PIA - Das flexible eResearch System

PIA („Prospektive Monitoring und Management-App”) ist ein freies, open-source eResearch System.

Wofür wird PIA genutzt?

Sie ermöglicht es, prospektiv Daten mit Hilfe von Fragebögen oder Interviews zu erheben. Ziel ist es, die Erhebung epidemiologischer Daten zu vereinfachen, zu modernisieren und die Compliance der Teilnehmenden zu verbessern.
HINWEIS: PIA ist kein Medizinprodukt.

Funktionen & Flexibilität

Die Nutzung erfolgt per App (Android & iOS) oder als Webversion. PIA unterstützt diverse Formate wie Barcodes, Fotos oder Pharmazentralnummern und ermöglicht flexible Zeitpläne für Fragebögen.

Zudem können Bioproben und Prozesse wie Symptombeobachtung oder Kontaktpersonen-Monitoring im Studien-Management verwaltet werden.

Dabei verfügt PIA über sechs Nutzeroberflächen für unterschiedliche Aufgaben:

Laden Sie die PIA App für Android oder iOS herunter.

Entstehung - Historie & Entwicklung

Das eResearch System PIA wird seit 2017 von der Abteilung Epidemiologie des Helmholtz-Zentrums für Infektionsforschung (HZI) unter der Leitung von Dr. Stefanie Castell entwickelt. 2019 wurde es das erste Mal im Rahmen eines L3-Projektes der NAKO Gesundheitsstudie zur Erforschung von akuten Atemwegsinfektionen eingesetzt. Seitdem sind weitere Projekte im Bereich der Infektionsforschung dazugekommen.

Mit PIA können beliebige Fragebögen und verschiedene Funktionen (z.B. Bioproben oder Signale bei bestimmten Antworten) zur Verfügung gestellt werden, sodass Anpassungen an unterschiedlichste Studiendesigns möglich sind. Die Anwendung wird kontinuierlich verbessert und durch neue Funktionen und Elemente erweitert.

PIA ist flexibel in unterschiedlichen Kontexten einsetzbar und kann als eigenständiges System fungieren oder in andere Systeme integriert werden (z.B. in das IT-System der NAKO Gesundheitsstudie oder die Surveillance-Software SORMAS). Neben dem Einsatz in der Wissenschaft und Forschung dient PIA dem Gesundheitswesen zur Beobachtung von Symptomen und Krankheitsverläufen, unter anderem bei Klinikpersonal und Patient:innen. Außerdem eignet sich PIA für das Kontaktmanagement bei Infektionsausbrüchen.

Datenschutz - Sicherheit & Privatsphäre

Daten, die mit Hilfe von PIA erfasst werden, werden grundsätzlich abhängig von ihren Eigenschaften auf unterschiedlichen Datenbanken gespeichert. Dabei wird zwischen personenidentifizierenden Daten (z.B. Name und Adresse von Teilnehmer:innen), Studiendaten (z.B. Antworten aus Fragebögen) und Einwilligungsdaten (Studieneinwilligungen) unterschieden.

Die Daten sind auf Applikationsebene durch Rollen-Mandate voneinander getrennt während sie auf Systemebene in getrennten Datenbanken auf getrennten virtuellen Maschinen liegen. Zugriffe auf Projekte und Rollen können individuell mit unterschiedlichen Rechten bestimmt werden, sodass eine strikte Trennung von Daten gesichert ist.

PIA wird regelmäßig gemäß aktueller Entwicklungs-Standards aktualisiert und gewartet.

Sie finden unser PIA-Repository auf GitHub und GitLab. Das Backend der Anwendung besteht aus Node.js-Mikroservices, die PostgreSQL als Datenbank nutzt. Das Frontend stehen eine Angular Webanwendung und IONIC betriebene iOS und Android Mobile App zur Verfügung.

Publikationen - Wissenschaftliche Basis & Veröffentlichungen

• Bonn et al. (2022). Weißbuch Citizen-Science-Strategie 2030 für Deutschland. Helmholtz-Gemeinschaft, Leibniz-Gemeinschaft, Universitäten und außeruniversitäre Einrichtungen.
• Heise et al. (2022). PIA@SHIP – Digital One Health Epidemiology.
• Heise et al. (2022). Putting digital epidemiology into practice: PIA – Prospective Monitoring and Management Application.
• Heise, Klett-Tammen, Soja et al. (2022). Self-reported vaccination against SARS-CoV-2 in multiple cohorts.
• Gornyk et al. (2021). SARS-CoV-2-Seroprävalenz in Deutschland.
• Soja et al. (2021). Merging Citizen Science with Epidemiology: Study Design of a prospective feasibility study of health events and air pollution in Cologne.
• Behrens et al. (2021). Monitoring of Staff during the COVID-19-pandemic using a digital application in health care facilities in southern Germany – a study protocol.
• Heise et al. (2019). Putting Digital Epidemiology into Practice: Prospective Assessment of Incident Health Events within the German National Cohort.
• Heise et al. (2018). E-Health technology for infectious disease monitoring with a special focus on respiratory infections: Design Conception.
• Akmatov et al. (2017). Determination of nasal and oropharyngeal microbiomes in a multicenter population-based study – findings from Pretest 1 of the German National Cohort.
• Akmatov et al. (2015). Diverse recruitment strategies result in different participation percentages in a web-based study, but in similar compliance.
• Mall et al. (2014). Web-based questionnaires to capture acute infections in long-term cohorts.
• Akmatov et al. (2014). Serial home-based self-collection of anterior nasal swabs to detect Staphylococcus aureus carriage in a randomized population-based study in Germany.
• Akmatov et al. (2012). Equivalence of Self- and Staff-Collected Nasal Swabs for the Detection of Viral Respiratory Pathogens.
• Akmatov et al. (2011). E-mail-based symptomatic surveillance combined with self-collection of nasal swabs: a new tool for acute respiratory infection epidemiology.
• Akmatov & Pessler (2011). Self-collected nasal swabs to detect infection and colonization: a useful tool for population-based epidemiological studies?