Direkt zum Inhalt

 

Die medizinische Forschung und die Gesundheitsversorgung stehen durch die zunehmende Digitalisierung vor einem grundsätzlichen Umbruch. Grundlegende Fortschritte in der Sensorik und Bildgebung - sowohl im klinischen Alltag als auch in der Durchdringung im privaten Umfeld - liefern neuartige gesundheitsrelevante Verlaufsdaten. Die transsektorale Vernetzung von Versorgungsdaten verknüpft die episodischen Datensätze zu heterogenen Datensätzen, die die gesamte Lebensspanne von Bürger*innen umfassen. Die Anwendung neuer Datenanalyse-Technologien auf diese großen Datenmengen ermöglicht neue Ansätze für das Verständnis und die Therapie komplexer Erkrankungen. Dabei handelt es sich nicht einfach um den Einsatz von neuen Technologien, sondern um grundlegende Veränderungen in der Gesundheitsversorgung, die sich durch eine individuelle Versorgung (z.B. Präzisionsmedizin), neue telemedizinische Angebote für selbstbestimmtes Leben im ländlichen Raum, stärkere Eigenverantwortung der Patient*innen und neue Marktteilnehmer*innen darstellen.

 

Diese Entwicklung liefert neue Chancen, um gesellschaftlichen Herausforderungen wie dem demografischen Wandel, den chronischen Volkskrankheiten ebenso wie seltenen Erkrankungen begegnen zu können. Die Digitalisierung wirft aber auch Fragen auf, z.B. in Bezug auf die Sicherstellung der digitalen Teilhabe und der Kompetenzbildung in der Gesellschaft, das Recht auf Privatheit und Nichtwissen und weitere soziale, ethische und rechtliche Fragen. Das Zukunftslabor Gesundheit bündelt die niedersächsischen Kompetenzen in diesen Gebieten und liefert anwendungsbezogene Antworten zur Förderung innovativer Lösungen, um digitale Technologien für Versorgung und Pflege zu etablieren.

 

Zur Hebung des “Datenschatzes” für den Einsatz von Techniken des maschinellen Lernens, ist es notwendig, Daten, die unterschiedliche Akteure zu unterschiedlichen Zwecken in unterschiedlicher Qualität erhoben haben, strukturiert, standardisiert und digital zu vernetzen.  Es ist daher erforderlich absolut sicherzustellen, dass vor allem hochsensitive Patientendaten auch während und nach der Datenanalyse vertraulich bleiben und mehrere Herausforderungen wie Preisgabe von Anonymität und sensible Merkmalen müssen angegangen werden. Darüber hinaus enthalten die aktuellen Richtlinien zur Wahrung von Anonymität nur Vorgaben auf höchster Ebene. Die medizinischen Daten müssen dahingehend aus technischer Sicht auch für den Fall eines Zugriffs gesichert werden. Dazu beitragen L3S mit verschiedene Techniken wie “Differential Privacy” und “Distributed Privacy preserving Data Mining” zum Erhalt der Privatsphäre.

 

 

Begin
End