Lade Inhalt...

Ökonomische Relevanz des Einsatzes von Big Data in der Krankheitsprävention

Hausarbeit 2016 22 Seiten

Gesundheit - Sonstiges

Leseprobe

Inhaltsverzeichnis

1 Einleitung
1.1 Einsatzgebiete von Big Data in der Gesundheitsversorgung
1.1.1 Definition von Big Data
1.1.2 Rechtliche Aspekte der Nutzung von Gesundheitsdaten
1.1.3 Predictive Modeling zur Bestimmung von Erkrankungswahrscheinlichkeiten

2 Umsetzung von Präventionsprogrammen unter Verwendung von Predictive Modeling

3 Nutzen von Predictive Modeling in der Krankheitsprävention

4 Ökonomischer Nutzen von Predictive Modeling in der Krankheitsprävention

5 Fazit

6 Literaturverzeichnis

1 Einleitung

Die Menge der global zirkulierenden Daten verdoppelt sich permanent. Auch im Gesundheitswesen nutzen weltweit immer mehr Forscher, Ärzte und Firmen große Datenmengen. Gesundheitsdaten werden über soziale Netzwerke, Apps oder Online- Patiententagebücher erfasst und gesammelt. Unterdessen wachsen die Möglichkeiten, gesammelte Daten effektiv auszuwerten, wie etwa durch Data Mining1 und Predictive Modeling2,3,4 Dieses schafft in der Gesundheitsversorgung Chancen für Diagnostik, Therapie sowie Forschung und auch die Möglichkeit Kosten einzusparen.3,5

Ziel der Ausarbeitung ist es aufzuzeigen, dass der Einsatz von Big Data in der Krankheitsprävention das Potential hat, langfristig Therapieprozesse zu optimieren sowie Behandlungsergebnisse zu verbessern und sich eignet, um Gesundheitsausgaben zu senken. Dieses geschieht exemplarisch anhand der Indikation Diabetes mellitus Typ 2.

Abschließend werden die gewonnenen Erkenntnisse und Ergebnisse zusammengefasst.

1.1 Einsatzgebiete von Big Data in der Gesundheitsversorgung

Die Datenerhebung und -verarbeitung gehören zu einem der zentralen Bestandteile der

Medizin, denn seit jeher bestimmt die Medizin das Zusammenspiel aus Anamnese, Diagnose und Prognose. In der Anamnese sollen alle wesentlichen Informationen über einen Patienten erkannt und erfasst werden (Datenerhebung).5 Durch die Diagnose soll in diesen Informationen ein bekanntes Muster erkannt werden, welches einem der bekannten Krankheitsbilder entspricht (Datenverarbeitung). Die Prognose wiederum trifft die Aussagen über den zukünftigen Verlauf einer Krankheit (Datenauswertung). Big Data in der Gesundheitsversorgung zielt darauf ab, das Zusammenspiel dieser drei Elemente zu unterstützen. Dazu werden allerdings weitaus größere Datenmengen verarbeitet, als dem einzelnen Arzt während seiner lebenslangen Praxis je zugänglich werden. Durch die Analyse großer Datenmengen kann neues Wissen zu Krankheitsentstehung, Prävention und personalisierter Medizin erzeugt werden.6

1.1.1 Definition von Big Data

Der Begriff Big Data bezeichnet große digitale Datenmengen, aber auch die Technologien, die zum Sammeln und Auswerten der Datenmengen verwendet werden.7

In Bezug auf die Datenmengen bezeichnet Big Data Datenvolumen, die zu groß und/oder zu komplex sind oder sich zu schnell ändern, um sie mit etablierten Methoden der Datenverarbeitung zu sammeln und auszuwerten. Allgemein werden Big Data-Bestände durch die drei „V“ charakterisiert: Volume (Umfang), Velocity (Geschwindigkeit), Variety (Vielfalt).8

Derzeit handelt es sich um Datenmengen, die mindestens im Petabyte-Bereich - also größer als 1.000 Terabyte - liegen. Bis zum Jahr 2020 wird von Analysten der International Data Corporation ein Anwachsen der Datenmenge auf 40 Zettabyte (40.000.000 Petabyte) erwartet. Oder etwas bildhafter ausgedrückt: Pro Kopf werden im Jahr 2020 etwa 6 Terabyte an Daten gespeichert sein - das entspricht einer Textmenge von 3 Millionen Büchern für jeden Menschen auf der Erde.8 Die Daten können aus diversen Quellen stammen. Neben den klassischen strukturierten Daten (z.B. Auftragsdaten aus Enterprise-Resource-Planning (ERP)-Systemen) kommt eine Vielzahl der Daten aus neuen Informationssystemen hinzu. Dazu zählen auch Daten aus mobilen Anwendungen (z.B. Apps) oder Social Media- Anwendungen wie Tweets, Statusmeldungen auf Facebook oder Nachrichten aus Blogs (Nutzung von Anwendungen über das Internet mittels PC, Tablet, Smartphone, iWatch etc.; siehe Abbildung 1).9

Im Gesundheitsbereich werden durch neue diagnostische (u. a. Bildgebung, Biobanken, Genomanalytik) und therapeutische Verfahren (u. a. personalisierte Medizin, Robotik, Telemedizin) in ansteigender Menge Daten erhoben.9

Experten schätzen, dass über 30 %, der in der Zukunft erhobenen Daten, das Gesundheitswesen betreffen werden. Für 2020 wird erwartet, dass 14 Zettabyte weltweit oder 2 Terabyte pro Einwohner in Deutschland jährlich auflaufen werden.10

Big Data werden zu verschiedensten Zwecken eingesetzt, u. a. zur Überwachung von Menschen durch Geheimdienste (z. B. durch Vorratsdatenspeicherung), zur Automatisierung von Produktionsprozessen, für Werbezwecke (auf Daten über die Internet- und Handynutzung basierend) und auch im Gesundheitsbereich, u. a. zur Vorhersage von Epidemien und zur Bestimmung von Erkrankungswahrscheinlichkeiten (Predictive Modeling; siehe Kapitel 1.1.3).11

Die Nutzung großer Datenmengen in Entscheidungsprozessen hat Experten zu folgen große Vorteile für das Treffen von Vorhersagen. Gründe dafür seien, dass Menschen dazu neigten z.B. Muster auch da zu identifizieren, wo keine sind und Informationen derart zu interpretieren, dass sie den eigenen Erwartungen entsprechen (conformation bias).12

Der Schlüssel zur besseren Entscheidungen liege demnach in der Nutzung statistisch relevanter, also objektiver Daten, und kluger Prognosealgorithmen.12

Daniel Kahnemann, Nobelpreisträger für Verhaltensökonomie, äußerte sich zu diesem Thema wie folgt: „Der Mensch ist nicht in der Lage, statistisch-quantitative Entscheidungen permanent gut genug zu treffen und lässt sich häufig täuschen - meist durch Optimismus͘“12

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Schematische Darstellung der Big Data Anatomie (Quelle: Jaekel M. Die Anatomie digitaler Geschäftsmodelle. Wiesbaden: Springer; 2015. S. 22.)

1.1.2 Rechtliche Aspekte der Nutzung von Gesundheitsdaten

Die erhobenen und gesammelten Daten können auch rechtlich als privat geltende Daten umfassen, was unabwendbar mit den geschützten Persönlichkeitsrechten des Einzelnen in Konflikt gerät.13 Die Verbraucher scheint dieses jedoch nicht unbedingt abzuschrecken. Laut einer Erhebung im Mai 2015 waren interessanterweise 45 % der Nutzer von Smartphones bereit, diese für die Übertragung von Gesundheitsdaten zu nutzen - bei den über 65- jährigen sogar 50 % aller Smartphone-Nutzer.14

Allerdings ist zu beachten, dass nur wer Daten schützt, auch verhindern kann, dass sie missbraucht werden. In Deutschland ist der Datenschutz daher sehr streng geregelt.15

Kritikern zu Folge zu streng, da eine wissenschaftliche Nutzung der Daten so erschwert wird. In den USA sowie in skandinavischen Ländern ist die Verbindung anonymisierter Patientenund Krankenhausdaten für wissenschaftliche Zwecke seit längerem Standard.16

Einen gesetzlichen Rahmen zur Datenerhebung und -nutzung soll das neue E-Health Gesetz bieten, das zum 1. Januar 2016 in Kraft getreten ist.17,18 Dieses verspricht mehr Vernetzung bei zeitgleichem Datenschutz.17,18

Der Ausbau des Gesetztes soll in 3 Stufen stattfinden:18

1. Sommer 2016: Ärzte und Zahnärzte können sogenannte Stammdaten austauschen, also Informationen über Name, Anschrift und Versicherung des Patienten.
2. Oktober 2016: Patienten, die drei oder mehr Medikamente einnehmen, haben Anspruch auf einen schriftlichen Medikationsplan. Später soll dieser dann auch elektronisch abrufbar sein.
3. Juli 2018: Wenn der Patient zustimmt, verwalten Ärzte nun auch lebensrettende Notfalldaten wie Vorerkrankungen, Blutgruppe und Medikamente elektronisch

Weil immer mehr Menschen Smartphones und andere mobile Endgeräte (z.B. Fitnesstracker oder sog. Wearables) für Gesundheitsanwendungen nutzen, soll die gematik (Gesellschaft für Telematikanwendungen der Gesundheitskarte mbH) bis Ende 2016 prüfen, ob die Versicherten solche Geräte etwa zur Wahrnehmung ihrer Zugriffsrechte und für die Kommunikation im Gesundheitswesen einsetzen können.18

Ähnlich verhält es sich mit der Speicherung und -Weitergabe von Daten auf der Gesundheitskarte.19 Der Patient entscheidet nicht nur, welche medizinischen Daten mit der Gesundheitskarte gespeichert werden sondern auch wer darauf zugreifen darf.

Gegner des E-Health-Gesetzes fürchten Sicherheitslücken. Das Bundesministerium für Gesundheit versichert hingegen, dass der „Datenschutz der Patienten an erster Stelle“ stehe.19

1.1.3 Predictive Modeling zur Bestimmung von Erkrankungswahrscheinlichkeiten

Wie oben bereits angesprochen, ist eine Methode zur Nutzung von Big Data im Gesundheitsbereich das Predictive Modeling (deutsch: prädiktive Analyse).20,21

Dabei handelt es sich um ein Verfahren, mit dem Informationen aus im Vorfeld gesammelten und zusammengeführten Daten (geschieht z.B. durch Data Mining22 ) extrahiert werden können. Bei den Rohdaten handelt es sich etwa um klinische, epidemiologische, molekulargenetische, bildgebende, aber auch ökonomische Daten.23

Ziel ist es Muster in den gewonnenen Datensätzen zu identifizieren, aus denen Wahrscheinlichkeiten abgeleitet werden können, dass ein bestimmtes Ereignis eintritt (Erkrankungswahrscheinlichkeit). Predictive Modeling umfasst auch die Abbildung von Wenn-Dann-Szenarien und Risikoabschätzung.

Welchen Einfluss Predictive Modeling auf die Erforschung von Ursachen, Verläufe und Folgeerkrankungen einer Erkrankung haben kann, soll in dieser Arbeit anhand der Indikation Diabetes mellitus Typ 2 näher erläutert werden. Grund hierfür ist die Relevanz der Erkrankung, der bisherige Stand der Forschung sowie die Implementierung von Big DataStrategien in dieser Indikation.

Die weltweite Ausbreitung von Diabetes mellitus ist enorm. Europaweit sind zirka 10 % der Bevölkerung an Diabetes erkrankt.24 In Deutschland leiden derzeit rund 7,6 Millionen Menschen an Diabetes, der mit Medikamenten behandelt wird. Der überwiegende Anteil der Diabetiker (über 90 %) sind Typ-2-Diabetiker. Von diesen 7,6 Millionen weiß jeder Fünfte (=1,5 Millionen) noch nicht von seiner Diabetes-Erkrankung.25

[...]


1 Data Mining: Identifikation verborgene Muster, Trends und Zusammenhänge in großen Datenmengen. Zu den klassischen Data-Mining- Methoden gehören beispielsweise Clustering, Klassifizierung, Regressionsanalyse und Assoziations-Analyse.3

2 Predictive Modelling (syn. Predictive Analytics): Vorhersage künftiger Ergebnisse auf Basis von Datenmodellen.

3 Deutscher Ethikrat. Die Vermessung des Menschen - Big Data und Gesundheit [Internet]. 2015. [zitiert am 05.07.2016]. URL: http://goo.gl/CYAy8U

4 Maurer J. Big-Data-Trends im Überblick: Was ist was bei Predictive Analytics? [Internet]. 26.08.2015 [zitiert am 05.07.2016]. URL: http://goo.gl/TCyXgF

5 Rüping S, Graf N. Technik: Datenanalyse: Big Data in der Medizin [Internet] Dtsch Arztebl 2013; 110(41): A-1926 / B-1701 / C-1665 [zitiert am 05.07.2016]. URL: http://goo.gl/J71OZD

6 Rüping S, Graf N. Technik: Datenanalyse: Big Data in der Medizin [Internet] Dtsch Arztebl 2013; 110(41): A-1926 / B-1701 / C-1665 [zitiert am 05.07.2016]. http://goo.gl/J71OZD

7 Jaekel M. Die Anatomie digitaler Geschäftsmodelle. Wiesbaden: Springer; 2015. S. 21.

8 Fokusgruppe Intelligente Vernetzung/Projektgruppe Smart Data. Thesenpapier zum Schwerpunktthema Smart Data im Gesundheitswesen [Internet]. 10.2015. [zitiert am 05.07.2016]. URL: https://goo.gl/ReqIEf

9 Thede G. Big Data - Datenquellen und Anwendungen Ausarbeitung Grundlagen Vertiefung und Anwendungen 1 [Internet] 10.03.2014 [zitiert am 18.07.2016]. URL: https://goo.gl/yzTS37

10 Thede G. Big Data - Datenquellen und Anwendungen Ausarbeitung Grundlagen Vertiefung und Anwendungen 1 [Internet] 10.03.2014 [zitiert am 18.07.2016]. URL: https://goo.gl/yzTS37

11 Frauenhofer-Institut. Kurzdokumentation: BIG DATA - Vorsprung durch Wissen - Innovationsanalyse. 2012.

12 Feindt M. (Big Data) Predictive Analytics - Chancen für die Medizin. Präsentation auf dem 96. Deutschen Röntgenkongress [Internet] ©2015 [zitiert am 23.07.2016]. URL: http://goo.gl/c6BMY6

13 Allgemeines Persönlichkeitsrecht (APR), Art. 2 I i.V.m. Art. 1 GG

14 Fokusgruppe Intelligente Vernetzung/Projektgruppe Smart Data. Thesenpapier zum Schwerpunktthema Smart Data im Gesundheitswesen [Internet]. 10.2015. [zitiert am 05.07.2016]. URL: https://goo.gl/ReqIEf

15 Spahn J. Der Datenschutz in Deutschland ist besonders streng - das soll auch so bleiben“ [Internet΁ 15͘07͘2014 [zitiert am 12͘07͘2016]. URL: http://goo.gl/bvpYVt

16 Bäuml M. Datenschutz kostet Leben [Internet] DIE ZEIT Nr. 48/2015, 26 [zitiert am 23.07.2016]. URL: http://goo.gl/WqVG19

17 Bundesgesetzblatt Jahrgang 2015 Teil I Nr. 54, ausgegeben zu Bonn am 28. Dezember 2015 [Internet] 28.12.2015 [zitiert am 05.07.2016]. URL: http://goo.gl/UupyZU

18 Pressemitteilung des Bundesministeriums für Gesundheit. 2./3. Lesung des E-Health-Gesetzes im Bundestag [Internet] 3.12.2015 [zitiert am 23.07.2016]. URL: http://goo.gl/KHrUhW

19 E-Health Blog. E-Health-Gesetz verspricht 2016 Vernetzung und Datenschutz [Internet] 13.01.2016 [zitiert am 23.07.2016]. URL: https://goo.gl/qCTyb6

20 Predictive Analytics. IT Glossary. Gartner; Stamford: USA; © 2016.

21 Drösser C. Total berechenbar? Wenn Algorithmen für uns entscheiden. München: Carl Hanser Verlag; 2016.

22 Data Mining: Identifikation verborgene Muster, Trends und Zusammenhänge in großen Datenmengen. Zu den klassischen Data-Mining- Methoden gehören beispielsweise Clustering, Klassifizierung, Regressionsanalyse und Assoziations-Analyse.3

23 Rüping S, Graf N. Technik: Datenanalyse: Big Data in der Medizin [Internet] Dtsch Arztebl 2013; 110(41): A-1926 / B-1701 / C-1665 [zitiert am 05.07.2016]. URL: http://goo.gl/Xh9UkR

24 Big Data in der Medizin: Die Rolle der Patientendaten als Teil eines Big Data Lakes am Beispiel Diabetes mellitus [Internet] 21. Juni 2016 [zitiert am 18.07.2016]. URL: https://goo.gl/1y4rIx

25 Deutsche Diabetes Hilfe: Diabetes in Zahlen [Internet] © 2016 [zitiert am 18.07.2016]. URL: http://goo.gl/5ayxGp

Details

Seiten
22
Jahr
2016
ISBN (eBook)
9783668369016
ISBN (Buch)
9783668369023
Dateigröße
1.2 MB
Sprache
Deutsch
Katalognummer
v349958
Institution / Hochschule
Universität Hamburg – Fakultät Wirtschafts- und Sozialwissenschaften
Note
1.0
Schlagworte
ökonomische relevanz einsatzes data krankheitsprävention

Autor

Zurück

Titel: Ökonomische Relevanz des Einsatzes von Big Data in der Krankheitsprävention