Big Data and it's impact on healthcare

721
-1

Published on

Big Data enables service providers in the health care systems to build big data pools and to use it with business intelligence applications to gain and exctract more benefit from it.

Published in: Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
721
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
27
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Big Data and it's impact on healthcare

  1. 1. BigData Einfluss von Big Data auf das Gesundheitswesen Modul Datenbanken-Vertiefung Eingereicht von: Michael Herzog, Christian Lauber, Stefan Martens, Klasse WIVZ 3.51 University of Applied Sciences Northwestern Switzerland Dozentin: Prof. Dr. Stella Gatziu Grivas Ort: Olten, 17 März 2014
  2. 2. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens I Inhaltsverzeichnis ABBILDUNGEN II ABKÜRZUNGEN III 1 EINLEITUNG 4 1.1 MOTIVATION 4 1.2 ZIELE DER ARBEIT 4 1.3 ABGRENZUNGEN 4 2 BIG DATA 5 2.1 WAS IST BIG DATA 5 2.2 DIE WICHTIGKEIT VON BIG DATA 6 2.3 TREIBER VON BIG DATA 6 3 BIG DATA IM GESUNDHEITSWESEN 9 3.1 EINLEITUNG 9 3.2 ANWENDUNGEN 10 3.3 BENEFITS 17 4 REAL TIME HEALTH MONITORING 18 4.1 ENDOMONDO SPORTS TRACKER PRO 18 4.2 DIÄT APP - FDDB 19 4.3 BODY MEDIA 19 4.4 SAMSUNG GALAXY S5 20 5 FAZIT 21 6 BIBLIOGRAPHY 22
  3. 3. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens II Abbildungen Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata- abb1_05.png.png) ...........................................................................................................................6 Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data- in-health-care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1) ....7 Abbildung 2-3: Datenvielfalt im Krankenhaus ..................................................................................7 Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in- one-minute-on-the-internet/)............................................................................................................8 Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012)....................................................................10 Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012)..............................................................12 Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012)....................13 Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012) ....................................................14 Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012) .......................................................15 Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012) ........................................................16 Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com).............................................18 Abbildung 4-2: FDDB Antroid (fddb.info) .......................................................................................19 Abbildung 4-3: Body Media (http://www.bodymedia.com)..............................................................20 Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see- the-samsung-galaxy-s5s-heart-rate-monitor-in-action/) .................................................................20
  4. 4. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens III Abkürzungen API Application Programming Interface FDDB Food Data Base GSMA Weltweite Industrievereinigung der GSM-Mobilfunkanbieter GWAS Genomweite Assoziationsstudie HIPAA Health Insurance Portability and Accountability Act HIT² Institute for Health Technology Transformation M2M Machine-to-machine MPP Massively Parallel Processing OLTP Online-Transaction-Processing REFS Reverse Engineering Forward Simulation
  5. 5. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 4 1 Einleitung 1.1 Motivation Big Data ist seit geraumer Zeit in aller Munde. Dies liegt unter anderem an der Erkenntnis, dass die aus Big Data generierten Daten einen erheblichen Beitrag zur Steigerung der Unternehmenswertschöpfung leisten können. Diese Fülle an potentiellem Wissen nutz- und verwertbar zu machen, ist die Herausforderung der sich Unternehmen in der heutigen Zeit stellen müssen. Im Rahmen des Moduls Datenbanken-Vertiefung beschäftigen wir uns mit dem Thema – Einfluss von Big Data auf das Gesundheitswesen. 1.2 Ziele der Arbeit Diese schriftliche Arbeit fokussiert sich auf das Thema Big Data und den Einfluss auf das Gesundheitswesen. Sie beschäftigt sich mit den wirtschaftlichen Möglichkeiten durch die Nutzung von Big Data und zeigt im Besonderen die Steigerung von Effizienz und Effektivität durch spezifische Anwendungen im Gesundheitswesen auf. In diesem Zusammenhang werden auch die Benefits beleuchtet. Im Kapitel Realtime-Health-Monitoring wird speziell auf Mobile-Devices und Smartphone-Apps eingegangen. Im abschliessenden Fazit werden die Schlüsselergebnisse noch einmal explizit dargestellt und zusammengefasst. 1.3 Abgrenzungen Diese schriftliche Arbeit fokussiert sich auf die praktische Anwendung bzw. den Nutzen von Big Data durch unterschiedlichste Applikationen im Gesundheitssektor. Dies bedeutet, es werden vor allem existierende Business-Intelligence Anwendungen und ihre Lösungsansätze zu existierenden Problemstellungen beleuchtet. Es besteht keine Notwendigkeit auf die hierfür notwendigen Technologien wie zum Beispiel NoSQL, Map/Reduce, MPP sowie dem CAP/Base Theorem einzugehen. Diese wurden in dem Modul Datenbanken Vertiefung behandelt und würden den Rahmen dieser schriftlichen Arbeit sprengen.
  6. 6. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 5 2 Big Data 2.1 Was ist Big Data Der Begriff Big Data beschreibt hohe Mengen von sich schnell ändernden, komplexen und variablen Daten, welche aus unterschiedlichen Bereichen erfasst werden. Das Institute for Health Technology Transformation (2013, S. 6) klassifiziert fünf verschiedene Kategorien oder Strömungen von Informationen: Web and Social Media Hier geht es vor allem um Klickstream- und Interaktionsdaten von Nutzern unterschiedlicher Social Media Plattformen, Webseiten und Smartphone-Apps. Machine-to-Machine Daten von Sensoren, Geräteprotokollen (Digital Exhaust), Flussmessern und anderen Messgeräten. Big Transaction Data Rechnungen und Zahlungsansprüche in halb-strukturierter und unstrukturierter Form. Biometric Data Fingerabdrücke, Röntgenbilder und der genetische Code eines Menschen fallen unter diesen Bereich. Human Generated Data Emails, Papierdokumente, und medizinische Reporte sind in dieser Kategorie vereint. Liegen in halb-strukturierter und unstrukturierter Form vor.
  7. 7. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 6 2.2 Die Wichtigkeit von Big Data Zusätzlich, zu den gängigen Unternehmensdaten liefert Big Data neue und tiefgreifende Erkenntnisse, welche für die Unternehmenswertschöpfung eine hohe Relevanz besitzen. In Kombination mit den herkömmlichen Unternehmensdaten können Unternehmen ihre Produktivität, Wettbewerbsfähigkeit und Innovationskraft stärken. (vgl. Oracle, 2011, S. 5) Big Data erlaubt es den Unternehmen, anhand der extrahierten und analysierten Daten, die Kunden feiner zu segmentieren und den Vertrieb gezielt darauf auszurichten. Generell liefert Big Data zusätzliche, wichtige Informationen um Wissenslücken über Individuen und deren Bedürfnisse innerhalb der für Unternehmen relevanten Geschäftsprozesse zu schliessen. 2.3 Treiber von Big Data Wie in Abbildung 2-1 zu sehen ist, gibt es drei grosse Treiber von Big Data: Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata-abb1_05.png.png) Datenvolumen Beschreibt das Wachstum der anfallenden Menge von Daten und Informationen. Ein Grossteil dieser Daten wird maschinell erzeugt. In Abbildung 2-2 auf der nächsten Seite verdeutlich der rote Pfeil die prognostizierte Menge an Patientendaten, die während eines Krankhausaufenthaltes im Jahr 2015 anfallen sollen.
  8. 8. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 7 Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data-in-health- care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1) Vielfalt der Daten Die Datenquellen wachsen ebenso weiter an. Früher waren es vor allem ERP-, CRM- und Web-Daten, so sind es heute zunehmend Daten aus Quellen, wie z.B. Sensoren, Social Media, Mobile und Cloud. Diese Daten sind häufig halb- bzw. unstrukturiert. Abbildung 2-3 zeigt einen kleinen Auszug von der Datenvielfalt in einem Krankenhaus. Abbildung 2-3: Datenvielfalt im Krankenhaus Geschwindigkeit Auswertungen müssen immer schneller vorliegen und zeitnah erstellt werden. Der Weg geht ganz klar zu Echtzeitanalysen.
  9. 9. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 8 Untenstehende Abbildung 2-2 veranschaulicht sehr deutlich die Explosion des Datenvolumens im Internet. Im Zuge dieser Datenexplosion gibt es einen weiteren Treiber: Value / Veracity (Analytics) Die grossen Datenmengen enthalten wertvolle Informationen, welche adäquat ausgewertet, auf Qualität geprüft und schliesslich an die richtigen Stellen im Unternehmen verteilt werden müssen. Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in-one-minute-on-the- internet/)
  10. 10. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 9 3 Big Data im Gesundheitswesen 3.1 Einleitung Die nationalen Gesundheitssysteme in Europa werden auf zwei Arten unterhalten. Zum einen, werden die sogenannten „Bismarck-Länder“ aus Sozialversicherungssystemen gespeist, zum anderen die „Beveridge-Länder“, welche aus dem Steueraufkommen finanziert werden. Beide Modelle haben eines gemeinsam. Aufkommende Finanzierungsprobleme, verursacht durch den demographischen Wandel und den medizinischen Fortschritt (vgl. Germany Trade & Invest, 2012). Dazu kommen eine mangelnde Digitalisierung von Daten und deren fehlende Vernetzung durch heterogene Strukturen innerhalb des Gesundheitssystems. Die USA gaben 2010 etwa $2.7 Billionen für die Gesundheitsvorsorge aus, davon waren $700 Milliarden unnötig (vgl. Kauffman Foundation, 2012, S. 15). In europäischen Gesundheitssystemen dürfte es folglich ähnlich aussehen. Hier kann Big Data einen wertvollen Beitrag leisten um die Kosten zu senken und Prozesse im Gesundheitswesen effizienter zu gestalten. Big Data im Gesundheitswesen wird in der Regel von sechs grossen unterschiedlichen Stakeholdern in mehr oder weniger abgeschotteten Datenpools verwaltet. Das Ziel muss sein, diese Daten zu Aggregieren und für alle Anspruchsgruppen Nutzen durch Datenintegration zu stiften. Dr. Bonnie 360° (2012, S. 15) hat diese wie folgt betitelt: 1. Klinische und Medizinische Daten 2. Kostenträger und Dienstleister: Ansprüche 3. Akademische, privat und staatliche Forschung 4. Pharma- und Medizintechnik 5. Verbraucher und Vermarkter: Patientenverhalten und Sentiment-Daten 6. Regierung: Bevölkerungs- und Gesundheitsdaten
  11. 11. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 10 3.2 Anwendungen Es haben sich sechs Bereiche im Gesundheitswesen herauskristallisiert, in denen Big Data einen effektiven Nutzen und wertvollen Beitrag leisten kann (vgl. Dr. Bonnie 360°, 2012, S. 17). Diese Bereiche werden nun detailliert mit praktischen Beispielen beleuchtet. 3.2.1 Unterstützung der Forschung durch Reverse Engineering Forward Simulation Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012) Das Unternehmen GNS Healthcare forscht im Bereich der Onkologie um die Koordination von Arbeitsabläufen nach der Diagnosestellung und die richtige Allokation von Ressourcen (Ärzte, Behandlungen) zur richtigen Zeit zu verbessern. Hierzu benutzt das Unternehmen mathematische Ursache-Wirkungs-Modelle. Dazu wird die REFS-Methode (Reverse Engineering Forward Simulation) verwendet um kausale Netzwerkmodelle aus Beobachtungsdaten automatisch zu erstellen und visuell zu simulieren. Dies ermöglicht Forschern Ergebnisse dynamisch zu untersuchen, beschleunigt die Einsicht und hilft bei der Ausrichtung auf die pharmazeutische Produktentwicklung. Die proprietären Algorithmen werden durch MPP Cloud-Architectures abgearbeitet. Big Data und Forschung durch REFS Big Data ändert den Ansatz von der hypothesengesteuerten Forschung hin zur datengesteuerten Forschung. Durch effiziente Analysen und die erstmalige Interpretation von grossen Datenmengen können neue Fragen und Wege erkundet werden. Dies hilft bei einem besseren Verständnis von Krankheiten und personalisierter Diagnostik (Cambridge Health Tech Institute, 2013). In der Onkologie werden Genome von Tumor- und Normalgewebe sequenziert. Dies kostet in den USA ca. $1000. Die Daten müssen zudem analysiert und von einem Onkologen auf eine klinische Empfehlung interpretiert werden. Dies kostet $25.000 - $100.000 und wird von keiner Versicherung übernommen. Durch die Typisierung des Krebsgewebes kann die Behandlung und
  12. 12. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 11 Medikamentengabe auf den spezifischen Krebs abgestimmt werden. Dies erhöht die Heilungschancen ungemein. In den USA wird mit genomweiten Assoziationsstudien (GWAS) begonnen, um die erhobenen Daten in der Onkologie und bei der Behandlung von Volkskrankheiten einzusetzen. Die Schwierigkeiten sind hierbei die Zuordnung der Big Data aus dem GWAS-Projekt zu den klinischen Patientendaten (vgl. Golden, 2013).
  13. 13. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 12 3.2.2 Datentransformation zu Informationen Es ist essentiell wichtig unstrukturierte Daten für die Maschinenbearbeitung zu transformieren um eine datengesteuerte Gesundheitsversorgung zu ermöglichen. Ein erster Schritt ist die Auswertung von Charts und Aufzeichnungen von diversen Stakeholdern im Gesundheitswesen (Ärzte, Apotheken, Krankenhäuser, etc.) Das Unternehmen Predixion stellt Cloud basierte Analysesoftware zur Verfügung um Muster in Krankenhausdatensätzen zu erkennen und unnötige Wiederaufnahmen zu verhindern. Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012) Durch Data-Mining werden Daten aus einer Vielzahl Quellen erfasst und durch vorausschauende Analyse-Algorithmen errechnet sich eine 86%tige Genauigkeit bei der Identifikation von einer ausgehenden Gefahr der Wiederaufnahme. Somit werden Ärzte bei der Entscheidungsfindung einer Patientenentlassung sinnvoll unterstützt. Big Data bei der Datentransformation zu Information Die Software erlaubt es aus erhobenen Big Data durch eine fortschrittliche Analyseplattform und die kundenspezifische Aufbereitung (Branche) eine hohe Voraussagbarkeit und damit Entscheidungshilfe zu geben. Praktische Anwendungsmöglichkeiten sind Wiederaufnahme- Management, Risikopatientenidentifizierung, Krankheitsvorhersage, Betrugserkennung und Risikomodellierung.
  14. 14. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 13 3.2.3 Unterstützung Eigenpflege (Selfcare) Big Data in Kombination mit Smartphone-Apps sollen dem Patienten helfen sich selbst zu helfen. Der mündige Patient kann seine persönlichen medizinischen Daten selbst verwalten und bei Bedarf direkt mit dem behandelnden Arzt vor Ort austauschen. Das Unternehmen Humetrix bietet mit seinem dualen Anwendungssystem iBlueButton diese Möglichkeit auf Smartphones und Tablets für Patienten und Ärzte an. Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012) Die Anwendung bietet eine sichere end-to-end Verschlüsselung nach der HIPAA-Norm. iBlueButton führt Daten von unterschiedlichen Endgeräten zusammen und stellt sie der betreuenden Stelle in Echtzeit zur Verfügung. Somit gehören Wartezeiten und lückenhafte Anamnesen auf Grund von fehlenden Befunden der Vergangenheit an. Big Data und Selfcare mit iBlueButton Die iBlueButton Anwendung decodiert und übersetzt Daten aus den unterschiedlichsten Quellen und macht sie für den Patienten, die Angehörigen und Pflegepersonal nutzbar. Es werden Daten wie zum Beispiel Labor- und Testergebnisse, Diagnosen, Krankenhauseinweisungen, Medikation und Versicherungsdaten benutzerfreundlich aufbereitet. Die Anwendung wurde mehrfach Ausgezeichnet und zudem von Barrack Obama einer breiten Öffentlichkeit vorgestellt. Gerade in den USA wo das Gesundheitssystem aus Kostengründen nicht der gesamten Bevölkerung vollumfänglich zur Verfügung steht, könnte Big Data in Verbindung mit Selfcare und mHealth zu einer Gesundheitsfürsorge für finanziell schlechter gestellte Bevölkerungsschichten führen (vgl. Mosquera, 2013).
  15. 15. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 14 3.2.4 Anbieterunterstützung, Verbesserung der Patientenpflege Durch den Kostendruck im Gesundheitswesen forciert durch die Krankenkassen stehen die Dienstleister in der Medizin und Patientenpflege zunehmend unter Druck. In immer kürzerer Zeit muss mehr geleistet werden, insbesondere der hohe bürokratische Aufwand beansprucht Ressourcen. Humedia Inc. Ist ein klinisches Informatikunternehmen, welches die Verknüpfung von klinischen Daten und Patienteninformationen ermöglicht und durch verschiedene Abfragezeiträume und Einstellungen einen umfassenden Blick auf die Patientenversorgung gibt. Siehe Abbildung 3-4 auf der nächsten Seite. Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012) Dieser Service wird als SaaS-Business-Intelligence angeboten und von Krankenhäusern, Gesundheitssystemen und Life Science Unternehmen in Anspruch genommen. Es wird auf einen Datensatz mit 25 Millionen erfassten Personen aus 30 Bundesstaaten in den USA zurückgegriffen. Biga Data Nutzen Die klinische Business Intelligence Lösung von Humedia verwendet eine Vielzahl von Daten wie zum Beispiel Demographie-, Medikations-, Labor-, Vital-, Belastungs-, und Begleiterkrankungsdaten um bei spezifischen Patientengruppen Risikovorhersagen bei Kongestiver Herzinsuffizienz (Herzschwäche) treffen zu können. Momentan startet ein Pilotprojekt von mehreren Carilion Kliniken im US- Bundestaat Virgina unter der Leitung des Virginia Tech Carilion School of Medicine and Research Institute. In diesem Projekt geht es darum den praktischen Nutzen der Humdecia Mindshare Anwendung mit validierten Patientendaten im klinischen Bereich in Bezug auf das Populationsmanagement von kongestiven Herzinsuffizienz Patienten aufzuzeigen(vgl. AMGA, 2012, S. 4 ff.).
  16. 16. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 15 3.2.5 Bewusstseinssensibilisierung Big Data kann in der Sensibilisierung von Menschen / Patienten bei der Erkennung von gefälschten Medikamenten, Tracking von Umweltfragen (SMOG) und zur Vorhersage von Krankheitsausbrüchen helfen. Dies kann sogar soweit gehen auf Länderebene Gesundheitspolitische Entscheidungen zu priorisieren. Das Unternehmen Sickweather LLC scannt soziale Medien um Ausbrüche von Krankheiten (Grippe etc.) zu prognostizieren und verfolgen. Der Algorithmus ist noch nicht perfekt, aber das Unternehmen arbeitet daran Falschmeldungen besser auszusortieren. Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012) Big Data Bezug zu Bewusstseinssensibilisierung Der Gründer Graham Dodge sieht die Sozialen Medien als Quelle von Daten; um Gesundheit, Krankheit und Krankheiten zu verfolgen, welche erst noch erschlossen werden müssen. Seine Vision ist ein Echtzeit Wetterdienst für Krankheiten und Gesundheit rund um den Globus (Dr. Bonnie 360°, 2012, S. 34).
  17. 17. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 16 3.2.6 Datenpooling um ein besseres Ökosystem zu erschaffen Das Zusammenbringen von verschiedensten Datensätzen, um einen grösseren Datenpool zu bilden, ermöglicht neue Arten von Analysen auf Fragen die bisher noch nicht gestellt wurden. Das Unternehmen Qualcomm Life verfolgt mit seinem Cloud-basierten Datenpool mit dem Namen 2net einen praktischeren Ansatz. Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012) Das System ermöglicht M2M-Verbindungen in dem es Daten von medizinischen Geräten und biometrischen Sensoren sammelt und im Cloud basierten Hub für Benutzer, ihre Gesundheitsdienstleister und Pflegepersonal zugänglich macht. Dies geschieht über offene APIs um Entwicklern die Möglichkeit zu geben durch kreative Anwendungen auf den Datenpool zugreifen zu können. Big Data Bezug und Datenpooling Die biometrischen Daten von Medizinischen Wireless-Geräten bei den Patienten vor Ort werden in die Health-Cloud-Platform 2net von Qualcomm hochgeladen und können nun mit Gesundheitsanbieter ausgetauscht werden. Somit ist eine Fernversorgung der Patienten anhand aktueller und vergangener medizinischer Daten möglich.
  18. 18. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 17 3.3 Benefits Die vorgestellten Anwendungsmöglichkeiten haben ihr Potential zur qualitativen Verbesserung des Gesundheitswesens und der Reduktion von Kosten aufgezeigt:  Gewinnsteigerungen durch die Einsparung von Arbeitskräften um bis zu 40%  Reduzierungen der Krankenhauswiedereinweisungen um bis zu 86%  Verbesserte Lebensqualität der Patienten  Ergebnisse und Erkenntnisse aus Datenpools, welche neue Verträge und Einnahmen generieren  Früherkennung von Hochrisikosituationen und Einleitung von entsprechenden Massnahmen
  19. 19. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 18 4 Real Time Health Monitoring Der Markt für mobile Gesundheitsgeräte und Apps im englischen Sprachraum kurz mHealth genannt, erfährt in den nächsten Jahren ein enormes Wachstum. Nicht nur Big Player wie Apple oder Nike tummeln sich in diesem lukrativen Markt, sondern auch zahlreiche kleinere Anbieter möchten sich einen Teil vom Kuchen sichern. Die GSMA sagt für das Jahr 2017 Umsätze von 23. Mrd. Dollar im mHealth Markt voraus (vgl. Koppe, 2012). 4.1 Endomondo Sports Tracker Pro Die Tracking App von endomondo.com zeichnet sportliche Aktivitäten, wie Laufen, Radfahren und Inline Skaten über GPS auf. Sportler können ihre persönlichen Daten in einem Benutzerprofil hinterlegen. Während einer sportlichen Aktivität werden nun Entfernungen, Geschwindigkeiten und Höhenunterschiede erfasst. Über einen geeigneten Brustgurt und Bluetooth Empfang können zusätzlich Herzfrequenzverläufe aufgezeichnet werden. Die absolvierten Sporteinheiten werden über Google Maps visuell ansprechend dargestellt. Abgerundet wird das Leistungspaket durch eine umfangreiche statistische Auswertung und Aufbereitung auf der eigenen Webseite. Zusätzliche Features wie die Messung der Herzfrequenz sind in einer Kostenpflichtigen Pro Version. In Abbildung 4-1 ist die Oberfläche der mobile App dargestellt. Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com)
  20. 20. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 19 4.2 Diät App - FDDB Für Ernährungsbewusste Menschen bietet der FDDB Scanner ein Ernährungs- und Kalorientagebuch mit Scanfunktion. Nach der Registrierung und Eingabe der persönlichen Daten wird der Tagesbedarf an Nährwerten errechnet. Die Lebensmitteldatenbank ist riesig und kann über eine Suchfunktion oder die integrierte Scanfunktion des Lebensmittelbarcodes auf die richtigen Produkte angewandt werden. Der Vorteil ist, dass nicht nur die eingenommenen Kalorien pro Tag überwacht werden, sondern auch alle anderen Nährstoffe inklusive des Fett-Anteils ausgewiesen werden. Die Anwendung ist Kostenfrei wird allerdings durch Werbung finanziert. In Abbildung 4-2 ist die Oberfläche der Android-Version abgebildet. Abbildung 4-2: FDDB Antroid (fddb.info) 4.3 Body Media Das mobile Gesundheitsarmband ermöglicht es dem Träger die persönlichen Aktivitäten akkurat über den Tag 24/7 aufzuzeichnen. Dazu wird die Hautfeuchtigkeit, -temperatur und der abgegebene Wärmestrom der Haut gemessen. Ein Accelerometer misst die Bewegung. Somit können der Kalorienverbrauch, Bewegung und Schlafgewohnheiten erfasst und darauf abgestimmte Ernährungs- und Bewegungsempfehlungen ausgesprochen werden. Die Armbänder wurden in einer 10 tätigen Testphase von Astronauten auf der Internationalen Raumstation (ISS) im August 2013 getragen um ihre Energiebedürfnisse im Weltall zu untersuchen. In Abbildung 4-3 ist das Body Media System mit Armband dargestellt.
  21. 21. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 20 Abbildung 4-3: Body Media (http://www.bodymedia.com) 4.4 Samsung Galaxy S5 Auch die Smartphones entwickeln sich weiter und werden selbst zu mobile Health-Devices, wie die Ankündigung des Unternehmens Samsung auf dem diesjährigen World Mobile Congress in Barcelona zeigt. Das neue Smartphone Flaggschiff S5 wird mit einem integrierten Herzfrequenzmesser ausgerüstet und zeigt eindrücklich wohin die Entwicklung geht. Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see-the-samsung- galaxy-s5s-heart-rate-monitor-in-action/)
  22. 22. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 21 5 Fazit Die Lebenserwartung der Menschen in der westlichen Welt steigt durch den Fortschritt in der Forschung und Medizin immer weiter an. Draus folgt, dass immer mehr ältere und jüngere Menschen immer länger medizinisch behandelt und versorgt werden. Im Gesundheitswesen fallen somit immense Kosten und auch Datenmengen im Zusammenhang mit medizinscher Behandlung an. Die Challenge für Länder bzw. deren Gesundheitssysteme wird es in Zukunft sein, diese Big Data Mengen effektiv und effizient auszuwerten und die gewonnen Erkenntnisse wertschöpfend einzusetzen. Ein Ziel der Stakeholder im Gesundheitswesen muss es sein, grosse Datenpools von relevanten medizinischen Daten aus heterogenen Quellen zu bilden und die Schnittstellen zu diesen „Ökosystemen“ so einfach wie möglich zu gestalten. Nur so ist es findigen Entwicklern möglich neue Konzepte und Anwendungen zu entwickeln, welchen allen Beteiligten Nutzen und Mehrwert stiftet. Darüber hinaus ist es für das Populationsmanagment von Krankheitsgruppen, wie zum Beispiel Patienten mit kongestiver Herzinsuffizienz wichtig, dass die Im Pool enthaltenen Daten auch richtig analysiert und bewertet werden. Dies leisten neuartige SaaS-Busniess-Intelligence-Anwendungen wie Humdeica MinedShare. Somit können Risikoprofile erstellt und die Patientenpflege im Allgemeinen verbessert werden. Des Weiteren wird es immer realistischer wirksame Vorhersagen in Bezug auf die geographische Ausbreitung von Krankheiten, Pandemien und Umweltverschmutzungen (SMOG) zu treffen. Dadurch ist es möglich gesichertere gesundheitspolitische Entscheidungen zu treffen und die wirtschaftlichen Ressourcen zielgerichteter zu allokieren. Schlussendlich profitieren das Gesundheitswesen und die Patienten gleichermassen. Die Kosten für alle Beteiligten können durch die intensive Nutzung von Big Data im Gesundheitssektor gesenkt werden und die medizinische Versorgung und Pflege von Patienten wird sich qualitativ immer weiter verbessern. Eine schöne neue Welt.
  23. 23. Einfluss von Big Data auf das Gesundheitswesen Michael Herzog, Christian Lauber, Stefan Martens 22 6 Bibliography AMGA Institute for uality Leadership (2012): How Care Teams Are Using Predictive Analytics and Comparative Data to Optimize Interventions for High Risk Patients. [Online] URL: http://www.eiseverywhere.com/file_uploads/915ccc88ae4b7e993b66b2a269062dad_IQLPr edictiveAnalyticsfinal22012-10-04.pdf [Stand: 16.03.2014]. Cambridge Health Tech Institute (2013): Bioinformatics for Big Data. [Online] URL: http://www.triconference.com/ Bioinformatics-Genome/ [Stand: 28.02.2014]. Dr. Bonnie 360° (2012): Big Data in Healthcare - Hype and Hope. [Online] URL: http://www.west- info.eu/files/big-data-in-healthcare.pdf [Stand: 28.02.2014]. Ewing Marion Kauffman Foundation (2012): Valuing HealtH Care: Improving Productivity and Quality. [Online] URL: http://www.kauffman.org/newsroom/2012/04/opening-up-big-data-is- the-big-solution-to-curing-health-care-ills-according-to-kauffman-report [Stand: 27.02.2014]. Germany Trade & Invest (2012): Gesundheitssysteme in der EU vor großen Herausforderungen. [Online] URL: http://www.gtai.de/GTAI/Navigation/DE/Trade/ maerkte,did =433484. html& channel=premium_channel_gtai_1 [Stand: 1.03.2014]. Golden, Jim (2103): Cancer, Data and the Fallacy of the $1000 Genome. [Online] URL: http://www.forbes.com/sites/jimgolden/2012/06/21/cancer-data-and-the-fallacy-of-the-1000- genome/ [Stand: 15.03.2014]. Institute for Health Technology Transformation (2013): Transforming Health Care Through Big Data. [Online] URL: http://ihealthtran.com/iHT2_BigData_2013.pdf [Stand: 3.03.2014]. Koppe, Sabine (2012): Der Mobile Health Markt: Trends und Entwicklungen. [Online] URL: http://www.mobile-zeitgeist.com/2012/02/27/der-mobile-health-markt-trends-und- entwicklungen/ [Stand: 4.03.2014]. Mosquera, Marie (2012): Government Health IT. [Online] URL: http://www.govhealthit.com/ news/ ibluebutton-lets-patients-be-hie [Stand: 15.03.2014]. Oracle Corporation (2011): Big Data für das Unternehmen. [Online] URL: http://www.oracle.com /technetwork/database/bi-datawarehousing/wp-big-data-with-oracle-521209.pdf [Stand: 3.03.2014].

×