Skip to main content
Erschienen in: Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz 8/2015

01.08.2015 | Leitthema

Big Data in Medizin und Gesundheitswesen

verfasst von: Dr. Stefan Rüping

Erschienen in: Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz | Ausgabe 8/2015

Einloggen, um Zugang zu erhalten

Zusammenfassung

Das Gesundheitswesen ist eine der Branchen mit dem größten Potenzial für Big Data. Laut der üblichen Definition bezieht sich Big Data auf die Tatsache, dass Datenmengen mittlerweile oft zu groß und zu heterogen sind und zu schnell wachsen, um sie mit herkömmlichen Technologien zu speichern, zu analysieren und nutzbar zu machen. Vorangetrieben wird Big Data durch drei technologische Trends: Geschäftsprozesse werden vermehrt elektronisch durchgeführt, Privatpersonen produzieren immer mehr Daten – z. B. in sozialen Netzwerken – und die Digitalisierung schreitet immer weiter voran, durch Smartphones und Apps bis in den Alltag. Auch in Medizin und Gesundheitswesen zeichnen sich neue Trends zu interessanten neuen Datenquellen und zu innovativen Möglichkeiten der Datenanalyse ab. Dies betrifft zum einen die Forschung. Hier benötigen etwa die Omics-Forschung klar Big-Data-Technologien. In der medizinischen Praxis bieten insbesondere die elektronische Patientenakte, freie öffentliche Daten und der Trend des Quantified Self, also der Vermessung des eigenen Verhaltens, neue Möglichkeiten für die Datenanalyse. Hinsichtlich der Analytik gibt es in der jüngsten Vergangenheit insbesondere deutliche Fortschritte bei der Informationsextraktion aus Textdaten, die viele Daten aus der medizinischen Dokumentation für eine Analyse erschließt. Gleichzeitig ist aber hier durch spezielle fachliche, rechtliche und ethische Rahmenbedingungen in Medizin und Gesundheitswesen die Anwendung von Big Data noch deutlich weniger ausgeprägt als in anderen Branchen. Erste interessante Best-Practice-Beispiele in der Medizin und im Gesundheitsbereich lassen aber innovative Ansätze und Ergebnisse erwarten. Der vorliegende Beitrag gibt eine Übersicht über die Potenziale von Big Data in der Medizin und im Gesundheitswesen.
Literatur
2.
Zurück zum Zitat Mayer-Schönberger V, Cukier K (2013) Big data: a revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt Publishing, Boston, MA Mayer-Schönberger V, Cukier K (2013) Big data: a revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt Publishing, Boston, MA
7.
Zurück zum Zitat Langkafel P (2014) Intro Big Data for Healthcare. In: Langkafel P (Hrsg) Big Data in Medizin und Gesundheitswirtschaft. Medhochzwei, Heidelberg, S 1–36 Langkafel P (2014) Intro Big Data for Healthcare. In: Langkafel P (Hrsg) Big Data in Medizin und Gesundheitswirtschaft. Medhochzwei, Heidelberg, S 1–36
9.
Zurück zum Zitat Holzinger A, Schantl J, Schroettner M, Seifert C, Verspoor K (2014) Biomedical text mining: state-of-the-art, open problems and future challenges. In: Holzinger A, Jurisica I (Hrsg) Interactive knowledge discovery and data mining in biomedical informatics. Springer, Berlin S 5–16CrossRef Holzinger A, Schantl J, Schroettner M, Seifert C, Verspoor K (2014) Biomedical text mining: state-of-the-art, open problems and future challenges. In: Holzinger A, Jurisica I (Hrsg) Interactive knowledge discovery and data mining in biomedical informatics. Springer, Berlin S 5–16CrossRef
11.
Zurück zum Zitat Ginsberg J et al (2009) Detecting influenza epidemics using search engine query data. Nature 457:1012–1014. doi:10.1038/nature07634CrossRefPubMed Ginsberg J et al (2009) Detecting influenza epidemics using search engine query data. Nature 457:1012–1014. doi:10.1038/nature07634CrossRefPubMed
12.
Zurück zum Zitat Lazer D, Kennedy R, King G, Vespignani A (2014) The parable of Google Flu: traps in big data analysis. Science 343:1203–1205. doi:10.1126/science.1248506CrossRefPubMed Lazer D, Kennedy R, King G, Vespignani A (2014) The parable of Google Flu: traps in big data analysis. Science 343:1203–1205. doi:10.1126/science.1248506CrossRefPubMed
13.
Zurück zum Zitat Salathe M et al (2012) Digital epidemiology. PLoS Comput Biol 8(7):e1002616 doi:10.1371/journal.pcbi.1002616 Salathe M et al (2012) Digital epidemiology. PLoS Comput Biol 8(7):e1002616 doi:10.1371/journal.pcbi.1002616
14.
Zurück zum Zitat Saffer J, Burnett V (2014) Introduction to biomedical literature text mining: context and objectives. In: Kumar V, Tipney H (Hrsg) Biomedical Literature Mining. Springer, New York, S 1–10CrossRef Saffer J, Burnett V (2014) Introduction to biomedical literature text mining: context and objectives. In: Kumar V, Tipney H (Hrsg) Biomedical Literature Mining. Springer, New York, S 1–10CrossRef
15.
Zurück zum Zitat Frijters R et al (2010) Literature mining for the discovery of hidden connections between drugs, genes and diseases. PLoS Comput Biol 6(9):e1000943, doi:10.1371/journal.pcbi.1000943 Frijters R et al (2010) Literature mining for the discovery of hidden connections between drugs, genes and diseases. PLoS Comput Biol 6(9):e1000943, doi:10.1371/journal.pcbi.1000943
17.
Zurück zum Zitat Wicks P et al (2011) Accelerated clinical discovery using self-reported patient data collected online and a patient-matching algorithm. Nature Biotechnology 29:411–414, doi:10.1038/nbt.1837 Wicks P et al (2011) Accelerated clinical discovery using self-reported patient data collected online and a patient-matching algorithm. Nature Biotechnology 29:411–414, doi:10.1038/nbt.1837
20.
Zurück zum Zitat Röhrig B et al (2009) Types of study in medical research - part 3 of a series on evaluation of scientific publications. Dtsch Arztebl Int 106(15):262–268, doi:10.3238/arztebl.2009.0262 Röhrig B et al (2009) Types of study in medical research - part 3 of a series on evaluation of scientific publications. Dtsch Arztebl Int 106(15):262–268, doi:10.3238/arztebl.2009.0262
21.
Zurück zum Zitat Stuart EA (2010) Matching methods for causal inference: A review and a look forward. Statistical Science 25:1–21, doi:10.1214/09-STS313 Stuart EA (2010) Matching methods for causal inference: A review and a look forward. Statistical Science 25:1–21, doi:10.1214/09-STS313
23.
Zurück zum Zitat Paraiso-Medina S et al (2015) Semantic normalization and query abstraction based on SNOMED-CT and HL7: supporting multicentric clinical Trials. IEEE J Biomed Health Inform 199(3):10161–101677, doi:10.1109/JBHI.2014.2357025 Paraiso-Medina S et al (2015) Semantic normalization and query abstraction based on SNOMED-CT and HL7: supporting multicentric clinical Trials. IEEE J Biomed Health Inform 199(3):10161–101677, doi:10.1109/JBHI.2014.2357025
24.
Zurück zum Zitat Shen R, Chittibabu G (2014) Applied graph-mining algorithms to study biomolecular interaction networks. Biomed Res Int 2014. doi:10.1155/2014/439476 Shen R, Chittibabu G (2014) Applied graph-mining algorithms to study biomolecular interaction networks. Biomed Res Int 2014. doi:10.1155/2014/439476
25.
Zurück zum Zitat Shera F et al (2014) The p-medicine portal-a collaboration platform for research in personalised medicine. Ecancermedicalscience 8(398). doi:10.3332/ecancer.2014.398 Shera F et al (2014) The p-medicine portal-a collaboration platform for research in personalised medicine. Ecancermedicalscience 8(398). doi:10.3332/ecancer.2014.398
26.
Zurück zum Zitat The International Society of Paediatric Oncology (2013) SIOP 2013 scientific programme + index. Pediatr Blood Cancer 60:S1–S264, doi:10.1002/pbc.24719 The International Society of Paediatric Oncology (2013) SIOP 2013 scientific programme + index. Pediatr Blood Cancer 60:S1–S264, doi:10.1002/pbc.24719
27.
Zurück zum Zitat Aggarwal C, Yu P (2008) A general survey of privacy-preserving data mining models and algorithms. In: Aggarwal C, Yu P (Hrsg) Privacy-preserving data mining – models and algorithms. Springer, New York, S 11–52CrossRef Aggarwal C, Yu P (2008) A general survey of privacy-preserving data mining models and algorithms. In: Aggarwal C, Yu P (Hrsg) Privacy-preserving data mining – models and algorithms. Springer, New York, S 11–52CrossRef
Metadaten
Titel
Big Data in Medizin und Gesundheitswesen
verfasst von
Dr. Stefan Rüping
Publikationsdatum
01.08.2015
Verlag
Springer Berlin Heidelberg
Erschienen in
Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz / Ausgabe 8/2015
Print ISSN: 1436-9990
Elektronische ISSN: 1437-1588
DOI
https://doi.org/10.1007/s00103-015-2181-y

Weitere Artikel der Ausgabe 8/2015

Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz 8/2015 Zur Ausgabe

Leitlinien kompakt für die Allgemeinmedizin

Mit medbee Pocketcards sicher entscheiden.

Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag

Facharzt-Training Allgemeinmedizin

Die ideale Vorbereitung zur anstehenden Prüfung mit den ersten 24 von 100 klinischen Fallbeispielen verschiedener Themenfelder

Mehr erfahren

Neu im Fachgebiet Allgemeinmedizin

11.04.2024 | DGP 2024 | Kongressbericht | Nachrichten

COPD früher diagnostizieren – und dann?

09.04.2024 | Sexuell übertragbare Erkrankungen | Podcast | Nachrichten

Wer kümmert sich um STI bei Frauen?

mit Dr. med. Angela Schuster und Pauline Meurer, Institut für Allgemeinmedizin, Charité Berlin
In Kooperation mit:
Zeitschrift für Allgemeinmedizin, DEGAM

Update Allgemeinmedizin

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.