Digitalisierung in der Medizin - Fluch oder Segen ? Prof. Dr. Hans-Ulrich Prokosch - MIRACUM
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Digitalisierung in der Medizin Fluch oder Segen ? Prof. Dr. Hans-Ulrich Prokosch Lehrstuhl für Medizinische Informatik der FAU Erlangen-Nürnberg CIO Universitätsklinikum Erlangen Konsortialleiter MIRACUM
Wie digital ist das deutsche Gesundheitswesen ?
Wie digital ist das deutsche Gesundheitswesen ?
Wie digital ist das
deutsche Gesundheitswesen ?
Policy
Aktivität
Digital Health
Readiness
Tatsächliche
Datennutzung
https://www.bertelsmann-stiftung.de/de/unsere-projekte/der-digitale-patient/projektthemen/smarthealthsystems/estland/
Wie digital ist das deutsche Gesundheitswesen ? https://www.mckinsey.de/news/presse/2018-09-27-digitalisierung-im-gesundheitswesen
Digitalisierung in der Medizin
Fluch oder Segen ?
Digitalisierung in der Medizin
Fluch oder Segen ?
Die
Schwarzseher
Digitale Gesundheitsakte
Vom Widerstand der Ärzte
• „Hochsensible Gesundheitsdaten von Erwachsenen
und Kindern sollen in einer Cloud gespeichert werden.
• Wie wir wissen, sind Daten die einmal im Netz sind,
praktisch nicht mehr zurückzuholen.“
Süddeutsche
SüddeutscheZeitung Nr.Nr.
Zeitung 56, 56,
7. März 2019,2019,
7. März 13 13
Digitale Gesundheitsakte
Vom Widerstand der Ärzte
• „Hochsensible Gesundheitsdaten von Erwachsenen
und Kindern sollen in einer Cloud gespeichert werden.
• Wie wir wissen, sind Daten die einmal im Netz sind,
praktisch nicht mehr zurückzuholen.“
Landen die Daten wirklich in der Cloud?
Was ist überhaupt die „Cloud“?
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13
Machen Sie Online-Banking?
Wollen Sie darauf heute noch verzichten?
Digitalisierung des Gesundheitswesen
Fluch oder Segen?
„Ich sehe fassungslos vor einer Entwicklung in diesem Land,
in der man blind an die Allheilwirkung einer totalen Digitalisierung
zu glauben scheint und zunehmend
hochempfindliche Infrastrukturen allein digitalen Technologien
anvertraut“
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Digitalisierung des Gesundheitswesen
Fluch oder Segen?
„Wer also hat etwas von dieser sehr teuren „Digitalisierung“?
Der finanzielle Vorteil bei Unternehmen, die über die Verfügbarkeit von
Daten auf zentralen Servern ihre Märkte besser erschließen wollen oder
durch die Bereitstellung von Hard- und Software
im Milliarden-Eurobereich profitieren, ist offenkundig.
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Digitalisierung des Gesundheitswesen
Fluch oder Segen?
„Warum also sollten sich Heilberufler überhaupt an einem
Prozess beteiligen, bei dem IT-Firmen massive Gewinne
einfahren, der aber nicht erkennbar zur verbesserten
Patientenversorgung beiträgt“
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Digitalisierung des Gesundheitswesen
Fluch oder Segen?
„Die Privatsphäre von Arzt und Patient ist bedroht“
Süddeutsche Zeitung Nr. 48, 26. Februar 2019, 2 https://www.sueddeutsche.de/politik/2.220/aussenansicht-das-glaeserne-behandlungszimmer-1.4344293Digitalisierung in der Medizin
Fluch oder Segen
Die
WeißseherBig Data und KI sind die Zukunft https://www.pwc.de/de/gesundheitswesen-und-pharma/digitalisierung-im-gesundheitswesen.html
KI revolutioniert die Medizin Der Einsatz von „Artificial Intelligence“ könnte Millionen Menschen zu besseren Therapien verhelfen – und gleichzeitig dazu beitragen, die Gesundheitskosten signifikant zu senken.
AI powers digital medicine
AI
powers digital medicine
Artificial intelligence (AI) has recently surpassed
human performance in several domains,
and there is great hope that in healthcare,
AI may allow for
better prevention, detection, diagnosis, and treatment of disease.IBM Watson
transfering the power of healthcare data
Fitbit and IBM Watson
are rapidly democratizing the access to personal health data
as well as access to complex computational capability,
and placing it, literally, in people’s hands.
https://www.cio.com/article/2922332/how-fitbit-and-ibm-watson-are-transferring-the-power-of-healthcare-data-from-one-hand-to-another.htmlIBM Watson
transfering the power of healthcare data
We have set an ambitious goal
to improve lives and give hope
by addressing the world’s most pressing health challenges.
https://www.ibm.com/watson/health/about/IBM Watson
transfering the power of healthcare data
https://www.ibm.com/watson/health/about/IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
https://www.zeit.de/digital/internet/2018-08/deep-learning-medizin-kuenstliche-intelligenz-neurologie-augenheilkunde
Mittwoch, 15. August 2018IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
Wirklich?
Das 2013 groß angekündigte Pilotprojekt[1]
für ein onkologisches Expertensystem
auf Basis von Watson am
MD-Anderson-Krebszentrum der Universität Texas
etwa liegt mittlerweile auf Eis.IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
Wirklich?
Der Supercomputer Watson von IBM wurde schon als Heilsbringer im Kampf gegen
Krebs und andere schwere Krankheiten angepriesen.
Man habe in dem amerikanischen Konzern den „idealen Partner“ gefunden, um die
„Schätze aus dem Datendschungel“ zu heben, frohlockte der DKFZ-Chef.
Computermesse Cebit in Hannover (2011)IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
Wirklich?
heutiger DKFZ-Stiftungsvorstand Michael Baumann (2018)
… beschränkt sich nach außen auf eine nüchterne
Tatsachenbeschreibung:
„Der Rahmenvertrag ist ausgelaufen, ohne dass Geld an IBM
geflossen ist.“IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
Wirklich?
Rhön-Klinikum / Marburg:
„Pleiten, Pech und Pannen“
Die Technik sei nicht brauchbar für den Krankenhausalltag.
„… habe sich die Lücke zwischen Anspruch und Wirklichkeit als so
groß erwiesen, dass wir rasch unternehmerisch handeln mussten“IBM Watson
transfering the power of healthcare data
Transform the way oncology professionals deliver care
Wirklich?
Memorial Sloan Kettering Cancer Center in New York
„Ich habe mir Watson dort ansehen können“,
sagt der deutsche Krebsmediziner Michael Hallek
„Das hätte man alles auch in jeder anderen Forschungsdatenbank
oder in einem Lehrbuch nachschlagen können“transfering the power of healthcare data
IBM Watson
Google Deep Mind
AlphaGotransfering the power of healthcare data
Egal wie komplex das Spiel Go auch sein mag,
es basiert auf einem ganz klar definierten Regelwerk
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Medizinische Versorgung
lässt sich nicht durch ein klar definiertes Regelwerk
beschreiben
Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Künstliche Intelligenz . . . wird oft mit „Maschinellem Lernen“ oder auch „Deep Learning“ gleichgesetzt . . . und beruht auf sogenannten neuronalen Netzen (die es übrigens auch schon in den 80er Jahren gab) . . .und es wird oft behauptet, dass KI selbstlernend sei
Künstliche Intelligenz
Maschinelles Lernen
. . . erfordert große Mengen an Daten
was aber häufig verschwiegen wird:
Maschinelles Lernen
. . . erfordert große Mengen an
von Klinikern annotierten Datentransfering the power of healthcare data
The CNN achieves performance on par with all tested experts
. . . , demonstrating an artificial intelligence capable
of classifying skin cancer
with a level of competence
comparable to dermatologists.
CNN = Deep convolutional neural networktransfering the power of healthcare data
transfering the power of healthcare data Here we demonstrate the effectiveness of deep learning in dermatology, . . . Further research is necessary to evaluate performance in a real-world, clinical setting, in order to validate this technique across the full distribution and spectrum of lesions encountered in typical practice.
IBM Watson
It´s nowhere close
https://www.statnews.com/2017/09/05/watson-ibm-cancer/AI in Medicine
Promise and Perils
Circulation Research 018;123:1282-1284.AI in Medicine
the peak of inflated expectations
With machine learning situated at the peak of inflated expectations,
we can soften a subsequent crash into a “trough of disillusionment”
by fostering a stronger appreciation
of the technology's capabilities and limitations.
Whether such artificial-intelligence systems are “smarter” than
human practitioners makes for a stimulating debate — but is largely
irrelevant.
Combining machine-learning software with the best human clinician
“hardware” will permit delivery of care that outperforms what
either can do alone.KI: Arztunterstützend !
Arztunterstützend,
nicht arztersetzend!
Prozess-unterstützend
Combining machine-learning software with the best human clinician
“hardware” will permit delivery of care that outperforms what
either can do alone.Digitalisierung: was heißt das überhaupt? • Prozesse des Gesundheitswesens - werden durch digitale Anwendungen unterstützt - innerhalb einzelner Versorgungsinstitutionen - aber auch über deren Grenzen hinweg • Digitale Technologien sind Alltag in Praxen und Kliniken • Digitale Technologien unterstützen direkt den Patienten • Spitzenreiter im Bertelsmann-Ranking haben effektive nationale Strategien, politische Führung und eine nationale Koordinationsstelle
Digitalisierung:
was heißt das überhaupt?
• Prozesse des Gesundheitswesens
- werden durch digitale Anwendungen unterstützt
- innerhalb einzelner Versorgungsinstitutionen
- aber auch über deren Grenzen hinweg
Digitale Prozesse
• Digitale Technologien generieren
sind Alltag Daten
in Praxen und Kliniken
• Digitale Technologien unterstützen direkt den Patienten
Medical Data Scientists kurieren und
• Spitzenreiter imintegrieren diese Daten
Bertelsmann-Ranking ...
haben
effektive nationale Strategien, politische Führung und
und machen
eine nationale sie für Analysen zu neuem
Koordinationsstelle
Erkenntnisgewinn nutzbarNationale Strategien
Die Medizininformatik - Initiative
Daten aus Krankenversorgung und
Forschung integrieren
• zur Verbesserung
der medizinischen Forschung und
der Krankenversorgung
• Aufbau von Datenintegrationszentren
• Entwicklung innovativer IT-Lösungen
für medizinische Use Cases
November 2015
• 150 Mio Euro
• zur Vernetzung der Daten der
deutschen UniversitätsklinikaDigitalisierung führt zu Daten
Daten müssen effizient genutzt werden
Announcement 2015 Phase 1: 7 Konsortien Phase 2: 4 Konsortien (120M€) begleitende
Maßnahmen
• Neuaufnahmen
(30M€)
• NSG /
Koordinierungs-
stelle
• Ergänzende
Fördermodule
3. Konsolidierungs-
2. Aufbau &
1. Konzeptphase &
Vernetzungsphase
Ausbauphase
2016 - 17 2018 - 21 Audit 2022 - 25 Audit
DGP Kongress
München 15.03.2019MI-I: die geförderten Konsortien
MIRACUM
Unsere Konsortialpartner . . .
• zehn Universitätskliniken und
Medizinische Fakultäten
• zwei Hochschulen
• ein Industriepartner (Averbis GmbH)
• . . . verteilt über
sieben BundesländerWas macht MIRACUM?
MIRACUM DIZ Architektur
MI-I Kerndatensatz
(fünf Basis Module):
• Person
• Demographie
OMOP
Daten • Falldaten
4b Harmonisierung
Research
• Diagnosen
Data • Prozeduren
Repositories
5
DIZ = DatenintegrationszentrumMIRACUM Datenschutzkonzept Mai 2018 • keine Daten verlassen den Standort an dem sie erhoben wurden • verteilte Analysen „bring the analysis to the data“ Aus Sicht des Bayerischen Landesbeauftragten für den Datenschutz gibt es zum anliegenden Datenschutzkonzept . . . Keine weiteren Anmerkungen.
MIRACUM Föderation
„Bring the analysis to the data“
OMOP OMOP OMOP OMOP
OMOP
Erlangen Frankfurt Freiburg Gießen Greifswald
SQL-
R-Script Statement
OMOP
OMOP OMOP OMOP
OMOP
Magdeburg Mainz Mannheim Marburg Dresden
Prokosch H.U: MIRACUM –
Standortübergreifende Datennutzung für ein lernendes Gesundheitssystem 48MIRACUM Föderation
„Bring the analysis to the data“
OMOP OMOP OMOP OMOP
OMOP
SQL / SQL / SQL / SQL /
SQL /
R R R R
R
Erlangen Frankfurt Freiburg Gießen Greifswald
SQL-
aggregierte Ergebnisse
R-Script Statement
OMOP
SQL /
SQL / SQL / R
SQL / SQL /
R R
R R
OMOP OMOP OMOP
OMOP
Magdeburg Mainz Mannheim Marburg Dresden
Prokosch H.U: MIRACUM –
Standortübergreifende Datennutzung für ein lernendes Gesundheitssystem 49MIRACUM Föderation
„Bring the analysis to the data“
OMOP OMOP OMOP OMOP
OMOP
SQL / SQL / SQL / SQL /
SQL /
R R R R
R
Erlangen Frankfurt Freiburg Gießen Greifswald
Proof-of-Concept Analysen:
SQL-
R-Script
• Stroke / Thrombektomie: Leitlinien Adhärenz
Statement
• Kolorektales Karzinom: Analyse der Therapiemuster
OMOP
SQL /
SQL / SQL / R
SQL / SQL /
R R
R R
OMOP OMOP OMOP
OMOP
Magdeburg Mainz Mannheim Marburg Dresden
Prokosch H.U: MIRACUM –
Standortübergreifende Datennutzung für ein lernendes Gesundheitssystem 50MIRACUM
früher „Nutzen“ für Kliniker/med. Forscher
• Proof-of-Concept Analysen:
• Stroke / Thrombektomie: Leitlinien Adhärenz
• Kolorektales Karzinom: Analyse der Therapiemuster
„Harvesting Low Hanging Fruit“From Data to Knowledge „Maschinelles Lernen“
MIRACUM Use Case 2
Prädiktionsmodelle
für COPD/Asthma und Hirntumoren
• Modelle zur Vorhersage von prognostisch relevanten
Untergruppen entwickeln
• Vorhersagemodelle in die klinische Praxis bringen
• Das Ganze am Beispiel von
• Asthma/COPD und
• Hirntumoren Unsaubere klinische Routinedaten
hochdimensionaler Datensatz mit
genetischen DatenInternationale Kooperationen Verteiltes Maschinelles Lernen Budin-Ljøsne I, et al. DataSHIELD: an ethically robust solution to multiple-site individual-level data analysis. Public Health Genomics. 2015;18(2):87-96. Gaye A, et al. DataSHIELD: taking the analysis to the data, not the data to the analysis. Int J Epidemiol. 2014 Dec;43(6):1929-44.
Internationale Kooperationen
Verteiltes Maschinelles Lernen
. . . taking the analysis to the data,
not the data to the analysis
. . . an ethically robust solution
to multiple-site individual-level data analysis
Budin-Ljøsne I, et al. DataSHIELD:
an ethically robust solution to multiple-site individual-level data analysis. Public Health Genomics. 2015;18(2):87-96.
Gaye A, et al. DataSHIELD:
taking the analysis to the data, not the data to the analysis.
Int J Epidemiol. 2014 Dec;43(6):1929-44.Verteiltes Deep Learning mit
generativen Modellen
Klinik 1
2
Forscher
1
3 Klinik 2
2
(oder beliebige Analyse)
1
Vielen Dank an Stefan Lenz (Universität Freiburg)Daten, Daten, und nochmal Daten
Konsolidierung eines gemeinsamen Datensatzes für
COPD/ Asthma
• Welche Items sind für die Diagnose/ Beschreibung von
COPD/ Asthma wichtig bzw. notwendig?
• Welche Items werden an den Standorten regelmäßig
erhoben?
• Welche Items sind an den Standorten mit
vertretbarem Aufwand für UC2 nutzbar?
Vielen Dank an Martin Boeker (Universität Freiburg)Daten, Daten, und nochmal Daten
Ausgangsbasis aus Antragstellung
• Items
• 12 Demographie und Vitalparameter
• 422 Labor (davon 349 Allergen-bezogen)
• 38 Lungenfunktion
• 4 kardial
• 4 Standardfragebögen
• 5 Diagnose und Medikation
• 2 Bildgebung
• Ergänzt um Items zu FunktionstestsDaten, Daten, und nochmal Daten
aber haben wir diese Daten überhaupt?
Items für die Diagnostik von Asthma/COPD
Bitte kreuzen Sie bei jedem Item an, für wie wichtig Sie es in der Diagnostik von
Asthma/COPD einschätzen: -2 = keine Bedeutung, -1 = weniger wichtig, 1 = wichtig, 2 =
entscheidend für Diagnose. Geben Sie bitte auch an, ob das Item regelmäßig bei Ihnen
während der Diagnostik von Asthma/COPD erhoben wird.
Durch wiederholtes Klicken wird eine Markierung wieder entfernt.
Item oder Gruppe Nützlich für Diagnostik Erhebung
-2 -1 1 2 NEIN JA
Demographie
Geburtsdatum
Nationalität
Geschlecht
Ethnizität
Konsolidierung auf
Vitalparameter bei Aufnahme
Größe 165 Datenelemente
Gewicht
BMIan Martin Boeker (Universität Freiburg)
Vielen DankDaten, Daten, und nochmal Daten
aber haben wir diese Daten überhaupt?
Keine Bedeutung Weniger wichtig Wichtig Entscheidend für Diagnose Verfügbarkeit
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0% 50% 100%
Geburtsdatum G eb u
r tsd at u
m
Nationalität N ati n ali tä
o
Geschlecht G es ch
l ec t
h
Ethnizität Et n iz
h itä t
Vitalparameter bei Aufnahme V ita lp
a ra m
e te rb ei A
u fn ah m e
Größe G rö e
ß
Gewicht G ew ic t
h
BMI B M
I
Temp Te m p
RR R R
Puls P u
ls
SO2 SO 2
Atemfrequenz A tem f req u
e n
z
Labor La b
o r
Leukozyten Le k o
u z yt en
Erythrozyten Er yt r o
h zy te n
Thrombozyten Th ro m b
o zy ten
Hämoglobin H äm o
g lo b
in
Hämatokrit H äm at o
k rit
Neutrophile in Prozent N eu tro h ile
p in P ro
z en t
Lymphozyten in Prozent Ly m p
h z yte n in
o r o
P ze n
t
Vielen Dank an Martin
Monozyten Boeker (Universität Freiburg)
in Prozent M o
n z yt
o en in r o
P z en tMonozyten (%) M o
n o
z yt en (% )
Daten, Daten, und nochmal Daten
Eosinophile (%)
Basophile (%)
Eo si
B aso p
h ile (% )
o p
n h ile (% )
Thrombozyten (G/l)
aber haben wir diese Daten überhaupt?
Th ro m b
o zy ten (G /l )
Neutrophile (abs.) (G/l) N eu tro p
h ile (a b
s .) (G /l)
Lymphozyten (abs.) (G/l) Ly m p
h o
z yte n (ab s. )(G /l )
Monozyten (abs.) (G/l) Mo
n z yt
o en (a b
s .)( / l)
G
Eosinophile (abs.) (G/l) Eo si o p
n h ile (a b
s .)( / l)
G
Basophile (abs.) (G/L) B aso h ile
p (a s .)
b (G /L)
Eosinophile (Aszites) Eo si o p
n h ile (A sz ite s)
Eosinophile (Dialysat) Eo si o p
n h ile (D ia lys at)
Eosinophile (Liquor) Eo si n
o h ile
p (L u o
iq r )
Eosinophile (Pleurapunktat)
Keine Bedeutung Weniger wichtig Wichtig Entscheidend für Diagnose Eo si n
o p
h ile (P leu ra p
u n
k ta t)
Verfügbarkeit
Eosinophile (Shuntliquor)
0% 50% 100%
Eo si o
n h ile
p (S h
u n
t liq o r)
u
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Eosinophile (Synovia) Eo si o
n h ile
p (S yn o
v ia)
Leukozyten
Geburtsdatum(Aszites) G eb u
r tsd at u
m
Le k o
u z yt en (A sz ite s)
Leukozyten (Dialysat)
Nationalität N ati n ali tä
o
Le u
k z yt
o en (D ial ys at)
Leukozyten
Geschlecht(Liquor) G es ch
l ec t
h
Le u
k o
z yt en (L u o
iq r )
Leukozyten (Pleurapunktat)
Ethnizität Et n iz
h itä t
Le u
k o
z yt en (P leu ra p
u n
k ta t)
Leukozyten (Shuntliquor) Le u
k o
z yt en (S u n
h t liq o r)
u
Leukozyten
Vitalparameter (Synovia)
bei Aufnahme V ita lp
a ra m
e te rb ei A
u fn ah m e
Le u
k z
o yt en (S yn o
v ia)
a1-Antitrypsin
Größe G rö e
ß
a1 -A n
t itr yp sin
Brain natriuretic peptide
Gewicht(BNP) G ew ic t
h
B rai n at riu re tic e
p t id e( B
p N P
)
C-reaktivesBMIProtein B M
I
C -re ak tiv es P
r o
te in
Temp IgA Te m p
Ig A
IgE, RR
gesamt R R
Ig E, ge sa t
m
Puls IgG P u
ls
Ig G
SO2 IgM SO 2
Ig M
Atemfrequenz
Interleukin 6 A tem f req u
e n
z
In te rle u
k in 6
Interleukin 8 In te rle u
k in 8
Labor
Procalcitonin La b
o r
P ro
c al cit n in
o
Leukozyten
TNF alpha Le k o
u z yt en
TN F al p
h a
Erythrozyten
Fibrinogen Er yt r o
h zy te n
Fi r in
b o ge n
Thrombozyten IL17 Th ro m b
o zy ten
IL 1
7
Hämoglobin IL23 H äm o
g lo b
in
IL 2
3
HämatokritMPO H äm at o
k rit
M P
O
Neutrophile in Prozent N eu tro h ile
p in P ro
z en t
Lymphozyten in Prozent
Allergene
Ly m p
h z yte n in
o r o
P ze n
t
Vielen Dank an Martin Boeker (Universität Freiburg)
A le rge n
e
Monozyten in Prozent M o
n z yt
o en in r o
P z en tDaten, Daten, und nochmal Daten … müssen harmonisiert werden • Daten Mapping (LOINC, SNOMED) • Gemeinsames Datenmodell (OMOP) Vielen Dank an Martin Boeker (Universität Freiburg)
Daten, Daten, und nochmal Daten … müssen harmonisiert werden • Daten Mapping (LOINC, SNOMED) • Gemeinsames Datenmodell (OMOP) Vielen Dank an Martin Boeker (Universität Freiburg)
Daten, Daten, und nochmal Daten
… müssen aufbereitet und zusammengeführt werden
Datenbefüllung
(ETL)
MI-I Kerndatensatz
(fünf Basis Module):
• Person
• Demographie
OMOP
Daten • Falldaten
4b Harmonisierung
Research
• Diagnosen
Data • Prozeduren
Repositories
• Daten für die
MIRACUM Use Cases
5Digitalisierung: Fluch oder Segen?
• Wir dürfen weder zu schwarz, noch zu weiß sehen
• Nicht jedem Hype blind hinterher laufen
• Koordinierte Digitalisierung auf Basis eines nationalen
Konzepts kann zum Segen werden
• Digitalisierung bringt Daten
• Daten sind der Schatz aus dem Erkenntnisse reifen
• (qualitativ hochwertige) Daten nutzbar machen
ist die wichtigste, aber auch aufwändigste AufgabeVielen Dank dem MIRACUM Team
. . . und für Ihre Aufmerksamkeit
Förderkennzeichen:
01ZZ1801ASie können auch lesen
