Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind10. November 2017 · Q003348

Sharing our insights from designing with clinicians

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht fasst die Erfahrungen des DeepMind-Teams mit der klinischen App Streams zusammen: Gespräche mit Klinikpersonal führten zu Änderungen bei Benachrichtigungen, Informationsdarstellung und der Abstimmung von Teams. Zugleich zeigte sich laut Bericht, dass Patienten eine verständliche Datenansicht brauchen; der Text betont den Wert persönlicher Rückmeldungen, nennt aber keine konkreten Messwerte zur Wirkung der App.

Mittel

Der Bericht schildert Erfahrungen des DeepMind-Teams bei der Entwicklung der sicheren klinischen App Streams. Die Erkenntnisse stammten aus Hunderten Stunden Hospitationen, Interviews und Workshops mit Pflegekräften, Ärztinnen und Ärzten sowie Patienten. Ziel der App war es, dringende Informationen an die zuständigen Klinikmitarbeitenden zu übermitteln. Das Team berichtet jedoch, dass viele Ärzte bereits über 100 Benachrichtigungen am Tag erhielten; weitere Alarme könnten zur Belastung werden. Deshalb seien Informationsaufbau, gezielte rote Hervorhebungen und ein eigens entwickelter Signalton wichtig gewesen. Klinikpersonal habe zudem andere Angaben in Patientenakten bevorzugt als die ursprünglich verwendete Standarddarstellung.

Nach dem Start am Royal Free Hospital im Januar 2017 meldeten Beschäftigte Schwierigkeiten bei der Koordination, wenn mehrere Personen denselben Alarm erhielten. Streams wurde um Funktionen ergänzt, mit denen Reaktionen empfohlen, verworfen und für das Team sichtbar als erledigt markiert werden können. Außerdem zeigte sich, dass Patienten eine verständliche Ansicht ihrer Daten benötigten: Mitarbeitende mit Smartphones wurden mitunter für Nutzer privater Apps gehalten. Die klinischen Darstellungen seien für Laien schwer verständlich; eine patientenfreundlichere Ansicht werde geprüft.

Der Bericht argumentiert, dass persönliche Rückmeldungen im Gesundheitswesen wichtige Auswirkungen erfassen, die reine Nutzungsdaten verfehlen könnten. Konkrete Messwerte zur Wirkung von Streams liefert der Text nicht; er gibt überwiegend Erfahrungen und Einschätzungen des Entwicklerteams wieder.

Ausführlich lesen

Der Bericht beschreibt, welche Gestaltungslektionen DeepMind nach der Zusammenarbeit mit Pflegekräften, Ärztinnen und Ärzten sowie Patientinnen und Patienten beim Aufbau der sicheren klinischen App Streams gewonnen haben. Grundlage seien Hunderte Stunden Hospitationen, Interviews und Workshops gewesen. Die Autorinnen und Autoren betonen, dass Gesundheitssoftware praktische Probleme lösen müsse und eine gut gemeinte, aber unpassende Lösung auch Schaden anrichten könne.

Ausgangspunkt für Streams war nach Darstellung des Teams, dass dringende klinische Informationen über veraltete Computer, Pager und handschriftliche Listen eingeholt würden. Das trage zu Verzögerungen bei; eine Studie von 2017 habe zudem ergeben, dass fast die Hälfte der Zeit bei Notfallreaktionen durch ineffiziente Kommunikation zwischen Systemen verloren gehe. Eine App, die wichtige Informationen direkt an die zuständigen Fachkräfte sendet, schien daher naheliegend. Gespräche mit Klinikpersonal machten jedoch deutlich, dass viele Ärztinnen und Ärzte bereits mehr als 100 Benachrichtigungen täglich erhielten. Zusätzliche Alarme könnten die Belastung verstärken. Entscheidend sei deshalb, wie Hinweise gestaltet und Informationen angeordnet werden. So bevorzugten die befragten Fachkräfte bei einer Patientenakte etwa Krankenhausnummer, Allergien und frühere Aufnahmen gegenüber NHS-Nummer und Hausarztpraxis. Auch ein gezielter Einsatz der Farbe Rot und ein eigens entwickelter, leicht erkennbarer Signalton sollten die Orientierung und Aufmerksamkeit unterstützen. Laut Bericht schätzten die Klinikerinnen und Kliniker den praktischen Einfluss solcher Details höher ein, als das Team zunächst erwartet hatte.

Die Entwicklung sei mit der Einführung nicht abgeschlossen gewesen. Nach dem Start von Streams am Royal Free Hospital im Januar 2017 hätten Beschäftigte auf Schwierigkeiten bei der Abstimmung zwischen Teams und Fachrichtungen hingewiesen: Mehrere Personen sollten einen Alarm erhalten können, zugleich aber erkennen, wer darauf reagiert. Das Team ergänzte daher Funktionen, mit denen Fachkräfte eine Reaktion empfehlen oder verwerfen und markieren können, dass sich jemand um den Patienten gekümmert hat; diese Angaben seien für das Team sichtbar.

Überraschend wichtig sei außerdem eine verständliche Patientenansicht geworden. Patientinnen und Patienten hätten Mitarbeitende mit Smartphones teils für Nutzer persönlicher sozialer Medien oder Messenger gehalten. Wenn Klinikpersonal die App und die darin enthaltenen Daten zeigte, habe das Gespräche über die Behandlung ermöglicht. Die klinischen Diagramme und Notationen seien für Laien jedoch schwer verständlich. Das Team prüfe daher eine patientenfreundlichere Darstellung.

Als zentrale Schlussfolgerung vertritt der Bericht, dass laufendes persönliches Feedback im Gesundheitsbereich aussagekräftiger sein könne als Nutzungskennzahlen allein. Entscheidend sei, ob Technik die Beziehung zwischen Fachkräften und Patienten verbessert oder beeinträchtigt und Teams unterstützt oder zusätzlich belastet. Das Team nennt außerdem andere Einrichtungen als Orientierung für nutzerzentriertes Design und agile Entwicklung. Grenzen der Darstellung: Sie berichtet vor allem die Erfahrungen und Einschätzungen des Streams-Teams; konkrete Messwerte zu den Auswirkungen der App werden hier nicht vorgelegt. Eine patientenfreundliche Ansicht wird als laufende Arbeit beschrieben, nicht als bereits abgeschlossene Funktion.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung bezieht sich auf die Sammelfragen und Teilfragen aus Lunas Liste. Lunas Stufen und Anteile wurden bewusst nicht übernommen. Der Bericht ist eine Fallstudie zu einer klinischen App und beantwortet die meisten Fragen daher nur am Rande.

Im Bericht, aber nicht in der Zusammenfassung

  • Studie von 2017: fast die Hälfte der Notfall-Reaktionszeit geht durch ineffiziente Kommunikation verloren
  • Patientenbeiräte haben früh auf eine Patientenansicht gedrängt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Fähigkeiten messen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Vertrauen in Modelle
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 27 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 49 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →