View
4
Download
0
Category
Preview:
Citation preview
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)
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 5
SELFPASSSystemansicht
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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.
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
• 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?)
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 9
Anwendung im GesundheitswesenCloud Computing
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 13
Anwendung im GesundheitswesenMachine Learning
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 15
SELFPASSVerbesserte Therapiemöglichkeiten dank Neurofeedback
New Reality - Augmented, Virtual, Mixed
https://www.extremetech.com/extreme/249328-mixed-reality-can-take-augmented-reality-mainstream
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 17
Anwendung im GesundheitswesenVirtual, Augmented, Mixed – The new Reality
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 20
Die vier V‘s von Big Data
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
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“
Data Mining im Gesundheitswesen | Lehrstuhl IKM TU-Berlin | Max Theilig
Seite 22
Anwendung im GesundheitswesenBig Data & Internet of Things
Recommended