Du hast Fragen? Wir haben Antworten! - Bald findet unser nächster Tag der offenen Tür statt!

Logo site

Data Science im Gesundheitswesen

-
7
 Minuten Lesezeit
-
data science gesundheitswesen

Aufgrund der Fülle an Daten, die uns zur Verfügung stehen, hat die Data Science das Gesundheitswesen verändert. Finde heraus, wie Datenanalyse und KI das medizinische Umfeld verändern und wie du ein "Healthcare Data Scientist" oder Datenwissenschaftler im Gesundheitswesen werden kannst...

Data Science im Gesundheitswesen: Der Gesundheitssektor generiert riesige Datenmengen. Laut einer Studie des Ponemon Institute entfallen allein auf diesen Bereich 30 % der weltweiten Daten.

Medizinische Aufzeichnungen, klinische Studien, genetische Informationen, Rechnungen, vernetzte Gegenstände, Datenbanken, wissenschaftliche Artikel sind nur einige der vielen Datenquellen, die dem medizinischen Umfeld zur Verfügung stehen.


Mit dem Aufschwung von Telekonsultationen und Internetrecherchen im Zusammenhang mit Gesundheit explodiert das Datenvolumen förmlich. Für die Fachleute in diesem Bereich sind die Patientendaten nun zentralisiert und zugänglicher als je zuvor.

Man spricht jetzt von „quantifizierter Gesundheit“ und meint damit die Integration von Daten aus vernetzten Objekten wie vernetzten Armbändern und Zubehör wie Blutzuckermessgeräten und Waagen in medizinische Aufzeichnungen über Smartphones.

Dies wird von Plattformen wie Apple HealthKit und Google Fit angeboten. Mithilfe dieser Ressourcen ist es nun möglich, alarmierende Signale schnell zu erkennen und Veränderungen im Verhalten und bei den Vitalindikatoren sorgfältig zu verfolgen.

All diese Daten können von Gesundheitsexperten genutzt werden und eröffnen eine Vielzahl von Möglichkeiten. Erfahre mehr über die Rolle von Data Science im Gesundheitswesen.

Die Entdeckung von Medikamenten

Im Durchschnitt kostet es 2,6 Milliarden US-Dollar und dauert 12 Jahre, um ein Medikament zu entwickeln und auf den Markt zu bringen. Mithilfe von Data Science im Gesundheitswesen können die Kosten und der Zeitaufwand jedoch drastisch reduziert werden.

Mithilfe von Daten können Wissenschaftler nun simulieren, wie ein Medikament mit körpereigenen Proteinen und verschiedenen Zelltypen reagiert. Laut Mark Ramsey, Chief Data Officer des Pharmariesen GSK, könnte der Prozess mithilfe dieser Simulationsmethode auf weniger als zwei Jahre verkürzt werden.

Mehrere Startups erforschen ebenfalls diesen Weg. So hat z. B. BenevolentAI mit Sitz in London 115 Mio. US-Dollar aufgebracht, um mehr als 20 Programme zur Wirkstoffentwicklung zu starten und ein künstliches Gehirn zu entwickeln, das neue Medikamente und Behandlungen kreieren kann.

Vorbeugung von Krankheiten

Vorsorge ist besser als Nachsorge, sagt ein Sprichwort. Mithilfe von vernetzten Gegenständen und anderen Tracking-Geräten, die die Geschichte und die genetischen Informationen des Patienten berücksichtigen, ist es möglich, ein Problem zu erkennen, bevor es außer Kontrolle gerät.

Das Unternehmen Omada Health nutzt z. B. vernetztes Zubehör, um personalisierte Verhaltenspläne und Online-Coaching zu erstellen, die dabei helfen, chronischen Krankheiten wie Diabetes, Bluthochdruck und Cholesterin vorzubeugen.

Propeller Health hat einen Inhalator-Nutzungs-Tracker entwickelt, der GPS nutzt, um die Daten von Risikopersonen mit den Umweltdaten der US-Gesundheitsbehörde CDC zu verknüpfen. Ziel ist es, Interventionen für Asthmatiker vorzuschlagen.

Das kanadische Startup Awake Labs hingegen sammelt mithilfe von vernetztem Zubehör Daten von autistischen Kindern. So können Eltern bei drohenden Anfällen alarmiert werden.

Künstliche Intelligenz hat schon mehrfach dazu beigetragen, Krankheiten frühzeitig zu erkennen. Forscher der Universität Campinas in Brasilien haben eine KI-Plattform entwickelt, die es ermöglicht, das Zika-Virus mithilfe von Stoffwechselmarkern zu diagnostizieren.

Die Diagnose von Krankheiten

In der heutigen Zeit sind die Diagnosen von Ärzten leider immer noch häufig falsch. Laut der National Academies of Sciences, Engineering and Medicine erhalten etwa 12 Millionen Amerikaner falsche Diagnosen.

Die Folgen können manchmal tödlich sein. Laut einer Umfrage der BBC verursachen Fehldiagnosen zwischen 40.000 und 80.000 Todesfälle pro Jahr.

Mithilfe von Data Science kann die Genauigkeit von Diagnosen jedoch stark verbessert werden. Dies gilt insbesondere für die Analyse medizinischer Bildgebung.

Computer können lernen, MRT, Röntgenstrahlen, Mammographien und andere Arten von Röntgenbildern zu interpretieren. Die Maschine lernt, Muster in diesen visuellen Daten zu erkennen, und kann dann Tumore, Arterienstenose und andere Anomalien mit einer Genauigkeit erkennen, die oftmals die Genauigkeit menschlicher Experten übertrifft.

Ohne auch nur bis zur automatisierten Analyse von medizinischen Bildern zu gehen, ermöglicht Data Science die Vergrößerung eines Bildes oder die Verbesserung seiner Auflösung. Dadurch wird die Interpretation für menschliche Experten erleichtert.

Darüber hinaus haben Forscher der Stanford University Data Driven-Modelle zur Erkennung von Unregelmäßigkeiten des Herzrhythmus anhand von Elektrokardiogrammen entwickelt, schneller als ein Kardiologe. Andere Modelle sind in der Lage, gutartige Markierungen auf der Haut von bösartigen Läsionen zu unterscheiden.

Das Unternehmen Iquity, das eine Plattform für prädiktive Analysen im Gesundheitssektor entwickelt, führte eine Studie durch, in der vier Millionen Datenpunkte von 20 Millionen New Yorkern analysiert wurden.

Durch die Kombination der Daten von Patienten, bei denen – falsch oder zutreffend – multiple Sklerose diagnostiziert wurde, gelang es Iquity, mit einer Genauigkeit von 90 % den Ausbruch einer Krankheit acht Monate, bevor sie mit herkömmlichen Werkzeugen festgestellt werden konnte, vorherzusagen.

Die Forscher von Microsoft analysierten ihrerseits die Websuchdaten von 6,4 Millionen Bing-Nutzern, deren Suchergebnisse darauf hindeuteten, dass sie Bauchspeicheldrüsenkrebs hatten.

Anschließend gingen sie die Suchbegriffe aus ihren früheren Suchanfragen durch, wie z. B. Gewichtsverlust oder Blutgerinnsel. Es ist also möglich, Suchmaschinen zu nutzen, um die Diagnose Bauchspeicheldrüsenkrebs vorherzusehen.

Personalisierung der Behandlung

Mithilfe von Data Science ist es auch möglich, gezieltere und personalisierte Behandlungen anzubieten. Es ist möglich, die feinen Unterschiede zwischen jedem von uns zu berücksichtigen, um eine bessere Wirksamkeit der gelieferten Behandlungen zu erreichen.

Zum Beispiel ist das 1000 Genome Projekt des National Institute of Health eine offene Studie von Regionen des Genoms, die mit häufigen Krankheiten wie Diabetes oder koronarer Herzkrankheit in Verbindung stehen. Diese Studie ermöglicht es Wissenschaftlern, die Komplexität der menschlichen Gene besser zu verstehen und auf welche Weise eine bestimmte Behandlung für ein Individuum besser geeignet ist.

Die Emory University und die Alfac Cancer Treatment sind ihrerseits eine Partnerschaft mit NextBio eingegangen, um den bösartigen Hirntumor vom Typ Medulloblastom zu erforschen. Während früher die Strahlentherapie die einzige Behandlung für diesen Krebs war, können nun durch die Analyse der genetischen und klinischen Daten eines Patienten spezifische Biomarker entdeckt werden, um eine personalisierte Behandlung vorzuschlagen.

Das MapReduce-Tool ermöglicht das Lesen von Gensequenzen und verkürzt die Zeit, die für die Datenverarbeitung benötigt wird. Die Sprache SQL ermöglicht die Wiederherstellung genomischer Daten, die Manipulation von „BAM“-Dateien und die Verarbeitung von Daten.

Die Nachsorge der Patienten nach der Heimkehr

Jede Operation oder Behandlung kann Nebenwirkungen, Komplikationen oder wiederkehrende Schmerzen mit sich bringen. Es kann schwierig sein, diese Phänomene zu verfolgen und zu überwachen, nachdem ein Patient das Krankenhaus verlassen hat.

Data Science im Gesundheitswesen ermöglicht es Ärzten, Patienten auch nach ihrer Rückkehr nach Hause aus der Ferne in Echtzeit weiter zu betreuen. Mithilfe von Cloudera-Software kann beispielsweise die Wahrscheinlichkeit, dass ein Patient innerhalb von 30 Tagen wieder aufgenommen wird, auf der Grundlage seiner medizinischen Daten und des sozioökonomischen Status der Region, in der sich das Krankenhaus befindet, vorhergesagt werden.

SeamlessMD entwickelt seinerseits eine Plattform für die Pflege nach Operationen. Diese Plattform hat es dem Healthcare System Saint Peter in New Jersey ermöglicht, die durchschnittliche Aufenthaltsdauer nach der Operation um einen Tag zu verkürzen.

Dies bedeutet eine Ersparnis von 1.500 US-Dollar für jeden Patienten, der lediglich jeden Tag sein Schmerzniveau in der App angeben muss und es den Pflegern überlässt, die Entwicklung im Laufe der Zeit zu überwachen. Bei möglichen Problemen gibt die App auch Warnungen aus.

Mobile Anwendungen, die KI nutzen, können den Patienten ebenfalls helfen. Chatbots, virtuelle Sprachassistenten, können mit Patienten kommunizieren. Der Patient kann seine Symptome beschreiben oder Fragen stellen und erhält wertvolle Informationen aus einem großen Netzwerk, das Symptome mit Krankheiten verbindet.

Diese Anwendungen können den Patienten auch daran erinnern, seine Medikamente pünktlich einzunehmen, und bei Bedarf einen Termin mit einem Arzt vereinbaren. Zu den beliebtesten Anwendungen gehören der Chatbot Woebot, der von der Stanford University entwickelt wurde, um depressiven Patienten zu helfen, oder der virtuelle Assistent des Berliner Startups Ada, der Krankheiten anhand von Symptomen vorhersagen kann.

Krankenhausmanagement

Krankenhäuser sind Einrichtungen, deren Verwaltung komplex und schwierig ist. Mithilfe von Datenanalysen kann genau bestimmt werden, wie viele Pflegekräfte zu jeder Tageszeit auf der Brücke sein müssen, um die Effizienz zu maximieren.

Sie hilft auch sicherzustellen, dass genügend Betten zur Verfügung stehen, um die Nachfrage zu befriedigen, und vieles mehr. Predictive Analytics helfen auch bei der Optimierung von Dienstplänen und sorgt für einen reibungslosen Ablauf in der Notaufnahme.

Am Emory University Hospital wird Data Science eingesetzt, um die Nachfrage nach Labortests vorherzusagen. Dadurch kann die Wartezeit um bis zu 75 % reduziert werden.

Business Intelligence kann auch genutzt werden, um das Abrechnungssystem zu verbessern und Patienten zu identifizieren, die möglicherweise Schwierigkeiten bei der Bezahlung haben. Diese Analysen können mit Versicherungen und Finanzabteilungen koordiniert werden. Das Center for Medicare and Medicaid Services sparte 210,7 Millionen US-Dollar durch Big-Data-basierte Betrugsprävention ein.

Die Zukunft der Data Science im medizinischen Bereich

Die Medizin befindet sich dank Data Science im Gesundheitswesen in einem tiefgreifenden Wandel. Pharmariesen, Biotech-Start-ups, Forschungszentren, Investoren und Gesundheitseinrichtungen investieren massiv in diese Revolution.

Es gibt jedoch noch viele Herausforderungen zu bewältigen. Beispielsweise sind die Daten oft über mehrere Regionen, Verwaltungseinheiten und Krankenhäuser verteilt. Daher ist es schwierig, sie in einem einzigen System zusammenzuführen.

Darüber hinaus sind viele Patienten besorgt über den Schutz und die Vertraulichkeit ihrer persönlichen Daten. Einige private Unternehmen sind daran interessiert, diese wertvollen Daten für gezielte Werbung zu nutzen. Insbesondere Google wurde wegen solcher Praktiken verklagt.

Schließlich sind einige besorgt, dass die Beziehung zwischen Ärzten und Patienten zugunsten der Interaktion mit Maschinen und Algorithmen verschwinden könnte. Es stimmt, dass der menschliche Kontakt im Gesundheitswesen von entscheidender Bedeutung ist.

Wie dem auch sei, trotz dieser Herausforderungen, die es zu bewältigen gilt, bietet die Data Science im Gesundheitswesen viele Versprechungen für die Zukunft der Medizin. In dem Maße, wie sich die Technologie weiterentwickelt, werden neue Möglichkeiten entstehen….

Wie werde ich Healthcare Data Scientist?

Der medizinische Bereich bietet sich daher als ideales Feld für Data Science an. Der Begriff „Health Data Science“ (Gesundheitsdatenwissenschaft) bezieht sich auf die Generierung von datengetriebenen Lösungen für Probleme im Gesundheitswesen. Es handelt sich dabei um eine aufstrebende Disziplin an der Schnittstelle zwischen Statistik, Informatik und Medizin.

Health Data Scientists oder Gesundheitsdatenwissenschaftler werden im Gesundheitswesen in allen Ländern, sowohl im öffentlichen als auch im privaten Sektor, zunehmend gesucht. Dennoch arbeiten derzeit nur 3 % der US-amerikanischen Data Scientists im medizinischen Bereich.

Ein Healthcare Data Scientist hat die Aufgabe, Studien und Bewertungen zu entwerfen, komplexe Datenanalysen durchzuführen oder Gesundheitseinrichtungen und Pflegepersonal auf der Grundlage der Ergebnisse seiner Analysen zu beraten.

Er/sie muss sich auf Daten stützen, um die Wirkung von Medikamenten vorherzusagen und Krankheiten zu verstehen, die den Menschen betreffen. Seine Aufgabe ist es auch, die Macht der künstlichen Intelligenz zu entfalten und die öffentlichen Gesundheitsdatensätze zu erweitern.

Data Data Scientists können in staatlichen Gesundheitsabteilungen, Krankenhäusern, Universitäten und Forschungsinstituten, Pharmaunternehmen, Krankenversicherungen oder Privatunternehmen arbeiten.

Healthcare Data Scientist zu werden erfordert die gleichen Fähigkeiten wie ein normaler Data Scientist. Allerdings müssen diese Fähigkeiten mit soliden Kenntnissen des Gesundheitswesens gekoppelt werden.

Ein Healthcare Data Scientist muss über Kompetenzen in Mathematik, quantitativer Analyse und Statistik verfügen. Er muss auch in der Lage sein, mit den verschiedenen Akteuren im medizinischen Bereich zu kommunizieren.

Natürlich ist es wichtig, dass er/sie die Begriffe, die diesem Sektor verwendet werden, dank seiner/ihrer Kenntnisse in Medizin, Epidemiologie oder Virologie selbst versteht.

Einige Unternehmen bieten spezielle Programme an. Zum Beispiel hat die Harvard University einen Master in Health Data Science entwickelt. In diesem 18-monatigen Programm lernt man speziell die Analyse und Nutzung von Gesundheitsdaten, um die größten Herausforderungen in diesem Bereich zu meistern.

Eine Alternative besteht darin, eine allgemeine Data Scientist-Ausbildung mit einer Ausbildung zu verbinden, die sich auf den Gesundheitssektor bezieht. Du kannst durchaus damit beginnen, die von DataScientest angebotene Weiterbildung zu absolvieren, um ein von der Universität Sorbonne zertifiziertes Diplom zu erwerben. Diese Option ist auch sehr interessant, wenn Du bereits Arzt bist und Dir Fähigkeiten als Data Scientist aneignen möchtest…

Du weißt jetzt mehr über die Rolle von Data Science im Gesundheitswesen.

Jetzt erfährst Du, wie Data Science in die Kunst- und Kulturwelt eindringt…

DataScientest News

Melde Dich jetzt für unseren Newsletter an, um unsere Guides, Tutorials und die neuesten Entwicklungen im Bereich Data Science direkt per E-Mail zu erhalten.

Möchtest Du informiert bleiben?

Schreib uns Deine E-Mail-Adresse, damit wir Dir die neuesten Artikel zum Zeitpunkt der Veröffentlichung zusenden können!
icon newsletter

DataNews

Starte Deine Karriere im Bereich Data: Erhalte regelmäßig Insiderwissen und wertvolle Karrieretipps in Deinem Posteingang.