Nicht erst seit der Digitalisierung im Gesundheitswesen werden Daten, seien es Patientendaten, Befunde, Diagnosen oder Therapieempfehlungen, erfasst und analysiert. Die Datenmengen wachsen stetig und rasant an. Medical Data Mining ermöglicht eine zeitnahe automatisierte Generierung von neuen und potenziell nützlichen Informationen aus diesen großen Datenbeständen (Big Data). Eine flächendeckende Anwendung dieser Verfahren ist sicherlich noch Zukunftsmusik. Data Mining-Verfahren können jedoch bereits jetzt in einem geringeren Umfang eine Erweiterung bisheriger statistischer Auswertungen bieten und medizinische Entscheidungsfindung empirisch untermauern. Besonders hervorzuheben sind hierbei eine zeitnahe Verfügbarkeit der Ergebnisse sowie eine Entscheidungsfindung auf Einzelfallbasis. Wenn Sie gerne mehr über das Potenzial von Medical Data Mining erfahren möchten, vereinbaren Sie gerne einen Beratungstermin bei unseren Experten. Wir können Ihnen individuelle Vorschläge für Data Mining und Datenauswertung im Gesundheitswesen geben und gemeinsam Konzepte zur Umsetzung entwickeln.
Dieser Artikel beantwortet folgende Fragen:
- Wo findet man Big Data im Gesundheitswesen?
- Welches Potenzial steckt im Medical Data Mining?
- Was sind die Herausforderungen der Digitalisierung im Gesundheitswesen?
- Wie wird Data Mining in der Medizin bereits angewendet?
Die Grundlage für Data Mining: Big Data im Gesundheitswesen
Bei jeder medizinischen Behandlung werden große Mengen an Daten erhoben. Der Trend zur elektronischen Datenerfassung und Speicherung wird von unterschiedlichen Quellen gespeist:
- Rechnergestützte Diagnoseverfahren: Mit der Digitalisierung im Gesundheitswesen haben viele Diagnosegeräte digitale Schnittstellen. So erfolgen bei bildgebenden Verfahren wie Computertomografie (CT), Magnetresonanztherapie (MRT), Röntgen oder Ultraschall (Sonografie) heute standardisiert digitale zwei- oder mehrdimensionale Aufzeichnungen. Auch EKG, EMG oder EEG Messungen werden bereits elektronisch aufgezeichnet.
- Untersuchungsergebnisse: Laborergebnisse werden digital gespeichert, aber auch bei der Auswertung genetischer Analysen, molekularer oder pathologischer Messungen ist ein Computereinsatz unabdingbar.
- Elektronische Abrechnung zwischen Mediziner und Krankenkassen: Neben ICD-10 Diagnoseschlüssel werden auch grundlegende Patientendaten wie Geburtsdatum, Datum der Behandlung oder Vorerkrankungen übermittelt.
- Qualitätssichernde Maßnahmen: Im Rahmen qualitätssichernder Maßnahmen (QA, QS, Quality Management) werden vielfach Abläufe und Prozesse sowie Behandlungsempfehlungen dokumentiert. In vielen Krankenhäusern sind interne Dokumentationssysteme implementiert.
Sie wünschen eine tiefergehende Beratung zum Thema Medical Data Mining? Für die Durchführung von Data Mining Projekten stehen Ihnen unsere erfahrenen Analysten zur Verfügung, die anwendungsorientiert ihre Fragen zielführend analysieren. Wir freuen uns auf Ihre Anfragen. Nehmen Sie Kontakt mit uns auf!
Anhand von Patientenschlüsseln kann man die einzelnen Quellen miteinander verlinken.
Neben patientenbezogenen Daten liegen Daten aus wissenschaftlichen Publikationen vor und sind über medizinische Datenbanken abrufbar (medline, pubmed). Genetische Datenbanken enthalten Information aus der Grundlagenforschung (Human Genome Project) und können ebenfalls herangezogen werden.
Big Data im Gesundheitswesen und der Datenschutz
Im medizinischen Sektor ist es zur optimalen Therapie und Diagnosestellung unumgänglich, Daten unter Einhaltung strenger Datenschutzregelungen zu erheben und zu speichern. Gesundheitsinformationen zählen zu den besonderen Arten personenbezogener Daten. Generell dürfen ausschließlich Daten erhoben werden, die für die Behandlung notwendig sind. Darüber hinausgehende Informationen sowie Weitergabe an Dritte, wie beispielsweise Angehörige, Krankenkassen oder Arbeitgeber, ist nur mit ausdrücklicher Einwilligung des Patienten zulässig. Neben den Datenschutzgesetzen (u. a. DSGVO) unterliegen Ärzte und pflegende und behandelnde Fachkräfte der Verschwiegenheitspflicht. Damit ist ein Verstoß gegen die Preisgabe von Patientendaten strafrechtlich relevant, sofern dies gegen den ausdrücklichen Patientenwillen erfolgt.
Auf der anderen Seite ist allen Verantwortlichen und vielen Patienten auch klar, dass eine verantwortungsvolle Nutzung und Weiterverarbeitung die Möglichkeiten dazu beiträgt, Entscheidungen auf Basis von empirischem Wissen bzw. Big Data zu fällen. Damit ist ein Mehrgewinn für jeden einzelnen Patienten verbunden. Es ist die Aufgabe des behandelnden Mediziners, diesen Nutzen den Patienten vor Augen zu führen und den Zweck der Datensammlung zu erklären. Dabei ist eine anonymisierte Datenspeicherung und -weiterverbreitung meist ohne Einschränkungen ausreichend für Data Mining Anwendungen.
Potenziale und Herausforderungen für Big Data im Gesundheitswesen
Big Data im Gesundheitswesen können keine Ärzte oder medizinisches Fachpersonal ersetzen, sie sorgen aber für schnelle und zuverlässige Entscheidungshilfen. Gegenüber herkömmlichen statistischen Verfahren bietet Medical Data Mining einige attraktive Erweiterungen:
- Mit Big Data Methoden können unstrukturierte Daten geordnet werden. Daten verschiedener Quellen kann man so homogenisieren und integrieren.
- Mit Data Mining Algorithmen kann man große Datenmengen schnell, oft sogar in Echtzeit auswerten.
- Datenbestände kann man auch unter Beachtung der Datenschutzgesetze zur Diagnosestellung und Abgrenzung verwenden.
- Daten kann man inflationär sammeln und dadurch die Diagnosestellung verbessern. So kann man beispielsweise ohne zusätzliche Kosten kontinuierliche Blutdruckdaten erheben. Je mehr Daten vorliegen, umso zuverlässiger können Analysen durchgeführt werden.
- Predictive Data Mining kann helfen, Krankheiten zu erkennen, bevor sie auftreten. So kann man präventive Maßnahmen einleiten und Therapien initiieren, bevor Patienten zu sehr geschwächt sind.
Insgesamt versprechen Data Mining Verfahren eine wesentliche Verkürzung bei der Erhebung evidenzbasierter Ergebnisse und tragen so sowohl zu einer besseren Versorgungs- und Behandlungsqualität für Patienten bei. Aber auch Kostenträger können durch effizientere Arbeitsweisen und Nutzung der Digitalisierung im Gesundheitswesen Kosten einsparen. Für Mediziner bieten Big Data im Gesundheitswesen zeitnahe Entscheidungshilfen. Insbesondere bei seltenen oder unsicheren Krankheitsbildern bieten Big Data Anwendungen verlässliche Tools.
Paradigmenwechsel durch die Digitalisierung im Gesundheitswesen
Big Data im Gesundheitswesen bieten viele Möglichkeiten, Zusammenhänge besser zu verstehen und mehr Daten für eine Analyse verfügbar zu machen.
Klassischer induktiver Ansatz
Die Herangehensweise dabei ist vielfach konträr zu dem Blickwinkel klassischer induktiver Statistik, die gerade im Rahmen klinischer Studien sehr weitverbreitet sind. Hier gilt die randomisierte doppelt-blinde klinische Studie als Goldstandard für den Nachweis der Wirksamkeit von Medikamenten oder Therapien. Dazu stellt man zunächst Hypothesen auf, konzipiert Studien, rekrutiert Patienten mit sehr engen Ein- und Ausschlusskriterien und therapiert nach vorgegebenen Behandlungsplänen. Nach Studienende wertet man die Daten aus und beurteilt die Wirksamkeit durch Gruppenvergleiche. Die Zeitspanne von Studienplanung bis zur Publikation der Ergebnisse beträgt meist mehr als 10 Jahre.
Medical Data Mining
Data Mining Verfahren nutzen einen Teil der vorhandenen Daten zur Generierung von Vorhersagemodellen. Die Modelle wendet man anschließend auf Testdatensätzen an, damit man Aussagen über die Prognosegenauigkeit treffen kann. Basierend auf einem sich immer aktualisierenden Datenpool generiert man so Aussagen, die anschließend sofort für die Anwendung zur Verfügung stehen. Den Datenpool selektiert man dabei meistens nicht im Vorraus, wie dies mit Ein- und Ausschlusskriterien im Rahmen klinischer Studien häufig auftritt. Mit Medical Data Mining sind somit Aussagen auf Einzelfall Basis möglich, RCT hingegen generieren Aussagen für den Patientendurchschnitt.
Big Data im Gesundheitswesen: Zukunftsmusik und Realität
Für einen flächendeckenden und regulären Einsatz von Big Data im Gesundheitswesen müssen noch einige Entwicklungen vorangetrieben werden. So wird beispielsweise der Aufbau von riesigen Datenbanken mit möglichst vollständigen Daten aller versicherten Patienten über die gesamte Lebenszeit mit höchster Priorität vorangetrieben. Die personalisierte Medizin ist hierzulande noch Zukunftsmusik.
Aber mit den retrospektiven Datensammlungen vieler Kliniken oder Schwerpunktpraxen kann man Big Data im Gesundheitswesen bereits jetzt sinnvoll anwenden. So kann man beispielsweise folgende Data Mining Verfahren aktuell ohne Weiteres auf kleinere und mittelgroße Datensätze (n ≥ 200) anwenden:
- Clusteranalyse kann verwendet werden, um Patientengruppen zu separieren: Welche verschiedenen Patientengruppen gibt es? Worin unterscheiden sich die Gruppen? Auch Bilder (z. B. Röntgenaufnahmen, MRT oder CT) können so anhand spezifizierter Merkmale zu homogenen/ähnlichen Gruppen zusammengefasst werden.
- Klassifikationen z. B. anhand von Entscheidungsbäumen, neuronalen Netzen oder logistischer Regression können verwendet werden, um Therapieresponder von Nicht-Respondern zu unterscheiden. Anhand definierter Variablen können Threshold values gesucht werden, die Patientengruppen optimal voneinander trennen.
- Predictive modelling kann dazu genutzt werden, Prognosemodelle für unterschiedliche Situationen zu erstellen und zu testen, z. B. Therapieerfolg, Diagnose von Krankheiten etc.
- Assoziationsanalysen können Zusammenhänge aufdecken: Treten bestimmte Symptome häufig gleichzeitig oder in engem zeitlich Zusammenhang auf? Ist eine Krankheit mit Komorbiditäten gekoppelt?
Zusammenfassung
Die Sammlung von Patientendaten und ihre verantwortungsvolle Auswertung zum Nutzen der Patienten hat in der Medizin eine lange Tradition. Dabei werden bisher fast ausschließlich konfirmatorische Datenanalysen durchgeführt und Hypothesen induktiv nachgewiesen. Big Data im Gesundheitswesen bieten eine völlig neue Sichtweise, bislang unbekannte Informationen aus vorhandenen Datenpools zu generieren. Besonders attraktiv ist dabei die zeitnahe Anwendbarkeit der gewonnenen Ergebnisse sowie das Ausbleiben von Auswahlverfahren zur Patientenselektion. Mit Data Mining Verfahren kann man auch Aussagen für seltene Erkrankungen oder Einzelfälle treffen. Die Digitalisierung im Gesundheitswesen muss noch weiter vorangetrieben werden, dennoch können die Verfahren des Machine Learnings auch jetzt schon gewinnbringend angewendet werden. Gerne beraten wir Sie ausführlich, welche Data Mining Verfahren für Ihre Fragestellung angewendet werden kann. Unsere Experten werfen einen Blick auf ihre Datenbasis, um ein individuelles Analysekonzept zu erstellen. Wir freuen uns auf Ihre Herausforderungen! Nehmen Sie Kontakt mit uns auf!
Weiterführende Informationen
Data Mining und Data Warehouse: Wissen aus medizinischen Datenbanken nutzen