Digitale Use-Cases und Real-World-Daten entlang des Patient Pathways bei Patienten mit Hypertonie
Ziel ist, die Zeit von der Diagnose bis zur wirksamen Therapie zu verkürzen – für jede Patientengruppe messbar. Digitale Use-Cases sind dafür das Mittel, nicht der Zweck. Als Steuerungsgrundlage für gezielte Interventionen ist der Wert von Real-World-Daten deutlich höher als der von Aggregatstatistik – vorausgesetzt, Fachbereich, Medizin, Daten und Regulatorik arbeiten auf derselben Datengrundlage, gemeinsam mit Versorgern und Kostenträgern.
Bevölkerungsstudien mit gemessenem Blutdruck und internationale Berichte vergleichen tatsächliche mit dokumentierter Versorgung. Sie belegen die Lücken – als Durchschnittswerte. Für gezielte Interventionen reicht das nicht.
der Erwachsenen zwischen 30 und 79 Jahren in Deutschland haben Bluthochdruck – etwa 20 Millionen Menschen.2
weiß nichts von der eigenen Erkrankung – Hypertonie verläuft symptomlos.2
Warum das zählt: Erhöhter Blutdruck gilt als Ursache für rund 54 % aller Schlaganfälle und 47 % aller Fälle ischämischer Herzkrankheit.1 Hinter den Prozentpunkten stehen damit vermeidbare Schlaganfälle und Herzinfarkte – und Menschen, die länger als nötig ohne die passende Therapie bleiben.
Zur Einordnung: Deutschland zählt in der internationalen Vergleichsanalyse zu den Ländern mit den höchsten Behandlungs- und Kontrollraten.4 Auch gut aufgestellte Systeme erreichen also nur etwa die Hälfte der Betroffenen im Zielbereich – die Lücke ist kein deutsches Sonderproblem, sondern ein strukturelles.
Was der Durchschnitt verdeckt. Ein Durchschnittswert sagt, dass eine Lücke existiert. Verknüpfte Behandlungs-, Labor- und Mortalitätsdaten sagen, wo sie entsteht, wen sie trifft und was sie kostet: reale Behandlungsverläufe, Therapiewechsel, die Zeit bis zur Blutdruckkontrolle und der Bezug zu Ereignissen und Mortalität – longitudinal und je Kohorte statt als Landesmittelwert. Erst damit lässt sich eine Intervention dimensionieren: Wie groß ist die adressierbare Gruppe, an welcher Stufe des Pfades bricht die Versorgung ab, und welcher Effekt ist realistisch?
Wie groß diese Streuung ist, zeigt eine Auswertung von Routinedaten aus 89 englischen Hausarztpraxen: Zwischen der schwächsten und der stärksten Praxis lag ein mehr als zehnfacher Unterschied in der Wahrscheinlichkeit, den Hypertonie-Qualitätsindikator zu erreichen – und der größte Teil dieser Streuung ließ sich nicht durch die routinemäßig erfassten Patienten- oder Praxismerkmale erklären.6 Eine deutsche Routinedatenanalyse kommt zum gleichen Bild: Bis zu 80 % der Unterschiede in den Qualitätsindikatoren gingen dort auf die einzelne Praxis zurück – allerdings auf Basis von nur acht Praxen.5 Genau diese Streuung verschwindet in jedem Mittelwert – und mit ihr der Ansatzpunkt für jede gezielte Maßnahme.
Die drei Use-Cases verbessern die Versorgungssituation an unterschiedlichen Stellen des Behandlungspfades. Weil sie gezielt dort ansetzen, wo Versorgung tatsächlich abbricht, wirken sie nicht nach dem Gießkannenprinzip: Ressourcen des Systems – Praxiszeit, Diagnostik, vermeidbare Hospitalisierungen – werden dort eingesetzt, wo sie den größten Effekt haben, und an anderer Stelle eingespart. Sie unterscheiden sich vor allem darin, wie schnell und mit welchem Aufwand sie umsetzbar sind.
Verknüpfte Real-World-Daten – Behandlungs-, Labor- und Mortalitätsdaten in einem einheitlichen Datenmodell – zeigen anonymisiert und prozessnah, wo, bei wem und wann Versorgung abbricht. Ergebnis: Heatmap und Kohorten-Dashboard statt Durchschnittswert.
Wirkung im Pfad: priorisiert und dimensioniert jede weitere Maßnahme – und ist damit Voraussetzung dafür, Interventionen überhaupt gezielt zu setzen.
Risiken: Datenqualität und Repräsentativität (Panel-Bias)14, begrenzte Datenverfügbarkeit in Deutschland, DSGVO-Anforderungen, Korrelation ist keine Kausalität.
Leitliniennahe Empfehlungen und risikostratifizierte Signaturen im Praxissystem – am Punkt der Therapieentscheidung.8 In einem cluster-randomisierten Versuch in der chinesischen Primärversorgung (n = 12.137) erhöhte ein leitlinienbasiertes CDSS den Anteil leitlinienkonformer Therapie um 15,2 Prozentpunkte.7
Wirkung im Pfad: stärkster inhaltlicher Hebel auf die Behandlungsqualität – direkt an der Stelle, an der die Therapie festgelegt wird.
Risiken: MDR und Hochrisiko-KI nach EU AI Act15, Haftungs- und Vergütungsfragen, fragmentierte Systemlandschaft, Automation Bias. Die Studienlage stammt aus einem anderen Versorgungssystem und ist nicht unbesehen übertragbar.
Blutdruck-Selbstmessung mit Eskalationslogik und patientennahe Begleitung schließen die Lücke zwischen den Praxiskontakten – dort, wo Therapietreue tatsächlich entschieden wird.
Wirkung im Pfad: hält Patient:innen im Zielbereich und verhindert stille Abbrüche – die Stufe, an der die meisten Menschen verloren gehen.
Risiken: MDR, Eskalationslogik als Hochrisiko-KI, Personenbezug, Selektionsbias, Personalaufwand, offene Erstattungsfrage.
Jeder Use-Case wird auf einer Skala von 1 bis 5 bewertet und gewichtet. Wirkung und Realisierbarkeit wiegen am schwersten; die regulatorischen Anforderungen gehen als eigenes Kriterium ein, damit sie sichtbar bleiben, statt die Diskussion zu dominieren.
Ein Vorhaben dieser Art beginnt nicht mit einer Plattform, sondern mit einer präzisen Datenanfrage und einem geklärten Compliance-Weg. Drei Schritte reichen, um zu einer belastbaren Entscheidungsgrundlage zu kommen.
Zieldefinition und Bewertungskriterien festlegen, die fachlichen Fragen abstimmen, die Datenanfrage formulieren und den Compliance- und Datenschutzprozess durchlaufen.
Care-Gap-Dashboards nach Region, Segment und Komorbidität aufbauen – und vor jeder Interpretation Datenqualität, Vollständigkeit und Repräsentativität prüfen.14
Bezifferte Care-Gap-Landkarte, geprüfte Erfolgskriterien und eine Entscheidungsvorlage: Datenbasis stärken, eine Intervention aufsetzen – oder begründet lassen.
Erfolgskriterium ist nicht das Dashboard, sondern eine Entscheidung: Wo lohnt sich eine Intervention, wie groß ist die betroffene Gruppe – und ist die Datenbasis gut genug, um darauf aufzubauen?
Eine Care-Gap-Landkarte arbeitet mit anonymisierten Versorgungsdaten ohne Einzelfallbezug und ohne medizinische Zweckbestimmung: keine Diagnose, kein Monitoring, keine Therapieempfehlung. Verarbeitung und Speicherung finden in einem europäischen Datenraum statt, die Interpretation der Ergebnisse bleibt unter menschlicher Aufsicht. Die rechtliche Grundlage der Sekundärnutzung regeln der Europäische Gesundheitsdatenraum und das Gesundheitsdatennutzungsgesetz.16
Dazu gehört die Kehrseite: Anonymisierung begrenzt die Granularität und schließt jede individuelle Ansprache aus. Wer einzelne Patient:innen adressieren will, braucht einen anderen Weg – und eine andere rechtliche Grundlage. Genau diese Abgrenzung entscheidet, ob ein Vorhaben schnell umsetzbar bleibt oder zum regulatorischen Großprojekt wird.
Die drei Use-Cases sind keine konkurrierenden Projektideen, sondern zeichnen eine digitale Roadmap der Hypertonieversorgung: mit jeder Stufe wachsen Datenreife und klinische Wirkung, und jede Stufe schafft die Datenbasis für die nächste.
Care-Gap-Landkarte: die Lücken mit RWD nach Region, Segment und Komorbidität quantifizieren und den Business Case belastbar machen – schnell und ohne Medizinprodukte-Zulassung.
Telemonitoring und Coaching: mit patientengenerierten Daten die Kontrolle zwischen den Praxiskontakten verbessern – Versorgungssteuerung nahezu in Echtzeit.
CDSS und lokal trainierte Risiko-Signaturen: erklärbar und quellenbasiert, finale Freigabe beim Menschen – erst auf einer belastbaren Datenbasis sinnvoll.
Dahinter steht eine größere Bewegung: Die digitale Abbildung des Versorgungspfades mit RWD wird zunehmend wichtiger, und mit ihr die Evidenzgenerierung entlang des gesamten Pfades – nicht mehr nur zum Zulassungszeitpunkt, sondern durchgehend in der Versorgungsrealität. Eine so datengetriebene Versorgung kann die Qualität deutlich verbessern, weil sie Wirkung messbar macht und Ressourcen dorthin lenkt, wo sie tatsächlich Outcomes verändern.
In den Analysen der großen Beratungshäuser verschiebt sich Real-World-Evidenz von einer Datenquelle zu einem strategischen Vermögenswert – von nachgelagerter Evidenz zur laufenden Grundlage von Versorgungs- und Portfolioentscheidungen.9, 10 Vier Kräfte treiben diese Entwicklung; sie erklären, warum eine Care-Gap-Landkarte mehr ist als ein Dashboard-Projekt.
Real-World-Evidenz geht zunehmend in Zulassungseinreichungen ein – für Label-Erweiterungen und Sicherheitsnachweise.10
Payer fragen den realen Versorgungsnutzen nach, nicht nur die Studienwirksamkeit – bei zugleich hohem Kostendruck.9
Patientengruppen jenseits kontrollierter Studien verstehen: Subpopulationen, Non-Responder, Therapieabbrüche.13
Große Datenmengen werden schneller und günstiger auswertbar – Evidenzgenerierung wird skalierbar.12
Wie ernst der Markt diese Verschiebung nimmt, zeigen die Erhebungen der großen Beratungshäuser. Die Zahlen stammen aus Branchenbefragungen und Schätzmodellen, nicht aus peer-reviewter Forschung – sie beschreiben eine Richtung, keine gesicherte Wirkung:
Das richtige Mittel zum richtigen Zeitpunkt bei der richtigen Patientin – das ist der Schritt von einer produktzentrierten zu einer patientenzentrierten Logik.9 Im Unternehmen gelingt er nicht in einer einzelnen Abteilung: Die Beratungsanalysen führen den Erfolg solcher Vorhaben ausdrücklich auf interdisziplinäre Teams zurück – klinische Medizin, Epidemiologie, Analytik und Fachbereich gemeinsam statt getrennter Analysekulturen.13 Die Transparenz, die dabei entsteht, wirkt in beide Richtungen: Sie macht den Nutzen für jede beteiligte Funktion sichtbar – und verkürzt zugleich den Weg der Patientin zur bestmöglichen individuellen Therapie.
Der eigentliche Hebel liegt in der Zusammenarbeit: Wenn Fachbereiche, Versorger und Kostenträger auf dieselbe Datengrundlage schauen, lässt sich die Versorgung von morgen gemeinsam gestalten. Real-World-Daten und durchgängige Datenketten sind dafür die Voraussetzung.
Der Rechtsrahmen dafür entsteht gerade: Der Europäische Gesundheitsdatenraum und das Gesundheitsdatennutzungsgesetz regeln die Sekundärnutzung von Gesundheitsdaten und machen genau solche Auswertungen in den kommenden Jahren belastbarer planbar.16
Hypertonie dient hier als Beispiel, weil die Datenlage gut belegt und die Versorgungslücke groß ist. Die Logik funktioniert bei jeder Indikation und in jedem Kontext, in dem mehrere AI- und Digital-Ideen um dieselben Ressourcen konkurrieren: klinischen Nutzen, Umsetzbarkeit und regulatorische Anforderungen in einer Entscheidungsvorlage zusammenführen – und daraus eine Reihenfolge ableiten statt einer Wunschliste.
Genau hier liegt mein Arbeitsschwerpunkt: die Orchestrierung interdisziplinärer Teams und Abteilungen – Fachbereich, Medizin, Daten und Regulatorik an einen Tisch zu bringen, den richtigen Use-Case zuerst zu identifizieren, ihn gegen die regulatorische Realität zu prüfen und die Umsetzung bis zur Verankerung im Arbeitsalltag zu begleiten.
Was belegt ist – und was nicht. Belegt ist, dass Real-World-Daten Versorgungslücken sichtbar machen und dass ein leitlinienbasiertes CDSS in einer randomisierten Studie die Leitlinienadhärenz erhöht hat – in einem anderen Versorgungssystem. Dass eine datengetriebene Versorgung die Qualität insgesamt verbessert, ist plausibel und wird von Branchenanalysen gestützt, in dieser Form aber nicht belegt. Diese Unterscheidung gehört in jede Entscheidungsvorlage – sie entscheidet darüber, ob ein Vorhaben später an den eigenen Versprechen gemessen wird oder an dem, was es wirklich leisten kann.
Abrufzeitpunkt: August 2026. Quellen 1–8 sind peer-reviewt oder institutionell, 9–14 sind Branchenanalysen, 15–16 Rechtsquellen.