Ein großer Vorstoß

Die EU-Regierungen sind eifrig dabei, die nationalen Gesundheitssysteme zu einer besseren Nutzung digitaler Patientendaten zu bewegen. Genomforschung ist ein wichtiger Bestandteil, doch auch Multi-System-basierte Tools und vorausschauende Bildgebung sind im Kommen.

Würde man die Europäischen Regierungen fragen, was sie heutzutage als größten IT-Trend in der Gesundheitsversorgung ansehen, würden sie wahrscheinlich sagen: „Big Data“.

Man schaue allein auf die Niederlande: Im Juni 2016 unterzeichneten Edith Schippers und Henk Kamp, die Niederländischen Minister für Gesundheit und Wirtschaft, zusammen mit vielen anderen wie dem Niederländischen Krebsinstitut (NCI) und dem Biobanking und BioMolecular resources Research Infrastructure the Netherlands (BBMRI.nl) ein Übereinkommen namens „Health Deal“. Es zielt darauf ab, die Innovationslücke in der personalisierten Medizin zu überbrücken.

Die Zielsetzung ist dabei, ein Ökosystem für Entscheidungsunterstützung in der Onkologie zu schaffen. Basieren soll es überwiegend auf der IBM Technology Watson: „Watson ist der große Spieler hinter dem Health Deal“, sagte Dr. Nicky Hecksters von IBM LifeSciences auf der eHealthWeek 2016 in Amsterdam. In den vergangen Jahren haben Experten von IBM und dem Krebszentrum Memorial Sloan Kettering in New York einen massiven digitalen Wissenskorpus für die Krebsbehandlung aufgebaut. Das System hat Zugang zu mehreren 100 Millionen anonymisierten Patientenprofilen. Es durchsucht nahezu 300 medizinische Journale, mehr als 200 Textbücher nebst 12 Millionen Seiten Freitext. Mehr als 1000 Ärzte haben das System über eine Dauer von drei Jahren trainiert.

Die Niederlande: Big Data für Entscheidungsunterstützung in der Onkologie

Der Wissensfundus kann bereits jetzt in verschiedenen Einsatzszenarien angewendet werden, und der Niederländische Health Deal leistet genau dies für die Niederlande. Prof. Dr. Sabine Linn vom NCI sieht eine ganze Reihe von neuen Aspekten, die ein wissensbasiertes und kontinuierlich-wachsendes Entscheidungs-unterstützendes System zur konventionellen Onkologie beiträgt: „Diese Tools können uns potenziell dabei helfen, die Vollständigkeit der diagnostischen Information zu prüfen. Sie können uns auch unterstützen, über noch mehr Behandlungsoptionen nachzudenken, und sie könnten geeignet sein, um dem Patienten eine Behandlungsübersicht zu bieten.“

Außerdem kann ein auf Cloud-Technologie basierendes Decision Support System [Entscheidungs-Unterstützungssystem] für Onkologie dank seiner Wissensdatenbanken und seiner Fähigkeit, Freitext zu suchen, ein Auge darauf haben, welche klinischen Studien aktuell laufen, die für einen bestimmten Patienten geeignet sein könnten: „Im Augenblick müssen wir individuell prüfen, ob ein Patient die Kriterien für eine klinische Studie erfüllt. Das nimmt 10 Minuten pro Studie in Anspruch, und ist einer der Gründe, warum nur 10% der geeigneten Patienten an den klinischen Studien in der Onkologie teilnehmen.“

Doch es gibt einige echte Vorteile, die man aus einem solchem System ernten kann: Dies zeigte sich kürzlich, als ein US-Onkologe eine japanische Patientin mit Lungenkrebs behandeln sollte. Der Arzt entschied sich, „Watson“ zu konsultieren, und das System überraschte ihn mit der Frage, ob die Patientin Blut huste. Das tat sie, und der Computer stellte weitere Fragen, die verneint werden konnten. Daraufhin schlug er vor, die Frau könne möglicherweise eine bestimmte genetische Mutation haben, die typisch für Fernost-Patienten sei und die sie gegenüber der herkömmlichen Therapie immun mache. Es stellte sich heraus, dass dies tatsächlich der Fall war, und der Computer war darüber hinaus in der Lage mit einer klinischen Studie über Patienten mit dieser speziellen Mutation aufzuwarten.

Deutschland: Überregionale Big Data Netzwerke bis 2017

Mit dem“Health Deal” in den Niederlanden sind Big Data Analytik und klinische Entscheidungsunterstützung auf dem Weg in Richtung täglicher onkologischer Praxis. Nebenan in Frankreich, hat die Regierung gerade einen nationalen „Plan für genomische Medizin“ angekündigt, bei dem es nicht nur um Sequenzierung geht, sondern auch um Big Data Infrastrukturen. Und in Deutschland arbeiten das Bundesministerium für Gesundheit und das für Bildung und Forschung gemeinsam daran, die digitale Analytik in den Versorgungsalltag zu bringen. Sie haben ein massives Förderprogrammgestartet, das zu mehreren überregionalen Big Data Netzwerken führen soll, koordiniert durch die Universitätskrankenhäuser, aber auch konventionelle Kliniken.

Im Kern von jedem dieser Netzwerke befindet sich ein gemeinsames Rechenzentrum, das Patientendaten aus unterschiedlichen Einrichtungen und verschiedenen IT-Lösungen zusammenführt. Diese Daten können dann verwendet werden, um klinische Forschung zu betreiben, aber auch um die Patientenversorgung zu verbessern, beispielsweise durch das Einfüttern von Informationen in klinische Register oder indem Patienten für klinische Studien identifiziert werden.

Wie genau die IT-Infrastrukturen dieser Netzwerke aussehen, wird sich während einer Konzeptionsphase entscheiden, die für 2017 auf der Agenda steht. Die eigentliche Implementierung wird 2018 starten.

Zweifelsohne unternehmen die politischen Entscheidungsträger in Europa einen Vorstoß in Richtung Big Data Analytik. Aber nicht nur sie allein. Auch einzelne Krankenhäuser entdecken Vorteile darin, ihre Analysen zu unterstützen, um medizinische Risiken für ihre Patienten zu identifizieren – Risiken, die sie ohne die Hilfe ihrer IT nicht entdecken würden. In vielen dieser Projekte spielt die Genomik eine wichtige Rolle.

Vorausschauende Analysen: Werden Black Box Modelle gut genug sein?

Prof. Norbert Graf, Spezialist für kinderärztliche Onkologie am Universitätskrankenhaus des Saarlands arbeitet beispielsweise zur Zeit an einer IT-basierten Datenmodellierungs-Lösung, die hilft, Komplikationen bei Patienten mit Knochenmarkstransplantation vorherzusagen. „Komplikationen nach einer Knochenmarkstransplantation lassen sich mit konventionellen klinischen Parametern leider nicht vorhersagen“, sagt er. Deshalb würden komplexe Modelle benötigt, die nur mit Hilfe der Computer berechnet werden könnten.

Grafs Ziel ist ein Modell, das klinische Parameter, Laborwerte, Immunsystem-Parameter und genetische Information berücksichtigt. Diese Daten werden verwendet, um individuelle Risiken abzuschätzen, die im Verlauf einer Behandlung sogar variieren können. Im Unterschied zu herkömmlichen Warnsystemen kann die Genauigkeit und Plausibilität von Big-Data-basierten Vorhersagen nicht mehr so leicht von Ärzten verifiziert werden. „Diese Modelle bleiben eine Black Box bis zu einem gewissen Grad. Deshalb müssen die Vorhersagen so genau und fehlerfrei wie möglich sein, andernfalls haben sie keinen Nutzen“, sagt Graf.

Gleiches gilt für Risikovorhersagen, die auf Bildgebung basieren, einem weiteren Anwendungsfeld von Big Data Analysen, das viele Experten endlich als ausgereift ansehen. Vorausschauende Bildgebung gibt es in verschiedenen Formen. Eine davon ist 3D-Modellierung für Risikovorhersage – ein Ansatz, der vor allem in der kardiovaskulären Medizin zunehmend beliebt ist. Erst in jüngster Zeit war eine US-Arbeitsgruppe in der Lage zu zeigen, dass 3D-Modelle bei der Vorhersage lebensbedrohlicher Herzrhythmusstörungen des Herzens genauer sind als jede andere bekannte Methode. Bildgebungsdaten mit (klinischen) Patientendaten aus anderen Quellen zu kombinieren, könnte das vorausschauende Vermögen sogar noch weiter vergrößern.

Ähnlich spannend ist Voxel-basierte Bildgebungsanalytik, eine Technologie, die 2D-Datasets für Musterauswertungen verwendet. Der Psychiater Udo Dannlowski von der Universität Münster hat kürzlich gezeigt, dass sich mittels auf MRI Gehirnbildern basierender Muster-Wiedererkennung vorhersagen lässt, ob sich ein Patient mit Depression zu einem Patienten mit bipolarer Störung entwickeln wird oder ein Patient mit unipolarer Depression bleibt – eine hoch relevante Unterscheidung, weil die Behandlung von bipolaren Patienten mit Antidepressiva allein die manischen Episoden tatsächlich auslösen kann.

Erschienen in: Insights 5.1, Winter 2016/17

HIMSS Impact 17

Wirkungskraft von Big Data im Gesundheitswesen erschließen

Koordinierte Dateninfrastruktur

Personalisierte Medizin macht Fortschritte in der Schweiz

Investition in Big Data Anwendungen

Auswertung digitaler Gesundheitsdaten mit €150 Millionen gefördert