Open Access

Herzfehler sind weltweit die häufigste Form von angeborenen Organdefekten. In unterschiedlichen Studien wird die Inzidenz zumeist zwischen vier und elf von 1.000 Lebendgeburten angegeben (1–5). Im Rahmen der multizentrischen PAN-Studie (PAN: Prävalenz angeborener Herzfehler bei Neugeborenen), welche die Häufigkeit angeborener Herzfehler bei Neugeborenen in Deutschland zwischen Juli 2006 und Juni 2007 untersuchte, ergab sich eine Gesamtprävalenz von 107,6 pro 10.000 Lebendgeburten. Gegenstand dieser Arbeit sind Untersuchungen an Implantaten zur Behandlung von Atriumseptumdefekten (ASD). Vorhofseptumdefekte machen mit 17,0%, nach den Ventrikelseptumdefekten (VSD) mit 48,9%die zweithäufigste Art von Herzfehlern aus (6, 7).Als Vorhofseptumdefekte werden Öffnungen in der Scheidewand zwischen den Herzvorhöfen bezeichnet. Bei der Therapie eines ASD ist der minimalinvasive Verschluss mittels sogenannter Okkluder heute das Mittel der Wahl. Diese werden über einen femoralen Zugang im Rahmen einer Herzkatheteruntersuchung unter Ultraschallkontrolle und Durchleuchtung an die Implantationsstelle vorgeschoben und dort platziert(8). Die Okkluder bestehen in der Regel aus einem Drahtgeflecht aus Nitinol und haben die typische Form eines sogenannten Doppelschirmchens. Dabei weichen die unterschiedlichen Okkluder der einzelnen Firmen hinsichtlich Form und Beschaffenheit oft erheblich voneinander ab. Derzeit gibt es keine Untersuchungsmethode, die die auf dem Markt befindlichen Okkluder hinsichtlich ihrer mechanischen Eigenschaften vergleichbar macht. Diese Arbeit solleinen Beitrag erbringen, um grundlegende, die Okkludermodelle charakterisierende Parameter zu schaffen, um so deren interindividuelle Vergleichbarkeit zu ermöglichen. Hierzu werden in-vitro Messungen durchgeführt, welche geeignet sind das Verhalten der untersuchten Modelle unter unterschiedlichen Bedingungen und bei variierenden Defektgrößen zu charakterisieren.

Social Media spielen in immer mehr Organisationen für unterschiedliche Zielsetzungen eine wichtige Rolle. Entsprechend wächst auch die Bedeutung der Kontrolle der in Social Media durchgeführten Aktivitäten. Im Rahmen dieses Beitrages werden zunächst die zentralen Funktionen eines Social-Media-Controllings vorgestellt und ein Prozess zu dessen sinnvoller Umsetzung beschrieben. Auf Basis einer Übersicht bestehender Kennzahlenmodelle wird dann im weiteren Verlauf ein umfassendes Kennzahlenmodell entwickelt.

Dieses Kapitel beschäftigt sich mit dem Controlling im Rahmen des Medienmarketings und zeigt damit die Strukturen auf, mit denen im Medienunternehmen Marketingprozesse verankert sind und nach welchen Zielgruppen, Märkten und Kennzahlen die Steuerung dieser Marketingaufgaben erfolgt. In Medienunternehmen ist Marketing in der Regel einer der erfolgsentscheidenden Funktionsbereiche, der daher einer detaillierten und permanenten Begleitung und Steuerung nicht nur durch die Fachinstanzen, sondern auch durch das Top-Management bedarf. Gleichzeitig sind Medienunternehmen in vielen Fällen auch publizistische Unternehmen, die neben der kennzahlenorientierten Ausrichtung an den Markt- und Kundenbedürfnissen einer inhaltlichen Leitidee folgen und dadurch in vielen Fällen erst in der Lage sind, tatsächlich neue und überdurchschnittlich erfolgreiche Produkte zu etablieren. Zugleich wird es seit der Jahrtausendwende durch die Transformation und Disruption der Medienmärkte zunehmend schwieriger, Marktsegmente und Medienunternehmen von anderen Branchensegmenten abzugrenzen. Die medienökonomischen Besonderheiten führen zu einer Steigerung der Marktdynamik (beispielsweise durch die Interdependenz von Werbe- und Rezipientenmarkt), sodass den unterschiedlichen Performance-Kennziffern in den vier Hauptfeldern des klassischen Marketingmixes hier eine besondere Bedeutung zukommt.

Künstliche Intelligenz (KI) kommt laut einer Interxion-Studie bei 96 Prozent der Schweizer Unternehmen zum Einsatz. ­Allerdings gaben nur 22 Prozent der Schweizer IT-Entscheider an, dass sie KI bereits für einen ersten Anwendungsfall einsetzen. Dabei ist KI etwa im Datenmanagement sehr hilfreich – sofern Qualität und Quantität der Trainingsdaten stimmen.