Der Status von Data Science und Machine Learning im Gesundheitswesen
Mit der fortschreitenden Digitalisierung zählt das Gesundheitswesen zu den Branchen, die Data Science und Machine Learning am wirkungsvollsten nutzen können. Seit 2015 sind in Europa allein die Venture-Capital-Investitionen in KI-Unternehmen im Gesundheitsbereich um das 22-Fache gestiegen (McKinsey).
Data Science und Machine Learning verändern das Gesundheitswesen in vielen Bereichen – von der Patientenversorgung bis zur Pharmaindustrie. Um den Effekt jedoch zu skalieren, müssen zahlreiche Herausforderungen bedacht werden: Compliance, Data Governance und Aufsicht, Datenkultur sowie die Verfügbarkeit entsprechender Kompetenzen.
Die Chancen von Data Science und Machine Learning im Gesundheitswesen
Durch das enorme Datenaufkommen und zahlreiche Anwendungsfälle für die öffentliche Gesundheit ist der Gesundheitssektor heute prädestiniert für Machine Learning und Data Science. Laut Statista werden weltweit jährlich rund 2.314 Exabyte an Gesundheitsdaten erzeugt (1 Exabyte = 1 Mrd. Gigabyte) – das entspricht einem 15-fachen Anstieg seit 2013.
Für die Gesellschaft ergeben sich daraus enorme Vorteile durch bessere Gesundheitsergebnisse in der Bevölkerung. Deloitte schätzt, dass Effizienzgewinne aus Data-Science- und ML-Anwendungsfällen allein in Europa zwischen 380.000 und 403.000 Menschenleben retten könnten. Data Science und Machine Learning lassen sich entlang der gesamten Patient Journey integrieren – von Prävention und Früherkennung über Diagnose bis hin zu Behandlung und Versorgungsmanagement.
So können etwa Wearables und personalisierte Apps zur Früherkennung und Prävention beitragen oder dank Deep-Learning-gestützter Analyse medizinischer Bilddaten Wartezeiten reduzieren. Auch Forschung und Entwicklung stehen vor großen Fortschritten – von automatisierter Arzneimittelentdeckung bis zu DeepMinds Durchbruch in der Proteinfaltung mit dem AlphaFold-Algorithmus.
Gesundheitsdienstleister in allen Bereichen können zudem erhebliche Kosten sparen und effizienter arbeiten. Die Operationalisierung von Data Science und Machine Learning könnte dem europäischen Gesundheitssystem jährlich zwischen 170,9 und 212,4 Milliarden Euro einsparen (Deloitte). Die Effizienzgewinne reichen von optimierten Lieferketten in der Pharmaindustrie über die Vorhersage von Kündigungen im Versicherungswesen bis hin zu mehr Produktivität durch Workflow-Automatisierung in zahlreichen Bereichen.
Anwendungsfälle für Data Science und Machine Learning im Gesundheitswesen
Patientenversorgung
Data-Science- und ML-Anwendungsfälle verbessern individuelle Gesundheitsergebnisse und automatisieren zeitaufwendige Verwaltungstätigkeiten im Klinikalltag.
Terminmanagement: Mithilfe von Machine Learning und regelbasierter KI lassen sich Termine automatisiert steuern, Behandlungswege optimieren und Ressourcenverschwendung minimieren.
Früherkennung und Prävention: Gesundheits-Apps und Wearables nutzen Machine Learning und deskriptive Analysen, um wichtige Einblicke in verschiedene Aspekte der Gesundheit zu liefern. So können Menschen fundierte, datenbasierte Entscheidungen treffen und potenzielle Erkrankungen frühzeitig erkennen.
Triage von Patientinnen und Patienten: Mit Machine-Learning-gestützten Symptom-Checkern priorisieren Leistungserbringer die Versorgung nach Bedarf und Dringlichkeit. Das senkt Wartezeiten deutlich und steigert die Effizienz.
Bildgebung und Diagnostik: Einer der wichtigsten Anwendungsfälle im Gesundheitswesen (McKinsey). Deep Learning ermöglicht es, Workflows zu automatisieren und Patientinnen und Patienten schneller Mehrwert zu liefern.
Geschäftsprozesse und Management
Wie in jeder Branche decken Anwendungen von Data Science und Machine Learning im Gesundheitswesen zahlreiche Use Cases für effizientere Abläufe und bessere Kundenerlebnisse ab.
Robotic Process Automation: Durch die Kombination aus Machine Learning und regelbasierter KI lassen sich Workflows straffen und Prozesse digitalisieren.
Kündigungsprognosen: Versicherer können mit Machine Learning Kündigungswahrscheinlichkeiten vorhersagen, Kundinnen und Kunden halten und Marketingbudgets gezielter einsetzen.
Chatbots: Von Kliniken bis Versicherungen – mit Chatbots verbessern Anbieter ihren Kundenservice und liefern schneller spürbaren Mehrwert.
Business Intelligence: Business Intelligence vereint Business-Analytics, Datenaufbereitung und Visualisierung, damit Organisationen fundiertere, datenbasierte Entscheidungen treffen. So gewinnen Gesundheitsdienstleister Einblicke in Finanzabläufe, automatisieren Compliance-Berichte und vieles mehr (Villanova University).
Pharma
Mit KI-gestützter Wirkstoffsuche und besseren Lieferketten können Pharmaunternehmen Data Science und Machine Learning nutzen, um Menschen schneller und wirksamer zu versorgen.
Wirkstoffentdeckung: Laut dem AI Index Report 2021 erhielt die Wirkstoffforschung mit KI die höchsten privaten KI-Investitionen aller Branchen. Die Versprechen ML-basierter Wirkstoffentdeckung zahlen sich zunehmend aus und könnten die Gesundheit der Bevölkerung deutlich verbessern.
Supply-Chain-Planung: Data Science und Machine Learning in der Lieferkettenplanung verkürzen die Time-to-Production, reduzieren Wartezeiten bei Impfstofflieferungen und optimieren Ausgaben entlang der Supply Chain.
Forecasting Excellence: Mit einfachen bis komplexen Prognosemodellen nutzen Pharmaunternehmen Gesundheitsdaten der Bevölkerung, um Angebot und Nachfrage bestimmter Medikamente vorherzusagen und Prozesse in Finanzen, Marketing, Vertrieb und mehr zu optimieren.
Optimierung klinischer Studien: Data Science und Wearables senken Risiken, indem sie Nebenwirkungen automatisch überwachen und melden. Zudem beschleunigen ML-gestützte Anwendungen Studien durch Eignungsprüfungen, Pre-Screening und Randomisierung.
Herausforderungen und Risiken bei der Operationalisierung von Data Science und Machine Learning im Gesundheitswesen
Datenqualität und Infrastruktur
Eine der größten Hürden für Organisationen, die Data Science und Machine Learning skalieren wollen, ist der Aufbau einer modernen, sicheren, zentralen und auffindbaren Dateninfrastruktur (DataCamp). Im Gesundheitswesen gilt das besonders, da vielerorts Daten noch digitalisiert werden und große Datensätze durch fehlende Interoperabilität und uneinheitliche Qualitätsstandards zwischen Leistungserbringern erschwert werden (McKinsey).
Compliance und Governance
Da Gesundheitsorganisationen hochsensible und wertvolle Daten sammeln, sind Governance und Compliance zentrale Voraussetzungen für die Operationalisierung von Data Science und Machine Learning (Collibra). Zwar unterscheiden sich die Vorschriften je nach Region (McKinsey), doch zählt das Gesundheitswesen zu den komplexesten Regulierungsumfeldern. In den USA legt der Health Insurance Portability and Accountability Act (HIPAA) beispielsweise nationale Standards zum Schutz und Management von Patientendaten fest.
Gesundheitsspezifische Regelungen sind dabei nur ein Teil der komplexen Landschaft. Datenschutzgesetze wie die Datenschutz-Grundverordnung (GDPR) in der EU und der California Consumer Privacy Act (CCPA) erschweren zusätzlich das Erstellen und Verknüpfen unterschiedlicher Datensätze für Data-Science- und ML-Anwendungen. Entsprechend sind starke Data Governance und Compliance essenziell, um Data Science und Machine Learning im Gesundheitswesen in die Praxis zu bringen.
Kompetenzen
Eine tragfähige Dateninfrastruktur und abgestimmte Regulierungsrahmen sind Grundvoraussetzungen. Die größte Hürde für die Einführung dieser Technologien im Gesundheitswesen ist jedoch die Kompetenzlücke. Untersuchungen von Qlik zeigen, dass das Gesundheitswesen im Branchenvergleich bei der Datenkompetenz am schlechtesten abschneidet. Fehlende Datenkompetenzen behindern die Nutzung von Data Science und Machine Learning über alle Bereiche hinweg und erschweren das nötige Buy-in für Dateninitiativen.
So brauchen Mitarbeitende an der Front grundlegende KI-Kompetenz, um ML-basierte Systeme und Anwendungen verstehen und sinnvoll nutzen zu können (McKinsey). Führungskräfte in Pharma- oder Versicherungsunternehmen müssen die Möglichkeiten von Data Science und Machine Learning kennen, um Dateninitiativen voranzutreiben und eine datengetriebene Kultur zu stärken (DataCamp).
Allein die Einstellung spezialisierter Data-Profis reicht nicht aus. Es mangelt an Talenten, die sowohl die Komplexität des Gesundheitswesens verstehen als auch über Data-Science-Expertise verfügen – und generell an Data-Science-Fachkräften (Forbes).
Ein Mangel an Datenkompetenz ist unser größter Gegner. In einer Welt, die immer stärker von Daten geprägt ist, wird diese Herausforderung noch größer. Alle müssen die Grundlagen verstehen – und wir müssen sie intuitiv und mit Spaß vermitteln.
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Wie Data-Trainings die Datenherausforderungen im Gesundheitswesen lösen
Die Schließung der Kompetenzlücke ist die Basis, um Data Science und Machine Learning im Gesundheitswesen in die Fläche zu bringen. Laut World Economic Forum kann digitale Aus- und Weiterbildung in Gesundheitswesen und Pharma das globale BIP bis 2030 um mehr als 400 Milliarden US-Dollar steigern. Eine Kultur des kontinuierlichen Lernens ist entscheidend, um die nächste Generation von Führungskräften im Gesundheitswesen aufzubauen (McKinsey) – Fachleute, die Daten- und Biowissenschaften verbinden und den Wert von Data Science und Machine Learning skalieren und operationalisieren.