Vor kurzem haben wir in einem Beitrag mit dem Titel Data Cleansing Tools über die zögerliche Beziehung zwischen Big Data und dem Gesundheitswesen gesprochen: Überbrückung der Kluft zwischen Gesundheitswesen und Big Data. Das Gesundheitswesen sammelt enorme Datenmengen, hat aber bisher gezögert, Big-Data-Management-Strategien zu implementieren, um aus Maßnahmen zur Leistungsverbesserung, klinischen Ergebnissen und steuerlichen Vorteilen Nutzen zu ziehen. Einige der Einschränkungen bei der Verwaltung von Big Data im Gesundheitswesen betreffen vertrauliche Patienteninformationen und die Öffnung ihrer Systeme für Prozesse, die sie nicht als bewährte Methoden ansehen. Die „alte Garde“ hat diese Überzeugungen für wahr gehalten, aber in der Gesundheitsbranche sind Innovationen im Gange, die eine glänzende Zukunft für eine harmonische Beziehung zwischen Gesundheitswesen und Big Data eröffnen.
Wenn man sich die potenziellen Möglichkeiten für das Gesundheitswesen ansieht, so hat der Sektor schätzungsweise Daten im Terabyte-Bereich angesammelt und bewegt sich auf die Petabyte-Kategorie zu. Dies ist eine großartige Gelegenheit! In einem Artikel mit dem Titel Big Data für das Gesundheitswesen: Why are we collecting all this data? stellte High Tech Answers fest, dass die National Institutes of Health (NIH) innerhalb von weniger als einem Jahr 200 Millionen Dollar für das International 1000 Genomes Project erhalten haben. Auf dieser Grundlage konnten die Forscher eine wissenschaftliche Entdeckung im Zusammenhang mit der Alzheimer-Krankheit validieren. In ihrem Artikel heißt es dazu:
„Dieses „Big Data“-Projekt soll den weltweit größten Datensatz über die menschliche genetische Variation enthalten und zielt darauf ab, das gesamte Genom von 2.600 Menschen aus der ganzen Welt zu sequenzieren.
Ein weiterer Beweis für dieses aufregende Neuland kommt vom MIT. Im Jahr 2012 startete das MIT eine Big-Data-Initiative mit dem Namen bigdata@CSAIL. Die an dem Projekt beteiligten Forscher entwickeln neue Techniken für die Verarbeitung medizinischer Daten, um diese sowohl für Ärzte als auch für Patienten zugänglicher zu machen und Zusammenhänge zu finden, die die Diagnose oder die Auswahl von Therapien verbessern könnten.
John Guttag, der Dugald C. Jackson Professor in EECS, leitet die CSAIL-Gruppe für datengesteuerte Medizin. Die Gruppe erforscht unter anderem Techniken zur Erkennung und Vorhersage von Krankenhausinfektionen. Mit Hilfe von maschinellen Lernverfahren durchkämmte ein Forscher Daten, um Patienten zu finden, die ein erhöhtes Risiko für eine Infektion mit dem lästigen Darmkeim Clostridium difficile aufweisen . Dieser Erreger, der gemeinhin als C-Diff bezeichnet wird, kommt häufig in Krankenhäusern und im Gesundheitswesen vor, wo die Patienten anfällig für Infektionen sind. Sie ist hartnäckig und beunruhigend in ihrer Kontrolle.
Allein diese Fakten zeigen deutlich den Wert und die Zukunftsaussichten einer harmonischen Beziehung zwischen Gesundheitswesen, Datenbereinigung und Big Data. Die klare Vision, vor der wir stehen, lautet nicht „können wir“, sondern „wie können wir“ im Gesundheitswesen vorankommen, indem wir Datenbereinigungs- und Datensatzverknüpfungstechniken strategisch einsetzen. Unsere Möglichkeiten, die klinischen Ergebnisse zu verbessern und die Finanzlage zu stärken, sind endlos und zahlreich.
