Die Kommunikation radiologischer Befunde an die Leberchirurgen ist nicht trivial: Die Bildgebung ist komplex, das Vorhandensein multipler Leberlaesionen und unterschiedliche Therapieoptionen erschweren die Sache.
Strukturierte Vorlagen können die Effizienz der Befundung steigern. Richtig aufgesetzt und qualitätsgesichert müssen sie allerdings sein. Funktioniert die Implementierung, sind sie eine exzellente Ausgangsbasis für Deep Learning.
Eine Umfrage unter überweisenden ÄrztInnen zeigt, dass auch diese die Vorteile der strukturierten Befundung zu schätzen wissen. Angehende RadiologInnen sollten daher schon frühzeitig an die Standardisierung herangeführt werden.
Weniger Fehler, verbesserte Kommunikation mit zuweisenden Kollegen und Input für Machine Learning – mindestens diese drei Punkte sprechen für strukturiere Befundung.
Der direkte Vergleich der benötigten Befundungszeit von Freitextbefunden und strukturierter Befundung spricht für die Einführung standardisierter Befundvorlagen – dies zeigt sich zumindest anhand von Mammographie- und Ultraschalluntersuchungsberichten.
Deep-Learning-Netzwerke analysieren orthopädische Röntgenbilder mit hoher Genauigkeit und können RadiologInnen in der täglichen Routine unterstützen.
RadiologInnen und KlinikerInnen sehen die Vorteile der strukturierten Befundung in einer klareren Struktur und Eindeutigkeit.
Strukturiertes Befunden trägt in der Onkologie zu mehr Klarheit und verbesserter Vollständigkeit der Berichte bei.
Kliniker lehnen Prosabefunde zunehmend ab. Radiologen sind aufgerufen, sich an der Definition strukturierter Befundberichte zu beteiligen und so die DRG-Initiative zu unterstützen.
