderung aktiver Bearbeitung der Intervention variieren Selbstmanagement - wenig Wissen über Grenzen des Selbstmanagement - mögliche Überforderung von hilfsbedürftigen Personen + bei asynchroner Kommunikation Reflexionszeit vor Keine nonverbalen Kommunikation kann Rückmeldungen sowie Beratung durch eCoaches möglich Signale (z. B. Stimmlage) volles Spektrum - mögliche Missverständnisse nutzbar; Gefühle sind nonverbaler und - Rückversicherung durch Verbalisierung emotionaler durch Wörter mimischer Signale nutzen Erlebnisinhalte schwierig repräsentiert - Informationsverlust nonverbaler Signale + Reduktion von fehlenden Werten durch elektronische Datenschutzrechtliche Kontrollfunktion Datenerfassung und Anforderung bei + Vereinfachung der Berechnung von Datensicherheit: internetbasierter Fragebogenergebnissen und Abgleich mit Cut-off-Werten Manueller Verschluss von Durchführung; - Datensicherheit erfordert hohen Aufwand Akten; Schweigepflicht Schweigepflicht - fahrlässige Nutzung ungeeigneter, unverschlüsselter Kommunikationssysteme Anmerkung. Aus Domhardt et al., 2018, S. 402f. Domhardt et al. (2018) ziehen die Schlussfolgerung, dass die besonderen Chancen von eHealth- und mHealth-Angeboten in dem erweiterten Kreis an Personen liegen, die dank der Orts- und Zeitflexibilität sowie der geringen Kosten erreicht werden können. Risiken bestehen hauptsächlich im Informationsverlust an nonverbalen Signalen in der Interaktion sowie in der gefährdeten Datensicherheit. Diese Aspekte können sich in der Akzeptanz von eHealth- Angeboten auf Seiten der (potenziellen) Nutzenden niederschlagen. 8.6 Gesundheits-Apps Unter den eHealth-Anwendungen besitzen Gesundheits-Apps vor allem wegen ihrer freien Verfügbarkeit für Smartphone-Nutzende einen besonderen Stellenwert. Gesundheits-Apps sind Softwareprogramme, die überwiegend auf mobiler Hardware (wie Smartphones und Tablets) vielfältige Anwendungsmöglichkeiten im Bereich von Gesundheit und Krankheit ermöglichen; sie können zur Stärkung der Gesundheit und des Wohlbefindens und zu medizinischen Zwecken B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 12 eingesetzt werden (Albrecht, 2016; siehe auch Kapitel 8.1 und 8.2). Neben der Bereitstellung gesundheitsbezogener Inhalte erfassen Gesundheits-Apps beispielsweise von ihren Nutzenden Körperdaten und/oder Verhaltensweisen elektronisch und werten sie entsprechend aus. Das Einsatzspektrum reicht von Textnachrichten zur Erinnerung an den Gebrauch von Sonnenschutzmitteln bis zur Assistenz bei der Abstimmung von Blutzuckerwerten, Insulinzufuhr, Ernährung und Bewegung bei Diabetes mellitus. Den vielfältigen Einsatzmöglichkeiten entsprechend wurde und wird weiterhin eine Vielzahl von Gesundheits-Apps entwickelt und häufig kommerziell angeboten (Boulos et al., 2014). Während im Jahr 2012 über 40,000 Apps verfügbar waren, waren im Jahr 2017 bereits über 300,000 Apps in den App-Stores vorhanden, von denen allein im Jahr 2016 über 70,000 neu dazugekommen sind (Mosconi et al., 2019). Aufgrund weiterentwickelter Sensorik in Smartphones und Smartwatches und den veränderten gesetzlichen Rahmenbedingungen ist davon auszugehen, dass die Zahl noch steigen wird. Dem Vorteil der vielfältigen Anwendungsoptionen von Gesundheits-Apps stehen jedoch einige Probleme und Voraussetzungen gegenüber. Diese betreffen die häufig mangelnde theoretische Fundierung von Gesundheits-Apps, ihre Benutzerfreundlichkeit sowie personenseitige Voraussetzungen für ihre Nutzung, und dabei insbesondere die Technologieakzeptanz. 8.6.1 (Mangelnde) theoretische Fundierung von Gesundheits-Apps Ebenso wie bei eHealth-Angeboten (siehe Abschnitt 8.4 „Spezielle Arten und Komponenten von eHealth-Angeboten“) gibt es bisher wenig Hinweise dafür, dass die Fundierung der Gesundheits-Apps durch einschlägige Gesundheitsverhaltensmodelle und theoretisch sowie empirisch bewährte Verhaltensänderungstechniken ein vorrangiges Ziel bei ihrer Entwicklung darstellt (siehe Kurs 1, Kapitel 9 und 11 „Gesundheitsverhaltensmodelle I und II“). Bei einer Analyse von 127 Gesundheits-Apps aus dem Bereich Fitness fanden Cowan et al. (2012) beispielsweise nur eine schwache erkennbare theoretische Fundierung der Anwendungen. In Bezug auf theoretisch und empirisch basierte Verhaltensveränderungstechniken ergab eine andere Analyse von 64 Gesundheits-Apps, dass im Schnitt nur fünf solcher Techniken (von möglichen 23) erwähnt wurden (Middelweerd et al., 2015). Die dabei am häufigsten verwendeten Techniken waren Rückmeldungen über das gezeigte Verhalten und Erinnerungen, die die Selbstbeobachtung unterstützen sollen. Andere einschlägige Verhaltensveränderungstechniken wie das Setzen von abgestuften Zielen, Stress- und Zeitmanagement oder die Identifizierung von Verhaltensbarrieren wurden noch seltener oder nie verwendet. Ausgehend von der Untersuchung von Webb et al. (2010) zur Qualität und Wirksamkeit von eHealth- und mHealth-Anwendungen (siehe Abschnitt 8.4.3), die den Zusammenhang zwischen dem Ausmaß der theoretischen Fundierung und der Wirksamkeit in Bezug auf die erzielten Verhaltensänderungen unterstreicht, ist zu erwarten, dass auch Gesundheits-Apps an Wirksamkeit gewinnen können, sofern bei ihrer Entwicklung ein stärkeres Gewicht auf die theoretische Verankerung der verwendeten Konstrukte und Techniken der Verhaltensveränderung gelegt wird. Immer wieder wird aber die theoretische und methodische Qualität der Interventionsstudien zur Wirksamkeit von Gesundheits-Apps kritisiert (DiFilippo et al., 2015). Auch wurden bisher nur wenige Gesundheits-Apps tatsächlich systematisch auf ihre Wirksamkeit hin untersucht. Primär finden sich Pilotstudien mit kleinen Stichproben, sodass ein Bedarf an randomisierten Studien mit Kontrollgruppen und ausreichenden Stichprobengrößen besteht (Payne et al., 2015). Die Forderung nach verbindlichen Qualitätsstandards für eHealth- und mHealth-Interventionen ist somit auch für den Bereich der Gesundheits-Apps relevant, um Verbraucher:innen und dem Personal im Gesundheitswesen Entscheidungskriterien für die Bewertung und Auswahl solcher Apps an die Hand zu geben (Knight et al., 2015). B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 13 8.6.2 Anwendungsvoraussetzungen für Gesundheits-Apps Mit zunehmender Verbreitung von Gesundheits-Apps und veränderten Rahmenbedingungen wie eine potenzielle Kostenerstattung (siehe Abschnitt 8.3.3 „Gesetzliche Grundlagen für eHealth in Deutschland“) gewinnt die Frage nach Anwendungsvoraussetzungen an Bedeutung. Neben den Voraussetzungen auf Seiten der Anwendenden gibt es Eigenschaften auf App- Seite, die die Nutzung und somit die Technologieakzeptanz beeinflussen. Im Rahmen der Mensch- Technik-Interaktion fällt dies unter den Begriff Usability. Dabei ist jedoch mehr als nur die reine Funktionalität beziehungsweise Bedienbarkeit gemeint, sondern auch die zufriedenstellende Nutzung. Die Norm 9241 (DIN EN ISO 9241-11) fokussiert auf die Mensch-Computer-Interaktion und definiert drei Leitkriterien: Effektivität, Effizienz und Zufriedenheit (International Organization of Standardization, 2002). Alle drei Kriterien zielen auf eine möglichst geringe Ressourcennutzung des Anwendenden ab, um eine zu starke Belastung und Beanspruchung des Nutzenden zu vermeiden. Effektivität (effectiveness) bezieht sich auf das Ausmaß, in dem eine Aufgabe erfolgreich bewältigt werden kann. Demzufolge sollte eine Technologie dem Nutzenden ermöglichen, genaue und vollständige Ergebnisse zu erzielen. Effizienz (efficiency) bedeutet die Einfachheit, mit der eine Aufgabe ausgeübt werden kann (z. B. auch hinsichtlich der benötigten Zeit zur Aufgabenbewältigung). Dabei sollten die zu investierenden Ressourcen der Nutzenden in einem positiven Verhältnis zum Ergebnis stehen. Außerdem ist die Zufriedenheit (satisfaction) der Nutzenden als eher emotional gefärbtes Resultat der Anwendung ein wesentlicher Bestandteil der Usability (Jordan, 1998). Nach Gowin et al. (2015) sind benutzerfreundliche Apps kostenlos, einfach zu bedienen und ihr Gebrauch leicht zu lernen. Außerdem stellen sie visuelle sowie auditive Schlüsselreize und Belohnungen bereit. Insgesamt werden diejenigen Apps präferiert, die coachen und motivieren, individuelles Feedback hinsichtlich selbstgesetzter Ziele liefern und Wettbewerb mit anderen Personen erlauben. In Bezug auf den letztgenannten Aspekt wird wahrscheinlich zukünftig eine Vernetzung der Gesundheits-Apps mit sozialen Netzwerken noch bedeutsamer als bisher (Middelweerd et al., 2015). Ein weiterhin an Bedeutung gewinnendes Element sind Gamification-Ansätze, die spieltypische Komponenten aus dem Unterhaltungsbereich zur Verbesserung der Motivierung von Nutzenden bei Gesundheits-Apps aufgreifen. In einem Review analysierten Cheng et al. (2019), welche Gamification-Elemente in Gesundheits-Apps eingesetzt werden. Dies waren unter anderen Fortschrittsrückmeldungen, Sammeln von Punkten oder Scores, Incentives wie Belohnungen oder Preise, Einsatz von Erzählungen (Narrative), Personalisierung und Anpassung an die Bedürfnisse der Nutzenden. Seltener gefunden wurden Elemente wie freischaltbare Inhalte oder soziale Zusammenarbeit (Cheng et al., 2019). Jedoch ist die Anwendung von Gamification häufig nicht durch Theorien der Veränderung des Gesundheitsverhaltens geleitet, sodass Gamification- Elemente eingesetzt werden, ohne zugrunde liegende Mechanismen zu berücksichtigen (siehe Abschnitt 8.6.1 (Mangelnde) theoretische Fundierung von Gesundheits-Apps). 8.6.3 Qualitätskriterien für Gesundheits-Apps Gerade die Frage nach der Qualität wird angesichts einer durch das DVG perspektivisch möglichen Verschreibung von Gesundheits-Apps durch Ärztin oder Arzt und Kostenerstattung durch die gesetzlichen Krankenkassen relevant. Da die Zahl digitaler Gesundheitsangebote in den letzten Jahren stark zugenommen hat, wären verbindliche Qualitätsstandards wünschenswert, die beispielsweise durch unabhängige Prüfstellen beziehungsweise Institutionen des Gesundheitswesens festgelegt werden (Domhardt et al. 2018). B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 14 Aufgrund der Schnelllebigkeit des international agierenden Marktes für eHealth-Angebote ist es jedoch schwer, ein einheitliches und global anerkanntes Gütesiegel festzulegen beziehungsweise zu etablieren. Für die App-Entwicklung genügt ein einfacher Computer mit entsprechender Entwicklungsumgebung, und so können Anwendungen von einzelnen Entwickler:innen oder Firmen überall auf der Welt in den jeweiligen App-Stores ohne größeren Aufwand verfügbar gemacht werden. Verbindliche Qualitätskriterien lassen sich kaum weltweit verpflichtend einführen; stattdessen setzt man auf Freiwilligkeit. Erste Vorschläge für Qualitätssiegel zur unabhängigen Bewertung von Gesundheits-Apps und somit zur einheitlichen Qualitätssicherung wurden in Deutschland unter anderem von folgenden Akteur:innen entwickelt: Zentrum für Telematik und Telemedizin GmbH (ZTG; AppCHECK): https://appcheck.de/ HealthOn e.V.: https://www.healthon.de/ Aktionsforum Gesundheitsinformationssystem (afgis) e.V.: https://www.afgis.de/upload/pdf/afgis-flyer-gesundheits-apps.pdf In einer Übersichtsarbeit konnten im Jahr 2018 insgesamt 13 verschiedene, individuelle Gütesiegel für Apps identifiziert werden (Albrecht et al., 2018). HealthOn, eine Informations- und Bewertungsplattform für Gesundheits-Apps in Deutschland, stellt beispielsweise die eigens aufgestellten Qualitätskriterien in einem HealthOn-App-Ehrenkodex zusammen. Diese Siegel werden nach Albrecht et al. (2018) aktuell kaum angewendet, denn nur fünf von sieben Apps mit deutscher Beschreibung aus der Primärkategorie „Medizin“ oder „Gesundheit und Fitness“ wiesen gesundheitsbezogene Siegel auf. Dies ist der Fall, obwohl es sich (im Gegensatz zu den hohen Anforderungen bei der gesetzlich vorgeschriebenen CE-Kennzeichnung für Medizinprodukte) um relativ leicht anzuwendende Qualitätskriterien handelt, die insbesondere für nicht-medizinische Produkte relevant sein und für Werbezwecke genutzt werden können. Die vielfältigen Anforderungen an die Qualitätssicherung und Zertifizierung können die Nutzung jedoch einschränken oder die Einführung wichtiger neuer Technologien verzögern. Sowohl internationale (Nouri et al., 2018) als auch nationale (Klein et al., 2016) Qualitätsstandards werden bereits diskutiert, wurden bislang aber noch nicht verpflichtend eingeführt. Als Lösungsansatz schlagen Albrecht et al. (2018) vor, die Nutzenden und Stakeholder zu sensibilisieren, selbst an Qualitätsanforderungen mitzuwirken, diese transparent zu kommunizieren und in den verschiedenen Fachgesellschaften zu konsentieren. Im Auftrag von eHealth Suisses (schweizer Kompetenz- und Koordinationsstelle) hat Albrecht (2019) Elemente für einen einheitlichen Kriterienkatalog vorgeschlagen, der in verkürzter Form in der Tabelle 8.2 dargestellt ist: B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 15 Tabelle 8.2 Aspekte von Qualität für Gesundheits-Apps basierend auf neun Qualitätsprinzipien nach Albrecht (2019) Qualitätsprinzip Erläuterung Transparenz Wie transparent sind die vorherrschenden Qualitätsprinzipien? In welchem Ausmaß ist die Software für den Anwendungsbereich Zweckmäßigkeit geeignet? Kann die Software angewendet werden ohne den Anwender oder Risikoangemessenheit seine Umgebung einem unverhältnismäßigen gesundheitlichen, sozialen oder wirtschaftlichen Risiko auszusetzen? Sind Entwicklung, Angebot, Betrieb und Nutzung ethisch Ethische Unbedenklichkeit unbedenklich und können damit Diskriminierung und Stigmatisierung vermieden werden? Ist Rechtskonformität (u. a. Medizinprodukterecht, Berufsrecht, Rechtskonformität Datenschutzrecht) gewährleistet? Inhaltliche Validität In welchem Maße sind Inhalte valide und vertrauenswürdig? Entsprechen Entwicklung, Betrieb, Pflege und Nutzung dem Stand der Technische Angemessenheit Technik? Ist eine zielgruppenangemessene Nutzung möglich und trägt die Gebrauchstauglichkeit Software zur Zufriedenheit der Nutzenden bei? In welchem Ausmaß werden bei der Entwicklung Elemente für eine Ressourceneffizienz ressourceneffiziente Nutzung berücksichtigt? 8.7 Untersuchung der Akzeptanz und Nutzung von eHealth- und mHealth-Angeboten mithilfe der Unified Theory of Acceptance and Use of Technology Das Zusammenwirken unterschiedlicher Einflussfaktoren auf die Akzeptanz und Nutzung digitaler Technologien zu spezifizieren, ist das Anliegen der Unified Theory of Acceptance and Use of Technology (UTAUT; Venkatesh et al., 2003). Die UTAUT dient also nicht der Entwicklung, sondern der Untersuchung der Akzeptanz bereits bestehender oder geplanter Angebote. Diese Theorie basiert auf etablierten Theorien und Modellen zur Erklärung, Beschreibung und Vorhersage von Verhalten und Verhaltensänderungen (siehe Kurs 1, Kapitel 9 und 11 „Gesundheitsverhaltensmodelle I und II“). Sie beschreibt dabei die Zusammenhänge zwischen Determinanten und der verhaltensbezogenen Absicht zur Technologienutzung („behavioral intention to use technology“) und wie sich diese Zusammenhänge nachfolgend auf das tatsächliche Nutzungsverhalten auswirken. Ziel ist die Testung von Vorhersagemodellen zur Akzeptanz und Nutzung bestimmter innovativer Technologieprodukte (z. B. bei Angestellten in Unternehmen). Zu den Determinanten von Verhaltensabsicht (Akzeptanz) und Nutzungsverhalten zählen nach der UTAUT:  Leistungserwartung („performance expectancy“; Erwartung von Unterstützung zur Erreichung einer Leistung oder eines Verhaltensziels durch die Nutzung einer Technologie)  Aufwandserwartung („effort expectancy“; Erwartung von Einfachheit beziehungsweise Angemessenheit des Nutzungsaufwandes einer Technologie)  sozialer Einfluss („social influence“; Beachtung der Meinung anderer über die Nutzung einer Technologie)  erleichternde Bedingungen („facilitating conditions“; Annahme der Gegebenheit von organisatorischer und technischer Infrastruktur zur Unterstützung der Nutzung der Technologie) Im Gegensatz zu den erleichternden Bedingungen werden die übrigen drei Variablen jedoch nur als direkte Determinanten der Nutzungsabsicht (Akzeptanz) und nicht der tatsächlichen B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 16 Nutzung in der UTAUT angesehen. Moderatoren zwischen diesen Determinanten und der Verhaltensabsicht sind in der UTAUT Geschlecht, Alter, Erfahrung und Freiwilligkeit der Nutzung (z. B. ein stärkerer Einfluss von Aufwandserwartung auf die Nutzungsabsicht bei Frauen und älteren Arbeitnehmenden, wobei diese Effekte mit steigender Erfahrung absinken; Venkatesh et al., 2003). Die UTAUT ist jedoch zum IT-Einsatz in Unternehmen und nicht in Bezug auf eHealth entwickelt worden, weshalb die Moderatoreffekte als kontextabhängig anzusehen sind. Darin begründet sich auch, dass die im UTAUT beschriebenen Moderatoren in der Literatur uneinheitlich oder nur teilweise untersucht werden. Im Jahr 2012 erfolgte eine Erweiterung, um die Theorie auf die Nutzung von Konsumierenden anzuwenden (UTAUT2; Venkatesh et al., 2012; siehe Abbildung 8.1). Der Moderator Nutzungsfreiwilligkeit wurde entfernt, da er sich als redundant erwiesen hatte beziehungsweise für die private Nutzung von IT-Angeboten von Konsumierenden im Gegensatz zum Einsatz von IT-Produkten in Unternehmenskontexten irrelevant erschien. Hinzugefügt wurden drei weitere Determinanten: Dies sind zum einen die hedonistische Motivation („hedonistic motivation“, d. h. Freude an der Nutzung einer Technologie), zweitens das Kosten-Nutzen-Verhältnis, das den Preis für die Technologie und ihre Nutzung berücksichtigt („price value“), und drittens Gewohnheit („habit“, siehe auch Kurs 1, Kapitel 8 „Regulation gesundheitsbezogenen Verhaltens“). Abbildung 8.1 illustriert die UTAUT2 mit empirisch belegten Zusammenhängen zwischen den Determinanten und der Nutzungsabsicht sowie dem Nutzungsverhalten mit den jeweiligen moderierenden Effekten. Abbildung 8.1 Unified Theory of Acceptance and Use of Technology 2. Aus Venkatesh et al., 2012, S. 160 Bei den UTAUT-Prädiktoren hat sich vor allem die Leistungserwartung als wichtigster Faktor für die Akzeptanz von eHealth erwiesen. In einer Metaanalyse fanden Taiwo und Downe (2013) eine mittlere aggregierte Effektgröße der Korrelation mit der Akzeptanz und etwas kleinere Effektgrößen für die übrigen Modellprädikatoren. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 17 8.8 Beispiele für eHealth-Angebote Wie bereits beschrieben, existieren zahlreiche Arten von eHealth- und mHealth-Angeboten in unterschiedlichen Formaten und mit unterschiedlichen Zielsetzungen. Aus der Vielzahl verfügbarer Anwendungen werden nachfolgend zwei Beispiele aus verschiedenen Bereichen dargestellt. Dabei handelt es sich um nach praktischen Erwägungen ausgewählte, kommerzielle Angebote. Die Auswahl dient keinen Werbe-, sondern nur Anschauungszwecken. Die Auswahl kommerzieller Angebote begründet sich unter anderem in dem Umstand, dass Leistungserbringende (z. B. Krankenkassen) in Deutschland nur qualitätsgeprüfte Angebote fördern, die in der Regel mit hohen Entwicklungs- sowie Bereitstellungskosten und Evaluationsaufwand verbunden sind. Die Teilnahmegebühren für bestimmte Angebote wie deprexis® (siehe Abschnitt 8.8.2) können sich jedoch Versicherte mancher Krankenkassen erstatten lassen. Eine weitere kommerzielle, in der Basisversion kostenlos verfügbare mHealth-App aus dem Bereich der physischen Aktivität wird nachfolgend vorgestellt. 8.8.1 mHealth zur Förderung der physischen Aktivität am Beispiel einer kommerziellen Gesundheits-App Regelmäßige, ausreichende körperliche Aktivität kann gegen Krankheiten, wie kardiovaskuläre Erkrankungen, Typ-2-Diabetes mellitus oder verschiedene Krebsarten schützen. Darüber hinaus kann sie auch das Mortalitätsrisiko senken (Warburton et al., 2006; siehe Kurs 1, Kapitel 13 „Physische Aktivität“). Für herkömmliche face-to-face-Interventionen zur Steigerung der körperlichen Aktivität ist die Wirksamkeit belegt, sofern sie den erforderlichen theoretischen und methodischen Anforderungen genügen. Eine Meta-Analyse von Murray et al. (2017) zeigte bei nichtklinischen Proband:innen einen signifikanten Effekt der Interventionen auf die körperliche Aktivität im Vergleich zu den Kontrollpersonen auch noch nach 6 bis 15 Wochen. Besonders effektive Interventionen nutzen dazu theoriebasierte Verhaltensänderungstechniken wie Selbstüberwachung. In Hinblick auf Gesundheits-Apps und andere eHealth- beziehungsweise mHealth-Interventionen zur Förderung der körperlichen Aktivität liegt bisher erst wenig Forschung vor. Eine Meta-Analyse zur Untersuchung der Wirksamkeit von App-Interventionen mit Körpergewicht und körperlicher Aktivität als abhängige Variablen zeigte anhand von 12 Studien signifikante Veränderungen des Körpergewichts und des Body-Mass-Index durch die Nutzung solcher Apps. Allerdings wurde kein signifikanter Unterschied hinsichtlich der körperlichen Aktivität zwischen der Interventions- und Kontrollgruppe gefunden (Mateo et al., 2015). In einer Analyse von randomisiert-kontrollierten Studien zeigten Rutz et al. (2016), dass Apps zur kurz- bis mittelfristigen Steigerung der körperlichen Aktivität beitragen können. Die in beiden großen App-Stores verfügbare Schrittzähler-App „Accupedo“, die als kostenlose Basisversion sowie als kostenpflichtige Vollversion angeboten wird, soll das Monitoring von physischer Aktivität erleichtern. In Bezug auf Verhaltensänderungstechniken bietet die Accupedo-App Selbstüberwachung, Zielsetzung und Feedback. Als Daten werden die Schrittzahl, zurückgelegte Distanzen in Kilometern, verbrauchte Kalorien in Kilokalorien und die Messdauer in Minuten erfasst und über den Tag kumuliert. Die Visualisierungen dieser Daten sind im Hauptbildschirm der App einsehbar und die Einstellungen umfassen sowohl persönliche Angaben (Geschlecht, Geburtsdatum, Größe, Gewicht, Schrittlänge) als auch die Empfindlichkeit der Schrittmessung. Die App-Daten können in Form einer Excel-basierten Ergebnisdatei per E-Mail versendet werden. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 18 Die Wirksamkeit einer Accupedo-Vollversion wurde in mehreren Untersuchungen geprüft, wie beispielsweise in einer Studie von Glynn et al. (2014) an 90 Nutzenden mit einem Durchschnittsalter von 44 Jahren. Die Interventionsgruppe erhielt die Zielvorgabe, mindestens 10,000 Schritte pro Tag unter aktiver Nutzung der App zu erreichen. Die Kontrollgruppe wurde instruiert, zusätzlich zu ihrer Alltagsaktivität mindestens 30 Minuten pro Tag (insgesamt äquivalent zu 10,000 Schritten; siehe Kurs 1, Kapitel 13 „Physische Aktivität“) zu gehen und dabei die App nur passiv zu nutzen (Smartphone mitführen, aber App nicht öffnen). Beide Gruppen erhielten außerdem Informationen zu den Vorteilen ausreichender Bewegung. In der Baseline erreichte die Interventionsgruppe im Durchschnitt 4,365 Tagesschritte und die Kontrollgruppe 5,138 Tagesschritte. Im Vergleich zur Kontrollgruppe steigerte sich die Interventionsgruppe über acht Wochen hinweg jedoch signifikant in ihrer Aktivität. Eine weitere Studie von Walsh et al. (2016) mit 58 Nutzenden mit einem Durchschnittsalter von 21 Jahren verwendete ein vergleichbares Studiendesign und ähnliche Instruktionen wie die Studie von Glynn et al. (2014), aber einen kürzeren Nachuntersuchungszeitraum von fünf Wochen. Sowohl die Interventionsgruppe (Zuwachs: 2,393 Schritte) als auch die Kontrollgruppe (Zuwachs: 1,101 Schritte) zeigte eine signifikante Steigerung der Tagesschritte im Verlauf der Nutzung der App. Die Interventionsgruppe wies im Vergleich zur Kontrollgruppe aber eine signifikant größere Steigerung der Aktivität auf. Schlussfolgernd führte die Nutzung der Gesundheits-App in beiden Studien zu einer signifikanten Steigerung der körperlichen Aktivität. 8.8.2 eMental-Health bei Depression am Beispiel des kommerziellen Programms deprexis® Unter dem Oberbegriff eMental-Health werden digitale Angebote zur Verbesserung, Erhaltung oder Wiederherstellung der psychischen Gesundheit verstanden. Dabei wird ein breites Spektrum an psychologischen Inhalten, wie Gesundheitsinformationen, Psychoedukation, Screenings, Monitoring, Prävention, Beratung, Selbsthilfe, Internettherapien und Nachsorge (Riper et al., 2010), bereitgestellt. Das Internet stellt dabei das Verbreitungsmedium für digitalisierte, teils sehr heterogene Therapiekonzepte dar (Lin & Baumeister, 2015). Die meisten Internettherapien basieren auf Prinzipien der kognitiven Verhaltenstherapie. Bei Internettherapien zeigen sich, ebenso wie bei anderen gesundheitsbezogenen eHealth- und mHealth-Interventionen, Unterschiede im Grad an therapeutischer beziehungsweise professioneller Begleitung. Neben unbegleiteten internetbasierten Interventionen können Internettherapien zeitversetzt (z. B. textbasiert per Chat mit einer/einem online-Therapeutin beziehungsweise -therapeuten) oder synchron (z. B. per Videoübertragung) und somit ähnlich einer face-to-face-Intervention erfolgen (Knaevelsrud et al., 2016). In den letzten Jahren haben sich im deutschsprachigen Raum Programme wie „deprexis®“ (ehemals Deprexis®24; Krieger et al., 2014) etabliert. Deprexis® (https://de.deprexis.com) ist ein in Deutschland vertriebenes, CE-gekennzeichnetes und dauerhaft ins DiGA-Verzeichnis aufgenommenes Medizinprodukt (siehe Abschnitt 8.3.3). Es dient als therapieunterstützendes eMental-Health-Programm, das sich an Patient:innen mit depressiver Symptomatik richtet und sowohl am Computer als auch auf mobilen Endgeräten oder in Kombination genutzt werden kann. In einem Zeitraum von 90 Tagen werden folgende Themen bearbeitet:  Einstieg in das Programm  Verhaltensaktivierung  Entspannung und „Lifestyle”  Kognitive Aspekte der Depression  Akzeptanz und Achtsamkeit B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 19  Probleme lösen  Soziale Kompetenzen erlernen – positive Beziehungen  Schwierige Kindheitserinnerungen  Positive Psychologie  Arbeiten mit Träumen Die Nutzung der Intervention ist, abgesehen von der Testversion, kostenpflichtig, wird allerdings von einigen Krankenkassen wie der DAK Gesundheit oder der IKK Südwest bezuschusst beziehungsweise erstattet. In Video 8.1 wird deprexis® möglichen Leistungsempfänger:innen vorgestellt und die Arbeits- und Anwendungsweise erläutert. Video 8.1. deprexis Anwendungsfilm. Verfügbar unter https://youtu.be/U81ilVkEVTw In verschiedenen Studien wurde die Wirksamkeit von deprexis® evaluiert. Meyer et al. (2009) untersuchten die Interventionsvariante deprexis® an 396 Proband:innen, von denen die Interventionsgruppe neun Wochen lang herkömmliche (face-to-face-)Therapie und zusätzlich deprexis® erhielt und die Kontrollgruppe ausschließlich an herkömmlicher Therapie teilnahm, allerdings im Anschluss an die neun Wochen ebenfalls Zugang zu deprexis® bekam. Insgesamt 55 % der Teilnehmer:innen konnten nach Abschluss der Interventionsphase erneut hinsichtlich der Ausprägung ihrer depressiven Symptomatik und ihrer allgemeinen Anpassung untersucht werden. Beide Gruppen zeigten eine signifikante Reduktion der depressiven Symptome und eine ebenfalls signifikante Verbesserung in der allgemeinen Anpassung an die Lebenssituation (z. B. in sozialen und arbeitsbezogenen Bereichen). Auch sechs Monate später erwiesen sich die Veränderungen als stabil. In der Interventionsgruppe wurde im Gegensatz zur Kontrollgruppe ein noch deutlicherer Rückgang der depressiven Symptomatik beobachtet. In weiteren Studien, die ebenfalls randomisierte Kontrollgruppendesigns verwendeten (siehe Kurs 2, Kapitel 4 „Forschungsmethoden in der Gesundheitspsychologie“), konnten diese Ergebnisse repliziert werden (z. B. Berger et al., 2018; Meyer et al., 2015). Literaturverzeichnis Albrecht, U.-V. (2016). Chancen und Risiken von Gesundheits-Apps (CHARISMHA). Medizinische Hochschule Hannover. https://www.bundesgesundheitsministerium.de/fileadmin/Dateien/3_ Downloads/A/App-Studie/CHARISMHA_gesamt_V.01.3-20160424.pdf Albrecht, U.-V. (2019). Einheitlicher Kriterienkatalog zur Selbstdeklaration der Qualität von Gesundheits- Apps. eHealth Suisse. https://doi.org/10.2196/10394 Albrecht, U.-V., Hillebrand, U., & von Jan, U. (2018). Relevance of Trust Marks and CE Labels in German- Language Store Descriptions of Health Apps: Analysis. Journal of Medical Internet Research mHealth and uHealth, 6(4), e10394. ARD/ZDF-Onlinestudie (2022). Mediale Inhalte verstärken Internetnutzung. [Pressemitteilung]. https://www.ard-media.de/media-perspektiven/service/pressemitteilungen/ardzdf-onlinestudie-2022 Baumeister, H., Reichler, L., Munzinger, M., & Lin, J. (2014). The impact of guidance on Internet-based mental health interventions – A systematic review. Internet Interventions, 1(4), 205-215. https://doi.org/10.1016/j.invent.2014.08.003 Bendig, E., Erb, B., Schulze-Thuesing, L., & Baumeister, H. (2019). Die nächste Generation: Chatbots in der klinischen Psychologie und Psychotherapie zur Förderung mentaler Gesundheit – Ein Scoping- Review. Verhaltenstherapie, 29(4), 266-280. https://doi.org/10.1159/000499492 B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 20 Berger, T., Krieger, T., Sude, K. Meyer, B., & Maercker, A. (2018). Evaluating an e-mental health program ("deprexis") as adjunctive treatment tool in psychotherapy for depression: Results of a pragmatic randomized controlled trial. Journal of Affective Disorders, 227, 455-462. https://doi.org/10.1016/j.jad.2017.11.021 Boogerd, E. A., Arts, T., Engelen, L. J., & van de Belt, T. H. (2015). "What is eHealth": Time for an update? Journal of Medical Internet Research research protocols, 4(1), e29. https://doi.org/10.2196/resprot.4065 Boulos, M. N., Brewer, A. C., Karimkhani, C., Buller, D. B., & Dellavalle, R. P. (2014). Mobile medical and health apps: State of the art, concerns, regulatory control and certification. Online Journal of Public Health Informatics, 5(3), 229. https://doi.org/10.5210/ojphi.v5i3.4814 Bundesärztekammer (BÄK) (2015). Telemedizinische Methoden in der Patientenversorgung – Begriffliche Verortung. https://www.bundesaerztekammer.de/fileadmin/user_upload/downloads/pdf- Ordner/Telemedizin_Telematik/Telemedizin/Telemedizinische_Methoden_in_der_Patientenversorgung _Begriffliche_Verortung.pdf Bundesministerium für Gesundheit (BMG) (2019). Ärzte sollen Apps verschreiben können – Gesetz für eine bessere Versorgung durch Digitalisierung und Innovation. https://www.bundesgesundheitsministerium.de/digitale-versorgung-gesetz.html Bundesministerium für Gesundheit (BMG). (2020). Patientendaten-Schutz-Gesetz. https://www.bundesgesundheitsministerium.de/patientendaten-schutz-gesetz.html Bundesministerium für Gesundheit (BMG). (2021). Digitale–Versorgung–und–Pflege–Modernisierungs– Gesetz. https://www.bundesgesundheitsministerium.de/service/gesetze-und-verordnungen/guv-19- lp/dvpmg.html Carlbring, P., Andersson, G., Cuijpers, P., Riper, H., & Hedman-Lagerlöf, E. (2018). Internet-based vs. face- to-face cognitive behavior therapy for psychiatric and somatic disorders: An updated systematic review and meta-analysis. Cognitive Behaviour Therapy, 47(1), 1-18. https://doi.org/10.1080/16506073.2017.1401115 Chaix, B., Bibault, J. E., Pienkowski, A., Delamon, G., Guillemassé, A., Nectoux, P., & Brouard, B. (2019). When chatbots meet patients: One-year prospective study of conversations between patients with breast cancer and a chatbot. Journal of Medical Internet Research cancer, 5(1), e12856. https://doi.org/10.2196/12856 Cheng, V., Davenport, T., Johnson, D., Vella, K., & Hickie, I. B. (2019). Gamification in apps and technologies for improving mental health and well-being: Systematic review. Journal of Medical Internet Research mental health, 6(6), e13717. https://doi.org/10.2196/13717 Cowan, L. T., van Wagenen, S. A., Brown, B. A., Hedin, R. J., Seino-Stephan, Y., Hall, P. C., & West, J. H. (2012). Apps of steel: Are exercise apps providing consumers with realistic expectations? A content analysis of exercise apps for presence of behavior change theory. Health Education & Behavior, 40(2), 133-139. https://doi.org/10.1177/1090198112452126 DiFilippo, K. N., Huang, W.-H., Andrade, J. E., & Chapman-Novakofski, K. M. (2015). The use of mobile apps to improve nutrition outcomes: A systematic literature review. Journal of Telemedicine and Telecare, 21(5), 243-253. https://doi.org/10.1177/1357633X15572203 Domhardt, M., Ebert, D. D., & Baumeister, H. (2018). Internet- und mobilebasierte Interventionen. In C.-W. Kohlmann, C. Salewski, & M. A. Wirtz (Hrsg.), Psychologie in der Gesundheitsförderung (S. 397-410). Hogrefe. Erbe, D., Eichert, H. C., Riper, H., & Ebert, D. D. (2017). Blending face-to-face and internet-based interventions for the treatment of mental disorders in adults: Systematic review. Journal of Medical Internet Research, 19(9), e306. https://doi.org/10.2196/jmir.6588 B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 21 Fischer, F., Aust, V., & Krämer, A. (2016). eHealth: Hintergrund und Begriffsbestimmung. In F. Fischer & A. Krämer (Hrsg.), eHealth in Deutschland. Anforderungen und Potentiale innovativer Versorgungsstrukturen (S. 3-25). Springer. Gassner, U. M., & Stobl D. (2019). E-Health, Health-Apps & Co. – rechtliche Aspekte. e-beratungsjournal.net – Fachzeitschrift für Onlineberatung und computervermittelte Kommunikation, 15(2), 97-110. GKV-Spitzenverband (2019). Kriterien zur Zertifizierung von Kursangeboten in der individuellen verhaltensbezogenen Prävention nach § 20 Abs. 4 Nr. 1 SGB V. https://www.gkv- spitzenverband.de/media/dokumente/krankenversicherung_1/praevention__selbsthilfe__beratung/pra evention/praevention_leitfaden/2019_Leitfaden_Praev_Kriterien_zur_Zertifizierung.pdf Glynn, L. G., Hayes, P. S., Casey, M., Glynn, F., Alvarez-Iglesia, A., Newell, J., OLaighin, G., Heaney, D., O’Donnel, M., & Murphy, A. W. (2014). Effectiveness of a smartphone application to promote physical activity in primary care: The SMART MOVE randomized controlled trial. British Journal of General Practice, 64(624), e384-e391. https://doi.org/10.3399/bjgp14X680461 Gowin, M., Cheney, M., Gwin, S., & Wann, T. F. (2015). Health and fitness app use in college students: A qualitative study. American Journal of Health Education, 46(4), 223-230. https://doi.org/10.1080/19325037.2015.1044140 Haas, P. (2006). Gesundheitstelematik: Grundlagen – Anwendungen – Potenziale. Springer. Hänisch, T. (2016). eHealth – eine Begriffsbestimmung. In V. P. Andelfinger & T. Hänisch. (Hrsg.), eHealth. Wie Smartphones, Apps und Wearables die Gesundheitsversorgung verändern werden (S. 5-11). Springer. International Organization of Standardization (2002). Ergonomics of human-system interaction – Usability methods supporting human-centred design (ISO/TR 16982:2002). https://www.iso.org/obp/ui/#iso:std:iso:tr:16982:ed-1:v1:en Jordan, P. W. (1998). An introducton to usability. Taylor & Francis. Klein, J., Gerlinger, G., Knaevelsrud, C., Bohus, M., Meisenzahl, E., Kersting, A., Röhr, S., Riedel-Heller, S. G., Sprick, U., Dirmaier, J., Härter, M., Hegerl, U., Hohagen, F., & Hauth, I. (2016). Internetbasierte Interventionen in der Behandlung psychischer Störungen. Der Nervenarzt, 87(11), 1185-1193. https://doi.org/10.1007/s00115-016-0217-7 Knaevelsrud, C., Wagner, B., & Böttche, M. (2016). Online-Therapie und -Beratung. Ein Praxisleitfaden zur onlinebasierten Behandlung psychischer Störungen. Hogrefe. Knight, E., Stuckey, M. I., Prapavessis, H., & Petrella, R. J. (2015). Public health guidelines for physical activity: Is there an app for that? A review of Android and Apple app stores. Journal of Medical Internet Research mHealth and uHealth, 3(2), e43. https://doi.org/10.2196/mhealth.4003 Krieger, T., Meyer, B., Sude, K., Urech, A., Maercker, A., & Berger, T. (2014). Evaluating an e-mental health program ("deprexis") as adjunctive treatment tool in psychotherapy for depression: Design of a pragmatic randomized controlled trial. BMC Psychiatry, 14(1), 285. https://doi.org/10.1186/s12888- 014-0285-9 Krömer, N., & Zwillich, B. (2014). Von eHealh zu mHealh: Bedingungen und Barrieren für eine Nutzung mobile Gesundheitsangebote. In E. Baumann, M. R. Hastall, C. Rossmann, & A. Sowka (Hrsg.), Gesundheitskommunikation als Forschungsfeld der Kommunikations- und Medienpsychologie (S. 193- 208). Nomos. Lin, J., & Baumeister, H. (2015). Internet- und Mobilbasierte Interventionen in der Psychotherapie. Public Health Forum, 23(3), 176-179. https://doi.org/10.1515/pubhef-2015-0063 B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 22 Link, E., & Baumann, E. (2020). Nutzung von Gesundheitsinformationen im Internet: Personenbezogene und motivationale Einflussfaktoren. Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz, 63(6), 681–689. https://doi.org/10.1007/s00103-020-03144-5 Link, E., & Baumann, E. (2021). Erratum zu: Nutzung von Gesundheitsinformationen im Internet: personenbezogene und motivationale Einflussfaktoren. Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz. https://doi.org/10.1007/s00103-021-03447-1 Marstedt, G. (2018). Das Internet: Auch Ihr Ratgeber für Gesundheitsfragen? Bevölkerungsumfrage zur Suche von Gesundheitsinformationen im Internet und zur Reaktion der Ärzte. Bertelsmann Stiftung. Mateo, G. F., Granado-Font, E., Ferré-Grau, C., & Montaña-Carreras, X. (2015). Mobile phone apps to promote weight loss and increase physical activity: A systematic review and meta-analysis. Journal of Medical Internet Research, 17(11), e253. https://doi.org/10.2196/jmir.4836 Meyer, B., Berger, T., Caspar, F., Beevers, C. G., Andersson, G., & Weiss, M. (2009). Effectiveness of a novel integrative online treatment for depression (deprexis): Randomized controlled trial. Journal of Medical Internet Research, 11(2), e15. https://doi.org/10.2196/jmir.1151 Meyer, J., Bierbrodt, J., Schröder, J., Berger, T. Beevers, C. G., Weiss, M., Jacob, G., Späth, C., Andersson, G., Lutz, W., Hautzinger, M., Löwe, B., Rose, M., Hohagen, F., Caspar, F., Greiner, W., Moritz, S., & Klein, J. P. (2015). Effects of an Internet intervention (Deprexis) on severe depression symptoms: Randomized controlled trial. Internet Interventions, 2(1), 48-59. https://doi.org/10.1016/j.invent.2014.12.003 Middelweerd, A., van der Laan, D. M., van Stralen, M. M., Mollee, J. S., Stuij, M., te Velde, S. J., & Brug, J. (2015). What features do Dutch university students prefer in a smartphone application for promotion of physical activity? A qualitative approach. International Journal of Behavioral Nutrition and Physical Activity, 12(31), 1-11. https://doi.org/10.1186/s12966-015-0189-1 Mosconi, P., Radrezza, S., Lettieri, E., & Santoro, E. (2019). Use of health apps and wearable devices: Survey among Italian associations for patient advocacy. Journal of Medical Internet Research mHealth and uHealth, 7(1), e10242. https://doi.org/10.2196/10242 Murray, J. M., Brennan, S. F., French, D. P., Patterson, C. C., Kee, F., & Hunter, R. F. (2017). Effectiveness of physical activity interventions in achieving behavior change maintenance in young and middle aged adults: A systematic review and meta-analysis. Social Science & Medicine, 192, 125-133. https://doi.org/10.1016/j.socscimed.2017.09.021 Nouri, R., Niakan Kalhori, S., Ghazisaeedi, M., Marchand, G., & Yasini, M. (2018). Criteria for assessing the quality of mHealth apps: A systematic review. Journal of the American Medical Informatics Association: JAMIA, 25(8), 1089-1098. https://doi.org/10.1093/jamia/ocy050 Payne, H. E., Lister, C., West, J. H., & Bernhardt, J. M. (2015). Behavioral functionality of mobile apps in health interventions: A systematic review of literature. Journal of Medical Internet Research mHealth and uHealth, 3(1), 1-9. https://doi.org/10.2196/mhealth.3335 Riley, W. T., Rivera, D. E., Atienza, A. A., Nilsen, W., Allison, S. M., & Mermelstein, R. (2011). Health behavior models in the age of mobile interventions: Are our theories up to the task? Translational Behavioral Medicine, 1, 53-71. https://doi.org/10.1007/s13142-011-0021-7 Riper, H., Andersson, G., Christensen, H., Cuijpers, P., Lange, A., & Eysenbach, G. (2010). Theme issue on e-mental health: A growing field in internet research. Journal of Medical Internet Research, 12(5), e74. https://doi.org/10.2196/jmir.1713 Rutz, M., Kühn, D., & Dierks, M.-L. (2016). Gesundheits-Apps und Prävention. In: U.-V. Albrecht (Hrsg.), Chancen und Risiken von Gesundheits-Apps (CHARISMHA) (S. 116-135). Medizinische Hochschule Hannover. B. Sc. Psychologie, AF G; Kurs 2, Kapitel 8 23 Sawesi, S., Rashrash, M., Phalakornkule, K., Carpenter, J. S., & Jones, J. F. (2016). The impact of information technology on patient engagement and health behavior change: A systematic review of the literature. Journal of Medical Internet Research medical informatics, 4(1), 1-24. https://doi.org/10.2196/medinform.4514 Taiwo, A. A., & Downe, A. G. (2013). The theory of user acceptance and use of technology (UTAUT): A meta-analytic review of empirical findings. Journal of Theoretical and Applied Information Technology, 49(1), 48-58. Thiel, R., Deimel, L., Schmidtmann, D., Piesche, K., Hüsing, T., Rennoch, J., Stroetmann, V., & Stroetmann, K. (2018). #SmartHealthSystems. Digitalisierungsstrategien im internationalen Vergleich. Bertelsmann- Stiftung. https://www.bertelsmann-stiftung.de/fileadmin/files/Projekte/Der_digitale_Patient/VV_SHS- Gesamtstudie_dt.pdf Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540 Venkatesh, V., Thong, J. Y., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412 Walsh, J. C., Corbett, T., Hogan, M., Duggan, J., & McNamara, A. (2016). An mHealth intervention using a smartphone app to increase walking behavior in young adults: A pilot study. Journal of Medical Internet Research mHealth and uHealth, 4(3), e109. https://doi.org/10.2196/mhealth.5227 Warburton, D. E., Nicol, C. W., & Breding, S. S. (2006). Health benefits of physical activity: The evidence. Canadian Medical Association Journal, 174(6), 801-809. https://doi.org/10.1503/cmaj.051351 Webb, T. L., Joseph, J., Yardley, L., & Michie, S. (2010). Using the internet to promote health behavior change: A systematic review and meta-analysis of the impact of theoretical basis, use of behavior change techniques, and mode of delivery on efficacy. Journal of Medical Internet Research, 12(1), e4. https://doi.org/10.2196/jmir.1376 World Health Organization (WHO) (2011). m-Health. New horizons for health through mobile technologies. Global Observatory for e-Health series (Vol. 3).