Big Data in der Bildgebung

Zusammenfassung

Die großen wissenschaftlichen Fortschritte in der Medizin wurden bis heute hauptsächlich durch hypothesengetriebene Forschungsansätze im Rahmen von kontrollierten klinischen Studien erreicht. Hierbei können allerdings aufgrund der zahlreichen Variablen nur einzelne Fragestellungen untersucht werden, sodass diese nach wie vor sehr zeit- und kostenintensiv sind. Big Data bietet durch einen neuen datenbasierten Ansatz die Möglichkeit, mit sehr großen Datenmengen alle vorhandenen Variablen zu untersuchen, und öffnet somit neue Horizonte. Die Bildgebung scheint für solche Ansätze durch die weitestgehend flächendeckende Digitalisierung der Daten und der immer besseren Hard- und Softwarelösungen prädestiniert zu sein. Einige kleine Studien wiesen bereits nach, dass automatisierte Auswertungsalgorithmen und künstliche Intelligenz Pathologien mit höchster Präzision erkennen können. Auch in der rheumatologischen Bildgebung erscheinen solche automatisierten Systeme sinnvoll, da seit Langem nach personalisierter Risikostratifizierung für die Patienten gesucht wird. Bei all den vielversprechenden Möglichkeiten muss allerdings heute noch festgestellt werden, dass die Heterogenität der Daten und die sehr komplexen Datenschutzauflagen in Deutschland eine Big-Data-Lösung in der Bildgebung noch erschweren. Die enormen Chancen in der klinischen Versorgung und der Wissenschaft sind es aber wert, diese Herausforderungen anzunehmen.

Abstract

Until now, most major medical advancements have been achieved through hypothesis-driven research within the scope of clinical trials. However, due to a multitude of variables, only a certain number of research questions could be addressed during a single study, thus rendering these studies expensive and time consuming. Big data acquisition enables a new data-based approach in which large volumes of data can be used to investigate all variables, thus opening new horizons. Due to universal digitalization of the data as well as ever-improving hard- and software solutions, imaging would appear to be predestined for such analyses. Several small studies have already demonstrated that automated analysis algorithms and artificial intelligence can identify pathologies with high precision. Such automated systems would also seem well suited for rheumatology imaging, since a method for individualized risk stratification has long been sought for these patients. However, despite all the promising options, the heterogeneity of the data and highly complex regulations covering data protection in Germany would still render a big data solution for imaging difficult today. Overcoming these boundaries is challenging, but the enormous potential advances in clinical management and science render pursuit of this goal worthwhile.