Zeitschrift für Rheumatologie

, Volume 77, Issue 3, pp 209–218 | Cite as

Big Data aus dem klinischen Alltag

Leitthema

Zusammenfassung

Hintergrund

Die Evidenzgrundlagen der Medizin erfuhren in den vergangenen 100 Jahren mehrfach grundlegende Veränderungen. Durch die Physiologie traten Naturwissenschaften in das Blickfeld des Mediziners. Seit Ende der 1940er Jahre lieferten randomisierte und epidemiologische Studien die Evidenz für medizinisches Handeln. Die klinische Epidemiologie entwickelte sich als neue medizinische Wissenschaft. Seit wenigen Jahren ist Big Data die treibende Kraft für die Vision einer umfassenden Sammlung gesundheitsbezogener Daten zur Verfolgung individueller Gesundheitsverläufe und großer Populationen.

Ziel

Ziel der Arbeit ist eine Diskussion dessen, was datengetriebene Medizin impliziert und wie diese Platz im klinischen Versorgungsgeschehen finden kann.

Material und Methoden

Dargestellt wird die EU-weite Diskussion zur Entwicklung einer datengetriebenen Medizin.

Ergebnisse

Themen und Aktionsschritte werden identifiziert: Harmonisierung von Datenformaten, Datenprozessierung und Analyse, Datenaustausch sowie dazugehörende rechtliche Rahmenbestimmungen und ethische Herausforderungen. Eine konstruktive Entwicklung der datengetriebenen Medizin braucht Pilotprojekte, an denen Vorteile und Herausforderungen sichtbar und transparent in der Öffentlichkeit diskutiert werden können. Ein solches Projekt ist Arthromark, das vom Bundesministerium für Bildung und Forschung (BMBF) gefördert wird. Ein weiteres Beispiel liefert die Medizininformatik-Initiative des BMBF.

Diskussion und Schlussfolgerung

Die digitale Revolution erfasst die Klinik. Daten können in einem kaum vorstellbaren Volumen erzeugt und gespeichert werden. Dies für ein lernendes Gesundheitssystem zu nutzen, ist möglich, wenn die Prinzipien der medizinischen Evidenzerzeugung in innovative IT-Infrastrukturen und -Prozesse integriert werden.

Schlüsselwörter

Evidenzbasierte Medizin Datenschutz Informationsverarbeitung Datensammlung Medizininformatik 

Big data from clinical routine

Abstract

Background

Over the past 100 years, evidence-based medicine has undergone several fundamental changes. Through the field of physiology, medical doctors were introduced to the natural sciences. Since the late 1940s, randomized and epidemiological studies have come to provide the evidence for medical practice, which led to the emergence of clinical epidemiology as a new field in the medical sciences. Within the past few years, big data has become the driving force behind the vision for having a comprehensive set of health-related data which tracks individual healthcare histories and consequently that of large populations.

Objectives

The aim of this article is to discuss the implications of data-driven medicine, and to examine how it can find a place within clinical care.

Materials and methods

The EU-wide discussion on the development of data-driven medicine is presented.

Results

The following features and suggested actions were identified: harmonizing data formats, data processing and analysis, data exchange, related legal frameworks and ethical challenges. For the effective development of data-driven medicine, pilot projects need to be conducted to allow for open and transparent discussion on the advantages and challenges. The Federal Ministry of Education and Research (“Bundesministerium für Bildung und Forschung,” BMBF) Arthromark project is an important example. Another example is the Medical Informatics Initiative of the BMBF.

Discussion and conclusion

The digital revolution affects clinic practice. Data can be generated and stored in quantities that are almost unimaginable. It is possible to take advantage of this for development of a learning healthcare system if the principles of medical evidence generation are integrated into innovative IT-infrastructures and processes.

Keywords

Evidence-based medicine Patient data privacy Information processing Data collection Medical informatics 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

U. Mansmann gibt an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Baro E, Degoul S, Beuscart R, Chazard E (2015) Toward a literature-driven definition of big data in healthcare. Biomed Res Int 2015:639021.  https://doi.org/10.1155/2015/639021 CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Auffray C et al (2016) Making sense of big data in health research: towards an EU action plan. Genome Med 8:71CrossRefPubMedPubMedCentralGoogle Scholar
  3. 3.
    Price ND, Magis AT, Earls JC, Glusman G, Levy R, Lausted C, McDonald DT, Kusebauch U, Moss CL, Zhou Y, Qin S, Moritz RL, Brogaard B, Omenn GS, Lovejoy JC, Hood L (2017) A wellness study of 108 individuals using personal, dense, dynamic data clouds. Nat Biotechnol 35:747–775CrossRefPubMedPubMedCentralGoogle Scholar
  4. 4.
    Wade TD (2014) Traits and types of health data repositories. Health Inf Sci Syst 2:4CrossRefPubMedPubMedCentralGoogle Scholar
  5. 5.
    Ludvigsson JF, Andersson E, Ekbom A, Feychting M, Kim J‑L, Reuterwall C et al (2011) External review and validation of the Swedish national inpatient register. BMC Public Health 11:450CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    DiMarco G, Hill D, Feldman SR (2016) Review of patient registries in dermatology. J Am Acad Dermatol.  https://doi.org/10.1016/j.jaad.2016.03.020 Google Scholar
  7. 7.
    Murphy SN, Churchill SE, Bry L, Chueh H, Cai T, Weiss S et al (2009) Instrumenting the health care enterprise for discovery research in the genomic era. Genome Res 360(13):127881Google Scholar
  8. 8.
    Rumsfeld JS, Joynt KE, Maddox TM (2016) Big data analytics to improve cardiovascular care: promise and challenges. Nat Rev Cardiol 13(6):350–359CrossRefPubMedGoogle Scholar
  9. 9.
    Janke AT, Overbeek DL, Kocher KE, Levy PD (2016) Exploring the potential of predictive analytics and big data in emergency care. Ann Emerg Med 67:227–236CrossRefPubMedGoogle Scholar
  10. 10.
    Publishing OECD (2015) Health data governance: privacy, monitoring and research—policy brief. https://www.oecd.org/health/health-systems/Health-Data-Governance-Policy-Brief.pdf. Zugegriffen: 11.02.2018Google Scholar
  11. 11.
    Eisenstein M (2015) Big data: the power of petabytes. Nature 527:S2–S4CrossRefPubMedGoogle Scholar
  12. 12.
  13. 13.
    International Rare Diseases Research Consortium (IRDiRC). http://www.irdirc.org. Zugegriffen: 11.02.2018
  14. 14.
    ELIXIR: A distributed infrastructure for life-science information. https://www.elixir-europe.org. Zugegriffen: 11.02.2018
  15. 15.
    Medizininformatik Initiative (MI-I). https://www.bmbf.de/de/medizininformatik-3342.html. Zugegriffen: 11.02.2018
  16. 16.
    European Molecular Biology Laboratory—European Bioinformatics Institute (EMBL-EBI). http://www.ebi.ac.uk/biomodels-main. Zugegriffen: 11.02.2018
  17. 17.
    Virtual Physiological Human (VPH) Institute. http://www.vph-institute.org. Zugegriffen: 11.02.2018
  18. 18.
    Marés J, Shamardin L, Weiler G, Anguita A, Sfakianakis S, Neri E et al (2014) p‑medicine: a medical informatics platform for integrated large scale heterogeneous patient data. AMIA Annu Symp Proc 2014:872–881PubMedPubMedCentralGoogle Scholar
  19. 19.
    European Open Science Cloud. http://ec.europa.eu/research/openscience/index.cfm?pg=open-science-cloud. Zugegriffen: 11.02.2018
  20. 20.
    Garbe E, Pigeot I (2015) Der Nutzen großer Gesundheitsdatenbanken für die Arzneimittelrisikoforschung. Bundesgesundheitsblatt 58(8):829–837CrossRefGoogle Scholar
  21. 21.
    ReVOn – Patientenbezogener Nutzen neuer Arzneimittel in der Onkologie (Register für Versorgungsforschung in der Onkologie) https://innovationsfonds.g-ba.de/projekte/versorgungsforschung/revon-patientenbezogener-nutzen-neuer-arzneimittel-in-der-onkologie-register-fuer-versorgungsforschung-in-der-onkologie.22. Zugegriffen: 11.02.2018
  22. 22.
    Wilkinson MD, Dumontier M, Aalbersberg IJJ, Appleton G, Axton M, Baak A et al (2016) The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3:160018. https://www.nature.com/articles/sdata201618. Zugegriffen: 11.02.2018CrossRefPubMedPubMedCentralGoogle Scholar
  23. 23.
    Personal Genome Project. http://www.personalgenomes.org. Zugegriffen: 11.02.2018
  24. 24.
    Knoppers BM (2014) Framework for responsible sharing of genomic and health-related data. Hugo J 8:3CrossRefPubMedPubMedCentralGoogle Scholar
  25. 25.
    DLA Piper, Data protection laws of the world. https://www.dlapiperdataprotection.com/index.html#handbook/world-map-section. Zugegriffen: 11.02.2018
  26. 26.
    Proposal for a Regulation of the European parliament and of the Council on the protection of individuals with regard to the processing of personal data and on the free movement of such data (General Data Protection Directive) 2012/0011 (COD). http://www.europarl.europa.eu/RegData/docs_autres_institutions/commission_europeenne/com/2012/0011/COM_COM(2012)0011_EN.pdf. Zugegriffen: 11.02.2018
  27. 27.
    Bahr A, Schlünder I (2015) Code of practice on secondary use of medical data in European scientific research projects. Int Priv Law 5:279–291CrossRefGoogle Scholar
  28. 28.
    Desai T, Ritchie F, Welpton R (2016) Five Safes: Designing data access for research. Working Paper. University of the West of England. http://eprints.uwe.ac.uk/28124. Zugegriffen: 11.02.2018Google Scholar
  29. 29.
    CS ELSI BBMRI-ERIC: Common Service on Ethical, Legal, and Social Issues of Biobanking and BioMolecular resources Research Infrastructure. http://www.bbmri-eric.eu/BBMRI-ERIC/common-service-elsi/. Zugegriffen: 11.02.2018
  30. 30.
  31. 31.
    Open Science LMU http://www.osc.uni-muenchen.de/index.html. Zugegriffen: 11.02.2018
  32. 32.
    Arthromark: http://www.arthromark.de/. Zugegriffen: 11.02.2018

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Institut für Medizinische Informatik, Biometrie und EpidemiologieLudwig-Maximilians-Universität MünchenMünchenDeutschland

Personalised recommendations