Data Mining im Gesundheitswesen - qu.tu-berlin.de · Data Pre-process Filters, PCA, Summary Statistics, Cluster Analysis Training: iterate and adjust to find the best model Prediction:

Data Mining im Gesundheitswesen

2. ITG-Workshop: "Einsatz von Tablets im Gesundheitswesen„ | Lehrstuhl IKM TU-Berlin | Max Theilig

Mit SELFPASS wird eine therapeutische Softwarelösung für Patienten mit

Depressionen geschaffen, die ein Selbstmanagement, unabhängig von medizinisch-

fachlichem Support, unterstützt. Durch die digitale Selbsteinschätzung zur Schwere

der seelischen Belastung ermöglicht die intelligente Software nicht nur eine

Quantifizierung und Protokollierung der Symptomatik, sondern bietet auch

praktische Schritte für ein Selbstmanagement an. Dazu werden neben der

Selbsteinschätzung auch somatisch-objektivierbare Daten wie Biosignale (z.B.

durch Wearables) und standortabhängige Umweltinformationen (Pollen-, Wetterinfo)

erfasst.

Die SELFPASS Therapieplattform ist ein selbstlernendes System, welches dem

teilnehmenden Patienten personalisiert und verlaufsadaptiert Therapieeinheiten und

Unterstützung bietet. So werden nicht nur verschiedenste Daten zusammengeführt,

sondern den Patienten wird auf Basis der Kombination von Algorithmen eine

individualisierte und situationsabhängige Therapie zur Verfügung stellen.

Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig

Seite 4

SELFPASSProjektvorstellung

SELFPASS wird im Rahmen des

Aktionsfeldes „Gesundheitswirtschaft im

Rahmenprogramm Gesundheitsforschung“

gefördert durch das Bundesministerium für

Bildung und Forschung (FKZ 13GW0157 A)


Seite 5

SELFPASSSystemansicht


Seite 7

SELFPASSÜberall verfügbar dank der Cloud

Seite 8

Merkmale des Cloud Computing (nach NIST)

Quelle: National Institute of Standards and Technology (NIST)

Selbstbedienung (On-demand Self Service)Der Kunde kann den benötigten Cloud Service selbst zusammenstellen

und bestellen, ohne direkte physische Interaktion mit dem Anbieter.

Netzwerkzugang

(Broad Network Access)

Services sind über ein Netzwerk

(meist das Internet) erreichbar, der

Zugriff (meist über einen Web-

browser) ist über unterschiedliche

Plattformen möglich.

Ressourcenpool

(Shared Resource Pool)

Der Anbieter verwendet einen gemeinsamen

Ressourcenpool aus multimandantenfähigen,

virtualisierten Ressourcen, die bedarfsgerecht

dynamisch zugeteilt werden.

Hohe Skalierbarkeit

(Rapid Elasticity)

Ressourcen können nach Bedarf nach oben

oder unten skaliert werden.

Nutzungsgerechte

Abrechnung

(Measured Service)Die Ressourcennutzung wird

gemessen und kann

verbrauchsabhängig

abgerechnet werden.


• Bessere Standardisierung und Integrationsmöglichkeit von

Daten zum Austausch im Gesundheitswesen

• Health Level 7 (HL7) Datenstandards

• Kommunikationsstandard: Fast Healthcare

Interoperability Resources (FHIR)

• Ortsunabhängigkeit: ambulante Verfügbarkeit

• Skalierbarkeit und Effizienzsteigerung der Auslastung

• Geringere Kapitalbindung in eigene IT-Infrastruktur

Herausforderungen

• Steigende Komplexität bei der

Zulassung von Software, die

Medizinprodukten zugehörig ist

• Hochsensible und schützenswerte

Daten

• Steigende Anforderungen an

Datenschutz und Datensicherheit

(neue DSGVO 2018)

• Abrechnung/Aufschlüsselung von

Kosten noch nicht geklärt

(Verbrauchs-Hilfsmittel oder duale

Finanzierung?)


Seite 9

Anwendung im GesundheitswesenCloud Computing


Seite 11

SELFPASSIndividualisierung durch Machine Learning

LEARNING =

REPRESENTATION +

EVALUATION +

OPTIMIZATION

Machine learning is about

generalizing (abstracting)

beyond the examples of a

given training set

(extrapolation)

Machine Learning

Load

Data

Pre-processFilters, PCA,

Summary Statistics,

Cluster Analysis

Training: iterate and adjust to find the best model

Prediction: integrate trained model into target workflow

SuperVisedDevelop model

on input and

output data

UnsuperVisedGroup data and

develop model on

input only

Model

Load

Data

Pre-processFilters, PCA,

Summary Statistics,

Cluster Analysis

Model Prediction


Seite 12

• Entscheidungsunterstützung in der kritischen Versorgung

• Operationen

• auf der Intensivstation

• Dokumentenklassifizierung (smart health records)

• Drug Discovery und Produktion (Precision Medicine)

• Radiologie (Bildgebung)

• Epidemien- und Seuchen-Vorhersage

• Auswertung von klinischen Studien

Herausforderungen

• Einfache Ansätze fordern stetige

und differenzierbare Optimie-

rungsfunktionen. Ansonsten ist ein

vertieftes Problemverständnis

notwendig

• Expertenwissen in vielen Fällen

erforderlich

• Zum Training des Modells sind in

der Regel große Datenmengen

notwendig. Sonderfälle werden

nicht hinreichend abgebildet.

• Menschliche Einflussnahme ist

auch ein wichtiger sozialer Faktor

(Arzt-Patienten-Beziehung)

http://researcher.ibm.com/researcher/view_group.php?id=6743


Seite 13

Anwendung im GesundheitswesenMachine Learning


Seite 15

SELFPASSVerbesserte Therapiemöglichkeiten dank Neurofeedback

New Reality - Augmented, Virtual, Mixed

https://www.extremetech.com/extreme/249328-mixed-reality-can-take-augmented-reality-mainstream


Seite 16

• Training von medizinischem und Pflegepersonal

• Operationen, Behandlungsabläufe

• Soziale Interaktion in der Pflege

• Behandlung von psychischen Krankheiten (Virtual Therapy)

• z.B. Angststörung beim Fliegen

• Mit Hilfe von Neurofeedback

• Mixed Reality overlays zur Diagnose und Behandlung

• Virtual Interfaces zur kontaktlosen (sterilen) Eingabe

Herausforderungen

• Hohe Investitionen im öffentlichen

Bereich erforderlich

(Krankenhäuser, Ausbildung).

• Digital Content ist nicht unbedingt

sofort verfügbar bzw. Prozesse

müssen angepasst werden

• Eine Vielzahl an übertragenen

Daten und Schnittstellen erzeugen

auch potenzielle Sicherheits-

lücken. Standardisierung ist

problematisch


Seite 17

Anwendung im GesundheitswesenVirtual, Augmented, Mixed – The new Reality


Seite 19

SELFPASSAngereicherte Daten mit Hilfe von Big Data & IoT

Volume(Große Datenmenge)

Velocity(Hohe Geschwindigkeit der Datenentstehung und -

veränderung)

Veracity(Zuverlässigkeit und Korrektheit

der Daten)

Variety(Verschiedene Arten von Daten)

40 Zettabyte (43 Bill. GB) in 2020 (300-fache von 2005)

6 Mrd. Mobiltelefone >100 TB Daten pro Unternehmen

160 Mrd. GB Daten (in 2011), 420 Mill. Wearables (in 2014) im Gesundheitssektor

4 Mrd. Stunden Video werden jeden Monat auf Youtube angesehen

30 Mrd. Einträge auf Facebook werden jeden Monat geteilt

1 TB Handelsinformationen werden an der NYSE in jeder Handelsperiode erfasst

>100 Sensoren in einem modernen Fahrzeug

18,9 Mrd. Netzwerkverbindungen in 2016

3,1 Bill. USD Kosten durch schlechte Datenqualität (nur USA)

1 von 3 Manager traut seinen Informationen nicht.

Datensätze, Transaktionen, Tabellen, Dateien (semi)strukturiert, unstrukturiert, gemischt

Batch, Quasi-Echtzeit, Echtzeit, Streams fehlerhaft, falsch, veraltet, verzögert, gefälscht

Quelle: www.ibmbigdatahub.com


Seite 20

Die vier V‘s von Big Data


Seite 21

Internet of Things

http://www.futureforall.org/communication/internet_of_things.html

• Angeschlossene Therapie- oder Diagnosegeräte

• Besseres Monitoring

• Adhärenzsteigerung

• Möglichkeiten zur „Closed-Loop“ - Medikation

• Bessere Integration der Therapie in den Alltag

• Effizienzsteigerung durch Verzicht auf

trusted-third-parties (bspw. Malteser Hausnotruf)

• Füllen von Datenlücken aus dem häuslichen Bereich

(data blindspots) und Integration von Big Data

Herausforderungen

• Vollständige Integration nutzt viel

Bandbreite und erzeugt große

Datenmengen

• Steigender Energieverbrauch für

always-on und just-in-time

monitoring

• Eine Vielzahl an übertragenen

Daten und Schnittstellen erzeugen

auch potenzielle Sicherheits-

lücken. Standardisierung ist

problematisch

• Hohe Regulierungs- und

Datenschutzhürden

• Angst vorm „Gläsernen Patienten“


Seite 22

Anwendung im GesundheitswesenBig Data & Internet of Things

Seite 23


Vielen Dank für Ihre Aufmerksamkeit!

Documents

Data Mining im Gesundheitswesen - qu.tu-berlin.de · Data Pre-process Filters, PCA, Summary Statistics, Cluster Analysis Training: iterate and adjust to find the best model Prediction: