Perspektiven von Big Data in der Gesundheitswirtschaft


Seminararbeit, 2017
21 Seiten, Note: 2,0

Leseprobe

Inhaltsverzeichnis

Abkürzungsverzeichnis

1. Thematische Einleitung

2. Grundlagen zu Big Data

3. Anwendungsmöglichkeiten von Big Data in der Gesundheitswirtschaft
3.1. Optimierung der Patientenallokation
3.2. Überwachungssysteme als Kostensenkungspotential
3.3. Vermeidung von Krankenhausaufenthalten und Wiedereinweisungen
3.4. Individualisierte Medizin

4. Grenzen und zukünftige Herausforderungen

5. Ergebnisdiskussion

6. Fazit zu den Perspektiven von Big Data in der Gesundheitswirtschaft

Literaturverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Thematische Einleitung

Die Digitalisierung und weltweite Vernetzung schreitet mit hohem Tempo voran. Die Menschen nutzen vermehrt Smartphones, Wearables und andere Online-Dienste für ihre Geschäfte des täglichen Lebens und produzieren dadurch Unmengen an Daten. Diese Daten gehen nicht einfach verloren, sondern werden gespeichert in Clouds und ähnlichen Speichermöglichkeiten und können teilweise seitens Dritter für Verhaltensanalysen und Generierung neuer Erkenntnisse genutzt werden. Diese Datenanalyse anhand von Algorithmen wird allgemeinhin als „Big Data“ bezeichnet. Der Begriff ist erstmals in den Jahren 2003 und 2004 aufgetreten und wird mit stark steigender Tendenz seit 2012 verwendet.1 In vielen anderen Forschungsbereichen wurden Big-Data-Analysen bereits erfolgreich angewandt, beispielsweise in der Astronomie, im Einzelhandel, bei Online-Suchmaschinen und auch in der Politik.2 Im Gegensatz zu den genannten Bereichen ist das Gesundheitswesen langsamer und vorsichtiger in der Anwendung von Big Data. Bei der Menge der produzierten Daten steht es allerdings an vierter Stelle hinter Sicherheits- und Investmentfirmen, Kommunikations- und Medienfirmen und der herstellenden Industrie.3

Mittlerweile wird auch im Gesundheitswesen der Fokus auf Big-Data-Analysen gerichtet, denn die Potentiale, die von vielen Experten prognostiziert werden, sind vielversprechend. So wird erhofft, durch ausführliche Analysen die Qualität der Patientenversorgung zu verbessern, den Patienten bei der Behandlung vermehrt in den Mittelpunkt zu stellen und Kosten einzusparen.4 Vor allem letztere These ist sehr relevant, da die Kosten im Gesundheitswesen durch den medizinisch-technischen Fortschritt seit Jahren kontinuierlich ansteigen, während die Budgets im Ressort Gesundheit größtenteils stagnieren oder nicht gleichwertig anwachsen, um die Differenzen ausgleichen zu können. Das McKinsey Global Institute schätzt, dass in Europa durch Effizienz- und Qualitätssteigerungen anhand von Big-Data-Anwendungen Einsparungen im Wert von ca. 250 Mrd. € möglich wären. Für die USA wird dieser Wert auf ca. 222 Mrd. € geschätzt.5

Ziel dieser Arbeit ist es, der Frage nachzugehen, wie die Anwendungen von Big Data zur Effizienzsteigerung und somit auch Kostensenkung aussehen können und wie die Perspektive für Big Data in der Gesundheitswirtschaft für die Zukunft eingeschätzt wird. Hierfür werden zunächst die Grundlagen zu Big Data dargestellt. In Kapitel 3 folgt die Darstellung mehrerer Anwendungsmöglichkeiten von Big-Data-Analysen in der Gesundheitswirtschaft, wohingegen in Kapitel 4 die Grenzen und zukünftigen Herausforderungen aufgezeigt werden. Nach einer kurzen Diskussion der erarbeiteten Resultate, erfolgt ein abschließendes Fazit.

2. Grundlagen zu Big Data

Dieses Kapitel widmet sich der Klärung des Begriffes „Big Data“ und stellt einige Grundlagen zu diesem Themenbereich dar. Eine einheitliche Definition für den Begriff „Big Data“ ist in der Wissenschaft nicht festgelegt. Allerdings wird darunter grundsätzlich das Sammeln, Speichern und Auswerten riesiger Datenmengen aus den unterschiedlichsten Bereichen des täglichen Lebens verstanden. Hierfür werden Algorithmen und mathematische Modelle entwickelt, die mögliche Korrelationen und Auffälligkeiten in den Datenmengen identifizieren sollen.6

Die Charakterisierung von Big Data erfolgt zumeist anhand von drei „V‘s“, in vielen publizierten Beiträgen auch anhand von fünf, für diese Arbeit wird letztere Variante gewählt. Das erste „V“ steht für Volume (Datenmenge). Durch die vermehrte Nutzung von vernetzten Gerätschaften und der fortschreitenden Digitalisierung werden täglich in jeglichen Lebensbereichen große Datenmengen produziert. Schätzungen besagen, dass sich die existierende Datenmenge weltweit alle zwei Jahre verdoppelt.7 Velocitiy (Geschwindigkeit) als zweites Charakteristikum beschreibt den Umstand, dass die Datenanalyse zeitgleich mit der Datengewinnung erfolgen muss. War es früher möglich, die Daten zunächst zu verarbeiten und anschließend zu analysieren, ist dies heutzutage aufgrund des kontinuierlichen Datenflusses ausgeschlossen. Als dritte Eigenschaft wird Variety (Vielfalt) definiert.8

Bezogen auf das Gesundheitswesen werden Daten in den unterschiedlichsten Bereichen generiert, zum Beispiel in der Gesundheitsversorgung, durch biomedizinische Forschung oder Lebensstildaten von Patienten durch Umwelt- und Selbstmanagement.9 Die Folge ist, dass die Datensätze die unterschiedlichsten Beschaffenheiten aufweisen. So werden Bilder und Videos ebenso analysiert, wie Tweeds in sozialen Netzwerken oder Aufzeichnungen von Wearables. Im Gesundheitswesen haben sich zu den eher altmodischen Datensätzen wie Röntgenbildern, klinischen Aufzeichnungen und humangenetischen Sequenzen neue Formate entwickelt. Hier sind als Exempel die 3-D-Bildgebung sowie genomische und biometrische Sensoren zu nennen.10

Das vierte „V“ steht für Value (Nutzen). Der Nutzen von Big Data im Gesundheitswesen besteht vor allem in dem Potential, Kosten zu senken, Ineffizienzen zu beseitigen und die Versorgungsqualität zu erhöhen.11 Als letztes Merkmal gilt Veracity (Richtigkeit). Das bedeutet, dass die Daten fehlerfrei sind und glaubhafte Ergebnisse widerspiegeln. Allerdings ist dieses Merkmal zunächst noch als zukünftiges Ziel einzustufen und nicht als aktuelle Realität.12

Seit einigen Jahren wird auch im Gesundheitswesen das große Potential, welches von Big Data ausgeht, erkannt und die Forschung in vielerlei Hinsicht vorangetrieben. Vor allem die prognostizierten ökonomischen Aspekte stehen neben der Möglichkeit, die Patientensicherheit zu erhöhen und der Verbesserung der Behandlungsergebnisse im Vordergrund. In welchen Bereichen zukünftig Fortschritte erwartet werden und wie die aktuelle Anwendung von Big Data bereits aussieht, wird in den nächsten Kapiteln dargestellt.

3. Anwendungsmöglichkeiten von Big Data in der Gesundheitswirtschaft

3.1. Optimierung der Patientenallokation

Im dritten Kapitel dieser Arbeit sollen verschiedene Anwendungsgebiete von Big Data aufgezeigt werden, die aus ökonomischer Sicht eine hohe Relevanz für das Gesundheitswesen darstellen. In den USA werden Schätzungen zufolge 750 Mrd. $ pro Jahr wegen Betrug, Missbrauch und Behandlungen ohne Therapiewirkung verschwendet.13 Ein großer Anteil dieser Gelder wird für Doppeluntersuchungen ausgegeben, das heißt, Patienten bekommen mehrfach dieselbe Leistung bei unterschiedlichen Ärzten erbracht, die diese anschließend in Rechnung stellen.

Das kann ein Versehen als Folge der fehlenden Vernetzung zwischen den Ärzten sein oder auch weil der Patient mehrfach umzieht und seine Ärzte wechselt oder einfach mutwillig aus finanziellen Aspekten. Um die begrenzten Ressourcen nicht unnötig zu strapazieren, ist es notwendig die Anzahl dieser Doppeluntersuchungen zu minimieren. Ein Ansatz ist der Ausbau der Vernetzung innerhalb der Ärzteschaft. Die Integration der Patienteninformationen in ein digitales Computersystem, auf das alle ambulanten und stationären Leistungserbringer zugreifen können, wäre hier das optimale Konzept. Als Resultat weiß Arzt A, welche Maßnahmen von Arzt B ergriffen wurden und kann einerseits seine Therapie auf die Diagnose ausrichten und muss andererseits eine ergriffene Maßnahme kein zweites Mal durchführen.

Eine andere Intervention gegen Doppeluntersuchungen zeigt eine Studie von Ocampo et al. aus dem Jahr 2016. In Kooperation mit den Einwohnerbehörden von Maryland, Columbia und Virginia sowie Daten aus dem HIV-Überwachungsprogramm wurde analysiert, wie viele Patienten sich über die Grenzen der Bundesstaaten hinweg mehrfach bei Ärzten und den Einwohnerbehörden registrieren lassen haben. Hierfür untersuchten die Forscher 163.343 Datensätze aus dem eHARS (Enhanced HIV/AIDS Reporting System) und konnten insgesamt 21.472 Übereinstimmungen für den Zeitraum von 1981 – 2015 feststellen.14

In Deutschland kostet die 1996 eingeführte hochaktive antiretrovirale Therapie (HAART), mit der der Großteil der HIV-Patienten behandelt wird, im Schnitt ca. 32.628€.15 Es wird somit deutlich, dass aus finanzieller Sicht, Doppeluntersuchungen dringend vermieden werden sollten. Hierfür können Daten aus Überwachungssystemen von Krankheiten, wie in der Studie durchgeführt, mit Behördendaten abgeglichen werden. Voraussetzung sind dafür allerdings das Einhalten gesetzlicher Restriktionen und die Gewährung des höchstmöglichen Datenschutzes.

Notwendig ist zu diesem Zwecke eine Zentralisierung und Vernetzung aller medizinischen Daten mit einer ständigen Verfügbarkeit. Nur so können die Versorgungsprozesse effizienter werden.16 Die ist allerdings, Stand heute, in Deutschland noch nicht gegeben.

3.2. Überwachungssysteme als Kostensenkungspotential

Big-Data-Analysen können ebenso für Überwachungssysteme von Krankenhäusern eingesetzt werden. Auch in diesem Bereich fließen neben dem Patientenschutz ökonomische Aspekte mit ein. Als Beispiel sind hier nosokomiale Infektionen zu nennen, also Infektionen, die in einer gesundheitlichen Einrichtung erworben werden. Die Auswirkungen für Krankenhäuser sind gravierend. Neben einer Verlängerung der Verweildauer gehen diese Infektionen zusätzlich mit höheren Behandlungskosten einher. Dies liegt unter anderem an den gesteigerten Hygienemaßnahmen und der Anwendung von teuren Reserveantibiotika. Zudem gestaltet sich der Heilungsprozess der Patienten um ein Vielfaches schwieriger, wenn sie sich mit Keimen infizieren, wodurch es häufig zu Folgeoperationen kommt. Für das Jahr 2008 wurden durch statistische Erhebungen des ECDC 16 Mio. zusätzliche Krankenhaustage in Europa festgestellt, die Kosten in Höhe von 7 Mrd. € verursachten.17 In diese Summe nicht mit eingerechnet sind die Opportunitätskosten, die für Krankenhäuser durch die Sperrung von Betten aufgrund des Infektionsrisikos für andere Patienten entstehen und die Kapazitätsverluste als Konsequenz der verlängerten Verweildauer der Patienten. Ebenso fehlen bei den Opportunitätskosten die krankheitsbedingten Personalausfälle, die ein zusätzliches Belastungspotential durch nosokomiale Infektionen darstellen können.

Im Jahr 2010 lag die MRSA-Quote in Deutschland bei 20,8%.18 Diese enorm hohe Quote war ein Grund für die Einführung des KISS (Krankenhaus-Infektions-Surveillance-System), das weltweit zweitgrößte Überwachungssystem für nosokomiale Infektionen, an dem über 1000 Krankenhäuser freiwillig partizipieren.19 Durch gegenseitiges Feedback und ständigem Datenaustausch konnte die Quote in Deutschland beinahe halbiert werden, auf aktuell 11,2%. Europaweit steht Deutschland mit dieser MRSA-Quote allerdings nur mittelmäßig da, so können Länder wie Dänemark, Finnland, Schweden und die Niederlande Quoten vorweisen, die bei ca. 1% liegen. Frankreich (15,75%) und UK (10,8%) weisen eine vergleichbar hohe Quote wie Deutschland auf.20

Das Potential von Big Data besteht in diesem Bereich vor allem darin, durch europaweite Datensammlungen, Analysen und Standards molekularepidemiologische Daten zu generieren und anhand dieser das Vorkommen nosokomialer Infektionen zu reduzieren. Hierbei sollte allerdings auch der ambulante Bereich miteinbezogen werden, um eine bestmögliche Abdeckung aller Gesundheitsressorts zu erreichen.21 Ein Ausbau der Überwachungssysteme und eine europaweite Vernetzung und Kooperation ist in diesem Bereich aus ökonomischer Sicht ein relevanter Aspekt.

3.3. Vermeidung von Krankenhausaufenthalten und Wiedereinweisungen

Als ein sehr großer Kostentreiber im Gesundheitswesen gelten Krankenhauseinweisungen beziehungsweise Wiedereinweisungen nach einem stationären Aufenthalt. Die Möglichkeit von Big-Data-Analysen besteht in diesem Bereich vor allem darin, Ärzte vorzuwarnen, bevor eine Krankheit auftritt oder wenn sie schon aufgetreten ist, als Warnsystem zu agieren, wenn deren Symptome sich verschlechtern.22 Für diesen Zweck sollen Algorithmen konzipiert werden, die das Verhalten von Patienten sowie deren täglich erhobene Vitaldaten (SpO2, EKG, Blutdruck, Blutzuckerwert) kontinuierlich analysieren und so die Möglichkeit schaffen zu intervenieren, bevor es zu einem finanziell aufwändigeren Krankenhausaufenthalt kommt.23

Erste Studien und Untersuchungen zu dieser Thematik wurden bereits durchgeführt und sollen in diesem Kapitel dargestellt werden. In den USA werden 30,8 Mrd. $ der Kosten für Krankenhauseinweisungen als potentiell vermeidbar eingestuft, ca. 31% (≙ 9 Mrd. $) davon entfallen auf den medizinischen Bereich der koronaren Erkrankungen.24

Am Boston Medical Center (BMC) wurde eine neuartige Software getestet, die feststellen sollte, inwiefern bei Patienten das Risiko besteht, innerhalb eines Jahres stationär in ein Krankenhaus eingewiesen zu werden. Zu diesem Zweck wurden die Daten aus den Electronic Health Records (EHR’s) von Patienten zusammengeführt und von dem entwickelten Algorithmus getestet. Am Ende wurden die Patienten zwei Gruppen zugeführt. Entweder jener, bei der kein Risiko für eine Krankenhauseinweisung innerhalb eines Jahres bestand oder der, bei der ein Risiko für einen stationären Aufenthalt ersichtlich wurde. Als Resultat zeigte sich, dass bei einer falsch-positiven Rate von 30%, ungefähr 82% der Krankenhauseinweisungen akkurat vorhergesagt werden konnten. Dieser Wert ist insgesamt noch verbesserungswürdig, allerdings kann jede dadurch eingesparte finanzielle Ressource anderweitig eingesetzt werden, was den finanziellen Aspekt dieser Untersuchung nochmal unterstreicht. Dieses Vorhersagemodell soll anschließend den Ärzten als Hilfestellung dienen, frühzeitig präventive Maßnahmen einzuleiten, denn diese sind gegenüber stationären Aufenthalten für die Kostenträger günstiger. Um die Genauigkeit der Vorhersagen noch zu verbessern und die falsch-positive Rate zu minimieren, wird von den Forschern ein Ausbau der Datenverfügbarkeit in den EHR’s gefordert. So könnte der generierte Nutzen noch vergrößert werden.25 Nach dem erfolgreichen Pilotprojekt im Bereich der koronaren Erkrankungen sind weitere Umsetzungen in Planung. In Kooperation mit dem BMC soll ein Vorhersagemodell im Bereich der Chirurgie entwickelt werden, um auch hier die Vor- und Nachsorge der Patienten dahingehend zu verbessern, dass unnötige stationäre Aufenthalte vermieden werden können.26

Neben den Herzerkrankungen sind weitere finanziell aufwendige, vor allem chronische Erkrankungen im Fokus. In der Diabetesbehandlung wird ebenfalls seit einiger Zeit versucht, sich weg von Einzelprodukten, hin zum integrierten Datenmanagement zu bewegen.

[...]


1 Vgl. Ahrens und Jöckel (2016), S.819

2 Vgl. Murdoch und Detsky (2013), S.1351

3 Vgl. White (2014), S.13

4 Vgl. Dimitrov (2016), S.156

5 Vgl. Langkafel (2014), S.12

6 Vgl. Adam (2016), S.2 u. 10

7 Vgl. Sacristán u. Dilla (2015), S.1014

8 Vgl. Langkafel (2014), S.12

9 Vgl. Cano et al. (2017), S.37

10 Vgl. Raghupati u. Raghupati (2014), S.3

11 Vgl. Viceconti et al. (2015), S.1211

12 Vgl. Raghupati u. Raghupati (2014), S.4

13 Vgl. Rubin u. Friedman (2014), S.40

14 Vgl. Ocampo et al. (2016), S.1 ff.

15 Vgl. Hoeper et al. (2011), S.1

16 Vgl. BMG (2016), S.39

17 Vgl. ECDC (2008), S.27

18 Vgl. Layer et al. (2012), S.1378

19 Vgl. Geffers et al. (2012), S.224

20 Vgl. ECDC (2017)

21 Vgl. Geffers et al. (2012), S.224

22 Vgl. Eastaff u. Premalatha (2016), S.1

23 Vgl. Bates et al. (2014), S.1125

24 Vgl. Dai et al (2015), S.189

25 Vgl. Dai et al. (2015), S.189 ff.

26 Vgl. Jacobs (2015)

Ende der Leseprobe aus 21 Seiten

Details

Titel
Perspektiven von Big Data in der Gesundheitswirtschaft
Hochschule
Universität Bayreuth
Note
2,0
Autor
Jahr
2017
Seiten
21
Katalognummer
V457890
ISBN (eBook)
9783668873605
ISBN (Buch)
9783668873612
Sprache
Deutsch
Schlagworte
Big Data, Gesundheitswirtschaft, Gesundheitsökonomie, Individualisierte Medizin
Arbeit zitieren
Julian Torlutter (Autor), 2017, Perspektiven von Big Data in der Gesundheitswirtschaft, München, GRIN Verlag, https://www.grin.com/document/457890

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Perspektiven von Big Data in der Gesundheitswirtschaft


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden