Pulmologie
Allgemein
Die Webseite atemwegsliga.de/pneumo-digital-apps gehört zur Deutschen Atemwegsliga e.V. und ist Teil der Initiative PneumoDigital. Diese Initiative widmet sich der Bewertung und Vorstellung von Gesundheits-Apps, die speziell für Menschen mit pneumologischen Erkrankungen wie Asthma oder COPD entwickelt wurden.
| Name | URL |
|---|---|
| Kaia COPD | Kaia COPD |
| Atemwege gemeinsam gehen | pneumo-digital-apps/app-atemwege |
| OMRON Asthma Diary | OMRON Asthma Diary |
| Vivatmo | Vivatmo |
| breazyTrack | breazyTrack |
| copd-aktuell.de | copd-aktuell.de |
| Kata | Kata |
| myAir | myAir |
| NichtraucherHelden | NichtraucherHelden |
| SaniQ | SaniQ |
| TheraKey | TheraKey |
Quelle: atemwegsliga.de/pneumo-digital-apps
Die Webseite https://rauchfrei-info.de/ ist ein unabhängiges Informationsportal der Bundeszentrale für gesundheitliche Aufklärung (BZgA), das Rauchenden kostenfrei und seriös beim Ausstieg aus der Nikotinabhängigkeit unterstützt. Sie bietet umfassende Ressourcen wie das „rauchfrei Ausstiegsprogramm“, bei dem Nutzer über 21 Tage mit täglichen Tipps, E-Mails und einer Erfolgskurve begleitet werden, sowie ein Forum und Chat für den Austausch mit Gleichgesinnten und Experten. Zusätzlich gibt es praktische Tools wie einen Ersparnisrechner, Tests zur Tabakabhängigkeit und Motivation, sowie Informationen zu Gesundheitsrisiken und Unterstützungsangeboten wie der kostenlosen Telefonberatung (0800 8313131), um den Weg in ein rauchfreies Leben zu erleichtern.
Die PARI Kinder App, vorgestellt auf https://www.pari.com/de/kinderecke/, ist eine kostenlose Anwendung für Kinder ab etwa vier Jahren, die spielerisch das Thema Inhalation und Atemwege vermittelt.
Lungenfunktionsdiagnostik
| Name | URL |
|---|---|
| GANSHORN PowerCube | ganshorn.de |
| Vyntus BODY (Vyaire) | vyaire.com |
| MasterScreen (Morgan) | morgansci.com |
| COSMED Software | cosmed.com |
| MIR - Medical International Research | spirometry.com |
Schlafen
| Name | URL |
|---|---|
| Somnovia | somnovia.de |
| Somn.io | somn.io |
| HelloBetter | hellobetter.de |
Forschung
Das Buch „Lung Function Testing in the 21st Century: Methodologies and Tools Bridging Engineering to Clinical Practice“ von C. Ionescu aus dem Jahr 2018 bietet eine umfassende Übersicht über Lungenfunktionstests, von standardisierten bis hin zu neuen Methoden wie IOS und FOT. Es verbindet Ingenieurwissenschaften mit klinischer Praxis, indem es fortschrittliche Technologien aus Mathematik, Physik und Biologie vorstellt und deren Anwendung in der Atemwegsdiagnostik erläutert. Zudem behandelt es Geräte, Protokolle und zukünftige Perspektiven, um die Lücke zwischen Forschung, Entwicklung und klinischem Einsatz zu schließen. (Ionescu 2018)
Die Studie “Artificial Intelligence-Driven Prognosis of Respiratory Mechanics: Forecasting Tissue Hysteresivity Using Long Short-Term Memory and Continuous Sensor Data” untersucht die Anwendung künstlicher Intelligenz (KI) zur Prognose der Atemmechanik, insbesondere zur Vorhersage der sogenannten Gewebehysteresivität – einem wichtigen Marker für Atemwegserkrankungen. Dazu wird ein Long Short-Term Memory (LSTM)-Modell verwendet, das kontinuierliche Sensordaten analysiert. Die Forscher kombinieren Daten aus der Forcierten Oszillationstechnik (FOT) und dem kommerziellen RESMON-Gerät mit kontinuierlichen Messungen des Equivital (EQV) LifeMonitor. Das Ziel ist es, die Anzahl und Dauer der notwendigen Messungen zu reduzieren, indem die Gewebehysteresivität anhand von Herzfrequenz- und EKG-Daten geschätzt und vorhergesagt wird. Die Ergebnisse zeigen, dass LSTM-Modelle die Gewebehysteresivität mit hoher Genauigkeit bestimmen können, wodurch die Messbelastung für Patienten signifikant verringert und die Atemwegsüberwachung durch KI optimiert wird. (Othman u. a. 2024)
Die Studie untersucht die wachsende Bedeutung der Forced Oscillation Technique (FOT) zur Charakterisierung der Atemmechanik bei gesunden und erkrankten Personen. FOT ergänzt traditionelle Lungenfunktionstests, indem sie während der normalen Atmung oszillatorische Frequenzen nutzt, um Widerstand (Rrs) und Reaktanz (Xrs) des Atmungssystems zu messen, die den Luftwegdurchmesser sowie Energieverlust und -speicherung widerspiegeln. Trotz steigender Popularität und neuer technischer Standards bleibt die klinische Anwendung wegen mangelnder Standardisierung bei Datenerfassung und -berichterstattung begrenzt. (Qian u. a. 2022)
Die Studie von Hawthorne et al. (2022) untersucht, ob kontinuierliches, nicht-invasives Monitoring von Vitalzeichen mittels tragbarer Technologie eine bevorstehende Wiedereinweisung nach einer akuten Exazerbation der chronisch obstruktiven Lungenerkrankung (AECOPD) vorhersagen kann. Dazu wurden 35 Patienten nach ihrer Krankenhausentlassung gebeten, über sechs Wochen ein tragbares Überwachungsgerät zu tragen, das Atemfrequenz, Herzfrequenz, Hauttemperatur und körperliche Aktivität erfasste. Die Ergebnisse zeigen, dass eine erhöhte Herzfrequenz und eine reduzierte körperliche Aktivität mit einer Verschlechterung der Symptome korrelierten. Zudem stiegen drei Tage vor einer Exazerbation die Atemfrequenz und die Herzfrequenz messbar an. Die Studie weist darauf hin, dass Atem- und Herzfrequenz als potenzielle Prädiktoren für eine bevorstehende Exazerbation weiter untersucht werden sollten, obwohl individuelle Unterschiede in den Vitalzeichen die Vorhersage erschweren. (Hawthorne u. a. 2022)
Die Studie „Towards Using Cough for Respiratory Disease Diagnosis by Leveraging Artificial Intelligence: A Survey“ von Aneeqa Ijaz und Kollegen bietet einen umfassenden Überblick über den Einsatz von Husten als diagnostisches Werkzeug für Atemwegserkrankungen mithilfe künstlicher Intelligenz (KI). Sie untersucht, wie Machine Learning (ML) und Deep Learning (DL) Hustenakustik analysieren können, um Krankheiten wie Asthma, COPD, Pneumonie oder COVID-19 mit hoher Genauigkeit zu erkennen und vorläufig zu diagnostizieren. Die Autoren beleuchten den Mechanismus der Hustenentstehung, latente Hustenmerkmale und deren Nutzung in KI-Modellen sowie die Entwicklung spezialisierter Anwendungen zur Hustenüberwachung. Basierend auf einer umfangreichen Literaturanalyse zeigen sie, dass KI-basierte Algorithmen eine entscheidende Rolle bei der Früherkennung von Atemwegserkrankungen spielen können, indem sie charakteristische Merkmale aus Hustengeräuschen extrahieren. Zudem werden Herausforderungen wie Datenverfügbarkeit, Modellinterpretierbarkeit und Datenschutz sowie zukünftige Forschungsrichtungen für robuste, ubiquitäre Lösungen diskutiert. (Ijaz u. a. 2022)
Die Studie „Artificial Intelligence Techniques to Predict the Airway Disorders Illness: A Systematic Review“ von Apeksha Koul und Kollegen bietet eine systematische Übersicht über den Einsatz von maschinellem Lernen (ML) und tiefem Lernen (DL) zur Vorhersage von Atemwegserkrankungen wie Asthma, Lungenkrebs, COVID-19 und anderen. Sie analysiert 155 Artikel aus den Jahren 2010 bis 2022 und fasst den aktuellen Stand KI-basierter Systeme zur Erkennung dieser Erkrankungen zusammen. Die Autoren beleuchten Trends, vergleichen Techniken wie CNN, SVM und Random Forest anhand von Metriken wie Genauigkeit und F1-Score und diskutieren Herausforderungen wie Datenmangel, Modellfehler und Klassenungleichgewicht. Abschließend werden zukünftige Forschungswege vorgeschlagen, um die Effizienz und Anwendbarkeit KI-gestützter Diagnosen zu verbessern. (Koul, Bawa, und Kumar 2023)
Die Pilotstudie untersucht die Machbarkeit und Benutzbarkeit einer Smartphone-App, die mittels partizipativen Designs entwickelt wurde, um Asthma-Patienten durch Überwachung und Psychoeducation zu einem verantwortungsvollen Umgang mit kurz wirksamen Beta2-Agonisten (SABA) zu verhelfen. Weltweit leiden etwa 262 Millionen Menschen an Asthma, und der übermäßige Gebrauch von SABA kann negative gesundheitliche Folgen haben. Mit einem Mixed-Methods-Ansatz wurden quantitative Daten über App-Nutzung, Asthma-Symptome (Control of Allergic Rhinitis and Asthma Test) und Lebensqualität (SF-36) sowie qualitative Interviews zur Nutzererfahrung erhoben. Nach drei Monaten verbesserten sich die Asthma-Symptome signifikant (von 14,8 auf 18,5), blieben jedoch unkontrolliert, während die Lebensqualität unverändert blieb; die App wurde als benutzerfreundlich (SUS: 82,3) bewertet. Trotz hoher Abbruchraten deuten die Ergebnisse auf ein Potenzial zur Integration in die Standardbehandlung hin, wobei weitere Studien erforderlich sind. (Berg u. a. 2024)