Wehrmedizinische Monatsschrift

KOMPETENZERWERB ONLINE?

Kompetenzvermittlung zur diagnostischen Entscheidungsfindung im Medizinischen A-Schutz während der COVID-19-Pandemie

Andreas Lamkowskia, Stephanie E. Combsb-d, Michael Abenda, Matthias Porta

a Institut für Radiobiologie der Bundeswehr, München

b Klinik für RadioOnkologie und Strahlentherapie, Technische Universität München (TUM), München

c Institut für Strahlenmedizin (IRM, Helmholtz Zentrum München (HMGU), Oberschleißheim

d Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site München

Einleitung und Hintergrund

Im Rahmen von Unfällen oder terroristischen Anschlägen mit radioaktiven Quellen oder technischen Störstrahlern können Personen in Wirkungsbereichen einer relevanten Exposition mit ionisierender Strahlung (IR) ausgesetzt sein. Radionukleare Szenarien können beispielsweise mit dem Einsatz von radiologischen Dispersionsvorrichtungen (RDDs oder „schmutzigen Bomben“), geschlossenen Expositionsquellen hoher Aktivität (REDs) oder improvisierten nuklearen Sprengköpfen (INDs) entstehen [9]. Weiterhin ist militärisch auch der Einsatz von Nuklearwaffen nicht auszuschließen. Außerdem besteht ein Bedrohungspotenzial durch zivile Großschadenslagen, wie diese z. B. bei den Radionuklidfreisetzungen ­während des Goiânia-Unfalls 1987 oder bei früheren Kernkraftwerksunfällen (z. B. Tschernobyl 1986 und Fukushima 2011) bereits auftraten [1][5][9]. Je nach zugrundeliegendem Szenario sind einige wenige bis mehrere Zehntausend betroffene Personen zu erwarten [6]. Das Schweregradspektrum der Strahlenschäden betroffener Personen kann dabei in Bereichen liegen, in denen keine akutmedizinisch relevanten Schädigungen zu erwarten wären und bis hin zu letalen Expositionen mit einer mittleren Überlebenszeit von wenigen Tagen reichen.

Frühzeitige Diagnostik entscheidend

Die Prognose der Patienten mit relevanten Expositionen gegenüber IR hängt von einer frühen Hospitalisierung sowie von zielgerichteten Behandlungsprotokollen (z. B. Zytokin-Applikationen [3], Stammzelltransplantation [3][9] etc.) ab. Zu Beginn des Strahlenunfallmanagements sollte daher eine möglichst frühzeitige und gleichzeitig präzise Diagnostik des Strahlenschadens stehen, wodurch alle weiteren Entscheidungsfindungen wie die Auswahl geeigneter Behandlungsprotokolle, Hospitalisierung und Aufnahme in spezialisierte Versorgungszentren (z. B. Verbrennungsmedizin, hämatologische Stammzelltransplantation etc.) zuverlässig ermöglicht werden können. Physikalische Dosisrekonstruktionen zur Exposition eines Individuums sind oftmals nur nach einer zeitaufwendigen Erfassung aller Rahmenparameter möglich (Ortsdosisleistungsverfahren). Zudem haben Vergleiche gezeigt, dass die Kenntnis von Ganzkörperbestrahlungsdosen im Bereich zwischen 1,5 bis 5 Gy keine zuverlässige Vorhersage des hämatologischen Schweregrads erlaubt [11]. Frühzeitig verfügbare Parameter zur diagnostischen Schweregradabschätzung der Akuten Strahlenkrankheit (ARS) sind Prodromalsymptome und die Messungen von zeitlichen Veränderungen der peripheren Blutzellkonzentrationen (Lymphozyten-, Granulozyten- und Thrombozytenzahlen pro Blutvolumen), welche durch die hohe Verfügbarkeit von Ressourcen zur Differenzialblutbildanalytik leicht zu erhalten sind. Klinische Anzeichen und Symptome der Prodromalphase sind Anorexie, Übelkeit, Erbrechen, Durchfall, Fieber, Hypotonie, Kopfschmerzen und Erytheme [4].

Die Forschungsaktivitäten der letzten Jahrzehnte in diesem Feld haben Computerapplikationen hervorgebracht, welche – überwiegend basierend auf diesen klinischen Daten – eine Frühdiagnostik mit adäquaten positiven und negativen Prädiktionswerten ermöglichen. Diese Software-Tools unterstützen zum einen die Erfassung von Patientendaten, zum anderen liefern sie entweder eine Dosisabschätzung (z. B. Biodosimetry Assessment Tool (BAT) [12] und First-Responders Radiological Assessment Triage (WinFRAT, Biodosimetry Tools/Uniformed Services University 2017) [13]) oder eine Vorhersage von spät auftretenden hämatologischen ARS (H-ARS), basierend auf frühen Veränderungen in der Blutzellzahl als Auswirkung der Strahlung. Das Institut für Radiobiologie der Bundeswehr (InstRadBioBw) entwickelte eigene ­Modelle zur Beschreibung des hämatologischen Strahlenschadens für die Abschätzung des Schweregrades, welche nunmehr als „H-Modul“ durch eine benutzerfreundliche App kostenfrei auf nahezu allen verbreiteten mobilen Endgeräten genutzt werden kann.

Das „H-Modul“ steht kostenfrei zum Download zur Verfügung:

https://play.google.com/store/apps/details?id=bir.app.hmodule

Ausbildung erforderlich

Obwohl zuverlässige computerbasierte Applikationen für die Frühdiagnostik der ARS existieren und eine weltweite Nutzung über diverse Endgeräte möglich ist, müssen gleichwohl die Anwender über radiobiologische Grundkenntnisse verfügen, um zum einen für eine gute ­Qualität der klinischen Eingabedaten Sorge tragen zu können und im Weiteren die Auswertungen dieser Software-Tools klinisch folgerichtig zu beurteilen. In diesem Sinne entwickelten die Autoren einen Kurs zum medizinischen Management der ARS, bei dem theoretisches Wissen über radiobiologische Effekte, Diagnostik, Behandlung sowie die Anwendung verfügbarer Software-Tools vermittelt werden. Der Kurs wurde erstmalig 2016 für Studenten eines Master-Studienganges in Strahlenbiologie (Technische Universität München, TUM) angeboten. Am Ende des Kurses lösten die Studenten 191 klinische Fälle, unter denen sich sowohl Verläufe mit relevanter Strahlenexposition unterschiedlicher Schweregrade wie auch Nicht-Exponierte befanden. Im Anschluss erfolgte eine Erfolgskontrolle durch den Vergleich zwischen den Lösungen der Kursteilnehmer und den tatsächlichen Schweregraden der klinischen Falldarstellungen.

Auch in den darauffolgenden Jahren von 2016 bis 2019 wurde der Kurs unter Beteiligung unterschiedlichster akademischer Fachrichtungen mit großer Resonanz angenommen. Eine Variante des Kurses (StTARS) ist als NATO-Training verfügbar, wurde bereits erfolgreich durchgeführt, ist hier aber nicht Gegenstand der Betrachtung. Während der Covid-19-Pandemie stellten die Autoren den Kurs erstmals auf ein Online-Live-Format um. Die vorliegende Arbeit vergleicht den Lernerfolg zwischen den Präsenzkursen von 2016 bis 2019 mit dem Online-Kurs von 2020.

Material und Methoden

Falldarstellungen für die Trainingsdatensätze

Die 191 klinischen Fälle für das diagnostische Training bestanden aus 24 echten Strahlenunfällen, deren medizinischen Daten aus der SEARCH-Datenbank (System for Evaluation and Archiving of Radiation accidents based on Case Histories) entnommen wurden. Dazu kamen 78 fiktive Fälle, die unter Zuhilfenahme des klinischen Klassifikationssystem METREPOL (Medical Treatment Protocols for Radiation Accident victims) erstellt wurden und 89 Fälle mit klinischen Daten von gesunden Individuen [2]. Die Einteilung des Schweregrades erfolgte dabei in sogenannte „Response Categories“ (RC) von Grad 0–4, wobei RC0 keiner Strahlenerkrankung entspricht und RC1 für einen geringen Schweregrad mit ambulanten Behandlungsoptionen steht, während RC4 den höchsten Schweregrad erfüllt und eine medizinische Maximalversorgung erfordert [4].

Die klinischen Schweregrade der 24 SEARCH-Fälle und der 78 fiktiven METREPOL-Fälle sind in Tabelle 1 dargestellt. Die 89 Fälle von gesunden Individuen waren dementsprechend RC0 [2][9].

Tab. 1: Verteilung der Schweregrade

Kursteilnehmende

Die Kursteilnehmenden des Präsenzunterrichts zeigten eine heterogene Zusammensetzung unterschiedlicher Ausbildungsstufen vom Studierenden bis zum ausge­bildeten Akademiker in verschiedenen Fachdisziplinen und wiesen keine Vorerfahrungen in der klinischen Diagnostik auf. In den Jahren von 2016 bis 2019 durchliefen 15 Gruppen mit je 2–3 Teilnehmenden den Präsenzkurs [9]. Im erstmaligen Online-Kurs 2020 nahmen 9 Personen mit vergleichbarem fachlichen Hintergrund teil.

Beide Kurse waren auf 3 Tage mit jeweils 5 Stunden konzipiert, die Dozenten waren gleich und die Unterrichtssprache für den internationalen Teilnehmerkreis wurde in allen Kursen auf Englisch festgelegt.

Computerapplikationen zur Schweregradklassifizierung

Die Kursteilnehmenden verwendeten unter anderem das „Biodosimetry Assessment Tool“ (BAT) [12] sowie „First-Responders Radiological Assessment Triage FRAT“ (WinFRAT) [13], welche vom Armed Forces Radiobiology Research Institute (AFRRI) entwickelt worden waren. Diese Programme erlauben die Eingabe von klinischen Prodromalsymptomen, Blutzellzählungen und physikalischen Messungen. Außerdem wurde das „H-Modul“ verwendet; diese vom InstRadBioBw entwickelte App ermöglicht eine Abschätzung des hämatologischen Schweregrades innerhalb der ersten 3 Tage nach Strahlenexposition anhand von Lymphozyten, Granulozyten und Thrombozytenzählungen im peripheren Blut [8].

Tab. 2: Die Verteilungen der durch die Kursteilnehmenden vorhergesagten RCs sind dem prozentualen Anteil an den tatsächlichen RC-Gruppen gegenübergestellt.

Daten entnommen aus [7]

Statistik

Die Kursteilnehmenden mussten bei der Bearbeitung der 191 Fälle eine Abschätzung hinsichtlich der RC (Grad 0–4) vornehmen. Basierend auf diesem RC wurden dann dichotome Entscheidungsfindungen abgefragt:

Statistische Berechnungen erfolgten mit der Software SAS (SAS 9.2, 2010, Cary, NC: SAS Institute, USA), die analytische Statistik wurde mit nicht-parametrischen Tests und bei normalverteilten Variablen mittels t-Test durchgeführt. Die Graphen wurden mit Microsoft Excel (Version 2016) erstellt.

Ergebnisse und Diskussion

Insgesamt wurden 48 Teilnehmende (39 aus dem Präsenzunterricht und 9 aus dem Online-Kurs) in diese Auswertung eingeschlossen.

In den Jahren zwischen 2016 bis 2018 gaben die Kursdozenten die Auswahl der genutzten Computerapplikationen zur Abschätzung des Schweregrades vor [1][13]. Da die Auswahl keinen signifikanten Einfluss auf das Ergebnis hatte, wurde ab 2019 die Auswahl der Applikationen den Kursteilnehmenden überlassen [1][13]. Die am häufigsten genutzten Programme waren WinFRATund das H-Modul.

Im Präsenzunterricht konnten 87,6 % und im Online-Unterricht 85,4 % der Patienten mit RC0 auch korrekt identifiziert werden. Die Minderheit der Fälle (12,4 % beim Präsenzunterricht und 14,6 % beim Online-Unterricht) wurde fälschlicherweise als RC1 eingeschätzt [7]. Bei den realen RC1-Fällen wurde hingegen nur die Minderheit richtig identifiziert (20 % beim Präsenzunterricht und 17,8 % beim Online-Unterricht) [7]. Diese Schwierigkeiten der Diskriminierung zwischen RC0 und RC1 sind Folge der oft geringen Ausprägung von Prodromalsymptomen oder Blutbildveränderungen beim RC1-Patienten, sodass diese in den ersten 3 Tagen nur schwerlich vom Gesunden zu unterscheiden sind. Bei den realen RC2-Fällen wurden zwar viele Fälle richtig klassifiziert (68,4 % beim Präsenzunterricht und 36,8 % beim Online-Unterricht), allerdings werden auch relevante Anteile benachbarter RCs (RC1 und RC3) falsch zugeordnet [7]. Hier zeigt sich besonders die schlechtere Ergebnisqualität der Online-Teilnehmenden, welche näherungsweise nur die Hälfte der RC2-Fälle im Vergleich zu den Präsenzunterrichtsteilnehmern richtig identifizierten. Bei höheren Schweregraden der ARS (RC3-und RC4-Fälle) zeigte sich eine Tendenz, dass die Mehrheit der RCs richtig erkannt wurde und die Streuung falscher Interpretationen abnahm [7]. Jedoch war auch die Ergebnisqualität der Online-Teilnehmenden stets deutlich gegenüber den Präsenzabsolventen herabgesetzt.

Bei der Betrachtung aller RCs (Abbildung 1) konnten die Präsenztrainingsteilnehmenden im Mittelwert 96,9 % richtig vorhersagen, während die Online-Teilnehmer nur 89,9 % richtig erkannten (p = 0.001). Insgesamt ist dies ein hervorragendes Ergebnis in beiden Gruppen und zeigt die Leistungsfähigkeit der genutzten diagnostischen Software. Die Verteilung der richtig identifizierten RCs der Online-Absolventen lag dabei im unteren Quartil der Präsenzteilnehmer. Da die RC-Abschätzung als Basis für eine zuverlässige Entscheidungsfindung herangezogen werden muss, ob ein hospitalisierungspflichtiges ARS im weiteren Verlauf erwartet werden kann, ergaben sich ähnliche Unterschiede bei den dichotomen Bewertungen („Relevantes ARS liegt vor (JA/NEIN)“ und „Hospitalisierung erforderlich (JA/NEIN)). Im Mittel war die Anzahl der richtigen dichotomen Entscheidungen bei den Online-Absolventen um 3–4 % geringer als bei den Präsenzteilnehmenden (p = 0.002) [7].

Abb. 1: Die Boxplot-Grafik zeigt die Verteilung der prozentual richtig identifizierten RCs aller Präsenztrainingsteilnehmenden (2016 bis 2019) im Vergleich zu den Absolventen des Online-Kurses (2020); die durchgezogene horizontale Linie repräsentiert den Median und das Kreuz den Mittelwert. (Daten entnommen aus [7])

Die Arbeitsgeschwindigkeit (Abbildung 2) war zudem bei den Online-Absolventen um rund die Hälfte reduziert (Anzahl bearbeiteter Fälle pro Stunde: 61 beim Präsenzunterricht und 31 beim Online-Unterricht (p = 0.005)) [7].

Obwohl beide Kursformate unter gleichen Voraussetzungen hinsichtlich Kursinhalten, Dozentenqualifikation, Trainingszeit, Lernmaterialien und akademischer Vorbildung des Teilnehmendenkreises durchgeführt wurden, ergaben sich signifikante Unterschiede in der Performance (korrekte RC, ARS und Hospitalisierungsvorhersage). So zeigten sich bei einem Drittel der Online-Absol­venten Missverständnisse in grundlegenden Prinzipien.

Abb. 2: Verteilung von bearbeiteten Fällen pro Stunde für jeden Teilnehmenden: Die durchgezogene horizontale Linie repräsentiert den Median und das Kreuz den Mittelwert. (Daten entnommen aus [7])

Mögliche Gründe für schlechteres Online-Ergebnis

Die Gründe für den reduzierten Lernerfolg der Online-Absolventen sind möglicherweise auf die fehlende Gruppenbildung zurückzuführen. Während die Teilnehmenden von Präsenzveranstaltungen stets in Kleingruppen zusammenarbeiteten, kam zwischen den Online-Teilnehmenden keine Gruppenarbeit zustande. Die Autoren vermuten, dass die Kooperation in Teams und das gemeinsame Lösen der klinischen Falldarstellungen ein entscheidendes Instrument zur Harmonisierung des gemeinsamen Kenntnisstandes darstellt. Die intensiven Dialoge, die im Rahmen aller Präsenzunterrichte während der Bearbeitung der Fallbeispiele beobachtet wurden, belegen unsere Vermutung: Die unterschiedliche Einordnung der Fälle, z. B. als ARS, führen unweigerlich zu Diskussionen innerhalb der Lerngruppen auch mit Beteiligung der Dozenten und in Folge zu einer Korrektur von Fehlinterpretationen und einer Harmonisierung der Lerninhalte. Da die Lehre über Online-Plattformen erwartungsgemäß auch nach der Covid-19-Pandemie eine wichtige Rolle einnehmen wird, müssen pädagogische Konzepte erarbeitet werden, die einen vergleichbaren Lernerfolg sicherstellen können. Ein Beispiel hierfür könnte im Rahmen von Online-Kursen eine Förderung der aktiven Zusammenarbeit der Teilnehmenden in virtuellen Lernräumen sein.

Zusammenfassendes Fazit

Die Früh-Diagnostik von Patienten mit akutem Strahlensyndrom kann durch computerassistierte Verfahren sehr gut unterstützt werden. Ein suffizientes Training der potenziellen Anwender ist jedoch klar erforderlich. Es zeigt sich, dass nach wie vor Präsenztraining und Übung in Kleingruppen den virtuellen Formaten in der Ergebnisqualität überlegen ist. Die wissenschaftliche Begleitung der Kurse liefert hierbei wichtige Erkenntnisse zur datenbasierten Weiterentwicklung der Lehre im medizinischen A-Schutz. Eine Weiterentwicklung der Online-Kurse, z. B. mit Integration von aktiver Zusammenarbeit der Teilnehmenden in Form virtueller Lehrräume, ist zwingend notwendig.

Literatur

  1. International Atomic Energy Agenc: The radiological accident in Goiânia. Vienna: International Atomic Energy Agency; 1988. mehr lesen
  2. Dörr H, Abend M, Blakely WF et al.: Using clinical signs and symptoms for medical management of radiation casualties - 2015 NATO exercise. Radiat Res 2015; 187(3): 273–286. mehr lesen
  3. Farese AM, Brown CR, Smith CP et al.: The ability of filgrastim to mitigate mortality following LD50/60 total-body irradiation is administration time-dependent. Health Phys 2014; 106: 39–47. mehr lesen
  4. Friesecke I, Beyrer K, Fliedner TM: How to cope with radiation accidents: The medical management. Br J Radiol 2001; 74: 121–122. mehr lesen
  5. International Atomic Energy Agency,World Health Organization. The radiological accident in Lilo. Vienna: International Atomic Energy Agency; 2000. mehr lesen
  6. Laiakis EC, Wang YW, Young EFJ, Fornace AJ:. Metabolic dysregulation after neutron exposures expected from an improvised nuclear device. Radiat Res 2017; 188: 21–34. mehr lesen
  7. Lamkowski A, Combs SE, Abend M, Port M: Training of clinical triage of acute radiation casualties: a performance comparison of on-site versus online training due to the covid-19 pandemic. J Radiol Prot 2021. [online ahead of print 13. Juli 2021], letzter Aufruf 21. Juli 2021. mehr lesen
  8. Majewski M, Rozgic M, Ostheim P, Port M,Abend M: A New Smartphone Application to Predict Hematologic Acute Radiation Syndrome Based on Blood Cell Count Changes-The H-module App Health Phys 2020; 119: 64-71. mehr lesen
  9. Matthäus M, Combs S, Trott KR , Abend M, Port M: Successful Teaching of Radiobiology Students in the Medical Management of Acute Radiation Effects From Real Case Histories Using Clinical Signs and Symptoms and Taking Advantage of Recently Developed Software Tools. Health Phys 2018; 115(1): 49-56. mehr lesen
  10. Port M, Haupt J, Ostheim P et al.: Software Tools for the Evaluation of Clinical Signs and Symptoms in the Medical Management of Acute Radiation Syndrome-A Five-year Experience Health Phys 2021; 120(4): 400-409. mehr lesen
  11. Port M, Pieper B, Dorr H D, Hubsch A, Majewski M, Abend M: Correlation of radiation dose estimates by DIC with the METREPOL hematological classes of disease severity Radiat Res 2018; 189: 449–455. mehr lesen
  12. Sine RC, Levine IH, Jackson WE et al.: Biodosimety assessment tool: A post-exposure software application for management of radiation accidents. Mil Med 2001; 166: 85–87. mehr lesen
  13. USUHS/AFFRI: Biodosimetry Tools. , letzter Aufruf 19. Juli 2021. mehr lesen

Für die Verfasser

Oberfeldarzt Dr. Andreas Lamkowski

Institut für Radiobiologie der Bundeswehr

Neuherberg Str. 11, 80937 München

E-Mail: andreaslamkowski@bundeswehr.org