Big Data and it's impact on healthcare

BigData

Einfluss von Big Data auf das Gesundheitswesen

Modul Datenbanken-Vertiefung

Eingereicht von:

Michael Herzog, Christian Lauber, Stefan Martens, Klasse WIVZ 3.51

University of Applied Sciences

Northwestern Switzerland

Dozentin:

Prof. Dr. Stella Gatziu Grivas

Ort:

Olten, 17 März 2014


Michael Herzog, Christian Lauber, Stefan Martens I

Inhaltsverzeichnis

ABBILDUNGEN II

ABKÜRZUNGEN III

1 EINLEITUNG 4

1.1 MOTIVATION 4 1.2 ZIELE DER ARBEIT 4 1.3 ABGRENZUNGEN 4

2 BIG DATA 5

2.1 WAS IST BIG DATA 5 2.2 DIE WICHTIGKEIT VON BIG DATA 6 2.3 TREIBER VON BIG DATA 6

3 BIG DATA IM GESUNDHEITSWESEN 9

3.1 EINLEITUNG 9 3.2 ANWENDUNGEN 10 3.3 BENEFITS 17

4 REAL TIME HEALTH MONITORING 18

4.1 ENDOMONDO SPORTS TRACKER PRO 18 4.2 DIÄT APP - FDDB 19 4.3 BODY MEDIA 19 4.4 SAMSUNG GALAXY S5 20

5 FAZIT 21

6 BIBLIOGRAPHY 22


Michael Herzog, Christian Lauber, Stefan Martens II

Abbildungen

Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata-

abb1_05.png.png) ........................................................................................................................... 6

Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data-

in-health-care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1) .... 7

Abbildung 2-3: Datenvielfalt im Krankenhaus .................................................................................. 7

Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in-

one-minute-on-the-internet/) ............................................................................................................ 8

Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012) .................................................................... 10

Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012) .............................................................. 12

Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012) .................... 13

Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012) .................................................... 14

Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012) ....................................................... 15

Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012) ........................................................ 16

Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com) ............................................. 18

Abbildung 4-2: FDDB Antroid (fddb.info) ....................................................................................... 19

Abbildung 4-3: Body Media (http://www.bodymedia.com) .............................................................. 20

Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see-

the-samsung-galaxy-s5s-heart-rate-monitor-in-action/) ................................................................. 20


Michael Herzog, Christian Lauber, Stefan Martens III

Abkürzungen

API Application Programming Interface

FDDB Food Data Base

GSMA Weltweite Industrievereinigung der GSM-Mobilfunkanbieter

GWAS Genomweite Assoziationsstudie

HIPAA Health Insurance Portability and Accountability Act

HIT² Institute for Health Technology Transformation

M2M Machine-to-machine

MPP Massively Parallel Processing

OLTP Online-Transaction-Processing

REFS Reverse Engineering Forward Simulation


Michael Herzog, Christian Lauber, Stefan Martens 4

1 Einleitung

1.1 Motivation

Big Data ist seit geraumer Zeit in aller Munde. Dies liegt unter anderem an der Erkenntnis, dass

die aus Big Data generierten Daten einen erheblichen Beitrag zur Steigerung der

Unternehmenswertschöpfung leisten können. Diese Fülle an potentiellem Wissen nutz- und

verwertbar zu machen, ist die Herausforderung der sich Unternehmen in der heutigen Zeit stellen

müssen. Im Rahmen des Moduls Datenbanken-Vertiefung beschäftigen wir uns mit dem Thema –

Einfluss von Big Data auf das Gesundheitswesen.

1.2 Ziele der Arbeit

Diese schriftliche Arbeit fokussiert sich auf das Thema Big Data und den Einfluss auf das

Gesundheitswesen. Sie beschäftigt sich mit den wirtschaftlichen Möglichkeiten durch die Nutzung

von Big Data und zeigt im Besonderen die Steigerung von Effizienz und Effektivität durch

spezifische Anwendungen im Gesundheitswesen auf. In diesem Zusammenhang werden auch die

Benefits beleuchtet. Im Kapitel Realtime-Health-Monitoring wird speziell auf Mobile-Devices und

Smartphone-Apps eingegangen. Im abschliessenden Fazit werden die Schlüsselergebnisse noch

einmal explizit dargestellt und zusammengefasst.

1.3 Abgrenzungen

Diese schriftliche Arbeit fokussiert sich auf die praktische Anwendung bzw. den Nutzen von Big

Data durch unterschiedlichste Applikationen im Gesundheitssektor. Dies bedeutet, es werden vor

allem existierende Business-Intelligence Anwendungen und ihre Lösungsansätze zu existierenden

Problemstellungen beleuchtet. Es besteht keine Notwendigkeit auf die hierfür notwendigen

Technologien wie zum Beispiel NoSQL, Map/Reduce, MPP sowie dem CAP/Base Theorem

einzugehen. Diese wurden in dem Modul Datenbanken Vertiefung behandelt und würden den

Rahmen dieser schriftlichen Arbeit sprengen.



2 Big Data

2.1 Was ist Big Data

Der Begriff Big Data beschreibt hohe Mengen von sich schnell ändernden, komplexen und

variablen Daten, welche aus unterschiedlichen Bereichen erfasst werden. Das Institute for Health

Technology Transformation (2013, S. 6) klassifiziert fünf verschiedene Kategorien oder

Strömungen von Informationen:

Web and Social Media

Hier geht es vor allem um Klickstream- und Interaktionsdaten von Nutzern unterschiedlicher

Social Media Plattformen, Webseiten und Smartphone-Apps.

Machine-to-Machine

Daten von Sensoren, Geräteprotokollen (Digital Exhaust), Flussmessern und anderen

Messgeräten.

Big Transaction Data

Rechnungen und Zahlungsansprüche in halb-strukturierter und unstrukturierter Form.

Biometric Data

Fingerabdrücke, Röntgenbilder und der genetische Code eines Menschen fallen unter diesen

Bereich.

Human Generated Data

Emails, Papierdokumente, und medizinische Reporte sind in dieser Kategorie vereint. Liegen in

halb-strukturierter und unstrukturierter Form vor.



2.2 Die Wichtigkeit von Big Data

Zusätzlich, zu den gängigen Unternehmensdaten liefert Big Data neue und tiefgreifende

Erkenntnisse, welche für die Unternehmenswertschöpfung eine hohe Relevanz besitzen. In

Kombination mit den herkömmlichen Unternehmensdaten können Unternehmen ihre Produktivität,

Wettbewerbsfähigkeit und Innovationskraft stärken. (vgl. Oracle, 2011, S. 5)

Big Data erlaubt es den Unternehmen, anhand der extrahierten und analysierten Daten, die

Kunden feiner zu segmentieren und den Vertrieb gezielt darauf auszurichten. Generell liefert Big

Data zusätzliche, wichtige Informationen um Wissenslücken über Individuen und deren

Bedürfnisse innerhalb der für Unternehmen relevanten Geschäftsprozesse zu schliessen.

2.3 Treiber von Big Data

Wie in Abbildung 2-1 zu sehen ist, gibt es drei grosse Treiber von Big Data:

Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata-abb1_05.png.png)

Datenvolumen

Beschreibt das Wachstum der anfallenden Menge von Daten und Informationen. Ein

Grossteil dieser Daten wird maschinell erzeugt. In Abbildung 2-2 auf der nächsten Seite

verdeutlich der rote Pfeil die prognostizierte Menge an Patientendaten, die während eines

Krankhausaufenthaltes im Jahr 2015 anfallen sollen.



Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data-in-health-care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1)

Vielfalt der Daten

Die Datenquellen wachsen ebenso weiter an. Früher waren es vor allem ERP-, CRM- und

Web-Daten, so sind es heute zunehmend Daten aus Quellen, wie z.B. Sensoren, Social

Media, Mobile und Cloud. Diese Daten sind häufig halb- bzw. unstrukturiert. Abbildung 2-3

zeigt einen kleinen Auszug von der Datenvielfalt in einem Krankenhaus.

Abbildung 2-3: Datenvielfalt im Krankenhaus

Geschwindigkeit

Auswertungen müssen immer schneller vorliegen und zeitnah erstellt werden. Der Weg

geht ganz klar zu Echtzeitanalysen.



Untenstehende Abbildung 2-2 veranschaulicht sehr deutlich die Explosion des Datenvolumens im

Internet. Im Zuge dieser Datenexplosion gibt es einen weiteren Treiber:

Value / Veracity (Analytics)

Die grossen Datenmengen enthalten wertvolle Informationen, welche adäquat ausgewertet,

auf Qualität geprüft und schliesslich an die richtigen Stellen im Unternehmen verteilt

werden müssen.

Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in-one-minute-on-the-internet/)



3 Big Data im Gesundheitswesen

3.1 Einleitung

Die nationalen Gesundheitssysteme in Europa werden auf zwei Arten unterhalten. Zum einen,

werden die sogenannten „Bismarck-Länder“ aus Sozialversicherungssystemen gespeist, zum

anderen die „Beveridge-Länder“, welche aus dem Steueraufkommen finanziert werden. Beide

Modelle haben eines gemeinsam. Aufkommende Finanzierungsprobleme, verursacht durch den

demographischen Wandel und den medizinischen Fortschritt (vgl. Germany Trade & Invest, 2012).

Dazu kommen eine mangelnde Digitalisierung von Daten und deren fehlende Vernetzung durch

heterogene Strukturen innerhalb des Gesundheitssystems. Die USA gaben 2010 etwa $2.7

Billionen für die Gesundheitsvorsorge aus, davon waren $700 Milliarden unnötig (vgl. Kauffman

Foundation, 2012, S. 15). In europäischen Gesundheitssystemen dürfte es folglich ähnlich

aussehen. Hier kann Big Data einen wertvollen Beitrag leisten um die Kosten zu senken und

Prozesse im Gesundheitswesen effizienter zu gestalten.

Big Data im Gesundheitswesen wird in der Regel von sechs grossen unterschiedlichen

Stakeholdern in mehr oder weniger abgeschotteten Datenpools verwaltet. Das Ziel muss sein,

diese Daten zu Aggregieren und für alle Anspruchsgruppen Nutzen durch Datenintegration zu

stiften. Dr. Bonnie 360° (2012, S. 15) hat diese wie folgt betitelt:

1. Klinische und Medizinische Daten

2. Kostenträger und Dienstleister: Ansprüche

3. Akademische, privat und staatliche Forschung

4. Pharma- und Medizintechnik

5. Verbraucher und Vermarkter: Patientenverhalten und Sentiment-Daten

6. Regierung: Bevölkerungs- und Gesundheitsdaten



3.2 Anwendungen

Es haben sich sechs Bereiche im Gesundheitswesen herauskristallisiert, in denen Big Data einen

effektiven Nutzen und wertvollen Beitrag leisten kann (vgl. Dr. Bonnie 360°, 2012, S. 17). Diese

Bereiche werden nun detailliert mit praktischen Beispielen beleuchtet.

3.2.1 Unterstützung der Forschung durch Reverse Engineering Forward Simulation

Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012)

Das Unternehmen GNS Healthcare forscht im Bereich der Onkologie um die Koordination von

Arbeitsabläufen nach der Diagnosestellung und die richtige Allokation von Ressourcen (Ärzte,

Behandlungen) zur richtigen Zeit zu verbessern. Hierzu benutzt das Unternehmen mathematische

Ursache-Wirkungs-Modelle. Dazu wird die REFS-Methode (Reverse Engineering Forward

Simulation) verwendet um kausale Netzwerkmodelle aus Beobachtungsdaten automatisch zu

erstellen und visuell zu simulieren. Dies ermöglicht Forschern Ergebnisse dynamisch zu

untersuchen, beschleunigt die Einsicht und hilft bei der Ausrichtung auf die pharmazeutische

Produktentwicklung. Die proprietären Algorithmen werden durch MPP Cloud-Architectures

abgearbeitet.

Big Data und Forschung durch REFS

Big Data ändert den Ansatz von der hypothesengesteuerten Forschung hin zur datengesteuerten

Forschung. Durch effiziente Analysen und die erstmalige Interpretation von grossen Datenmengen

können neue Fragen und Wege erkundet werden. Dies hilft bei einem besseren Verständnis von

Krankheiten und personalisierter Diagnostik (Cambridge Health Tech Institute, 2013). In der

Onkologie werden Genome von Tumor- und Normalgewebe sequenziert. Dies kostet in den USA

ca. $1000. Die Daten müssen zudem analysiert und von einem Onkologen auf eine klinische

Empfehlung interpretiert werden. Dies kostet $25.000 - $100.000 und wird von keiner Versicherung

übernommen. Durch die Typisierung des Krebsgewebes kann die Behandlung und



Medikamentengabe auf den spezifischen Krebs abgestimmt werden. Dies erhöht die

Heilungschancen ungemein. In den USA wird mit genomweiten Assoziationsstudien (GWAS)

begonnen, um die erhobenen Daten in der Onkologie und bei der Behandlung von

Volkskrankheiten einzusetzen. Die Schwierigkeiten sind hierbei die Zuordnung der Big Data aus

dem GWAS-Projekt zu den klinischen Patientendaten (vgl. Golden, 2013).



3.2.2 Datentransformation zu Informationen

Es ist essentiell wichtig unstrukturierte Daten für die Maschinenbearbeitung zu transformieren um

eine datengesteuerte Gesundheitsversorgung zu ermöglichen. Ein erster Schritt ist die Auswertung

von Charts und Aufzeichnungen von diversen Stakeholdern im Gesundheitswesen (Ärzte,

Apotheken, Krankenhäuser, etc.) Das Unternehmen Predixion stellt Cloud basierte

Analysesoftware zur Verfügung um Muster in Krankenhausdatensätzen zu erkennen und unnötige

Wiederaufnahmen zu verhindern.

Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012)

Durch Data-Mining werden Daten aus einer Vielzahl Quellen erfasst und durch vorausschauende

Analyse-Algorithmen errechnet sich eine 86%tige Genauigkeit bei der Identifikation von einer

ausgehenden Gefahr der Wiederaufnahme. Somit werden Ärzte bei der Entscheidungsfindung

einer Patientenentlassung sinnvoll unterstützt.

Big Data bei der Datentransformation zu Information

Die Software erlaubt es aus erhobenen Big Data durch eine fortschrittliche Analyseplattform und

die kundenspezifische Aufbereitung (Branche) eine hohe Voraussagbarkeit und damit

Entscheidungshilfe zu geben. Praktische Anwendungsmöglichkeiten sind Wiederaufnahme-

Management, Risikopatientenidentifizierung, Krankheitsvorhersage, Betrugserkennung und

Risikomodellierung.



3.2.3 Unterstützung Eigenpflege (Selfcare)

Big Data in Kombination mit Smartphone-Apps sollen dem Patienten helfen sich selbst zu helfen.

Der mündige Patient kann seine persönlichen medizinischen Daten selbst verwalten und bei

Bedarf direkt mit dem behandelnden Arzt vor Ort austauschen. Das Unternehmen Humetrix bietet

mit seinem dualen Anwendungssystem iBlueButton diese Möglichkeit auf Smartphones und

Tablets für Patienten und Ärzte an.

Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012)

Die Anwendung bietet eine sichere end-to-end Verschlüsselung nach der HIPAA-Norm.

iBlueButton führt Daten von unterschiedlichen Endgeräten zusammen und stellt sie der

betreuenden Stelle in Echtzeit zur Verfügung. Somit gehören Wartezeiten und lückenhafte

Anamnesen auf Grund von fehlenden Befunden der Vergangenheit an.

Big Data und Selfcare mit iBlueButton

Die iBlueButton Anwendung decodiert und übersetzt Daten aus den unterschiedlichsten Quellen

und macht sie für den Patienten, die Angehörigen und Pflegepersonal nutzbar. Es werden Daten

wie zum Beispiel Labor- und Testergebnisse, Diagnosen, Krankenhauseinweisungen, Medikation

und Versicherungsdaten benutzerfreundlich aufbereitet. Die Anwendung wurde mehrfach

Ausgezeichnet und zudem von Barrack Obama einer breiten Öffentlichkeit vorgestellt. Gerade in

den USA wo das Gesundheitssystem aus Kostengründen nicht der gesamten Bevölkerung

vollumfänglich zur Verfügung steht, könnte Big Data in Verbindung mit Selfcare und mHealth zu

einer Gesundheitsfürsorge für finanziell schlechter gestellte Bevölkerungsschichten führen (vgl.

Mosquera, 2013).



3.2.4 Anbieterunterstützung, Verbesserung der Patientenpflege

Durch den Kostendruck im Gesundheitswesen forciert durch die Krankenkassen stehen die

Dienstleister in der Medizin und Patientenpflege zunehmend unter Druck. In immer kürzerer Zeit

muss mehr geleistet werden, insbesondere der hohe bürokratische Aufwand beansprucht

Ressourcen. Humedia Inc. Ist ein klinisches Informatikunternehmen, welches die Verknüpfung von

klinischen Daten und Patienteninformationen ermöglicht und durch verschiedene

Abfragezeiträume und Einstellungen einen umfassenden Blick auf die Patientenversorgung gibt.

Siehe Abbildung 3-4 auf der nächsten Seite.

Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012)

Dieser Service wird als SaaS-Business-Intelligence angeboten und von Krankenhäusern,

Gesundheitssystemen und Life Science Unternehmen in Anspruch genommen. Es wird auf einen

Datensatz mit 25 Millionen erfassten Personen aus 30 Bundesstaaten in den USA zurückgegriffen.

Biga Data Nutzen

Die klinische Business Intelligence Lösung von Humedia verwendet eine Vielzahl von Daten wie

zum Beispiel Demographie-, Medikations-, Labor-, Vital-, Belastungs-, und

Begleiterkrankungsdaten um bei spezifischen Patientengruppen Risikovorhersagen bei

Kongestiver Herzinsuffizienz (Herzschwäche) treffen zu können. Momentan startet ein Pilotprojekt

von mehreren Carilion Kliniken im US- Bundestaat Virgina unter der Leitung des Virginia Tech

Carilion School of Medicine and Research Institute. In diesem Projekt geht es darum den

praktischen Nutzen der Humdecia Mindshare Anwendung mit validierten Patientendaten im

klinischen Bereich in Bezug auf das Populationsmanagement von kongestiven Herzinsuffizienz

Patienten aufzuzeigen(vgl. AMGA, 2012, S. 4 ff.).



3.2.5 Bewusstseinssensibilisierung

Big Data kann in der Sensibilisierung von Menschen / Patienten bei der Erkennung von

gefälschten Medikamenten, Tracking von Umweltfragen (SMOG) und zur Vorhersage von

Krankheitsausbrüchen helfen. Dies kann sogar soweit gehen auf Länderebene

Gesundheitspolitische Entscheidungen zu priorisieren. Das Unternehmen Sickweather LLC scannt

soziale Medien um Ausbrüche von Krankheiten (Grippe etc.) zu prognostizieren und verfolgen. Der

Algorithmus ist noch nicht perfekt, aber das Unternehmen arbeitet daran Falschmeldungen besser

auszusortieren.

Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012)

Big Data Bezug zu Bewusstseinssensibilisierung

Der Gründer Graham Dodge sieht die Sozialen Medien als Quelle von Daten; um Gesundheit,

Krankheit und Krankheiten zu verfolgen, welche erst noch erschlossen werden müssen. Seine

Vision ist ein Echtzeit Wetterdienst für Krankheiten und Gesundheit rund um den Globus (Dr.

Bonnie 360°, 2012, S. 34).



3.2.6 Datenpooling um ein besseres Ökosystem zu erschaffen

Das Zusammenbringen von verschiedensten Datensätzen, um einen grösseren Datenpool zu

bilden, ermöglicht neue Arten von Analysen auf Fragen die bisher noch nicht gestellt wurden. Das

Unternehmen Qualcomm Life verfolgt mit seinem Cloud-basierten Datenpool mit dem Namen 2net

einen praktischeren Ansatz.

Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012)

Das System ermöglicht M2M-Verbindungen in dem es Daten von medizinischen Geräten und

biometrischen Sensoren sammelt und im Cloud basierten Hub für Benutzer, ihre

Gesundheitsdienstleister und Pflegepersonal zugänglich macht. Dies geschieht über offene APIs

um Entwicklern die Möglichkeit zu geben durch kreative Anwendungen auf den Datenpool

zugreifen zu können.

Big Data Bezug und Datenpooling

Die biometrischen Daten von Medizinischen Wireless-Geräten bei den Patienten vor Ort werden in

die Health-Cloud-Platform 2net von Qualcomm hochgeladen und können nun mit

Gesundheitsanbieter ausgetauscht werden. Somit ist eine Fernversorgung der Patienten anhand

aktueller und vergangener medizinischer Daten möglich.



3.3 Benefits

Die vorgestellten Anwendungsmöglichkeiten haben ihr Potential zur qualitativen Verbesserung des

Gesundheitswesens und der Reduktion von Kosten aufgezeigt:

Gewinnsteigerungen durch die Einsparung von Arbeitskräften um bis zu 40%

Reduzierungen der Krankenhauswiedereinweisungen um bis zu 86%

Verbesserte Lebensqualität der Patienten

Ergebnisse und Erkenntnisse aus Datenpools, welche neue Verträge und Einnahmen

generieren

Früherkennung von Hochrisikosituationen und Einleitung von entsprechenden

Massnahmen



4 Real Time Health Monitoring

Der Markt für mobile Gesundheitsgeräte und Apps im englischen Sprachraum kurz mHealth

genannt, erfährt in den nächsten Jahren ein enormes Wachstum. Nicht nur Big Player wie Apple

oder Nike tummeln sich in diesem lukrativen Markt, sondern auch zahlreiche kleinere Anbieter

möchten sich einen Teil vom Kuchen sichern. Die GSMA sagt für das Jahr 2017 Umsätze von 23.

Mrd. Dollar im mHealth Markt voraus (vgl. Koppe, 2012).

4.1 Endomondo Sports Tracker Pro

Die Tracking App von endomondo.com zeichnet sportliche Aktivitäten, wie Laufen, Radfahren und

Inline Skaten über GPS auf. Sportler können ihre persönlichen Daten in einem Benutzerprofil

hinterlegen. Während einer sportlichen Aktivität werden nun Entfernungen, Geschwindigkeiten und

Höhenunterschiede erfasst. Über einen geeigneten Brustgurt und Bluetooth Empfang können

zusätzlich Herzfrequenzverläufe aufgezeichnet werden. Die absolvierten Sporteinheiten werden

über Google Maps visuell ansprechend dargestellt. Abgerundet wird das Leistungspaket durch

eine umfangreiche statistische Auswertung und Aufbereitung auf der eigenen Webseite.

Zusätzliche Features wie die Messung der Herzfrequenz sind in einer Kostenpflichtigen Pro

Version. In Abbildung 4-1 ist die Oberfläche der mobile App dargestellt.

Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com)



4.2 Diät App - FDDB

Für Ernährungsbewusste Menschen bietet der FDDB Scanner ein Ernährungs- und

Kalorientagebuch mit Scanfunktion. Nach der Registrierung und Eingabe der persönlichen Daten

wird der Tagesbedarf an Nährwerten errechnet. Die Lebensmitteldatenbank ist riesig und kann

über eine Suchfunktion oder die integrierte Scanfunktion des Lebensmittelbarcodes auf die

richtigen Produkte angewandt werden. Der Vorteil ist, dass nicht nur die eingenommenen Kalorien

pro Tag überwacht werden, sondern auch alle anderen Nährstoffe inklusive des Fett-Anteils

ausgewiesen werden. Die Anwendung ist Kostenfrei wird allerdings durch Werbung finanziert. In

Abbildung 4-2 ist die Oberfläche der Android-Version abgebildet.

Abbildung 4-2: FDDB Antroid (fddb.info)

4.3 Body Media

Das mobile Gesundheitsarmband ermöglicht es dem Träger die persönlichen Aktivitäten akkurat

über den Tag 24/7 aufzuzeichnen. Dazu wird die Hautfeuchtigkeit, -temperatur und der

abgegebene Wärmestrom der Haut gemessen. Ein Accelerometer misst die Bewegung. Somit

können der Kalorienverbrauch, Bewegung und Schlafgewohnheiten erfasst und darauf

abgestimmte Ernährungs- und Bewegungsempfehlungen ausgesprochen werden. Die Armbänder

wurden in einer 10 tätigen Testphase von Astronauten auf der Internationalen Raumstation (ISS)

im August 2013 getragen um ihre Energiebedürfnisse im Weltall zu untersuchen. In Abbildung 4-3

ist das Body Media System mit Armband dargestellt.



Abbildung 4-3: Body Media (http://www.bodymedia.com)

4.4 Samsung Galaxy S5

Auch die Smartphones entwickeln sich weiter und werden selbst zu mobile Health-Devices, wie die

Ankündigung des Unternehmens Samsung auf dem diesjährigen World Mobile Congress in

Barcelona zeigt. Das neue Smartphone Flaggschiff S5 wird mit einem integrierten

Herzfrequenzmesser ausgerüstet und zeigt eindrücklich wohin die Entwicklung geht.

Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see-the-samsung-galaxy-s5s-heart-rate-monitor-in-action/)



5 Fazit

Die Lebenserwartung der Menschen in der westlichen Welt steigt durch den Fortschritt in der

Forschung und Medizin immer weiter an. Draus folgt, dass immer mehr ältere und jüngere

Menschen immer länger medizinisch behandelt und versorgt werden. Im Gesundheitswesen fallen

somit immense Kosten und auch Datenmengen im Zusammenhang mit medizinscher Behandlung

an. Die Challenge für Länder bzw. deren Gesundheitssysteme wird es in Zukunft sein, diese Big

Data Mengen effektiv und effizient auszuwerten und die gewonnen Erkenntnisse wertschöpfend

einzusetzen. Ein Ziel der Stakeholder im Gesundheitswesen muss es sein, grosse Datenpools von

relevanten medizinischen Daten aus heterogenen Quellen zu bilden und die Schnittstellen zu

diesen „Ökosystemen“ so einfach wie möglich zu gestalten. Nur so ist es findigen Entwicklern

möglich neue Konzepte und Anwendungen zu entwickeln, welchen allen Beteiligten Nutzen und

Mehrwert stiftet.

Darüber hinaus ist es für das Populationsmanagment von Krankheitsgruppen, wie zum Beispiel

Patienten mit kongestiver Herzinsuffizienz wichtig, dass die Im Pool enthaltenen Daten auch richtig

analysiert und bewertet werden. Dies leisten neuartige SaaS-Busniess-Intelligence-Anwendungen

wie Humdeica MinedShare. Somit können Risikoprofile erstellt und die Patientenpflege im

Allgemeinen verbessert werden.

Des Weiteren wird es immer realistischer wirksame Vorhersagen in Bezug auf die geographische

Ausbreitung von Krankheiten, Pandemien und Umweltverschmutzungen (SMOG) zu treffen.

Dadurch ist es möglich gesichertere gesundheitspolitische Entscheidungen zu treffen und die

wirtschaftlichen Ressourcen zielgerichteter zu allokieren.

Schlussendlich profitieren das Gesundheitswesen und die Patienten gleichermassen. Die Kosten

für alle Beteiligten können durch die intensive Nutzung von Big Data im Gesundheitssektor

gesenkt werden und die medizinische Versorgung und Pflege von Patienten wird sich qualitativ

immer weiter verbessern. Eine schöne neue Welt.



6 Bibliography

AMGA Institute for uality Leadership (2012): How Care Teams Are Using Predictive Analytics and

Comparative Data to Optimize Interventions for High Risk Patients. [Online] URL:

http://www.eiseverywhere.com/file_uploads/915ccc88ae4b7e993b66b2a269062dad_IQLPr

edictiveAnalyticsfinal22012-10-04.pdf [Stand: 16.03.2014].

Cambridge Health Tech Institute (2013): Bioinformatics for Big Data. [Online] URL:

http://www.triconference.com/ Bioinformatics-Genome/ [Stand: 28.02.2014].

Dr. Bonnie 360° (2012): Big Data in Healthcare - Hype and Hope. [Online] URL: http://www.west-

info.eu/files/big-data-in-healthcare.pdf [Stand: 28.02.2014].

Ewing Marion Kauffman Foundation (2012): Valuing HealtH Care: Improving Productivity and

Quality. [Online] URL: http://www.kauffman.org/newsroom/2012/04/opening-up-big-data-is-

the-big-solution-to-curing-health-care-ills-according-to-kauffman-report [Stand: 27.02.2014].

Germany Trade & Invest (2012): Gesundheitssysteme in der EU vor großen Herausforderungen.

[Online] URL: http://www.gtai.de/GTAI/Navigation/DE/Trade/ maerkte,did =433484. html&

channel=premium_channel_gtai_1 [Stand: 1.03.2014].

Golden, Jim (2103): Cancer, Data and the Fallacy of the $1000 Genome. [Online] URL:

http://www.forbes.com/sites/jimgolden/2012/06/21/cancer-data-and-the-fallacy-of-the-1000-

genome/ [Stand: 15.03.2014].

Institute for Health Technology Transformation (2013): Transforming Health Care Through Big

Data. [Online] URL: http://ihealthtran.com/iHT2_BigData_2013.pdf [Stand: 3.03.2014].

Koppe, Sabine (2012): Der Mobile Health Markt: Trends und Entwicklungen. [Online] URL:

http://www.mobile-zeitgeist.com/2012/02/27/der-mobile-health-markt-trends-und-

entwicklungen/ [Stand: 4.03.2014].

Mosquera, Marie (2012): Government Health IT. [Online] URL: http://www.govhealthit.com/ news/

ibluebutton-lets-patients-be-hie [Stand: 15.03.2014].

Oracle Corporation (2011): Big Data für das Unternehmen. [Online] URL: http://www.oracle.com

/technetwork/database/bi-datawarehousing/wp-big-data-with-oracle-521209.pdf [Stand:

3.03.2014].