Früher glich das Sammeln und Zusammenfügen von Gesundheitsdaten einem Puzzlespiel. Heute ist Big Data der Klebstoff, der diese Puzzleteile miteinander verbindet. Der Einsatz von Big Data im Gesundheitswesen liefert die Daten und Quellen, die für medizinische Fachkräfte entscheidend sind, um fundiertere Entscheidungen zu treffen. Er verändert die Art und Weise, wie Krankheiten diagnostiziert, behandelt und verstanden werden. Für Technologieunternehmen, die in diesen Bereich einsteigen möchten, ergeben sich interessante Handlungsfelder.
In diesem Artikel zeigen wir, wie Big Data im Gesundheitswesen den Unterschied machen kann. Wir stellen einige vielversprechende Beispiele vor, die zeigen, wie Big Data das Gesundheitswesen bereits revolutioniert.
Big Data im Gesundheitswesen: Drei vielversprechende Einsatzszenarien
Big Data stellt eine Chance für das Gesundheitswesen dar: Es verbessert die Patientenversorgung, hilft, die Abläufe zu rationalisieren und treibt die medizinische Forschung voran. All diese Vorteile steigern die Nachfrage nach Lösungen, die große und komplexe Datensätze verarbeiten können. Rosige Aussichten also für Technologieunternehmen, die in dieser Nische Fuß fassen wollen.
Je nachdem, wie komplex Ihr Anliegen ist, gibt es verschiedene Möglichkeiten, wie Sie Big Data für Ihre Lösung im Gesundheitswesen einsetzen können:
Basis-Szenario: Datenmanagement. Lösungen, die auf Datenmanagementfunktionen aufbauen, helfen Gesundheitsdienstleistern, Patientenakten effizienter zu verwalten und zu analysieren. Big Data kommt in Form von elektronischen Gesundheitsakten (EHRs) und elektronischen Krankenakten (EMRs) zum Einsatz, in denen eine Vielzahl von Patientendaten gespeichert ist. Mithilfe von Analysetools können diese Informationen organisiert und für verschiedene Aufgaben verwendet werden, z. B. für die Terminplanung und die Nachverfolgung der Patientenaufenthalte. Medizinisches Fachpersonal kann auch den Gesundheitszustand seiner Patienten überwachen und feststellen, ob sie ihre Medikamente wie vorgeschrieben einnehmen.
Mittleres Szenario: Prognosen. In diesem Szenario konzentrieren sich Technologieunternehmen auf Big Data, um Patienten zu identifizieren, die ein erhöhtes Risiko für Krankheiten wie Diabetes oder Herzkrankheiten haben. Sie entwickeln Tools zur Analyse von Patientendaten, einschließlich ihrer Genetik, ihres Lebensstils und ihrer Krankengeschichte. Anhand dieser Daten können Prognosemodelle entwickelt werden, die helfen, Patienten mit hohem Risiko zu identifizieren. Auf diese Weise können Ärzte Vorschläge zur Vorbeugung von Krankheiten und zur Anpassung von Behandlungsplänen machen.
Fortgeschrittenes Szenario: Analyse großer Datensätze. Big-Data-Anwendungen können in der Genomanalyse und der Arzneimittelforschung eingesetzt werden. Technologieunternehmen entwickeln Tools, mit denen Forscher umfangreiche Genomdatensätze analysieren können. Mit solchen Lösungen können Genomdaten großer Populationen verglichen werden, was u. a. zu einem besseren Verständnis der genetischen Ursachen von Krankheiten beiträgt. Sie können auch die Reaktion auf Medikamente analysieren und potenzielle Angriffspunkte für Medikamente entdecken. Darüber hinaus können Ärzte Behandlungen auf der Grundlage der genetischen Eigenschaften der Patienten anpassen.
Um Big Data in der Gesundheitsbranche effizient einzusetzen, müssen Data Scientists, Fachleute aus dem Gesundheitswesen und Technologieexperten zusammenarbeiten. Im Folgenden stellen wir drei vielversprechende Big-Data-Anwendungen im Gesundheitswesen vor.
Use Case 1. Big Data für Personalisierte Medizin
Lebensbedrohliche Krankheiten mit einem Einheitsansatz zu behandeln, hat sich als unwirksam erwiesen. Für erfolgreichere Diagnosen und Therapien müssen Mediziner die medizinische Versorgung personalisieren. Hier kommt die Präzisionsmedizin (Personalisierte Medizin) ins Spiel.
Auf der Grundlage von Big Data ermöglicht die Präzisionsmedizin eine auf jeden einzelnen Patienten zugeschnittene Behandlung, die sich an seinen individuellen Merkmalen orientiert. Dadurch können Ärzte Krankheiten effektiver behandeln und die Behandlungserfolge erhöhen. Es gibt viele Möglichkeiten für Technologieunternehmen, Lösungen zu entwickeln, die diese Personalisierung erleichtern.
Mit Big-Data-Lösungen können Mediziner auf Daten aus der Gensequenzierung, aus Geräten zur Fernüberwachung von Patienten (RPM) und aus klinischen Studien zugreifen. Mit Hilfe von maschinellem Lernen (ML) können beispielsweise Ribonukleinsäure-Daten (RNA) verwendet werden, um die Gene eines Patienten zu beschreiben. Ärzte können diese Informationen nutzen, um ihre Patienten in Gruppen einzuteilen und anstelle einer Standardbehandlung eine stärker personalisierte Behandlung anzubieten.
Mit Big Data ist es auch möglich, die medizinische Versorgung zu personalisieren, indem Patienten mit einem hohen Risiko für bestimmte Krankheiten identifiziert werden. Dies kann wertvolle Erkenntnisse über die Biologie einer Krankheit und ihre Risikofaktoren liefern. So werden beispielsweise bestimmte Arten von Krebs mit bestimmten genetischen Merkmalen in Verbindung gebracht. Eine davon ist die BRCA-Mutation, die das Risiko für Brust- und Eierstockkrebs erhöht. Mit KI ist es möglich, genetische und molekulare Daten zu analysieren und diese Mutation zu erkennen. Ärzte können Frauen mit der BRCA-Mutation im Auge behalten und sie häufiger zur Mammographie oder zum Eierstock-Ultraschall schicken.
Ein Beispiel aus der Praxis
SOPHiA GENETICS ist ein Biotech-Unternehmen, das Gesundheitsdienstleister unterstützt. Sie haben eine Plattform namens SOPHiA DDM™ entwickelt. Die Plattform analysiert Daten und generiert Erkenntnisse aus komplexen Datensätzen wie Genomforschung und Radiologie. Mithilfe der Plattform analysierte das Unternehmen über 1,3 Millionen Genomprofile. Diese Daten helfen Ärzten, die bestmöglichen Behandlungen für ihre Patienten auszuwählen.
Die Plattform verwendet ML-Algorithmen, um Varianten aus Rohdaten der nächsten Generation der Sequenzierung (NGS) aufzurufen, zu annotieren und zu klassifizieren. Die Erkenntnisse aus diesen Daten helfen bei der Entdeckung neuer Biomarker-Signaturen und ermöglichen ein besseres Verständnis von Krankheiten. Die Plattform wird von Krankenhäusern, Laboren und biopharmazeutischen Einrichtungen genutzt. So können Forscher Medikamente entwickeln, die auf die Bedürfnisse der Patienten zugeschnitten sind, und Ärzte können wirksamere Behandlungen anbieten.
Die Vorteile
- Bessere Patientenversorgung
- Verbesserte Patientensicherheit, da Fehldiagnosen unwahrscheinlicher werden
- Besseres Verständnis über die Ursachen von Krankheiten
- Kosten für ineffiziente Behandlungen werden gesenkt
Use Case 2. Big Data für fundierte Entscheidungen
Jahrzehntelang verließen sich Ärzte bei der Entscheidung, welche Behandlung sie einem Patienten verschreiben, auf ihr medizinisches Fachwissen und ihre Kenntnis von Leitlinien. Leider ist die von ihnen gewählte Behandlung nicht immer die beste - vor allem bei Krankheiten wie Krebs, die schnelle, möglicherweise lebensrettende Entscheidungen erfordern. Eine frühzeitige Diagnose ist ein weiterer Faktor, der sich auf das Leben des Patienten auswirkt. Mithilfe von Big Data können Ärzte nun intelligentere Entscheidungen treffen. Technologieunternehmen können Tools entwickeln, die Big Data nutzen und es den Ärzten ermöglichen, sich stärker auf eine evidenzbasierte Medizin zu verlassen.
Einzelne Datensätze, die für Big-Data-Algorithmen verwendet werden, können die zuverlässigsten Befunde liefern, so dass Ärzte fundiertere Entscheidungen treffen können. Auf diese Weise kann für jeden Patienten ein maßgeschneiderter Behandlungsplan erstellt werden. Außerdem kann so verhindert werden, dass Medikamente verschrieben werden, die zu unerwünschten Nebenwirkungen führen. Es ist auch weniger wahrscheinlich, dass Ärzte teure, aber unwirksame Behandlungen verschreiben.
Big Data kann auch dazu beitragen, die Therapietreue zu verbessern. Es ist beispielsweise möglich, die Check-ups von Patienten verschiedener demografischer Gruppen zu analysieren, um Faktoren zu entdecken, die sie davon abhalten, ein Medikament zu nehmen oder sich behandeln zu lassen.
Ein Beispiel aus der Praxis
Studien belegen, dass bis zu 10 % der internistischen Notfälle bei älteren Patienten auf Medikamente zurückzuführen sind. Doch eine regelmäßige und genaue Überprüfung der Medikamenteneinnahme durch Hausärzte ist in der Realität unmöglich. Es fehlt sowohl an Zeit und Personal, als auch an pharmakologischem Fachwissen. Die Studie PRIMA-eDS - Polypharmacy: Reduction of Inappropriate Medication and Adverse drug events in older populations by electronic Decision Support, die von der Europäischen Union gefördert wurde, setzte genau hier an. Ziel ist es, eine elektronische Entscheidungshilfe für Ärzte bereitzustellen, die Mehrfachmedikationen erkennt, den Arzt darauf hinweist und ein Absetzen des Medikaments vorschlägt. Dafür nutzt das Tool Informationen aus pharmakologischen Datenbanken und verknüpft sie mit den individuellen Patientendaten. Innerhalb von Sekunden kann es alle bekannten Interaktionen, Dosierungsfehler oder individuelle Unverträglichkeiten ausgeben, auch wenn der Patient sehr viele Wirkstoffe einnimmt. Damit kann die Zahl der Medikamente, die Patienten einnehmen, reduziert werden, die Patientensicherheit wird erhöht und die Zahl der Krankenhauseinweisungen aufgrund von Fehl- oder Überdosierung wird vermieden.
Die Vorteile
- Verbesserung der Qualität der medizinischen Versorgung
- Verringerung der Belastung der Gesundheitssysteme
- Bessere Therapieentscheidungen auf Datenbasis
- Kosteneinsparung durch Vermeidung der Folgen von Gesundheitsproblemen
Use Case 3. Big Data für mehr Effizienz in Organisationsprozessen
Organisationen des Gesundheitswesens müssen viele operative Entscheidungen treffen, um die bestmögliche Qualität der medizinischen Versorgung zu gewährleisten. Einige dieser Prozesse können aus verschiedenen Gründen alles andere als effektiv sein. Einer dieser Gründe ist der Personalmangel, mit dem die Krankenhäuser seit mehreren Jahren zu kämpfen haben. Um die Versorgung aufrechtzuerhalten, müssen sie ihre begrenzten Ressourcen klug einsetzen. Eine weitere Herausforderung für viele Anbieter ist, dass sie ihr Lager noch immer manuell verwalten müssen. Zum Glück gibt es jetzt Technologieunternehmen mit Big-Data-Lösungen, die dies ändern und die betriebliche Effizienz verbessern.
Mit Big-Data-Analysen können Gesundheitseinrichtungen ihre Abläufe durch die Analyse von Daten aus verschiedenen Quellen optimieren. Mithilfe von Daten aus elektronischen Patientenakten und RPM-Systemen, die zur Vorhersage der erwarteten Anzahl von Patientenzugängen und Krankenhauseinweisungen verwendet werden, können Gesundheitseinrichtungen die Personalplanung optimieren.
Die Datenauswertung kann Krankenhäusern auch helfen, ihre Bestände besser zu verwalten. Da alle Daten an einem Ort gespeichert sind, können Lösungen mit Vorhersagefunktionen dem Personal helfen, den Bedarf an medizinischem Material und Geräten vorherzusagen. Auf diese Weise kann sichergestellt werden, dass die richtigen Artikel zum richtigen Zeitpunkt und am richtigen Ort verfügbar sind, was wiederum zu weniger Unterbrechungen bei der Patientenversorgung führt.
Ein Beispiel aus der Praxis
Johnson & Johnson vertreibt weltweit Medikamente, Impfstoffe und medizinische Geräte.Um seine Lieferkette transparenter zu machen, hat das Unternehmen eine Datenanalyseplattform entwickelt, die mehr als 35 globale Datenquellen zusammenführt. Früher liefen die Daten über separate Systeme und mussten von Hand analysiert werden, doch jetzt kann Johnson & Johnson seine Lieferkette auf verschiedene Weise optimieren. So können sie zum Beispiel die Regale bei ihren Einzelhandelspartnern auffüllen. Außerdem kann das Unternehmen sicherstellen, dass die Impfstoffe bei der richtigen Temperatur gelagert und rechtzeitig geliefert werden.
Um eine Gesamtansicht der Daten zu erstellen, beauftragte Johnson & Johnson das US-Softwareunternehmen Databricks. Dessen Lösung Databricks Data Intelligence Platform wird in der Azure-Cloud betrieben. Sie ermöglicht es Johnson & Johnson, seine gesamten globalen Daten zusammenzuführen; die neue gemeinsame Datenebene ersetzt mehr als 35 Datenquellen aus fragmentierten Systemen.
Die Lösung verfügt über Predictive-Analytics-Funktionen. Sie ermöglicht es Johnson & Johnson, wichtige Trends vorherzusagen und die Bedürfnisse seiner Kunden zu verstehen. So kann das Unternehmen insbesondere die Produktnachfrage seiner Handelspartner und die entsprechenden Lagerbestände vorhersagen. Außerdem können sie die Produkte für die Patiententherapie über die gesamte Lieferkette hinweg verfolgen.
Johnson & Johnson konnte die Kosten für die Datenverarbeitung um die Hälfte senken. Außerdem wurde die Verzögerung bei der Datenlieferung von 24 Stunden auf unter 10 Minuten reduziert.
Die Vorteile
- Zeit- und Kostenersparnis durch Abschaffung manueller Vorgänge
- Bessere Sichtbarkeit von Vorgängen und Beständen
- Schnellere und intelligentere Verwaltung von Ressourcen
- Bessere Entscheidungsfindung
- Bessere Kundenbetreuung
Abschließend
Im Gesundheitswesen gibt es viele Anwendungsbeispiele, die das Potenzial von Big Data belegen. Mit dem Zugang zu Big Data und der Software zu deren Verarbeitung haben Gesundheitsdienstleister eine Fülle von Möglichkeiten. Zum Beispiel können sie jetzt Gesundheitskrisen vorhersagen und bekämpfen, Risikopatienten vor Krankheiten bewahren und effektivere Behandlungspläne erstellen. Insgesamt können die Gesundheitseinrichtungen die Lebensqualität ihrer Patienten verbessern.
Die Anwendung von Big Data im Gesundheitswesen ist eine spannende Nische für Technologieunternehmen. Dieser Bereich der Technologie ist ein idealer Nährboden für Innovationen. Sie können zu einem wichtigen Akteur im Ökosystem des Gesundheitswesens werden und die Patientenversorgung und die Branche als Ganzes maßgeblich beeinflussen. Ganz gleich, ob Sie ein Gesundheitsdienstleister oder ein Unternehmen sind, das einen Tech-Partner braucht, um in dieser Nische zu expandieren - wir sind für Sie da.
