The DOI matches its Crossref record; 30 of the 30 references it cites were found in a registry or an index.
Faktoren für die Implementierung von KI-basierten Entscheidungsunterstützungssystemen zur Antibiotikavorhersage im Krankenhaus – eine qualitative Analyse aus der Perspektive von ärztlichem Personal
Open accessAbstract
Zusammenfassung: Hintergrund Entscheidungsunterstützungssysteme auf Basis künstlicher Intelligenz können dazu beitragen, den Antibiotikaeinsatz im Krankenhaus zu optimieren und die Entstehung von Resistenzen vorzubeugen. Das Ziel der vorliegenden Untersuchung ist es, hemmende und fördernde Faktoren für eine erfolgreiche Implementierung aus Perspektive von ärztlichem Personal herauszuarbeiten. Methode Es wurden 14 problemzentrierte Interviews mit ärztlichem Personal aus der stationären Versorgung durchgeführt und anhand der strukturierenden Inhaltsanalyse nach Kuckartz qualitativ ausgewertet. Ergebnisse Entlang des Human-Organization-Technology-fit-Modells wurden Haltungen aus der Perspektive des ärztlichen Personals dargestellt. Technologie- und organisationsbezogene Themen stellen bedeutende Faktoren für die Implementierung dar. Vor allem die Kompatibilität mit bestehenden Systemen sowie die Benutzerfreundlichkeit des Systems nehmen einen hohen Stellenwert bei einer erfolgreichen Implementierung ein. Zusätzlich wird die Einarbeitung von potenziellen Nutzergruppen und die technische Ausstattung der Organisation als zentral erachtet. Nicht zuletzt gilt es die Technikkompetenzen potenzieller Nutzergruppen nachhaltig zu fördern und Vertrauen für das System zu schaffen. Schlussfolgerungen Die Ergebnisse bieten eine Basis, um im Folgeschritt die identifizierten Faktoren quantitativ priorisieren zu können. Es wird deutlich, dass beim Einsatz von Entscheidungsunterstützungssystemen neben Systemeigenschaften auch kontextspezifischen und nutzerbezogenen Gegebenheiten eine zentrale Bedeutung zukommt, um Systemvertrauen und eine langfristige Implementierung zu gewährleisten.
Overview
The claims and statistics of this paper haven’t been checked yet.
Free: it reads the open-access text and checks the first 5 claims that cite a source we can check. Create a free account to check every claim.
Integrity signals
Registry
Cites
Statistics
Figures
Verification
Claims the paper makes
The claims and statistics of this paper haven’t been checked yet.
Free: it reads the open-access text and checks the first 5 claims that cite a source we can check. Create a free account to check every claim.
Claims other papers make about this one
Each is checked against this paper’s own text: does it say what the citing paper says it does?
The source backs part of the claim, not all of it — or backs it for a different population, condition or comparison.
In the citing paper
“The main quality of care benefits from AI integration is seen as an overall improvement in clinical outcomes [33, 54, 55, 79, 80, 84] by increasing patient safety [32, 46, 49, 72] and enhancing medical standards [85].”
From Healthcare professionals’ perspectives on artificial intelligence in patient care: a systematic review of hindering and facilitating factors on different levels (2025) · cites this paper as [80]
Experimental — accuracy not yet measured
Self-check
Percentages, sums and reported differences re-computed from the paper’s own numbers.
The self-check needs the paper’s full text.
Citations
Cites
Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz
(2013) · Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz · doi:10.1007/103.1437-1588 · Cited by 11,796
An overview of clinical decision support systems: Benefits, risks, and strategies for success
Sutton, R. T., Pincock, D., Baumgart, D. C., Sadowski, D. C., Fedorak, R. N., & Kroeker, K. I. (2020) · npj Digital Medicine · doi:10.1038/s41746-020-0221-y · Cited by 3,019 · cited 4×
“Übereinstimmend mit bereits durchgeführten Arbeiten in diesem Bereich [25, 26] wurden die Kompatibilität mit bestehenden Systemen und die Usability, die sich in einer übersichtlichen Benutzeroberfläche und einer einfachen Navigation ausdrückt, als hilfreiche Eigenschaften eines KI-basierten EUS zur Antibiotikavorhersa…”
InfluentialGrounded theory: Grundlagen qualitativer Sozialforschung
Strauss, A. L., Corbin, J. M., Niewiarra, S., & Legewie, H. (1996) · Cited by 1,931
Research synthesis: the practice of cognitive interviewing
Beatty, P. C., & Willis, G. B. (2007) · Public Opinion Quarterly · doi:10.1093/poq/nfm006 · Cited by 1,615 · cited 1×
“In dieser Kategorie werden Aspekte der organisatorischen Umgebung, wie die politischen und gesetzlichen Rahmenbedingungen als auch Finanzierungsaspekte und die externe Kommunikation dargelegt.”
Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data
Gianfrancesco, M. A., Tamang, S., Yazdany, J., & Schmajuk, G. (2018) · JAMA Internal Medicine · doi:10.1001/jamainternmed.2018.3763 · Cited by 1,395 · cited 3×
“anhand von deterministischen Wenn-Dann-Regeln auf die immer gleiche und damit komplexe, aber vorhersehbare Art und Weise, berechnen, können nicht-regelbasierte Algorithmen sich allein auf Basis der ihnen zugeführten Daten „eigenständig“ (weiter-)entwickeln [10].”
Resistance to Change: The Rest of the Story
Ford, J. D., Ford, L. W., & D'Amelio, A. (2008) · Academy of Management Review · doi:10.5465/amr.2008.31193235 · Cited by 1,084 · cited 1×
“Die unzureichende Bereitschaft zur Veränderung ist oftmals in situativen Faktoren wie dem fehlenden Bedarf oder der zu hohen wahrgenommenen Komplexität der neuen Technologie begründet [31].”
Die Qualität qualitativer Daten
Helfferich, C. (2011) · VS Verlag für Sozialwissenschaften eBooks · doi:10.1007/978-3-531-92076-4 · Cited by 969
Franke, T., Attig, C., & Wessel, D. (2019) · International Journal of Human–Computer Interaction · doi:10.1080/10447318.2018.1456150 · Cited by 828 · cited 2×
“Ferner war die Mehrheit der befragten Personen zwischen 30 und 50 Jahre alt. Es konnte kaum Einblicke in die subjektive Sichtweise von Personen erlangt werden, die KI-ba-sierte EUS zur Antibiotikavorhersage strikt ablehnen, da hier über-wiegend eine mittlere Technikaffinität vorlag.”
Deep Learning in Medicine—Promise, Progress, and Challenges
Wang, F., Casalino, L. P., & Khullar, D. (2019) · JAMA Internal Medicine · doi:10.1001/jamainternmed.2018.7117 · Cited by 483 · cited 1×
“Autonomieverlustes [10, 32], die auch im Rahmen der vorliegenden Untersuchung zum Ausdruck gebracht wurde.”
Reasons For Physicians Not Adopting Clinical Decision Support Systems: Critical Analysis
Khairat, S., Marc, D., Crosby, W., & Al Sanousi, A. (2018) · JMIR Medical Informatics · doi:10.2196/medinform.8912 · Cited by 335 · cited 6×
“Zudem treffen Mediziner klinische Entscheidungen nicht nur auf Grundlage von Patienten-informationen, sondern ebenfalls auf Grundlage von individuellen Moralvorstellungen, der sozialen Struktur (bspw. akzeptables Verhalten, das von Gleichaltrigengruppen festgelegt wird) sowie der institutionellen Gegebenheiten (bspw.…”
Influential
Research works printed but not linked: 9
- J. Weber, 2005, Alle entscheidenden Konzepte, Steuerungssysteme und Instrumente
- World Health Organization (WHO), 2021, Ethics & governance of artificial intelligence for health: WHO guidance
- B. Berendt, 2020, Algorithmic discrimination. In: Comandé G, Hrsg. Elgar Encyclopedia of law and data science, 17
- R. Baumgartner, 2021, Künstliche Intelligenz in der Medizin: Diskriminierung oder Fairness? In: Bauer G, Kechaja M, Engelmann S et al., Hrsg. Diskriminierung und Antidiskriminierung. Beiträge aus Wissenschaft und Praxis, 149
- A. Witzel, 1985, Das problemzentrierte Interview. Jüttemann G, Hrsg. Qualitative Forschung in der Psychologie: Grundfragen, Verfahrensweisen, Anwendungsfelder, 227
- J Claussen, 2020, Aufnehmen, Abtippen, Analysieren – Wegweiser zur Durchführung von Interview und Transkription
- U. Kuckartz, 2016, Qualitative Inhaltsanalyse: Methoden, Praxis, Computerunterstützung. 3. Aufl
- M A Sasse, 2014, Design for Trusted and Trustworthy Services: Why We Must Do Better. In Harper RHR (Hrsg.). Trust, Computing, and Society, 229
- J Morley, 2019, Developing effective policy to support Artificial Intelligence in health and care, Eurohealth, 25, 11
Cited by
Henzler, D., Schmidt, S., Koçar, A., Herdegen, S., Lindinger, G. L., Maris, M. T., Bak, M. A. R., Willems, D. L., Tan, H. L., Lauerer, M., et al. (2025) · BMC Health Services Research · doi:10.1186/s12913-025-12664-2 · Cited by 54
Giebel, G. D., Raszke, P., Nowak, H., Palmowski, L., Adamzik, M., Heinz, P., Tokic, M. C., Timmesfeld, N., Brunkhorst, F. M., Wasem, J., et al. (2025) · JMIR Medical Informatics · doi:10.2196/69688 · Cited by 39
Tokgöz, P., Krayter, S., Häfner, J., & Dockweiler, C. (2024) · BMC Medical Informatics and Decision Making · doi:10.1186/s12911-024-02490-7 · Cited by 23
Self-citationTokgöz, P., Albrecht, J., & Dockweiler, C. (2025) · Frontiers in Digital Health · doi:10.3389/fdgth.2025.1555042 · Cited by 8
Self-citationTokgöz, P., Krayter, S., Häfner, J., & Dockweiler, C. (2024) · Figshare · doi:10.6084/m9.figshare.26707062
Self-citation
Metadata
- Authors
- Tokgöz, P., Hafner, J., & Dockweiler, C.
- Affiliations
- University of Siegen (DE)
- Department für Digitale Gesundheitswissenschaften und Biomedizin; Professur für Digital Public Health, Universität Siegen Fakultät V Lebenswissenschaftliche Fakultät, Germany
- Corresponding author
- Tokgöz, Pinar
- Venue
- Das Gesundheitswesen
- Publisher
- Georg Thieme Verlag KG
- Published
- 2023-07-14
- Volume
- 85
- Issue
- 12
- Pages
- 1220-1228
- ISSN
- 0941-3790 (ISSN-L)
- 1439-4421
- PMC
- PMC10713341
- OpenAlex
- W4384296356
- Cited by
- 5
- References
- 30
- Citations by year
- 2025: 3 · 2024: 2
- FWCI
- 1.12
- Type
- journal article
- Language
- de
- Open access
- hybrid
- doi.org
- Licence
- Locations
- Das Gesundheitswesen (publishedVersion, cc-by-nc-nd)
- PubMed Central (publishedVersion, cc-by-nc-nd)
- PubMed (publishedVersion)
- Topics
- Health Sciences › Health Professions › Health Information Management › Electronic Health Records Systems
- Health Sciences › Medicine › Health Informatics › Artificial Intelligence in Healthcare and Education
- Health Sciences › Health Professions › General Health Professions › Health Policy Implementation Science
- Keywords
- artificial intelligence, clinical decision support systems, antibiotic prescribing, antibiotic stewardship, implementation barriers and facilitators, clinician attitudes, system compatibility, ease of use, user training, trust in AI, antimicrobial resistance prevention, hospitals
- MeSH terms
- Anti-Bacterial Agents, Artificial Intelligence, Germany, Health Personnel, Hospitals, Humans
About these checks
Registry, retraction, Cites and statistics results are computed, not judged, with one exception: a printed reference that no index lists is read once by a model before it counts as a citation error. Claims are extracted by a model and kept only when their quote appears verbatim in the text; each cited source is then checked, with a model’s help, for whether it says what the claim relies on. Those verdicts can be wrong — read the claim’s quote and the cited source before relying on one.
Statistics and arithmetic are recomputed, not judged.
Confidence bands are shown only for fields calibrated on our annotated test set. None is calibrated yet, so no band is shown.
What counts as a claim ›How we measure confidence ›How we check this ›
Are you an author, or do you see a problem with this page? Request a review
How to cite
Cite CoChat for the checks on this page, and the paper for its own findings.
- This page
- CoChat. (2026). Citation check: Faktoren für die Implementierung von KI-basierten Entscheidungsunterstützungssystemen zur Antibiotikavorhersage im Krankenhaus – eine qualitative Analyse aus der Perspektive von ärztlichem Personal. https://app.cochat.ai/papers/10.1055/a-2098-3108
- The paper
- Tokgöz, P., Hafner, J., & Dockweiler, C. (2023). Faktoren für die Implementierung von KI-basierten Entscheidungsunterstützungssystemen zur Antibiotikavorhersage im Krankenhaus – eine qualitative Analyse aus der Perspektive von ärztlichem Personal. Das Gesundheitswesen. https://doi.org/10.1055/a-2098-3108
Data sources
Bibliographic data: Semantic Scholar, OpenAlex, Crossref.
Contains information from the Semantic Scholar Academic Graph Datasets, made available under the ODC Attribution License (ODC-BY 1.0).
Semantic Scholar’s data is described in: Kinney, R., et al. (2023). The Semantic Scholar Open Data Platform. arXiv:2301.10140.

