Archiv "Datenanalyse: Big Data in der Medizin" (11.10.2013)

A 1926 Deutsches Ärzteblatt

|

^{Jg. 110}

|

^{Heft 41}

|

11. Oktober 2013

DATENA NALYSE

Big Data in der Medizin

Die Analyse sehr großer Datenmengen ist in der Wirtschaft seit langem etabliert. Eine Studie untersucht die Potenziale von

„Big Data“-Techniken in der Medizin.

D

as Stichwort Big Data be- zeichnet eine Sammlung von Techniken, mit denen sich Daten- mengen speichern und analysieren lassen, die bis vor kurzem noch zu groß waren, sich zu schnell änder- ten oder zu heterogen waren, um sie verarbeiten zu können. Diese drei V’s – Volume, Velocity und Variety – werden gemeinhin als das ge- meinsame Kennzeichen von Big Data angesehen. Das Ziel der Ana- lyse ist klar: Es geht darum, Muster und Abhängigkeiten zu finden, die bisher noch nicht aufgefallen sind.

Auch wenn im aktuellen Hype um Big Data viel Marketing mit im

Spiel ist – Firmen wie Google, Face book oder Amazon haben ge- zeigt, wie sich Geschäftsmodelle revolutionieren lassen, wenn man Daten besser als die anderen analy- siert. Auch in der medizinischen Forschung zeigt sich, wie wichtig solche Verfahren sind, Stichwort Next Generation Sequencing oder bildgebende Verfahren. Aber gilt dies auch für die konkrete Anwen- dung in der medizinischen Praxis?

Eine wesentliche Herausforde- rung im Gesundheitsbereich stellt der demografische Wandel dar mit einer immer weiter alternden Ge- sellschaft und dadurch bedingter erhöhter Morbidität des Einzel- nen. Gleichzeitig steuert die Medi- zin von einer reaktiven hin zu ei- ner prädiktiven und präventiven Medizin, die durch frühe Interven- tionen Krankheiten verhindern oder zumindest früh und dann auch individualisiert behandeln will. Dieser Paradigmenwechsel von einer globalen Medizin zu ei- ner individuellen, stratifizierten Medizin soll dazu führen, dass der Einzelne sich auch im Alter guter Gesundheit erfreuen kann. Nur hierdurch sind dann auch steigen- de Kosten im Gesundheitssystem zu bekämpfen.

Neues Wissen mittels

„Data Mining“-Techniken Um dies zu erreichen, ist das Sam- meln und Zusammenführen großer Mengen heterogener persönlicher Daten notwendig. Hierzu zählen et- wa klinische, epidemiologische, bildgebende, molekulargenetische, aber auch ökonomische Daten.

Durch die Analyse solcher Daten mittels „Data Mining“-Techniken kann neues Wissen zu Krankheits- entstehung, Prävention und indivi- dualisierter Therapie generiert wer- den. Bei gleichzeitiger Betrachtung

ökonomischer Daten lassen sich zu- dem Modelle entwickeln, die neben einer Optimierung der medizini- schen Versorgung parallel Kosten- einsparungen aufzeigen können. Da die Krankenhausinformationssyste- me mehrheitlich ökonomische und klinische Daten erfassen, sind die Voraussetzungen für die Entwick- lung von Modellen gegeben, die ei- ne optimierte Diagnostik und The- rapie aufzeigen und gleichzeitig die ökonomischen Rahmenbedingun- gen ohne Einbuße an medizinischer Qualität verbessern.

Einige Beispiele aus dem nicht- medizinischen Bereich können die Potenziale verdeutlichen (Kasten).

Umfrage zum Potenzial im Gesundheitsbereich

Big-Data-Techniken bieten viele Perspektiven, medizinische Daten besser zu verstehen und mehr Daten für eine Analyse verfügbar zu ma- chen. Um die Potenziale solcher Techniken im Gesundheitsbereich besser zu verstehen, führt das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in Zusammenarbeit mit dem Universitätsklinikum des Saarlan- des eine Befragung zum Potenzial neuer IT-Techniken im Gesund- heitsbereich durch, an der sich auch Ärzte beteiligen können. Im Rah- men des EU-Projekts EURECA soll untersucht werden, inwieweit Kran- kenhäuser, Arztpraxen und andere Gesundheitsdienstleister von der Anwendung neuer Techniken zur Datenanalyse profitieren können.

Internetadresse: www.soscisurvey.

de/eureca.

▄

Dr. Stefan Rüping, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS, St. Augustin

Prof. Dr. med. Norbert Graf, Universitätsklinikum des Saarlandes, Klinik für Pädiatrische Onkologie und Hämatologie, Homburg

●

Volume: In der Standortplanung für Einzelhändler wer- den weniger interne Daten, als vielmehr solche aus vielen großen öffentlichen Datenquellen – Einträge bei Google Maps, Mobilitätsdaten oder Soziodemografie – benutzt.

Dies ist auch bei der Planung von Einzugsgebieten von Krankenhäusern und Arztpraxen möglich.

●

Velocity: Im Qualitätsmonitoring in der Industrie kommt es dar auf an, schnell Erklärungen für Probleme zu ermit- teln, die dem Ingenieur helfen, eine Lösung zu finden.

Dazu müssen hochstrukturierte Daten über technische Zusammenhänge analysiert werden, was nur mit rechen- intensiven Verfahren möglich ist. Auch in der Analyse verdeckter Qualitätsprobleme oder Nebenwirkungen von Behandlungen in der Medizin ist es häufig nötig, hoch- strukturierte Daten zu verstehen, etwa Diagnosebeschrei- bungen, Laborwerte oder Abrechnungsdaten.

●

Variety: Die Analyse von Internetdaten, zum Beispiel über Diskussionen von Konsumenten über Produkte, kann neue Einsichten in das Kaufverhalten geben. Dazu ist eine Extraktion von hochwertigen Informationen aus Texten nö- tig, die weiter mit strukturierten Daten korreliert werden müssen. Die Medizin ist unter anderem dadurch charakte- risiert, dass einige Daten strukturiert sind, viele andere nur als unstrukturierte Texte vorliegen, wie die komplette schriftliche Patientendokumentation. Erst eine integrierte Betrachtung dieser Daten ermöglicht es, sich ein umfas- sendes Bild von der Lage zu machen.

ALLG EMEINE BEISPIELE

Foto: Fotolia/Kotkoa

T E C H N I K