Back to top

Das Gesundheitswesen über Big Data und Predictive Analytics verbessern

Die Suche in Daten des Gesundheitswesens hilft, bessere Behandlungsmodelle für Patienten zu erstellen.

Die Verwendung von elektronischen Gesundheitsakten in Verbindung mit elektronischen Patientenakten hat sich über die letzten 15 Jahre stark ausgeweitet. Von 2001 bis Ende 2014 ist die Nutzung von elektronischen Gesundheitsakten bei Ärzten von 20 % auf über 82 % gestiegen. Durch Einführung des „Health Information Technology for Economic and Clinical Health (HITECH) Act“ zur Informationstechnologie im Gesundheitswesen 2009 und der dazu gehörenden Anreize für sinnvolle Nutzung etwa durch höhere Raten bei Abrechnungen und Erstattungen durch die amerikanische Bundesregierung, werden diese von immer mehr Stellen eingesetzt.

Durch die Nutzung von elektronischen Gesundheitsakten hat sich auch die Anzahl der elektronischen Patientenakten exponentiell entwickelt. Elektronische Patientenakten stellen einen umfassenden Blick auf die gesamte individuelle Erfahrung des Patienten mit seiner elektronischen Gesundheitsakte dar, sie enthalten eine Patientenhistorie mit einem umfassenden Blick auf alle bisherigen Behandlungen und Beschwerden. Während die Technologien für Austausch und Freigabe von Daten aus den elektronischen Patientenakten in den letzten Jahren immer im Fokus gestanden haben (durch Continuity of Care Documents (CCD) und Consolidated Clinical Document Architecture (C-CDA)), hat sich die massive Sammlung klinischer Daten durch große Gesundheitssysteme und Behandlungszentren (sowohl öffentliche, private als auch akademische Einrichtungen) in den Bereich des Big Data verschoben.

Vom Standpunkt des Gesundheitswesens aus gesehen hat mich immer fasziniert, wie dieser Datenreichtum genutzt werden kann, um Predictive Analytics auf Behandlungspläne anzuwenden, um die Ergebnisse für den Patienten zu verbessern. Mit Big Data können die Antworten und wichtige Analysen aus dem Kontinuum des Gesundheitswesens hochgerechnet werden.

 

Das Problem: Das Aufwiegen von Hilfen für den Patienten gegenüber den Betriebskosten

Systeme des Gesundheitswesens sehen sich ständig mit einem typischen Zwiespalt der Medizin konfrontiert: Man will die Behandlung für den Patienten verbessern, muss aber effektive Betriebskosten wahren. Man kann schwer beides erreichen und gleichzeitig den Patienten komplett zufriedenstellen. Wenn ein Arzt erst verschiedene Behandlungspläne ausprobieren muss, verlängert das die Zeit, die der Patient unter der Krankheit oder den Symptomen leiden muss, was den Patienten nicht zufriedenstellt.

Dazu kommt, dass Patienten vielleicht ungeduldig werden, wenn der Arzt zu selten Fortschritte aufweisen kann. Die Patienten könnten dann zu einem anderen Arzt abwandern oder die Behandlung ihrer Krankheit ganz einstellen. Hierdurch gehen Gelegenheiten für Umsatz verloren, im schlimmsten Fall werden sogar auch andere Patienten davon abgebracht, sich behandeln zu lassen.

 

Die Lösung: Die besten Behandlungspläne durch Predictive Analytics auswählen

Ultimativ wird der Behandlungsplan des Patienten durch den behandelnden Arzt bestimmt, zusammen mit dem Patienten, basierend auf allem, was man über den Patienten und seine medizinische Vorgeschichte weiß. Was aber, wenn dem Arzt ein weiteres Hilfsmittel gegeben wird, über das er eine fundierte Entscheidung treffen kann, wie der Patient behandelt werden sollte, basierend auf Referenzmaterial ähnlicher Patienten? Was, wenn ein Arzt schnell und akkurat den besten Behandlungsplan für einen beliebigen Patienten erstellen kann, basierend rein auf dessen medizinischer Vorgeschichte und den demografischen Faktoren?

Nehmen wir ein Beispiel:

  1. 10Ein Patient wird mit einer neu erkannten Krankheit in ein Krankenhaus eingeliefert. Man bestimmt alle Faktoren wie die Altersgruppe, ethnische Zugehörigkeit, Geschlecht, medizinische Vorgeschichte, Liste von Problemen, Allergien usw.
  2. Basierend auf seinen aktuellen Beschwerden und den Faktoren der für diesen Patienten bekannten früheren Beschwerden, der aktuellen Medikamentenname, dem persönlichem Hintergrund usw. kann die Suche dann genutzt werden, um andere Patienten zu finden, die ähnliche Eigenschaften aufweisen.
  3. Basierend auf diesen spezifischen Facetten (jetzt Ansammlungen) von Daten können die Behandlungspläne analysiert werden, die bei den vergleichbaren Patienten angewandt wurden. Der Arzt kann damit bestimmen, welche der Optionen für den gegebenen Patienten am erfolgversprechendsten ist.
  4. Hiermit bietet sich also weiteres Hilfsmittel für den Arzt, das ihm bei der Entscheidung hinsichtlich des Behandlungsplans hilft. Der Arzt bekommt hierdurch entweder den Behandlungsplan bestätigt, der ihm ohnehin vorgeschwebt hat, oder er bekommt einen anderen Weg gezeigt, an den er bisher nicht bedacht hatte. In jedem Fall wird eine gewisse Sicherheit geboten, dass dieser erste Behandlungsplan für diesen speziellen Patienten basierend auf Vergleichsdaten ähnlicher Patienten sinnvoll ist.

Dies beruht weitgehend auf standardisierten, normalisierten und zentralisierten Daten verteilter Datenquellen und kann effizient mit Content-Verarbeitung und Datenseen erreicht werden (Lesen Sie mehr darüber, wieDatenseen bereits in den Branchen der Biotechnologie und des Gesundheitswesens eingesetzt werden).

Durch die oben umrissene Methodologie kann ein Patient direkt den angemessensten Behandlungsplan für seine Beschwerden zugeordnet bekommen, basierend auf vorherbestehenden Beschwerden und beobachteten Erfolgen bei anderen Patienten. Durch dieses Wissen kann der Arzt einen Behandlungsplan anbieten, der eine höhere Chance hat, die Situation des Patienten zu verbessern.

 

Nutzungsfälle für Predictive Analytics im Gesundheitswesen 

1. Unterstützung der Diagnosefindung:

Zusätzlich zur Unterstützung bei der Bestimmung von Behandlungsplänen kann die Suche auch verwendet werden, um die Diagnosefindung zu unterstützen. Durch Überblick über die zahlreichen vorgenommenen Tests und die Vielzahl von Symptomen, Ergebnissen und Beobachtungen kann eine Hilfestellung für potentielle Diagnosen geboten werden. Patienten sind schnell unzufrieden, wenn der Arzt nicht weiter weiß oder schätzen muss, auch, da dies den Behandlungszeitraum verlängert und das Risiko einer Fehldiagnose erhöht.

 

2. Anwendung auf Wahlverfahren:

Auf gleiche Art kann Predictive Analytics auch auf andere Fälle angewandt werden, nicht nur auf die Diagnose von chronischen Erkrankungen. Die Suche kann auf Wahlverfahren angewandt werden, wie beispielsweise den Gewichtsverlust unter Anleitung eines Arztes. In diesem Nutzungsfall wären die Faktoren des Patienten nicht nur bekannt, sondern könnten auch durch weitere Daten ergänzt werden, die aufgezeichnet werden können, wie etwa Daten zu Aktivitäten und Diäten. 

Andere Methoden für die Datensammlung könnten genutzt werden, wie etwa portable Gesundheitsüberwachungssysteme, um damit automatisch die elektronischen Gesundheitsakten zu füllen. Durch diese Informationen könnte der Patient direkt den besten Behandlungsplan vorgelegt bekommen, basieren auf Faktoren wie Alter, ethnischer Zugehörigkeit, Geschlecht, BMI usw., einschließlich der empfohlenen Übungspläne, Diätpläne und unterstützenden Medikamente. Als Referenz hätte man die Ergebnisse bei vergleichbaren Patientengruppen, die in diesem Fall sehr exakt messbar und nachverfolgbar sind. Bei Fragen wie Gewichtsverlust kann so etwas von kritischer Bedeutung sein, da die Patienten so schnell wie möglich Ergebnisse sehen wollen, damit das Vertrauen in den Behandlungsplan erhalten bleibt und der Patient weiter aktiv teilnimmt. Dies führt zu kontinuierlicher Partizipation und ergebnisgesteuerter Analyse, die Empfehlungen für andere Patienten ermöglicht.

 

Die Zukunft: Integration von maschinellen Lernverfahren zu Verbesserung der Ergebnisse im Gesundheitswesen

Es hilft dem Arzt zwar schon enorm, dem Patienten Behandlungspläne anbieten zu können, die bei anderen, ähnlichen Patienten geholfen haben. Man kann aber noch einen Schritt weiter gehen. Was, wenn nicht nur der Behandlungsplan von Patienten mit ähnlichen Bedingungen angezeigt wird, sondern der beste Behandlungsplan durch die Reaktionen anderer Patienten auf bestimmte Behandlungsmethoden automatisch bestimmt werden könnte?

Dieser Ansatz geht über die reine Identifikation von Vergleichsgruppen und Behandlungsmethoden heraus und nutzt Technologien, die auch sonst die natürliche Erweiterung der Predictive Analytics sind. Man bestimmt zuerst Patienten und ihre Behandlungspläne und ermittelt nun die vorgenommenen Beobachtungen hinsichtlich Resultaten des Behandlungsplans, um Prognosen zu erstellen, welche Pläne bei welchen Bedingungen sinnvoll waren. Hierbei handelt es sich um einen deutlich schwereren und komplexeren Abgleich, für den maschinelle Lernverfahren eingebunden werden müssen, um zu verstehen, was eine „positive Reaktion“ hinsichtlich des Behandlungsplans war.

Wenn also zum Beispiel ein Patient mit hohem Blutdruck untersucht wird, bestimmt der erste Schritt der Suche, welche Behandlungen bei anderen Patienten vorgenommen wurden, die ähnliche Beschwerden und ähnliche Ausgangsbedingungen hatten. Bislang müsste weiterhin der Arzt selbst die Ergebnisse interpretieren und bestimmen, welche Behandlung am sinnvollsten scheint. Die Suche kann aber über die reine Identifikation hinaus zur Interpretation der Ergebnisse genutzt werden: Ausgangssituation ist, dass das Leiden hoher Blutdruck ist und daher eine Senkung des allgemeinen Blutdrucks eine positive Reaktion wäre. Darüber hinaus sollen aber auch alle Faktoren bestimmt werden, die zu diesem Ergebnis beigetragen haben. Dies würde die folgenden Beobachtungen umfassen: 

  • Sonstige Leiden des Patienten, die einen Einfluss auf das aktuelle Leiden haben können
  • Kennwerte, die während jedes Arztbesuchs gesammelt wurden (wie Blutdruck, Gewicht usw.)
  • Berichte des Patienten über seine Aktivitäten (wie z.B. Sport)
  • Medikamente, die (falls nötig) verschrieben wurden

Der empfohlene Behandlungsplan würde also nicht nur das beste Ergebnis für den Patienten bieten, sondern dem Arzt auch zeigen, warum dieser Plan am besten funktioniert.

Das Verständnis für jede Facette des Behandlungsplans, alle verwandten Beobachtungen und positiven Reaktionen in Verbindung mit dem aktuellen Leiden ist es, was maschinelle Lernverfahren und Predictive Analytics für die Verbesserung der Gesundheitsfürsorge so wichtig macht. Es ist eine Gelegenheit für Trendanalyse bei spezifischen Beobachtungen hinsichtlich eines bestimmten Leidens sowie der Ergebnisse in den jeweiligen Behandlungsplänen.

-- Jonathan

Blogkategorien
0