Quellen von Big Data in der Medizin

Eine einfache Definition von Big Data in der Medizin ist „die Gesamtheit der Daten, die sich auf die Gesundheitsfürsorge und das Wohlbefinden von Patienten beziehen“ (Raghupathi 2014). Aber was genau sind diese Datentypen und woher kommen sie?

Im Folgenden finden Sie einen breiten Überblick über die Arten und Quellen großer Datenmengen, die für Gesundheitsdienstleister, Forscher, Zahler, politische Entscheidungsträger und die Industrie von Interesse sind. Diese Kategorien schließen sich nicht gegenseitig aus, da dieselben Daten aus verschiedenen Quellen stammen können.

Diese Liste ist auch nicht erschöpfend, da die praktische Anwendung der Big-Data-Analyse sicherlich weiter zunehmen wird.

Klinische Informationssysteme

Dies sind traditionelle Quellen klinischer Daten, an die sich Gesundheitsdienstleister gewöhnt haben.

• Elektronische Patientenakten (EHRs) erfassen, speichern und zeigen Informationen an, wie z. B. demografische Daten, vergangene Krankengeschichte, aktive medizinische Probleme, Impfungen, Allergien, Medikamente, Vitalfunktionen, Ergebnisse von Labor- und Radiologietests, pathologische Berichte, durch Gesundheitspflege erstellte Fortschrittsberichte Diensteanbieter sowie administrative und finanzielle Dokumente
• Elektronische Krankenakten (EMRs) sind nicht identisch mit EHRs und beziehen sich normalerweise auf Daten, die bei einem bestimmten Arzt gespeichert werden.
• Gesundheitsinformationsaustausch dient als Drehscheibe zwischen unterschiedlichen klinischen Informationssystemen
• Patientenregister, die von Gesundheitsorganisationen bei ihren eigenen Patienten geführt werden, sind häufig an die EHR gebunden. In anderen Registern werden Impfungen, Krebs, Trauma und andere Probleme der öffentlichen Gesundheit auf breiterer Ebene erfasst.

• Patientenportale ermöglichen Patienten den Zugriff auf die persönlichen Gesundheitsdaten, die in der persönlichen Gesundheitsakte einer Gesundheitsorganisation gespeichert sind. In einigen Patientenportalen können Benutzer auch die Möglichkeit zum Nachfüllen von Rezepten anfordern und sichere elektronische Nachrichten mit dem Gesundheitsteam austauschen.
• Klinische Data Warehouses fassen Daten auf Patientenebene aus mehreren klinischen Informationssystemen zusammen, z. B. EHRs und anderen oben aufgeführten Quellen

Anspruchsdaten von den Zahlern

Öffentliche Zahler (z. B. Medicare) und private Zahler verfügen über eine große Anzahl von Schadensdaten über ihre Begünstigten. Einige Krankenkassen bieten jetzt auch Anreize für den Austausch Ihrer Gesundheitsdaten.

Studien

Forschungsdatenbanken enthalten Informationen über Studienteilnehmer, experimentelle Behandlungen und klinische Ergebnisse. Große Studien werden in der Regel von Pharmaunternehmen oder staatlichen Stellen gesponsert. Eine Anwendung der personalisierten Medizin besteht darin, auf der Grundlage von Mustern in klinischen Studien die effektive Behandlung einzelner Patienten zu erreichen.

Dieser Ansatz geht über die Anwendung evidenzbasierter Medizinprinzipien hinaus, durch die ein Leistungserbringer bestimmt, ob ein Patient mit den Testteilnehmern breite Merkmale (z. B. Alter, Geschlecht, Rasse, klinischer Status) teilt.Mit der Big-Data-Analyse kann eine Behandlung basierend auf viel detaillierteren Informationen ausgewählt werden, z. B. anhand des genetischen Profils eines Krebses eines Patienten (siehe unten).

Klinische Entscheidungsunterstützungssysteme (CDSS) haben sich ebenfalls rasch entwickelt und bilden heute einen großen Teil der künstlichen Intelligenz (KI) in der Medizin. Sie verwenden Patientendaten, um Kliniker bei ihrer Entscheidungsfindung zu unterstützen, und werden oft mit Patientenentscheidungen kombiniert.

Genetische Datenbanken

Der Vorrat an genetischen Informationen des Menschen sammelt sich immer schneller an. Seit dem Abschluss des Humangenomprojekts im Jahr 2003 wurden die Kosten für die Sequenzierung der menschlichen DNA um das Millionenfache gesenkt. Das Personal Genome Project (PGP), das 2005 von der Harvard Medical School ins Leben gerufen wurde, versucht, das vollständige Genom von 100.000 Freiwilligen aus der ganzen Welt zu sequenzieren und zu veröffentlichen. Das PGP selbst ist aufgrund des großen Datenvolumens und der Vielfalt der Daten ein Paradebeispiel für Big Data-Projekte. Ein persönliches Genom enthält etwa 100 Gigabyte Daten. Neben der Sequenzierung von Genomen erfasst das PGP auch Daten von EHRs, Umfragen und Mikrobiomprofilen.

Eine Reihe von Unternehmen bietet eine direkte genetische Sequenzierung für Verbraucher, Gesundheit, persönliche Merkmale und Pharmakogenetik auf kommerzieller Basis an.

Diese persönlichen Informationen können Big-Data-Analysen unterworfen werden. Zum Beispiel haben 23andMe zum 22. November 2013 aufgehört, gesundheitsbezogene genetische Berichte für neue Kunden anzubieten, um die US-amerikanische Food and Drug Administration einzuhalten. Im Jahr 2015 hat das Unternehmen jedoch erneut begonnen, bestimmte gesundheitsbezogene Komponenten des genetischen Speicheltests anzubieten, diesmal mit der Genehmigung der FDA.

Öffentliche Daten

Die Regierung führt detaillierte Aufzeichnungen über gesundheitsbezogene Ereignisse wie Einwanderung, Heirat, Geburt und Tod. Die US-Volkszählung sammelt seit 1790 alle 10 Jahre große Mengen an Informationen. Auf der Website der Census-Statistik waren 2013 370 Milliarden Zellen enthalten. Jährlich kommen rund 11 Milliarden hinzu.

Websuchen

Von Google und anderen Web-Suchanbietern gesammelte Informationen zur Websuche könnten Echtzeitinformationen über den Gesundheitszustand einer Bevölkerung liefern. Der Wert von Big Data aus Websuchmustern kann jedoch durch Kombination mit traditionellen Gesundheitsdatenquellen verbessert werden.

Sozialen Medien

Facebook, Twitter und andere Social-Media-Plattformen generieren rund um die Uhr eine Vielzahl von Daten und bieten einen Einblick in die Standorte, das Gesundheitsverhalten, die Emotionen und die sozialen Interaktionen der Nutzer. Die Anwendung von Social Media Big Data auf die öffentliche Gesundheit wurde als digitale Krankheitserkennung oder digitale Epidemiologie bezeichnet. Twitter wurde beispielsweise zur Analyse von Influenza-Epidemien in der Allgemeinbevölkerung eingesetzt.

Das World Well-Being-Projekt, das an der University of Pennsylvania begann, ist ein weiteres Beispiel für das Studium sozialer Medien, um die Erfahrungen und die Gesundheit der Menschen besser zu verstehen. Das Projekt bringt Psychologen, Statistiker und Informatiker zusammen, die die Sprache analysieren, die bei Online-Interaktionen verwendet wird, z. B. beim Schreiben von Statusaktualisierungen auf Facebook und Twitter. Wissenschaftler beobachten, wie sich die Sprache der Nutzer auf ihre Gesundheit und ihr Glück bezieht. Fortschritte bei der Verarbeitung natürlicher Sprache und beim maschinellen Lernen helfen bei ihren Bemühungen. Eine kürzlich veröffentlichte Publikation der University of Pennsylvania untersuchte Möglichkeiten zur Vorhersage psychischer Erkrankungen durch Analyse sozialer Medien. Es scheint, dass Symptome von Depressionen und anderen psychischen Erkrankungen durch das Studium unserer Internetnutzung erkannt werden können. Wissenschaftler hoffen, dass diese Methoden in der Lage sind, gefährdete Personen besser zu identifizieren und ihnen zu helfen.

Das Internet der Dinge (IoT)

Massive Mengen gesundheitsbezogener Informationen werden auch auf mobilen Geräten und Heimgeräten gesammelt und gespeichert.

• Smartphones: Tausende von mHealth-Apps erfassen Informationen über die körperliche Aktivität des Benutzers, die Nahrungsaufnahme, das Schlafverhalten, die Emotionen und andere Parameter. Native Handy-Apps (z. B. GPS, E-Mail, SMS) können auch Hinweise auf den Gesundheitszustand einer Person geben.
• Tragbare Monitore und Geräte: Pedometer, Beschleunigungssensoren, Brillen, Uhren und unter die Haut eingebettete Chips sammeln auch gesundheitsbezogene Informationen und können sie auch in die Cloud senden.
• Mit Telemedizin-Geräten können Gesundheitsdienstleister die Parameter des Patienten wie Blutdruck, Herzfrequenz, Atemfrequenz, Sauerstoffzufuhr, Temperatur, EKG-Aufzeichnungen und Gewicht überwachen.

Finanztransaktionen

Die Kreditkartentransaktionen von Patienten sind in den Vorhersagemodellen des Carolinas HealthCare-Systems enthalten, um Patienten zu identifizieren, bei denen ein Risiko besteht, dass sie erneut in ein Krankenhaus eingeliefert werden. Der in Charlotte ansässige Gesundheitsdienstleister verwendet Big Data, um Patienten in verschiedene Gruppen einzuteilen, beispielsweise nach Krankheit und geographischem Standort.

Ethik und Datenschutz

Es muss hervorgehoben werden, dass in einigen Fällen wichtige Auswirkungen auf die Ethik und den Datenschutz bei der Erhebung und beim Zugriff auf Daten im Gesundheitswesen auftreten können. Neue Datenquellen für Big Data können das Verständnis dafür verbessern, welche Auswirkungen Einzelpersonen und die Gesundheit der Bevölkerung haben. Verschiedene Risiken müssen jedoch sorgfältig geprüft und überwacht werden. Es wurde nun auch erkannt, dass Daten, die zuvor als anonym angesehen wurden, erneut identifiziert werden können. Zum Beispiel überprüfte Professor Latanya Sweeney von Harvards Data Privacy Lab 1.130 Freiwillige, die am Personal Genome Project beteiligt waren. Sie und ihr Team waren in der Lage, 42 Prozent der Teilnehmer auf der Grundlage der von ihnen geteilten Informationen (Postleitzahl, Geburtsdatum, Geschlecht) korrekt zu benennen. Dieses Wissen kann unser Bewusstsein für potenzielle Risiken erhöhen und uns helfen, Entscheidungen zum Datenaustausch besser zu treffen.