Big Data und eHealth im modernen Gesundheitswesen. Chancen und Risiken der Digitalisierung für die medizinische Versorgung

Inhaltsverzeichnis

Executive Summary

Abkürzungsverzeichnis

Abbildungs- und Tabellenverzeichnis

Abbildungen

Tabellen

1 Einleitung
1.1 Zielsetzung
1.2 Aufbau der Arbeit

2 Grundlagen zu Big Data und eHealth
2.1 Big Data
2.2 eHealth
2.3 Wechselwirkungen

3 Strukturelle Grundlagen von eHealth
3.1 Strukturierung
3.2 Ziele
3.3 Stakeholder

4 Operative Grundlagen von eHealth
4.1 Prozesse
4.2 Elektronische Dienste
4.3 Instrumente

5 eHealth-Gesetz
5.1 Ziele
5.2 Anwendungen
5.3 Prinzipien

6 Entwicklungen und Perspektiven von eHealth
6.1 Trends
6.2 Ziele
6.3 Rahmenbedingungen
6.4 Chancen und Risiken

Fazit

Literaturverzeichnis

Abkürzungsverzeichnis

App Applikation

BDA Big Data Analytics

BIP Bruttoinlandsprodukt

BMG Bundesministerium für Gesundheit

bspw. beispielsweise

bzgl. Bezüglich

CT Computertomographie

Dale-UV elektronisches Berichts- und Abrechnungssystem für Ärzte mit Unfallversicherungsträgern

Dr. Doktor

eAkte elektronische Patientenakte

eArztbrief elektronischer Arztbrief

eAbrechnung elektronische Abrechnung

EBM Einheitlicher Bewertungsmaßstab

eDMP elektronisches Disease-Management-Programm

eDoku elektronische Dokumentation

eGK elektronische Gesundheitskarte

eHBA elektronischer Heilberufsausweis

eHealth electronic Health

EKG Elektrokardiogramm

EMA European Medicines Agency

ePA elektronische Patientenakte

eRezept elektronisches Rezept

eServices electronic services (elektronische Dienste)

etc. et cetera

EU Europäische Union

EUR Euro (€)

FDA Food and Drug Administration

gematik Gesellschaft für Telematikanwendungen der Gesundheitskarte mbH

GmbH Gemeinschaft mit beschränkter Haftung

GKV Gesetzliche Krankenversicherung

IKT Informations- und Kommunikationstechnologie

inc. incorporated

IT Informationstechnik

KK Krankenkasse(n)

MB Megabyte

mHealth mobile Health

Mrd. Milliarden

MRT Magnetresonanztomographie

MVZ Medizinisches Versorgungszentrum

PKV private Krankenversicherung

Prof. Professor

RWE Real World Evidence

SNK Sicheres Netz der Kassenärztlichen Vereinigungen

sog. so genannt

tHealth telematic Health

TI Telematikinfrastruktur

u. A. unter Anderem

USD US Dollar

uvw. und viele weitere

v. A. vor Allem

vgl. vergleiche

vs. versus

WHO World Health Organization (Weltgesundheitsorganisation)

z. B. zum Beispiel

ZOD Zahnärzte Online Deutschland

Abbildungs- und Tabellenverzeichnis

Abbildungen

Abbildung 1: Entwicklung der Weltweiten Datengenerierung von 2009 – 2020

Abbildung 2: Abgrenzung der digitalen Anwendungsfelder innerhalb des Gesundheitswesens

Abbildung 3: Interaktionsbeziehungen von Akteuren bei eHealth

Abbildung 4: Beispiele der Interaktionen von Controllern innerhalb des (digitalen) Gesundheitswesens

Tabellen

Tabelle 1: Gegenüberstellung der wesentlichen Chancen und Risiken von eHealth

1 Einleitung

1.1 Zielsetzung

Das traditionelle Gesundheitswesen befindet sich im steten Wandel. Getrieben wird dieser Wandel von den jeweils aktuellen gesellschaftlichen, ökonomischen sowie technologischen Trends, die sich auf die Gesundheitsversorgung auswirken. Im Rahmen der vorliegenden Arbeit werden vier Trendcluster identifiziert, welche die aktuelle Entwicklung des Gesundheitswesens beeinflussen: Demografie (Bevölkerung wächst und wird insbesondere zunehmend älter), Individualisierung (maßgeschneiderte Lösungen für Individuen und informierte, aktive Leistungsempfänger), Finanzierungslücken (zunehmend steigende Kosten für Gesundheitsausgaben) und Digitalisierung (Nutzung digitaler Innovationen und IKT). Hierbei dient die Digitalisierung allerdings eher als ein Mittel, um die mit den ersten drei Trendclustern einhergehenden Herausforderungen zu bewältigen. eHealth und Big Data eröffnen hierbei Möglichkeiten, den sich durch die aktuellen Trends ergebenden Transformationsprozess erfolgreich zu bewältigen und zu gestalten. Dabei gilt es auch, die beteiligten Akteursgruppen zu identifizieren und deren Interessen zu berücksichtigen und optimaler Weise bei der Realisierung zu vereinen. In der vorliegenden Arbeit wurden die sechs Akteursgruppen ausgemacht, die am meisten am Gesundheitswesen beteiligt sind: Leistungsempfänger (Patienten), Leistungserbringer (Ärzte, Therapeuten), Kostenträger (Krankenkassen), Privatwirtschaft (Anbieter von Waren und Leistungen im Rahmen von eHealth), Controller (Gesetzgeber, Behörden) und Forschungs- und Bildungseinrichtungen.

All diesen Akteursgruppen bieten sich unterschiedliche Potentiale, um die jeweiligen Ziele zu Erreichen. Die wesentlichen Chancen und Perspektiven wurden in der vorliegenden Arbeit herausgearbeitet. Als zentrale Figur des Gesundheitswesens stellt der Patient auch den größten Profiteur von eHealth-Anwendungen. Insbesondere die Aussicht auf eine bessere Versorgungsqualität gestaltet sich für die Leistungsempfänger als vielversprechendster Benefit. Aber auch allen anderen Stakeholdern verspricht eHealth wesentliche Chancen. So können Leistungserbringer eine gesteigerte Leistungseffizienz und die Kostenträger eine verbesserte Kosteneffizienz erwarten, die Privatwirtschaft den Umsatz steigern und die Controller ihre Prozesse optimierten. Auch die Akteure aus dem Bereich der Forschung und Bildung zieht großen Nutzen aus eHealth-Anwendungen insbesondere in Verbindung mit Big Data, da hierdurch der Zugriff auf eine breite Datenbasis ermöglicht wird.

Der Einsatz digitaler Anwendungen wird aber auch von einer Reihe kritisch zu bewertender Rahmenbedingungen begleitet. So müssen etwa Fragen im Hinblick auf datenschutzrelevante und IT-sicherheitsbezogene Aspekte sowie der häufig unklare Zusatznutzen einer neuen Anwendung frühzeitig berücksichtigt und evaluiert werden.

Bei der Einführung und Nutzung von eHealth-Anwendungen gilt es all diese Aspekte zu berücksichtigen und in einer Strategie gemäß dem in der vorliegenden Arbeit vorgestellten eHealth-Gesetz erfolgreich umzusetzen.

1.2 Aufbau der Arbeit

Der grundsätzliche Aufbau der vorliegenden Arbeit verfolgt die folgende Struktur:

Ausgehend von grundlegenden Begriffsdefinitionen sowie thematischen Grundlagen werden die Bereiche Big Data und eHealth vorgestellt und deren Wechselwirkungen dargestellt (Kapitel 2).

In der Folge werden die strukturellen Grundlagen von eHealth und dessen Bedeutung im Kontext des modernen Gesundheitswesens charakterisiert (Kapitel 3). Dabei wird zunächst dessen Strukturierung vorgestellt (Kapitel 3.1), bevor auf dessen Ziele eingegangen wird (Kapitel 3.2). Ferner werden die für eHealth relevanten Akteure und deren Interessen, Ziele und gegenseitige Wechselwirkungen vorgestellt und näher erläutert (Kapitel 3.3) gefolgt von den leistungsbezogenen Charakteristika (Kapitel 4) der Prozesse (Kapitel 4.1), der elektronischen Dienste (Kapitel 4.2) sowie der verwendeten Instrumente (Kapitel 4.3). Im nächsten Kapitel wird dann mit dem eHealth-Gesetz der juristischen Rahmen sowie der strategische Fahrplan dieses innovativen Bereichs des Gesundheitswesens abgesteckt (Kapitel 5). Anschließend werden die zentralen Trends im Gesundheitswesen beschrieben und ihre Einflüsse auf den Einsatz von eHealth dargestellt (Kapitel 6.1). Hieraus und aus den Zielen der beteiligten Stakeholder hinsichtlich eHealth (Kapitel 6.2) sowie der herrschenden Rahmenbedingungen (Kapitel 6.3) werden dann die Chancen und Risiken von eHealth im Hinblick auf die beteiligten Akteursgruppen abgeleitet (Kapitel 6.4) und erläutert.

Zuletzt rundet ein abschließendes Fazit des Autors die vorliegende Arbeit ab (Kapitel 0).

2 Grundlagen zu Big Data und eHealth

2.1 Big Data

2.1.1 Begriffsklärung

Der Begriff „Big Data“ stammt aus dem englischen Sprachraum. Erst als Phänomen oder als Hype relativ unstrukturiert wahrgenommen, fassen die Experten heutzutage unter diesem Begriff im Wesentlichen zwei Aspekte zusammen.

Zum einen umschreibt er im engen Sinne die immer rasanter wachsenden digitalen Datenmengen, deren Umfang und Wachstumsraten kaum für möglich gehaltene Dimensionen erreichen. So verdoppelt sich die Menge digital verfügbarer Daten etwa alle zwei Jahre, so dass bis zum Jahr 2025 das jährlich generierte Datevolumen auf 163 Zettabyte (163·1021 Byte) anwachsen könnte.¹

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Entwicklung der Weltweiten Datengenerierung von 2009 – 2020²

Zum anderen aber geht es auch um neue und explizit leistungsstarke IT-Lösungen und Systeme, mit denen Unternehmen die Informationsflut vorteilhaft verarbeiten können. Hierunter fallen Gewinnung, Verarbeitung, Strukturierung, Interpretation und Auswertung von umfassenden und weitgehend unstrukturierten Datenmengen (z. B. aus den sozialen Netzwerken) für die Gewinnung neuer Erkenntnisse und Zusammenhänge. Das zugrundeliegende Datenaufkommen überfordern dabei die Aufnahmekapazitäten herkömmlicher, meist relationaler Datenbanksysteme hinsichtlich Menge, Beziehung, Verarbeitungsgeschwindigkeit und Heterogenität.³

Dabei wird der Terminus „Big“ durch die folgenden fünf Größen („5 V“) definiert:⁴

- Volume: Anzahl und Größe der Daten
- Velocity: Geschwindigkeit zur Generierung, Transfer und Verarbeitung der Daten
- Variety: Vielfalt an Datenformaten, -typen und –quellen
- Validity: Korrektheit, Qualität und Belastbarkeit der Daten
- Value: gewonnener Mehrwert durch Daten

2.1.2 Nutzung

Die Notwendigkeit zum Umgang mit Big Data begründet sich zum einen im technologischen Fortschritt und den damit entstandenen Möglichkeiten der automatisierten Datengewinnung (z. B. Data Mining, Logdaten, Audit Trails, Sensordaten, Kommunikationsdatensätze), welche ein exponentielles Wachstum an Datenmengen nach sich zogen.⁵

Zum anderen macht auch der vielfältige Nutzen den Umgang mit Big Data zu einem dringenden Bedürfnis erfolgreichen unternehmerischen Handelns. So kann Big Data Verbesserungen in den Geschäftsprozess vieler Funktionsbereiche von Unternehmen bewirken. Besonders zu nennen sind hierbei Forschung und Entwicklung, IT, Produktion, Qualitätswesen, Vertrieb und Marketing. Auch die Anwendung hinsichtlich der Branchenvielfalt macht die Nutzung von Big Data unabdingbar. So können Informationen aus der Nutzung großer Datenmengen den Erfolg traditioneller produzierender Unternehmen, aber auch von Dienstleistungsanbietern (z. B. Finanztransaktionen und Börsendaten in der Finanzindustrie) massiv unterstützen, zumal auch nicht gewinnorientierte Bereiche wie Verwaltung, Nachrichtendienste oder Wissenschaften (z. B. Geologie, Meteorologie, Chemie, Biologie, Genetik, Pharmazie, Physik, uvm.) vom Umgang und der zielgerichteten Verarbeitung großer Datenmengen profitieren können.

Diese vielversprechende Entwicklung hat Auswirkungen auf die Unternehmenslandschaft. Die Nutzer erhalten durch die großen verfügbaren Mengen an Daten sowie deren zielgerichtete Verwertung ganz neue Einblicke in die Interessen, das Kaufverhalten und das Risikopotenzial von Kunden sowie von potenziellen Interessenten. Damit die Information auch entsprechend gefiltert, untersucht, beurteilt und entsprechend eingeordnet werden können, greifen Unternehmen gezielt zu Analytics-Methoden. Hinter dem Begriff Analytics verbergen sich dabei explizite Maßnahmen, um in den Datenbergen unbekannte Korrelationen, versteckte Muster und andere nützliche Informationen zu identifizieren. Diese Erkenntnisse können dann für Wettbewerbsvorteile gegenüber Konkurrenten sorgen.⁶

2.1.3 Big Data Tools

Die Unternehmen verfolgen mit der komplexen Datenanalyse in erster Linie das Ziel, bessere Entscheidungsgrundlagen für die eigene Geschäftstätigkeit zu schaffen. Um dieses Hauptziel zu realisieren, werten Data Scientists (eine Berufsbezeichnung, die mit dem Begriff Big Data eng verknüpft ist und sich als Experten hierfür darstellt) die riesigen Mengen an entsprechenden Transaktionsdaten sowie zusätzlich an anderweitigen Informationen aus den unterschiedlichsten Datenquellen aus. Hierfür wird eine neue Klasse von extrem leistungsstarken Technologien und Programmen eingesetzt, welche erst in den vergangenen Jahren entstanden ist. Dabei rücken gerade quelloffene Software Frameworks wie Apache Hadoop, Spark, NoSQL-Datenbanken sowie z. B. Map Reduce in den Fokus. Gerade Spark und vor allem Hadoop erfreuen sich dabei einer ungemein großen Beliebtheit. Hadoop basiert auf dem von Google generierten MapReduce-Algorithmus in Kombination mit Vorschlägen des Google-Dateisystems. Anwender können mit diesem Programm große Datenmengen im Rahmen intensiver Rechenprozesse auf so bezeichneten Computerclustern verarbeiten; dieser Vorgang wird auch als Cluster Computing bezeichnet. Die Entwicklung in diesem Bereich wird stetig durch Software-Unternehmen vorangetrieben (etwa von den Anbietern Cloudera oder Hortonworks).

Immer mehr an Bedeutung gewinnt dabei Big Table, das von Google entwickelte Hochleistungs-Datenbanksystem. Auch das einfach strukturierte, verteilte Datenbankverwaltungssystem Cassandra rückt als explizite Lösung für sehr große strukturierte Datenbanken verstärkt in den Vordergrund. Dabei ist Cassandra insbesondere auf Ausfallsicherheit und eine hohe Skalierbarkeit ausgelegt.

Eine weitere Lösungsalternative stellen z. B. Graph-Datenbanken dar. Hierbei werden stark vernetzte Informationen als Graphen dargestellt, wobei die spezialisierten Graph-Algorithmen komplexe bzw. komplizierte Datenbankanfragen erheblich vereinfachen. In diesem Zusammenhang findet verteiltes Dateisystem (Distributed File System) Anwendung, welches die Zugriffs- und Speicherungsmöglichkeiten deutlich optimiert.

Neben moderner und hoch funktioneller Software spielt auch die Hardware – explizit die Speichertechnologie – bei Big Data eine entscheidende Rolle. Mittlerweile macht es die Speichertechnologie möglich, Datenvolumen im Rahmen des sogenannten In-Memory Computing direkt im Hauptspeicher eines Rechners zu halten. Früher mussten diese Daten gewöhnlich auf langsamere Speichermedien wie Festplatten oder Datenbanken ausgelagert werden. Dank In-Memory Computing wird jetzt die Rechengeschwindigkeit deutlich erhöht und die Echtzeitanalyse umfangreicher Datenbestände ermöglicht.⁷

2.1.3.1 Data Mining

Unter den Methoden der primären Verarbeitung großer Datenmengen nimmt Data Mining eine vorrangige Stellung ein. Hierunter versteht sich die systematische Anwendung computergestützter Methoden, um in einem vorhandenen Datenstamm Muster, Trends oder Zusammenhänge zu finden. Die hierbei eingesetzten Algorithmen basieren vorrangig auf statistischen Methoden. Dabei ist der Begriff Data Mining an sich irreführend, da es sich hierbei um neue Wissenserkenntnisse aus bereits vorhandenen Daten handelt, statt um die begrifflich suggerierte Generierung von Daten per se. So gesehen wäre wohl die Bezeichnung „Knowledge Mining (from present data)“ eher passend.⁸

Als interdisziplinäre Methodik nutzt Data Mining Erkenntnisse aus den Bereichen der Informatik, Mathematik und Statistik zur rechnergestützten Analyse von Datenbeständen. Dabei kommen unter anderem auch Verfahren der künstlichen Intelligenz zum Einsatz, um große Datenbestände hinsichtlich neuer Querverbindungen, Trends oder Muster zu untersuchen. Data Mining extrahiert die Zusammenhänge zwischen einzelnen Datensätzen und stellt das gewonnene Wissen übergeordneten Zielen zur Verfügung. Diese Erkenntnisse können dazu beitragen, die Entscheidungsfindung bei bestimmten Problemen zu erleichtern.⁹ Die bei Data Mining angewandten Methoden haben jeweils definierte Ziele und werden einzelnen Aufgaben zugeordnet, welche sich in folgende exemplarische Einzelbereiche aufteilen lassen:

- Ausreißer-Erkennung: Identifizierung und Berücksichtigung von ungewöhnlichen oder der von der Regel abweichenden Datensätzen (Ausreißern, Fehlern, Änderungen)
- Klassifikation: Zuordnung bisher nicht klassifizierter Elemente zu bestehenden Klassen
- Segmentierung: Gruppierung von Objekten aufgrund von Ähnlichkeiten zu Clustern
- Regressionsanalyse: Identifizierung von Beziehungen und Abhängigkeiten zwischen Variablen (Abhängigkeitsanalyse)
- Assoziationsanalyse: Prognose von Ergebnissen durch Identifizierung von Zusammenhängen in den Daten
- Zusammenfassung: Reduktion des Datensatzes auf kompakte Beschreibungen ohne wesentlichen Informationsverlust

Durch die Ausreißer-Erkennung werden Datenobjekte herausgefiltert, die aufgrund gewisser Attribute inkonsistent zu dem Rest der Daten sind oder von einem Trend abweichen (Ausreißer, Fehler, Änderungen). Die so identifizierten Exoten können aus dem zu bearbeitenden Datensatz ausgeblendet werden, um einen konsistenten Datensatz zu erhalten. Andererseits können eben diese die relevanten Informationen darstellen (z. B. zur Betrugserkennung bei Versicherungen).

Die Klassifikation ordnet einzelnen Datenobjekten bestimmten vordefinierten Gruppen, welche hier als Klassen bezeichnet werden, zu.

Bei der Segmentierung geht es ähnlich wie bei der Klassifikation darum, Objekte zu Gruppen zusammenzufassen. Hier allerdings geht es bei der Gruppierung um nicht zuvor vordefinierte Klassen, sondern um Gruppenbildung aufgrund von gemeinsamen Merkmalen. Oft handelt es sich dabei um Häufungen im Datenraum, die generierten Gruppen werden als Cluster bezeichnet. Alle Objekte eines Clusters sollen dadurch möglichst homogen sein. Objekte ohne Clusterzuordnung können gemäß zuvor beschriebener Ausreißer-Erkennung als Ausreißer interpretiert werden.

Mit der Regressionsanalyse lassen sich Beziehungen zwischen einzelnen Attributen innerhalb eines Objekts, aber auch zwischen verschiedenen Objekten identifizieren und analysieren.

Als Assoziationsanalyse bezeichnet man die Vorhersage von bisher unbekannten Merkmalen und Zusammenhängen auf Basis der Regressionsanalyse und dadurch zuvor gewonnener Erkenntnisse.

Die Zusammenfassung umschreibt die Reduktion großer und komplexer Datenmengen auf eine nützliche und handhabbare Menge, ohne dabei an dadurch erhaltenen Informationen und Erkenntnissen einzubüßen.

Dabei kommen praktisch alle anderen Teildisziplinen zum Einsatz. Die Ausreißer-Erkennung erkannt hierzu einzelne bedeutsame Objekte. Die Clusteranalyse identifiziert Gruppen von Objekten, bei denen oft nur eine Stichprobe reicht, sie zu untersuchen, was die Anzahl der zu untersuchenden Datenobjekte deutlich reduziert. Die Regressionsanalyse eliminiert redundante Informationen und reduziert so die Komplexität der Daten. Durch Klassifikation, Assoziationsanalyse und Regressionsanalyse (zum Teil auch die Clusteranalyse) erhält man zudem abstraktere Modelle der Daten.¹⁰

2.1.3.2 Data Mining und Big Data

Oft werden die Begriffe Big Data und Data Mining im gleichen Kontext verwendet. Es ist jedoch wichtig, die beiden Begriffe voneinander zu trennen. Big Data befasst sich mit besonders großen Datenmengen, die sich mit den herkömmlichen Methoden und Tools nicht effizient und in vertretbarem zeitlichem Rahmen verarbeiten lassen. Data Mining kommt zwar häufig bei großen Datenmengen zum Einsatz, ist aber nicht auf Big Data beschränkt. Es beschreibt vielmehr den eigentlichen Vorgang der Analyse von Daten in Bezug auf relevante Zusammenhänge und Erkenntnisse und kann auch auf kleiner Datenbasis zur Anwendung kommen. Während Big Data große Datenmengen liefert und die geeignete technische Plattform für eine effiziente Verarbeitung zur Verfügung stellt, kümmert sich das Data Mining um den eigentlichen Vorgang der Gewinnung von Erkenntnissen aus den vorliegenden Daten. Data Mining verwendet hierfür Algorithmen aus der Statistik und Verfahren der künstlichen Intelligenz (KI). Durch die enormen Fortschritte im Bereich der Big-Data-Technologien sowie günstigerer und leistungsfähigerer Hardware für die Nutzung von umfangreichen strukturierten und unstrukturierten Datenmengen können Data Mining und Big Data immer bessere Ergebnisse mit höherer Relevanz liefern.¹¹

Data Mining kommt schon heute in vielen Bereichen zum Einsatz und bietet zudem enorme Potenziale für die Zukunft. Aktuell ausgeprägte Anwendung findet Data Mining bei folgenden beispielhaften Bereichen:¹²

- Marketing: Marktanalysen, Customer Relationship Management (CRM)
- Finanz- und Versicherungswesen: Risikoanalysen
- Onlinehandel: Kaufverhaltens-Analysen
- Internet: Suchmaschinen, Werbungsoptimierung
- Prozessmanagement: Prozessoptimierung, Entscheidungsunterstützung
- Medizin und Gesundheitswesen: eHealth

2.1.4 Big Data Analytics

Wie ausgangs von Kapitel 2.1.1 erwähnt, stellen Analytics-Methoden Maßnahmen dar, die in großen Datenbergen unterschiedlicher Quellen unbekannte Korrelationen, versteckte Muster und andere nützliche Informationen identifizieren, indem sie die Information filtern, untersuchen, beurteilen und entsprechend einordnen. Die gewonnenen Informationen oder erkannten Muster lassen sich einsetzen, um beispielsweise Unternehmensprozesse zu optimieren.

2.1.4.1 Aufgaben

Big Data Analytics (BDA) lässt sich in folgende wichtige Teilgebiete gliedern:

1. Datenbeschaffung aus verschiedenen Quellen durch Suchabfragen
2. Optimierung und Auswertung der gewonnenen Daten
3. Analyse der Daten und Präsentation der Ergebnisse

Zunächst stellt sich bei der Big Data Analytics die Aufgabe, meist riesige Datenmengen unterschiedlichen Formats aus verschiedenen Quellen zu erfassen. Dabei besteht oft die Schwierigkeit, dass die großen Datenmengen unstrukturiert und in verschiedenen Formaten vorliegen. Da solche Informationen mit herkömmlicher Datenbanksoftware kaum zu erfassen sind, kommen bei Big Data Analytics aufwendige Prozesse zur Extraktion, Erfassung und Transaktion der Daten zum Einsatz. Anschließend erfolgt die Datenanalyse mithilfe spezieller Big Data Software, die statistische Methoden wie z. B. «Predictive Analytics» nutzt. Im letzten Schritt werden die gewonnen Ergebnisse aufbereitet und visualisiert. Big Data Analytics bezieht sämtliche Softwareanwendungen mit ein, die für die geschilderten Prozesse zum Einsatz kommen.¹³

2.1.4.2 Herausforderungen

Damit sich großen Datenmengen erfassen und wie gewünscht auswerten lassen, muss Big Data Analytics mehrere Herausforderungen meistern.

Die wichtigste liegt dabei bei den einzusetzenden Tools, denn die verwendete Software sowohl muss in der Lage sein, viele Suchabfragen zum Teil auch parallel schnell durchzuführen, als auch die unterschiedlichen Datensätze in hoher Geschwindigkeit zu importieren und anschließend zu verarbeiten. In der Regel nutzen Big-Data-Analytics-Anwendungen hierfür parallele Bearbeitungsverfahren. Es existieren für Big Data Analytics quelloffene Software-Frameworks, die spezielle Big-Data-Technologien beherrschen und die Verarbeitung von riesigen Informationsmengen mithilfe von vernetzten Clustersystemen ermöglichen.

Zur weiteren Steigerung der Performance greifen viele solcher Systeme im Gegensatz zu herkömmlichen Datenbankanwendungen bei der Verarbeitung nicht Festplattenspeicher, sondern den schnelleren Arbeitsspeicher zurück. Das sorgt für höhere Zugriffsgeschwindigkeiten und ermöglicht Analysen nahezu in Echtzeit.¹⁴

2.1.4.3 BDA in Unternehmensprozessen

Big Data Analytics kommt häufig im Bereich Business Intelligence zum Einsatz mit dem Ziel, die aus der Datenanalyse gewonnenen Erkenntnissen zur Optimierung von Unternehmensabläufen zu nutzen und so Vorteile gegenüber Wettbewerbern zu erzielen. Hierfür untersuchen BDA-Anwendungen große Mengen unterschiedlicher dem Unternehmen zur Verfügung stehender Daten nach nützlichen Informationen, versteckten Mustern oder anderen Korrelationen. Solch umfassende Analysen riesiger Datenmengen übersteigen die Fähigkeiten herkömmlicher Programme und Anwendungen aus dem Bereich Business Intelligence. Die durch Big Data Analytics gewonnenen Informationen, Muster und Korrelationen können z. B. in Form von visualisierten Analysen Ergebnisse für die Optimierung verschiedener Geschäftsprozesse liefern. Zudem können Sie für die Unterstützung schwieriger Entscheidungsprozesse herangezogen werden.¹⁵

Neben Business Intelligence ergeben sich für Big Data Analytics eine ganze Reihe weiterer Anwendungsbereiche. Die Analyse großer Datenmengen lässt sich ähnlich wie Data Mining vielseitig einsetzen, so z. B. in der Verbrechensbekämpfung, im Versicherungswesen für die Risikobewertung und Anpassung von Versicherungsbeiträgen in der Verarbeitung von Wetterdaten, der Auswertung von Bewegungsprofilen oder der Analyse von Webstatistiken.¹⁶

2.1.5 Big Data im Gesundheitswesen

Eine Studie des Storage Consortiums hat die aktuelle Nutzung von Big Data Anwendung über alle Branchen hinweg untersucht und so auch Prognosen für die weitere Entwicklung aufgestellt. Demzufolge stellt zwar aktuell das Gesundheitswesen unter den von der Studie behandelten Branchen den geringsten Beitrag zur globalen unternehmensgenerierten Datenflut, weist jedoch laut der Untersuchung das größte Wachstumspotenzial hierbei auf. Der Studie zufolge, soll die Healthcare-Branche bis 2025 den Medien- und Unterhaltungssektor überholt und mit dem Finanzwesen gleichgezogen haben. Getrieben wird dieses Wachstum insbesondere durch den rasanten Fortschritt in den Bereichen Big Data Analytics sowie bei bildgebenden Verfahren und dem explosiven Anstieg von Echtzeit-Informationen in der medizinischen Versorgung.¹⁷

So hat Big Data immer mehr Eingang in den medizinischen Bereich gefunden, der aufgrund der demografischen Entwicklung, des wissenschaftlichen und technologischen Fortschritts zunehmend an Bedeutung gewinnt. Die besondere Bedeutung von Big Data im Gesundheitswesen basiert dabei auf dem Ziel, die traditionelle reaktive Medizin hin zu einer präventiven, personalisierten und ganzheitlichen Gesundheitsversorgung zu entwickeln, was die Erhebung, Verarbeitung, Interpretation und Verarbeitung großer Datenmengen voraussetzt.¹⁸

Dieses hochaktuelle Thema hat in der Pharmabranche zu einer wahren Goldgräberstimmung geführt, bei der die großen Arzneimittelhersteller um Patientendaten buhlen, welche u. A. aus Krankenakten, Versicherungsstatistiken und Melderegistern stammen. Die dafür nötige Expertise holt sich die Pharmaindustrie dabei nicht selten direkt aus dem Technologie-Sektor. So kündigte beispielsweise der Schweizer Pharmariese Hoffmann La Roche unlängst an, die Software-Schmiede Flatiron Health aus dem Hause Google (respektive dessen Muttergesellschaft Alphabet) für 1,9 Milliarden Dollar komplett zu übernehmen, welche mittels einer Kooperation mit mehreren hundert Krebskliniken Zugang zu Daten von Millionen Patienten hat und so die personalisierten Medizin im Bereich der Onkologie, wo Therapien auf bestimmte Patienten- und Tumorgruppen individuell angepasst werden kann, vorantreiben soll. Doch auch bei anderen Disziplinen wie etwa bei Herz-, Atemwegs- und Autoimmunerkrankungen sieht die Branche großes Potential. Im Wesentlichen sind es vor Allem chronische Erkrankungen, die die Bedeutung von gesundheitsbasierten Big Data besonders in den Fokus rücken. Die hierbei langwierigen klinischen Studien, welche als Beurteilungsmaßstab für die Therapietauglichkeit gelten, werden immer teurer bei begrenzter Auswahl an Studienteilnehmern. Dagegen können digital gesammelte Daten von Millionen Patienten ein sehr exaktes Bild von Therapieerfolgen liefern und das deutlich kostengünstiger. Heute besitzen alle großen Pharmakonzerne Abteilungen, die Statistik-Analysen aus dem „echten Leben“ (Real-World-Evidenz, RWE) zur Aufgabe haben, so z. B. Astra Zeneca und Sanofi bei Diabetestherapien sowie Pfizer und Bristol-Myers Squibb bei kardiovaskulären Präventionen.¹⁹

2.2 eHealth

Auch wenn Big Data im Gesundheitswesen eine sehr große Rolle spielen, darf man diese nicht mit dem Begriff „eHealth" (vom Englischen „electronic Health“ abgeleitet) gleichsetzten. Dieser bezeichnet heutzutage einen Sammelbegriff für sämtliche Hilfsmittel und Dienstleistungen unter Zuhilfenahme von Informations- und Kommunikationstechnologien (IKT), die der Versorgung, Prävention, Diagnose, Therapierung, Überwachung, Ausbildung und Verwaltung im Gesundheitswesen dienen. Bis zur Jahrtausendwende wurde mit eHealth noch vorwiegend die Digitalisierung traditioneller Prozesse des öffentlichen Gesundheitswesens bezeichnet (z. B. elektronische Gesundheitsakten, elektronisch gestütztes Krankheitsmanagement, uvw.), während andere IKT-gestützte medizinische Prozesse parallel zu eHealth geführt wurden (z. B. Gesundheitsinformationsnetzwerke, Telemedizin, uvw.). Aufgrund der immer engeren Wechselwirkungen unter den einzelnen Disziplinen sowie einer stetig wachsenden Anzahl weiterer IKT-gestützter Anwendungen des Gesundheitswesens wurde eine allgemeinere Fassung der eHealth-Definition notwendig. In dieses Spektrum fällt eine Vielzahl von (tele)medizinischen Applikationen, Diensten und Produkten, die von der Verschmelzung der traditionell separaten Disziplinen Medizin, IT und Gesundheitsmanagement zeugen und einen Multimilliarden-USD-Markt mit massivem Wachstum repräsentieren.²⁰,²¹

2.3 Wechselwirkungen

Zur erfolg- und umfangreichen Umsetzung von eHealth erscheint die Notwendigkeit der Nutzung von Big Data augenscheinlich. Entlang der gesamten Aufteilung von eHealth, aber besonders im Kernbereich der Telemedizin fallen große Datenmengen an. Dabei dienen eHealth-Anwendungen oftmals sowohl als Basis für Big Data, da diese die Datenerhebung vereinfachen, als auch als Ziel der aus Big-Data-Analysen aggregierten Informationen, welche ihrerseits wiederum eine relevante Grundlage für eHealth-Anwendungen bilden. Diese verbindende Eigenschaft erwähnt daher eHealth oft in Begleitung von mit Big Data und macht den Umgang mit großen Datenmengen zu einer dessen wichtigsten Herausforderungen.²²

3 Strukturelle Grundlagen von eHealth

Im vorliegenden Kapitel werden die angedachte und gegenwärtig umgesetzte Auslegungen von eHealth aus vielfältigen Blickwinkeln erleuchtet und charakterisiert.

3.1 Strukturierung

Der Begriff eHealth weist sowohl ein großes Definitions- als auch Anwendungsspektrum auf verbunden mit einem großen Auslegungs- und Betrachtungshorizont. Zur strukturellen Aufteilung sowie einer einheitlichen Definition der betroffenen Teildisziplinen wird daher der Oberbegriff „eHealth“ die seine Unterkategorien aufgebrochen und diese eingehend betrachtet.

3.1.1 mHealth

Aus der allgemeinen Begrifflichkeit des eHealth heraus hat sich in den letzten Jahren der Teilbereich besonders stark entwickelt, der auf der Nutzung von mobilen Geräten (wie z. B. Smartphones, Tablets oder Wearables) zur Unterstützung von Verfahren und Maßnahmen im Gesundheitswesen beruht und als mHealth (vom Englischen „mobile Health“ abgeleitet) bezeichnet wird. Besonders verbreitet ist die Nutzung von Apps auf Smartphones, wodurch eine große Menge an gesundheitsbezogenen Daten erfasst und verarbeitet werden, ohne, dass es einer initiativen oder invasiven Mitwirkung des betroffenen Patienten bedarf. Hierbei generieren verbaute Sensoren sowie Applikationen aus dem Gesundheits- und Lifestyle-Bereich in Echtzeit RWE-Daten von Vitalparametern (wie z. B. Schrittzahl, Herzfrequenz, Blutdruck, Körpertemperatur, Blutzucker), welche zur Unterstützung gesundheitlicher Maßnahmen genutzt werden. Es kommen aber auch Kommunikations- und Motivationsanwendungen zum Einsatz, die an gesundheitsrelevante Aktionen erinnern sollen (z. B. körperliche Betätigung, Durchführung von Messungen, Medikamenteneinnahme), was bei neurodegenerativen Erkrankungen (wie z. B. Demenz, Alzheimer, Parkinson) einen zusätzlichen und sehr wertvollen Mehrwert liefern kann.²³

Die steigende Bedeutung von mHealth basiert auf dem technologischen Siegeszug mobiler Endgeräte und dazugehörender Erweiterungen im Bereich der Hard- (Wearables) und Software (Apps). Gestützt wurde diese Entwicklung auch durch ein zunehmendes Gesundheitsbewusstsein weiter Teile der Bevölkerung. Hierbei betroffen sind nicht ausschließlich gesundheitlich betroffene Patienten, sondern auch gesunde Konsumenten, die mobile Anwendungen zu Präventions-, Wellness- und Lifestyle-Zwecken nutzen.²⁴

3.1.2 tHealth

Innerhalb mHealth ist zur vollumfänglichen Entfaltung des Nutzens der Informationsaustausch zwischen unterschiedlichen Systemen notwendig. Die Technik der Kommunikation datenverarbeitender Systeme (v. A. über größere Entfernungen hinweg) ohne direkte Verbindung wird Telematik (Zusammensetzung aus Telekommunikation und Informatik) genannt.

Anwendungen im Bereich des Gesundheitswesens werden auch unter dem Begriff tHealth (vom Englischen „telematic Health“ oder „tele-Health“ abgeleitet) zusammengefasst. Hierbei werden sämtliche mHealth-Applikationen vereint, die sich telekommunikativ mit mindestens einem weiteren Informationssystem austauschen. Auch wenn die direkten medizinischen Anwendungen den größten und wichtigsten Teil innerhalb tHealth einnehmen, so kommen hier auch periphere Anwendungen (z. B. eRezept) und Bereiche (z. B. Verwaltung) zum Tragen, die sich nicht mit dem direkten Patientenkontakt befassen.²⁵

3.1.3 Telemedizin

Die Telemedizin ist ein Teilbereich innerhalb von tHealth und fasst die konkret am Patienten ausgeübten medizinischen Dienstleistungen mittels Gesundheitstelematik zusammen. Dabei wird zwischen Patient und dem medizinischen Dienstleister (Arzt, Therapeut, Apotheker, Praxis, Klinik) eine räumliche sowie oftmals auch zeitliche Distanz überbrückt. Verbreitet Beispiele sind dabei telemedizinische ärztliche Leistungen wie Telediagnostik, Teleanamnese und Telekonsultation, bei denen Ärzte mit den Patienten oder weiteren Leistungserbringern in Kontakt treten und über die Diagnose oder Therapie unter Nutzung von IKT beraten. Einzelanwendungen existieren z. B. in der radiologischen Befundung durch Fachärzte.²⁶

Auch im therapeutischen Bereich kommt Telemedizin immer häufiger zum Einsatz. Neben den rein kommunikativen Anwendungen (z. B. Teletherapie, Telerehabilitation) können auch mechanische und motorische Systeme (v. A. Robotik) eingebunden werden und so neuartige Disziplinen wie z. B. Teleorthopädie oder Telechirurgie realisiert werden. Die weitaus größte Anwendung findet die Telemedizin allerdings im Telemonitoring. Hierunter versteht sich im Wesentlichen die Fernüberwachung von Patienten mit chronischen Beschwerden.²⁷

3.1.4 Übersicht

Die folgende Übersicht zeigt die Einordnung der einzelnen eHealth-Disziplinen sowie der IKT-gestützten Anwendungen im Gesundheitswesen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Abgrenzung der digitalen Anwendungsfelder innerhalb des Gesundheitswesens.²⁸

3.2 Ziele

Grundsätzlich hat eHealth ebenso wie alle anderen unterstützenden Systeme und Anwendungen des Gesundheitswesens die Aufgabe, einen wesentlichen Beitrag zur Erreichung der generellen Ziele des Gesundheitssystems leisten. Diese sind:²⁹,³⁰

- Leistungsfähigkeit: schnelle und wirksame Behandlung
- Bedarfsgerechtigkeit: interessenfreie Behandlung und Transparenz
- Finanzierbarkeit: marktgerechte Preisbildung
- Chancengleichheit: gleichberechtigter Zugang der Leistungsempfänger zu Gesundheitsleistungen
- Wirtschaftlichkeit: ausgewogenes Verhältnis zwischen Kosten und Nutzen

Die wichtigsten Ziele des Beitrags von eHealth im Speziellen sind dabei:³¹,³²,³³,³⁴

- Transparenz: Die Bereitstellung laienverständlicher Informationen bezüglich medizinischer (z. B. Diagnose- und Behandlungsmöglichkeiten) aber auch administrativer Belange (z. B. Versicherungsschutz, Abrechnungsmodelle), sollen die Prozesse innerhalb des Gesundheitswesens für die betroffenen Patienten leichter verständlich werden
- Patientenverantwortung: Durch das bessere Verständnis gesundheitsrelevanter Prozesse sowie den Zugriff auf eine Vielfalt an Informationen soll der Patient vermehrt in die Entscheidungsfindung einbezogen werden und mehr Mitsprache und Verantwortung hinsichtlich der eigenen medizinischen Versorgung übernehmen³⁵
- Patientensicherheit: Die verbesserte Informationslage (v. A. hinsichtlich Umfang, Vielfalt, Struktur und Verfügbarkeit) hilft, Nebenwirkungen, Fehler in der Diagnose, in der Behandlung und in der Medikation zu vermeiden und so die Gefahr für den Patienten zu minimieren
- Gerechtigkeit: Gesundheitsleistungen sollen unabhängig von Ort und gesundheitlichem Zustand (beispielsweise auch für Personen mit Behinderungen) allen und jederzeit zugänglich sein.
- Wissensmanagement: Eine gesteigerte Informationszugänglichkeit, die Möglichkeit, sich über medizinische Erfahrungen (z. B. Therapieergebnisse, Nebenwirkungen) zielgerichtet und zeitnah auszutauschen sowie der vermehrte Einsatz neuer technologischer Möglichkeiten in der Ausbildung medizinischer Berufe sollen die Leistungserbringung ganzheitlich verbessern
- Qualität und Effizienz: Durch die Gestaltung neuer und die Verbesserung bestehender Gesundheitsleistungen, aber auch durch das verbesserte Wissensmanagement sollen sowohl die Qualität als auch die Effizienz der Leistungserbringung erhöht werden

3.3 Stakeholder

Im modernen Gesundheitswesen sind heutzutage zahlreiche Akteursgruppen beteiligt. Dies spiegelt sich insbesondere bei eHealth wieder, wo zahlreiche Interessensvertreter ganz individuelle Zielsetzungen verfolgen. Als Akteur wird in diesem Zusammenhang ein Individuum oder eine Institution verstanden, welche in der Bereitstellung und/oder Nutzung eines eHealth-Services involviert ist. Im vorliegenden Abschnitt werden diese Akteure in Gruppen zusammengefasst, vorgestellt und deren Interaktionen untereinander erläutert.

3.3.1 Leistungsempfänger

Unter den eHealth-Empfängern verstehen sich Verbraucher und Adressaten der angebotenen Leistungen. Hierbei nehmen sie sowohl eine aktive (z. B. als Datenlieferant) als auch eine passive (z. B. Informationskonsument) Rolle ein. Im Vergleich zum traditionellen Gesundheitswesen obliegt dieser Gruppe aber auch zusätzlich noch die Hoheit über die eigenen Gesundheitsdaten.

Typische Beispiele dieser Kategorie sind Patienten, aber auch gesundheitsorientierte Vertreter der Bevölkerung ohne aktuelle gesundheitliche Beschwerden. Ihr Interesse an eHealth beruht im Wesentlichen darauf, die bestmögliche Gesundheitsversorgung zu bekommen. Dabei ist es ihnen aber äußerst wichtig, dass die hierfür notwendigen, durch sie zur Verfügung gestellten persönlichen Daten entsprechend geschützt sind und nicht in falsche Hände geraten. Daher genießt aus ihrer Sicht der Datenschutz oberste Priorität.

3.3.2 Leistungserbringer

Die Interessengruppe der Leistungserbringer umfasst sämtliche professionelle Dienstleister im Gesundheitswesen und ist primär für die Versorgung der Leistungsempfänger zuständig. Im Zusammenhang mit eHealth nehmen sie die zentrale Rolle als Nutzer, aber auch die der Bereitsteller von Informationen wahr. Die Datennutzung erfolgt dabei ausschließlich bei Autorisierung seitens der zu versorgenden Leistungsempfänger.

Im Vergleich mit dem klassischen Gesundheitswesen stellt diese Akteursgruppe die am meisten betroffene dar. Ferner ist diese auch die vielfältigste und größte und umfasst sämtliche Erbringer von Heilleistungen wie z. B. (Zahn-)Ärzte, Apotheker, Praxen, Kliniken, Krankenhäuser, Therapeuten, Pflegekräfte, sowie Erbringer Hilfsmittelleistungen wie z. B. Physiotherapeuten, Ergotherapeuten, Logopäden, Orthopädietechniker, Hebammen, Krankenpfleger, Pflegehilfen, Versorgungsassistenten, Rettungsdienste und Krankentransportunternehmen.³⁶

Entsprechend zahlreich sind auch deren jeweilige Interessen im Zusammenhang mit eHealth gelagert. Zum einen steht der Zugang zu einer größeren Datenbasis als Grundlage der fehlerfreien und maßgeschneiderten Diagnosen und der Therapien im Vordergrund. Ferner lassen sich einerseits Marker quantifizieren und der Therapieerfolg neutraler, standardisierter und personenunabhängiger verfolgen. Zudem sinkt durch eine geschickte Vernetzung der Teildisziplinen und Applikationen der Gesamtaufwand auf ein Minimum, da zahlreiche Informationen nur noch einmalig erhoben und verarbeitet werden müssen und so redundante Aktivitäten entfallen, welche im klassischen Gesundheitswesen sowie bei Insellösungen oftmals anfallen. So könnte im diagnostischen und therapeutischen Bereich ein großer Mehraufwand entfallen (z. B. durch Wegfall zahlreicher klinischer Laboruntersuchungen oder bildgebender Untersuchungen wie Röntgen, MRT oder CT), aber auch administrative Aufgaben reduziert werden (z. B. automatisierte und verknüpfte Datenübernahme in eArztbrief und eAkte).

Die Leistungserbringer stellen die Gruppe mit den größten Veränderungen sowie der weitreichendsten Einflüsse bei der Implementierung von eHealth dar. Auch wenn es mittel- und besonders langfristig zahlreiche Vorteile bereithält, so sind doch die initialen Aufwände und Umstellungen für keine andere Interessensgruppe so groß wie für die der Leistungserbringer.

[...]

---

¹ Storage Consortium, 2018.

² Computerwoche, 2015.

³ V. Markl, T. Hoeren, H. Krcmar, 2013.

⁴ R. Bachmann, T. Gerzer, D. G. Kemper, 2014.

⁵ K. Manhart, 2011.

⁶ R. Schmidt, M. Möhring. S. Maier, J. Pietsch, R.-C. Härting, 2014.

⁷ N. Dasgupta, 2018.

⁸ J. Han, M. Kamber, 2011.

⁹ U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, 1996.

¹⁰ M. Ester, J. Sander, 2000.

¹¹ Big Data Insider, 2018.

¹² C. Kugler, T. Hochrein, M. Bastian, T. Froese, 2014.

¹³ A. Gandomi, M. Haider, 2015.

¹⁴ P. Russom, 2011.

¹⁵ F. Buschbacher, 2016.

¹⁶ Big Data Insider, 2018.

¹⁷ Storage Consortium, 2018.

¹⁸ Wissenschaftlicher Dienst des Deutschen Bundestags, 2013.

¹⁹ Frankfurter allgemeine Zeitung, 2018.

²⁰ U. Wirth, 2010.

²¹ A. Allen, 1999.

²² Startegy& / PWC, 2016.

²³ D. Malvey, D. J. Slovensky, 2014.

²⁴ A. T. Kearney, 2013.

²⁵ E.-H. W. Kluge, 2011.

²⁶ C. Link, 2007.

²⁷ P. Plugmann, 2011.

²⁸ F. Leppert, W. Greiner, 2015.

²⁹ N. Ellen, M. McKee, S. Wait, 2005.

³⁰ World Health Organization, 2000.

³¹ P. Haas, 2006.

³² R. Fitterer, T. Mettler, P. Rohner, 2009.

³³ G. Eysenbach, 2001.

³⁴ A. Hein, W. Thoben, H.-J. Appelrath, 2007.

³⁵ M. Schmid, J. Wang, 2003.

³⁶ Startegy& / PWC, 2017.