Warum Fachkräfte digitale Werkzeuge annehmen — und was diese Meta-Analyse zeigt und was nicht

Die Szene wiederholt sich in fast jeder Klinik: Ein neues digitales Werkzeug wird eingeführt, es wird geschult, der Start verläuft gut — und wenige Wochen später zeigen die Nutzungsdaten, dass die meisten der vorgesehenen Anwender:innen das System still wieder aus dem Alltag gestrichen haben. Der Reflex ist, die Menschen oder das Veränderungsmanagement verantwortlich zu machen. Nützlicher ist die Frage, ob das Werkzeug die Arbeit jemals wirklich erleichtert hat — und ob sich das Urteil vor der Beschaffung hätte vorhersagen lassen. Eine neue Meta-Analyse versucht, die zweite Hälfte dieser Frage zu beantworten.

Am 30. Dezember 2025 im Journal of Medical Internet Research erschienen, führte die systematische Übersichtsarbeit mit Meta-Analyse von Thanthrige und Kolleg:innen 50 Studien mit 24.764 Fachkräften zusammen — elektronische Akten, Telemedizin, Gesundheits-Apps und tragbare Sensoren über viele Länder hinweg. Sie kombinierte zwei etablierte Modelle: die „Unified Theory of Acceptance and Use of Technology“ (UTAUT, vereinheitlichte Theorie der Technologieakzeptanz und -nutzung) und das „Task-Technology Fit“-Modell (TTF, Passung von Aufgabe und Technik). Der Reiz der Arbeit liegt in ihrem Umfang; der Haken, wie stets, in der Frage, was die Zahlen tatsächlich abbilden.

Was die Forschenden getan haben

Fünfunddreißig der Studien nutzten UTAUT (20.723 Teilnehmende), 15 nutzten TTF (4.041). Die Autor:innen entnahmen jeder Studie die berichteten Pfadkoeffizienten und führten sie zusammen. Ein Pfadkoeffizient (β) ist hier ein standardisiertes Maß dafür, wie stark ein Faktor — etwa die erwartete Nützlichkeit eines Werkzeugs — einen anderen vorhersagt, meist die geäußerte Absicht, es zu nutzen. Es handelt sich um eine Meta-Analyse korrelativer Befragungsdaten, nicht um eine Zusammenfassung von Versuchen. Niemand wurde randomisiert; die Studien maßen, was Menschen über bereits begegnete Technik sagten, meist zu einem einzigen Zeitpunkt, und diese Arbeit mittelte diese Messungen. Bezeichnend: Der Pfad von der geäußerten Absicht zur tatsächlichen Nutzung gehört zu den schwächsten der ganzen Analyse (β = 0,199) — die Absicht sagt das Verhalten kaum voraus.

Was die Evidenz belegt

Zwei Befunde sind robust und es wert, aus dem Raum mitgenommen zu werden. Innerhalb von UTAUT war die erwartete Leistungssteigerung („Performance Expectancy“) — ob ein Werkzeug die Arbeit verbessert — der stärkste Prädiktor der Nutzungsabsicht (β = 0,304, p < ,001), deutlich vor der erwarteten Mühelosigkeit, also der Bedienbarkeit (β = 0,177), dem sozialen Einfluss (β = 0,167) und den begünstigenden Bedingungen wie Unterstützung und Infrastruktur (β = 0,105 auf die Absicht; 0,155 auf das Verhalten). Fachkräfte im Gesundheitswesen sind aufgabenorientiert: Die bestimmende Frage ist nicht, ob ein Werkzeug modern oder angenehm ist, sondern ob es die Arbeit erledigt.

Die TTF-Seite schärft das. Der stärkste Einzelkoeffizient der gesamten Analyse war die technische Beschaffenheit → Aufgaben-Technik-Passung (β = 0,445, p < ,001) — Systemzuverlässigkeit, Geschwindigkeit und die Tiefe der Einbindung in die bestehende Arbeit — vor den Aufgabenmerkmalen (β = 0,263), wobei die resultierende Passung dann die Absicht vorhersagt (β = 0,271). Im Klartext: Ein Werkzeug, das langsam, störanfällig oder neben dem Aktensystem angeflanscht ist, wird als schlechte Passung zur klinischen Aufgabe beurteilt, so gut es sich auch vorführen lässt — und Bedienbarkeit rettet es dann nicht. Überraschend ist das für niemanden, der eine gescheiterte Einführung erlebt hat. Der Wert liegt darin, dass das Muster nun zusammengeführte Zahlen statt Anekdoten hinter sich hat.

Beim sozialen Einfluss lässt die Arbeit die Streuung hinter dem Mittelwert erkennen, und das ist aufschlussreich. Von den 33 Studien, die den Pfad vom sozialen Einfluss zur Absicht untersuchten, fanden 64 Prozent (21 Studien) einen positiven, statistisch signifikanten Effekt, 24 Prozent (8) einen positiven, aber nicht signifikanten und 12 Prozent (4) einen negativen, nicht signifikanten; keine fand einen signifikant negativen Effekt. Der Druck durch Kolleg:innen und Vorgesetzte weist also überwiegend in dieselbe Richtung, doch seine Kraft ist mäßig und uneinheitlich — ein gemittelter β von 0,167, der Studie für Studie oft gar keine Signifikanz erreicht. Was Ärzt:innen bewegt, ist meist nicht das, was die Kolleg:innen tun.

Was die Evidenz nicht belegt

Zurück zur Eingangszahl. In den meisten zusammengeführten Studien ist das Ergebnis die Absicht zu nutzen, nicht die gemessene Nutzung — und genau in dieser Lücke sterben Einführungsprojekte. Das Werkzeug, das ab Woche drei niemand mehr öffnet, ist eine Geschichte über Verhalten im Zeitverlauf. Eine Meta-Analyse querschnittlicher Akzeptanzbefragungen kann diesen Bogen nicht sehen; der schwache Pfad von der Absicht zum Verhalten ist die zahlenmäßige Spur genau dieser Lücke. Sie sagt, was damit zusammenhängt, dass Menschen Ja sagen — nicht, was sie dabei hält, ein Werkzeug tatsächlich zu nutzen, und schon gar nicht, ob die Nutzung für Patient:innen etwas verändert hat.

Das Design schließt zudem Kausalität aus. Es sind zu einem Zeitpunkt gemessene Zusammenhänge; ein hoher Koeffizient für technische Qualität beweist nicht, dass bessere Zuverlässigkeit die reale Nutzung hebt, sondern nur, dass beide in den Befragungsdaten gemeinsam auftreten. Und die Studien widersprechen einander stark — die Heterogenität reichte von einem I² von 81,9 Prozent bis 94,87 Prozent, das heißt, der Großteil der Unterschiede zwischen den Studien ist echte Verschiedenheit, nicht Zufall, was die Autor:innen auf regionale, kulturelle und technische Unterschiede zurückführen. Ein über derart heterogene Settings gemittelter Wert ist eine brauchbare Orientierung, kein übertragbarer Koeffizient, den man auf die eigene Station anwenden kann.

Beim Übrigen sind die Autor:innen offen. Die Übersicht beschränkte sich auf englischsprachige Veröffentlichungen in ausgewählten Datenbanken; sie analysierte bewusst nur die Kernkonstrukte von UTAUT und TTF und ließ damit Vertrauen, wahrgenommenes Risiko, Sicherheit und Organisationskultur außen vor — vermutlich unter den wichtigsten Faktoren in einer Klinik. Sie schloss qualitative Arbeiten aus, führte keine formale Bewertung des Verzerrungsrisikos mit einem etablierten Werkzeug wie Joanna Briggs oder GRADE durch und prüfte mit weder Trichterdiagrammen noch Egger-Test auf Publikationsbias. Nichts davon versenkt die Arbeit. Es bedeutet, dass sie den gut ausgeleuchteten Teil der Frage kartiert. (Die Autor:innen erklären keine externe Förderung und keine Interessenkonflikte.)

Warum das zählt

Für alle, die in einem europäischen System klinische Software auswählen oder bauen, ist die belastbare Lesart eng und brauchbar. Wahrgenommene Nützlichkeit und echte technische Qualität — Zuverlässigkeit, Geschwindigkeit, Tiefe der Einbindung in das Aktensystem — sind die Faktoren, die am beständigsten mit der Bereitschaft der Ärzt:innen zusammenhängen, ein Werkzeug anzunehmen, stärker als oberflächliche Bedienbarkeit oder sozialer Druck; ein Werkzeug, das hier schwach ist, wird sich schwertun, ganz gleich, wie groß das Schulungsbudget ist. Das zu wissen, lohnt sich vor der Beschaffung. Was diese Evidenz nicht leisten kann, ist das Versprechen, dass das Richtige bei diesen Faktoren zu dauerhafter Nutzung führt, geschweige denn zu besserer Versorgung; das bleiben Fragen für prospektive Auswertungen, gemessen an Verhalten und Endpunkten statt an Befragungsabsichten.

Quelle: Thanthrige A, Lu B, Sako Z, Wickramasinghe N. Determinants of Health Care Technology Adoption Using an Integrated Unified Theory of Acceptance and Use of Technology and Task Technology Fit Model: Systematic Review and Meta-Analysis. J Med Internet Res 2025;27:e64524. Eine Meta-Analyse von 50 querschnittlichen, korrelativen Studien, deren Ergebnis weitgehend die geäußerte Nutzungsabsicht ist und nicht die gemessene Nutzung oder Patient:innen-Endpunkte, mit hoher Heterogenität zwischen den Studien und ohne formale Verzerrungsbewertung.