INSIGHT & INSIGHT AI

1. Analyse der Herausforderungen bei der Integration von PGHD

Eine umfassende 10-Jahres-Übersicht über die Herausforderungen bei der Integration von PGHD in Gesundheitssysteme aus Sicht von Patient:innen und Gesundheitsfachkräften. Diese Analyse führte zur Entwicklung eines konzeptuellen 10-stufigen Workflow-Modells.

2. Auf dem Weg zur datengestützten Bewegungsplanung in der kardiologischen Rehabilitation

Studie 1: Gesunde Teilnehmer:innen sammelten Daten über tragbare Geräte (Wearables) und besprachen die Ergebnisse mit Gesundheitsfachkräften (HCPs) im Rahmen der Bewegungsplanung.

Studie 2: Ein Karten-Sortier-Workshop mit HCPs identifizierte deren spezifische Informationsbedarfe zur Unterstützung von Beratungsgesprächen zur körperlichen Aktivität.

Studie 3: Verständnis der Perspektiven von Patient:innen und HCPs bei der Gestaltung datengestützter Bewegungsplanung in der kardiologischen Rehabilitation.

Zentrale Forschungsfragen waren:

• Welche Herausforderungen und Chancen bestehen bei der Integration von patientengenerierten Gesundheitsdaten?
• Welche Erfahrungen machen Patient:innen beim Teilen von PGHD mit HCPs?
• Welche Bedürfnisse und Perspektiven haben HCPs und Patient:innen mit Herz-Kreislauf-Erkrankungen in Bezug auf die Integration von PGHD in klinische Pfade der Bewegungsplanung?

3. INSIGHT AI – Verbesserung des Datenverständnisses durch KI-Unterstützung

Eine Anschlussstudie untersucht, wie künstliche Intelligenz (KI) Gesundheitsfachkräfte bei der Interpretation von PGHD unterstützen kann. Dieser Research-through-Design-Ansatz konzentriert sich auf folgende Forschungsfragen:

• Wie nehmen HCPs die Integration von KI zur Unterstützung des Verständnisses patientengenerierter Gesundheitsdaten bei der Bewegungsplanung in der kardiologischen Rehabilitation wahr?

• Wie nehmen Patient:innen mit Herz-Kreislauf-Erkrankungen die Integration von KI zur Unterstützung klinischer Arbeitsabläufe wahr?

Weitere Kooperationspartner: 

• Prof. Dr. Albrecht Schmidt, Ludwig Maximilians University of Munich (LMU)
• Assoc. Prof. Tiago Guerreiro, Faculdade de Ciências, Universidade de Lisboa

Zugehörige Publikationen:

VS Pakianathan, P. (2024). Human Centered Approach for Designing Data Enabled Tools: Exploring the potential of patient generated data for CVD Prevention and Rehabilitation. In Mensch und Computer 2024-Workshopband (pp. 10-18420). Gesellschaft für Informatik eV. https://doi.org/10.18420/muc2024-mci-dc-183   

VS Pakianathan, P., Fatehi, A., & Smeddinck, J. (2024). Towards AI Augmented Personalized Data Sensemaking. In Mensch und Computer 2024-Workshopband (pp. 10-18420). Gesellschaft für Informatik eV. https://doi.org/10.18420/muc2024-mci-ws05-182  

VS Pakianathan P, Kumar D, Prabath J, Hussein R, Niebauer J, Schmidt A, Smeddinck J. Scoping Review on Barriers and Enablers in Integrating Patient-Generated Health Data for Shared Decision-Making. JMIR Preprints. 02/10/2025:85197 DOI: 10.2196/preprints.85197 URL: https://preprints.jmir.org/preprint/85197

Pakianathan, P. V. S., Islambouli, R., McGowan, H., Branco, D., Guerreiro, T., & Smeddinck, J. D. (2025). Exploring Human-AI Interaction with Patient-Generated Health Data Sensemaking for Cardiac Risk Reduction. Presented as demonstration at the workshop on visual analytics in healthcare (VAHC) (in conjunction with IEEE VIS 2025) >> Link

Pakianathan, P. V. S., McGowan, H., Höppchen, I., Wurhofer, D., Treff, G., Sareban, M., Niebauer, J., Schmidt, A., & Smeddinck, J. D. (2025). Towards Data-Enabled Physical Activity Planning: An Exploratory Study of HCP Perspectives On The Integration Of Patient-Generated Health Data. 19th EAI International Conference on Pervasive Computing Technologies for Healthcare >> Link