In der Ausgabe Management & Krankenhaus 9/2016 äußerts Geschäftsführer von Molecular Health, Dr. Stephan Brock  interviewt.

Lernende Systeme unterstützen den Arzt bei Diagnose und Behandlungsentscheidung.


Die Akkumulation großer Mengen von Patientendaten wird es über (selbst-)lernende Systeme in Zukunft ermöglichen, bessere, individuell angepasste Therapieentscheidungen treffen zu können. Auch Prävention und Diagnose werden davon profitieren. Der medizinische Fortschritt wird beschleunigt und schneller umsetzbar. Wir alle sind Zeugen einer Revolution im Gesundheitswesen: In vielerlei Hinsicht ist die Medizin schon heute eine Informationswissenschaft, und mit der zunehmenden Verbreitung elektronischer Systeme zur Verwaltung klinischer Daten, den modernen bildgebenden Verfahren und nicht zuletzt den neuen Möglichkeiten zur molekularen Profilierung von Patienten im Hochdurchsatz wird sich dieser Trend noch verstärken. Zweifelsohne ist die Medizin damit schon heute eine Big-Data-Disziplin. Big Data – und dieses Phänomen ist uns aus anderen Industrien bekannt – kommt mit dem Versprechen bessere und schnellere, heute meist im Sinne von marktgerechte, Entscheidungen treffen zu können. In einigen Industrien können wir die Auswirkungen von Big Data schon heute beobachten. Das Stichwort lautet: Personalisierung von Werbung, Dienstleistungen und Produkten. Die Ausmaße der möglichen wirtschaftlichen Umwälzungen, die mit neuen, auf Big Data basierenden Geschäftsmodellen einhergehen, lassen sich bereits erahnen.

Megatrends in der medizinischen Praxis


Der Einfluss von Big Data auf die medizinische Praxis lässt sich aus drei sogenannten Megatrends ablesen:

1. Der selbstbestimmte Patient: Digitalisierung, die allgemeine Verfügbarkeit von Fachinformation, Möglichkeiten zur Selbstdiagnose auch in Form sogenannter Wearables mit eingebauter Sensorik zur Überwachung von Fitness- und Gesundheitsfunktionen und auch die Verfügbarkeit molekularer Tests für Konsumenten ermöglichen es dem einzelnen, informierten Patienten, immer mehr zum aktiven Verwalter und Gestalter seiner Gesundheitsangelegenheiten zu werden. Oft werden die dabei gesammelten Daten, dem Beispiel der sozialen Netzwerke folgend, durch die Unternehmen akkumuliert. Die Daten können durch lernende Systeme ausgewertet werden und helfen so, die Algorithmik stetig zu verbessern.

2. Demokratisierung und Automatisierung der Diagnose: Die Diagnose ist das zentrale Element des Gesundheitssystems, denn nach ihr richten sich alle Folgeaktivitäten und Entscheidungen. Big Data und die automatisierte Auswertung von in der Diagnostik erhobener Daten, sei es in Form von Daten aus der elektronischen Patientenakte, Bildern, Laborwerten oder Molekulardiagnostik im Hochdurchsatzverfahren, werden die korrekte Erstellung der Diagnose erleichtern. Die Qualität der Diagnose hängt damit nicht mehr so stark von Breite und Aktualität des Hintergrundwissens des Behandelnden ab. Dies führt, vor allem wenn wir an Regionen in der Welt mit weniger gut ausgebildetem Personal denken, zu einer Demokratisierung der Diagnose.

3. Implementierung eines Lebenszyklus der personalisierten Gesundheit: Getrieben durch die digitale Revolution und Big-Data-Ansätze wird letztendlich der Zyklus von Analyse der Prädisposition, aktiver personalisierter Prävention, personalisierter Diagnose und optimaler individualisierter Therapie geschlossen.

Unterstützung der Behandlungsentscheidung


Die größte Rolle spielt Big Data heute bei der Entwicklung von Systemen zur Unterstützung der Behandlungsentscheidung. In der Medizin geht es vor allem darum, möglichst zeitnah die richtige Entscheidung zum Wohle des Patienten zu treffen. Das Ziel ist es, die Therapie möglichst optimal auf den einzelnen Patienten abzustellen. Vorreiter für dieses Konzept ist die Onkologie. Unter dem Stichwort personalisierte Medizin wird hier der optimale Zuschnitt einer Therapie auf die individuelle klinische und molekulare Situation des einzelnen Patienten gesucht. Wenn aber Behandlungsentscheidungen heute auf Daten aus klinischen Studien beruhen, nutzen wir Erkenntnisse, die aus der Beobachtung von lediglich etwa 3 % der Patienten beruhen und die vielfach den Wissensstand nur mit erheblicher Verzögerung weitergeben können. Big-Data-Ansätze tragen das Potential, auch von den restlichen 97 % lernen zu können. Sind klinische Daten wie Informationen über Behandlungsverlauf und -ergebnis zusammen mit Befunden, Labordaten und Daten aus der molekularen Hochdurchsatz-Profilierung (beispielsweise Genomsequenzierung) verfügbar, können die Datensätze jedes einzelnen Patienten zur Verbesserung zukünftiger Behandlungsentscheidungen beitragen, und das sogar in „Echtzeit“. Je mehr Datensätze zur Verfügung stehen, umso signifikanter werden die Ergebnisse.

Dreiklang aus Daten, Wissen und Anwendung.


Die ersten Ansätze sind, auch getrieben von Fachgesellschaften wie der ASCO in den USA, bereits in der Umsetzung. Um aber mittels KI-Algorithmen aus der Flut von Daten Handlungshilfen ableiten zu können, sind auch ordnende Prinzipien im Sinne von Wissensstrukturen, die das Fachwissen bis hin zur molekularen Ebene abbilden können, notwendig. So ergibt sich ein Dreiklang aus Daten, Wissen und Anwendung. Vielfältige Datenquellen können über intelligente Algorithmen miteinander verknüpft und ausgewertet werden. Der daraus resultierende Mehrwert kommt Ärzten, Patienten, Forschern und den Versicherungen zugute.