Digitalisierung im Gesundheitswesen: Herausforderung und Chance (2)

Vor etwa zehn Jahren wurde das Grippe-Virus H1N1 entdeckt. Weil kein Impfstoff dagegen existierte, war es für die Behörden entscheidend, die Verbreitung des Virus einzudämmen. Dazu musste bekannt sein, wo es auftrat. Entsprechende Protokolle gibt es z. B. im Center for Disease Control and Prevention in Atlanta, wo tausende US-Allgemeinmediziner Grippefälle melden. So lässt sich ermitteln, wo ein bestimmtes Grippevirus 14 Tage zuvor verbreitet war – was im Falle einer Pandemie jedoch zu spät wäre.

Google hatte zur gleichen Zeit eine andere Idee, um die Verbreitung der Grippe festzustellen: Indem man ermittelte, wonach die Menschen im Internet suchen. Ziel war, zu prüfen, ob es eine statistische Korrelation zwischen Suchanfrage und Grippeverbreitung gibt, und daraus ein mathematisches Modell zu entwickeln, das in Echtzeit voraussagen kann, wie sich die Grippe zukünftig verbreitet. Tatsächlich wurde auf diese Weise ein Modell gefunden, das die Verbreitung des Virus anhand der Suchanfragen mit hoher Genauigkeit vorhersagen kann – sogar bezogen auf einzelne Straßenzüge.

Aus Daten lernen

Google lernt aus Daten. Auch wir Menschen tun das seit jeher. Heute explodiert die Menge der Daten weltweit: Sie hat sich allein von 1987 bis 2007 verhundertfacht und dürfte sich alle 18 Monate weiter verdoppeln. Diese Datenmenge für eine neue Qualität der Erkenntnis zu nützen, ist spannend und entscheidend.

Bisher haben wir konkrete Fragen gestellt, dann dazu Daten gesammelt und daraus die Frage beantwortet. Im Datenzeitalter können wir den Prozess umdrehen: Wir schließen aus vorhandenen Daten, welche Fragen wir künftig stellen müssen.

Beispiel: „Duolingo“

Bei der Fremdsprachen-App „Duolingo“ beantworten die Nutzer Lernfragen am Smartphone. Die dabei erhobenen Daten nutzt Duolingo, um zu verstehen, wie Menschen eine Fremdsprache erlernen. So wurden interessante Muster entdeckt, die bisher unbekannt waren. Erst die in großen Mengen gewonnen Daten haben dazu inspiriert, danach zu suchen.

Beispiel: Frühchen

Frühgeborene sterben überproportional oft an zu spät erkannten Infektionskrankheiten. Eine kanadische Forschungsgruppe hat bei Frühchen Sensoren appliziert und die Vitalfunktionen in Echtzeit gemessen – 1.200 Datenpunkte pro Sekunde. In diesen Vitalfunktionsdaten haben die Forscher Muster gesucht, die noch vor dem Auftreten erster Symptome mit hoher Wahrscheinlichkeit erkennen lassen, ob ein Frühchen eine Infektionskrankheit bekommen wird. Tatsächlich wurde ein solches Muster gefunden, sodass Medikamente nun früher verabreicht werden können.

Evaluierung und Erkenntnis ohne Ende

Immer mehr Daten als Informationsgrundlage und eine Welt, die sich verändert: Das bedeutet, dass wir in Zukunft nie damit fertig sein werden, die bisherigen Erkenntnisse neu zu evaluieren. So hat Google hat im Dezember 2012 eine Grippewelle vorhergesagt, die dann nicht eingetreten ist. Das Unternehmen hatte Daten aus den Jahren 2004 – 2007 verwendet. Seither hatte Google täglich fünf Milliarden neue Datenpunkte erhalten, das Modell jedoch nie mehr evaluiert. Weil sich die Wirklichkeit bis 2012 verändert hatte, passte das Modell nicht mehr.

Neuer Umgang mit Daten

Die Rolle der Daten hat sich verändert. Früher hatten sie nach dem Beantworten einer Frage ihre Aufgabe erfüllt und wurden weggeworfen. Heute werden Daten wieder und wieder verwendet, weil sie Wert besitzen. Einige Beispiele:

• Die Lufthansa sammelt während ihrer Flüge Wetterdaten und gibt sie nach der Landung an den Deutschen Wetterdienst weiter. Dadurch wurde die Wettervorhersage präziser.
• Eine Ausgründung des MIT (Massachusetts Institute of Technology) sammelt täglich eine Milliarde Preisinformationen von Konsumgütern bei Amazon, Ebay, etc. So wird die Inflationsrate in Echtzeit ermittelt, nicht drei Monate im Nachhinein wie in der offiziellen Statistik.
• Ein US-Finanzdienstleister hat den „Medication Adherence Score“ entwickelt: Aus allgemein verfügbaren sozio-demografischen Daten, wie Grundbesitz, Kreditschulden, etc. lässt sich mit hoher Wahrscheinlichkeit vorhersagen, ob jemand seine Medikamente zeitgerecht und zuverlässig nimmt. Krankenhäuser kaufen den Score, um einzuschätzen, wann Patienten entlassen werden können.

Heute lernen auch Maschinen

Bisher haben nur Menschen aus Daten gelernt. Nun lernen auch Maschinen, indem statistische Muster gefunden und ständig angepasst werden. Diese künstliche Intelligenz erfordert einen anderen Umgang mit Daten. Googles selbstfahrendes Auto etwa schnitt in Tests fünfmal besser ab als entsprechende Fahrzeuge europäischer Autokonzerne. Das Google-Auto hatte durch Sensoren eine Milliarde Datenpunkte pro Sekunde gesammelt, gleichzeitig evaluiert und dadurch viel besser gelernt, während deutsche Autohersteller weitaus weniger Daten zur Verfügung hatten. Ein weiteres Beispiel aus dem Gesundheitsbereich: Der IBM-Computerprogramm Watson schafft bessere Hautkrebs-Erkennungsraten als ein durchschnittlicher Dermatologe.

Keine Durchschnittspatienten mehr

Seit Jahrzehnten besteht ein Spannungsfeld zwischen evidenzbasierter und patientenzentrierter Gesundheit, wobei entweder auf Fallzahlen oder auf einzelne Patienten abgestellt wird. Durch personalisierte und individualisierte Medizin, die in Ansätzen schon da ist und immer rascher kommt, kann dieses Spannungsfeld nun aufgelöst werden: Statt Daten von vielen Patienten werden Daten von einem Patienten über die Zeit hin gesammelt und die Veränderung betrachtet.

Das führt zu einer „Renaissance der Nähe“, weil Daten vom Einzelnen geholt werden. Skaleneffekte treten in den Hintergrund, wenn man Daten über die Zeit hin sammelt. Das bedeutet auch, zu hinterfragen, ob große Einheiten und große Strukturen noch sinnvoll sind. Gleichzeitig müssen wir überlegen, welche Möglichkeiten wir schaffen können, um Daten zu poolen, zu teilen und auszutauschen – das ist ganz wichtig und zentral.

Letztlich stellt sich in diesem Zusammenhang die Frage, was Krankheit eigentlich ist: Veränderung in Bezug auf einen früheren Zustand oder Veränderung in Bezug auf den Durchschnitt? Eine spannende Frage mit großen Auswirkungen auf bestehende Strukturen im Gesundheitswesen.

Die Digitalisierung im Gesundheitssystem wird uns mit Sicherheit ein höheres Maß an Lebensqualität bieten können. Wir stehen davor, in vielen Bereichen der Medizin große Durchbrüche zu erzielen. Es braucht aber Infrastruktur, Anreize und Mindset, um mit diesen Daten anders umzugehen als bisher.

Prof. Dr. Viktor Mayer-Schönberger ist Professor für Internet Governance an der Universität Oxford.