von Frederic Martineau, CTO bei act digital

Das Potenzial der kollaborativen Arbeit gewinnt im Bereich des Gesundheitsmanagements an Bedeutung mit dem möglichen Aufkommen von Open Health – einer einheitlichen Plattform mit integrierten Gesundheitsinformationen. Krankengeschichten, Untersuchungsergebnisse und physiologische Merkmale – alles mit einem Klick für Patienten und medizinisches Fachpersonal verfügbar. Inmitten rechtlicher, regulatorischer, marktbezogener und ethischer Diskussionen scheint es unbestreitbar, dass diese Bewegung an Relevanz gewinnen wird, angesichts der Möglichkeiten zur Optimierung von Zeit und Ressourcen im Gesundheitsmanagement sowie zur Verbesserung der Erfahrung von Ärzten und Patienten bei der Lebensrettung und der Erhaltung des Wohlbefindens. Wie also lässt sich dieser Trend vorwegnehmen und die eigene Gesundheitsstruktur auf Open Health vorbereiten?

In Anlehnung an das Konzept des Open Banking gestaltet sich das Gesundheitssystem fragmentierter als das Bankensystem, was zusätzliche Herausforderungen bei der Implementierung mit sich bringt. Nicht selten verfügt eine Klinik oder ein Krankenhaus über verschiedene, nicht miteinander kompatible Systeme, bedingt durch unterschiedliche Anbieter, eingesetzte Technologien, Werkzeuge und spezifische Funktionsstandards. Parallel dazu ist eine Standardisierung bei der Ausfüllung von Formularen, der Datenorganisation und der Bereitstellung von Informationen erforderlich – seien es einfache Daten, Bilder, Videos oder andere Formate gemäß dem schematischen Aufbau (Abb. 1):

Abb. 1 – Darstellung von Systemen ohne Verbindung

Diese Datenoptimierung zielt darauf ab, die Zeit für die Erfassung biologischer Merkmale und Marker zu verkürzen; die Überwachung des Gesundheitszustands zu erleichtern (und damit die Reise von Patient und Arzt zu verbessern); Leben zu retten; die Kosten für komplexe Pflegeleistungen zu senken; und – in einem nächsten Schritt – Algorithmen aus der Datenmedizin einzusetzen, um den Bedarf an Vorsorgeuntersuchungen und -konsultationen vorherzusagen, z. B. zur Beobachtung von Komorbiditäten oder zur Früherkennung von Tumoren.

Angesichts der Notwendigkeit von Investitionen in Ressourcen, Zeit und mitunter auch Anpassungen der Unternehmenskultur im Umgang mit Gesundheitsdaten, empfiehlt sich die Schaffung kleiner Modelle für Datenerfassung, Speicherung, Sicherheit, Datenverkehr und Informationszugang. Diese Strategie ermöglicht eine schnellere Entwicklung von Lösungen, Usability-Tests, Ergebnisbewertung mit Gesundheitsteams und die Prüfung der Skalierbarkeit des Systems auf weitere Einheiten oder Abteilungen. Dennoch stehen wir vor einigen Herausforderungen:

Gesundheitsdaten sind dezentralisiert und auf verschiedene Systeme verteilt, ob öffentlich oder privat.

Daraus ergibt sich ein Mangel an Standardisierung dieser Daten für Interoperabilität;

Sicherstellung des Datenschutzes für Patienteninformationen während des Datenverkehrs und der Speicherung.

DSGVO (Datenschutz-Grundverordnung), wonach Gesundheitsdaten als besonders sensibel gelten und durch weitere Vorschriften geschützt sind, wie etwa das Berufsgeheimnis zwischen Patient und medizinischem Fachpersonal.

Ein solcher Wandel in der Logik der Gesundheitsdatennutzung erfordert eine sorgfältige Regulierung und rechtliche Überarbeitung, insbesondere im Hinblick auf den Zugang zu und die Übertragbarkeit von Daten, um die Privatsphäre der Menschen zu gewährleisten und die Einsatzmöglichkeiten dieses Vermögenswertes für den Erhalt der Gesundheit zu definieren.

Bei act digital haben wir eine Initiative ins Leben gerufen, um die genannten Herausforderungen bei einem unserer Kunden im Gesundheitssektor zu lösen. Durch einen innovativen Ansatz mit Design Thinking, Agile und Lean Inception haben wir eine gemeinsame Geschäftsperspektive entwickelt und eine hoch skalierbare Lösung unter Einsatz von Technologien wie Microservices, Big Data, Machine Learning und Künstlicher Intelligenz geschaffen. In Kombination mit Cloud Computing konnten wir Probleme der Verfügbarkeit und Informationssicherheit lösen und gleichzeitig die Betriebskosten senken.

So werden verschiedene Datenquellen an einem einzigen Ort (Datalake) gespeichert, wo Datenwissenschaftler/-ingenieure Rohdaten aufbereiten, um einheitliche und bewertbare Informationen für die zukünftige Nutzung zu generieren. Diese Prozesse werden mithilfe von künstlicher Intelligenz automatisiert, sodass die Informationen in verschiedenen Bereichen des Gesundheitswesens genutzt werden können.