In der Corona-Pandemie wird das Potenzial digitalisierter Gesundheitsdaten sehr deutlich: Die Informationen über Infizierte und Geimpfte bestimmen das Handeln der Politik und beeinflussen das gesellschaftliche Leben. Mithilfe medizinischer Daten ist es möglich, die Ausbreitung neuer Virusvarianten nachzuverfolgen und entsprechende Maßnahmen zu ergreifen. Insbesondere die Schnelligkeit der Datenübermittlung trägt dazu bei, auf kritische Entwicklungen zügig zu reagieren. Voraussetzung dafür ist, dass die Daten nicht manuell in Papierform erfasst und verschickt werden, sondern digital. Die Pandemie zeigt auch, dass in Deutschland die erforderliche Infrastruktur für den Austausch der Daten nicht ausgereift ist. Der Informationsaustausch zwischen Arztpraxen, Gesundheitsämtern und dem Robert Koch-Institut verläuft nicht reibungslos, sodass neue Entwicklungen nicht immer zeitgerecht erfasst werden.
Nicht nur für die Bewältigung von Pandemien ist ein digitales Gesundheitssystem relevant. Es gibt auch darüber hinaus zahlreiche Vorteile, wenn Daten von Patienten*innen unter medizinischen Einrichtungen ausgetauscht werden. Krankheitsbilder können umfangreicher erfasst werden, wenn Behandlungsdaten z. B. aus Physiotherapie, Allgemeinmedizin und Krankenhäusern zusammenführt werden. Ebenfalls können Erkrankungen frühzeitiger erkannt und neue Therapien zielgerichteter entwickelt werden. Eine Herausforderung dabei ist, die unterschiedlichen Daten so zusammenzuführen und auszuwerten, dass ihre Bedeutung unverändert bleibt.
Datenplattform zum Austausch medizinischer Daten konzipiert
Das Zukunftslabor Gesundheit entwickelte ein Konzept für die Infrastruktur einer Datenplattform, welche die Überführung und Nutzung von Gesundheitsdaten in standardisierter Form ermöglicht. Für die Verwaltung, die Speicherung, den Abruf und den Austausch von Gesundheitsdaten nutzen die Wissenschaftler*innen den Standard open Electronic Health Records (openEHR). Dabei handelt es sich um ein Technologieframework, das die Abbildung von Gesundheitsdaten in einer elektronischen Patientenakte standardisiert. openEHR ermöglicht im Sinne der Open Science eine offene Nutzung von Datenmodellen, sodass andere an den Ansätzen weiterarbeiten, sie verbessern oder weiterentwickeln können.
Um die Plattform bedienen zu können, sind sogenannte Plattformwerkzeuge erforderlich. Diese gewährleisten die Integration (Input), die Verwaltung und den Abruf der Daten (Output). Für den Dateninput, entwickelten die Wissenschaftler*innen den sogenannten openEHR-ETL-Loader. ETL steht für „extract, tranform, load“ und bedeutet, dass die Daten aus der medizinischen Einrichtung ausgehend von einem tabellarischen Format (z. B. eine CSV-Tabelle) für openEHR transformiert werden. Der openEHR-ETL-Loader ermöglicht es also, Daten in das offene Format von openEHR zu übertragen und damit gleichzeitig zu vereinheitlichen. Dies ist Voraussetzung dafür, Daten mehrerer Einrichtungen (z. B. Krankenhaus, Rehabilitationseinrichtung) zu verknüpfen. Auch kleinere Arztpraxen können über das Werkzeug Daten in die Plattform überführen.
Die Daten werden auf einen openEHR-Server übertragen, für dessen technische Umsetzung eine hochentwickeltes und weit verbreitete Software verwendet wird – die sogenannte EHR-Base.. Bei der Auswahl des Servers hatten die Wissenschaftler*innen verschiedene Konzepte geprüft und festgestellt, dass die Open Source Software EHR-Base für das Vorhaben am besten geeignet ist. Der Datenoutput soll im Sinne der FAIR-Prinzipien erfolgen (findable, accessible, interoperable, reusable). Demnach sollen die Daten sowohl von Menschen als auch von Computerprogrammen gefunden werden können (findable) und zugänglich sein (accessible), damit Wissenschaftler*innen interessante Datensätze identifizieren und nutzen können. Außerdem sollen sie in einem Format vorliegen, das einem technischen Standard in der Gesundheitsinformatik entspricht (interoperable), damit sie mit anderen Datensätzen verknüpft werden können. Schließlich sollen die Datensätze über Metadaten beschrieben werden, sodass sie für weitere Forschungen nutzbar sind (reusable).
Für den Abruf der Daten nutzen die Wissenschaftler*innen ein Portal, das das Netzwerk der Universitätsmedizin (NUM) entwickelt hat. Es bietet eine Übersicht über (Meta-)Daten, Abfragen und einen Datenexplorer. Über das webbasierte NUM-Portal können die Daten des Zukunftslabors also gefunden und abgerufen werden.
Um zu testen, ob der Daten-Upload über den openEHR-ETL-Loader in die EHR-Base funktioniert, übertrugen wir testweise einen Beispieldatensatz aus dem artverwandten Projekt HiGHmed, bei dem einige unserer Wissenschaftler*innen involviert sind. Je mehr verschiedene Daten testweise übertragen werden, desto intensiver können wir die Funktionsweise des ETL-Loaders testen. Deswegen werden wir noch weitere Datensätze in die EHR-Base überführen. Aus den Ergebnissen der Tests soll ein Handbuch zum Umgang mit dem ETL-Loader entstehen.
Darüber hinaus nahmen die Wissenschaftler*innen anhand eines Beispieldatensatzes eine Modellierung in openEHR vor, um Kenntnisse im Umgang mit dem Datenstandard zu gewinnen. Für die Modellierung erstellten sie unter anderem Archetypen; das sind maschinenlesbare, abgestimmte Repräsentationen relevanter klinischer Konzepte (z. B. Blutdruck) als (Daten-)Modelle. In Templates werden diese Archetypen so miteinander verknüpft, dass verschiedene Anwendungsfälle (z. B. medizinische Dokumente) abgebildet werden können. Aufbauend auf ihren bisherigen Erkenntnissen entwickelten die Wissenschaftler*innen einen Interviewleitfaden, um artverwandte Projekte mit medizinische Datenintegrationszentren (sog. MeDICs) wie HiGHmed und COFONI zu interviewen. In diesen kommen neben dem Standard openEHR noch andere wie z. B. FHIR (Fast Healthcare Interoperability Resources) und OMOP (Observational Medical Outcomes Partnership) zum Einsatz. Ziel der Interviews war es herauszufinden, welcher Modellierungsansatz in den Projekten gewählt wurde, und welche Erfahrungen damit gemacht wurden. Daraus werden die Wissenschaftler*innen des Zukunftslabors ein Handbuch zur Modellierung von Gesundheitsdaten erstellen. Darin werden sie empfehlen, welche Ansätze für welche Zwecke sinnvoll sind und was es zu beachten gibt.
Sensoren zur Gesundheitsprävention in Smart Homes integriert
Gesundheitsdaten werden nicht nur von medizinischen Einrichtungen erhoben. Auch im privaten Umfeld können Sensoren viele Daten erzeugen. Zum privaten Umfeld gehört insbesondere die eigene Wohnung, aber auch das Auto zählt dazu. Es gibt bildgebende und körpernahe Sensorik. Die bildgebende Sensorik bezieht sich auf festinstallierte Kamerasysteme, die Haltungen und Bewegungen von Patient*innen und von Pflegeperson erfassen können. Wichtig sind hierbei Systeme, die die Verarbeitung der Bilder zu Koordinatenlisten oder Parametern in Echtzeit vornehmen, damit die eigentlichen Bilddaten nicht gespeichert werden müssen und somit auch niemandem zugänglich sein können. Die körpernahe Sensorik wird an Sitzmöbeln, dem Bett, an der Kleidung oder direkt am Körper angebracht und ermöglicht die Erfassung von Bewegungen und Positionen, aber auch von Vitalparametern wie Herz- oder Pulsschlag, Atmung, Gewicht und Körpertemperatur. Darüber hinaus werden sogenannte Umweltsensoren für die Erfassung von Umgebungsparametern eingesetzt (z. B. Kohlendioxinanteile, Temperatur und Luftfeuchtigkeit der Raumlauft), die den menschlichen Körper belasten können.
Der Einsatz solcher Sensoren soll ein kontinuierliches Monitoring ermöglichen, sowohl über einen kürzeren als auch über einen längeren Zeitraum hinweg. Dadurch sollen Veränderungen des Gesundheitszustandes frühzeitig erkannt und Krankheiten, medizinische Notfälle oder Unfälle vorgebeugt werden. Geeignete Sensoren müssen über eine entsprechende Messgenauigkeit verfügen, in den privaten Lebensraum der Personen integrierbar sein und Schnittstellen zur Datenübertragung bereitstellen. Die Sensoren sollen so ins private Umfeld eingefügt werden, dass die Menschen ihr Verhalten nicht verändern müssen, die Messungen also unbemerkt stattfinden.
Für die Datenübertragung ist eine passende Software notwendig. Daher erstellten die Wissenschaftler*innen einen Katalog mit Kriterien, die die Software erfüllen muss. Dazu zählen unter anderem Kriterien wie Open Source, also eine Software, deren Quellcode öffentlich zugänglich ist und von anderen genutzt und weiterentwickelt werden kann. Unter Berücksichtigung dieses Kriterienkatalogs und der Integrierbarkeit wählten die Wissenschaftler*innen Sensorik mit passender Software aus und fügten sie in ein Forschungs-Smart-Home ein sowie in sechs reale, smarte Wohnungen eines Kooperationspartners. Darüber hinaus integrierten die Wissenschaftler*innen Sensoren im Auto, die den physischen und kognitiven Zustand erfassen. Beispielsweise überprüften die Wissenschaftler*innen die Funktionsfähigkeit von Lenkradsensoren mit einer Studie, an der 54 Proband*innen teilnahmen.
Die Vielzahl der Daten, die über Sensoren erfasst werden, kann nicht manuell ausgewertet werden. Deshalb setzen die Wissenschaftler*innen Machine Learning ein, um Anomalien – also Abweichungen vom Normalzustand – personalisiert zu identifizieren. Eine Herausforderung besteht darin, Messfehler oder Messungenauigkeiten von Anomalien im Gesundheitszustand zu unterscheiden. Ein Beispiel: Bewegungen im EKG-Sessel erzeugen Muster, die den normalen Unregelmäßigkeiten im Herzschlag ähnlich sind. Übermäßig häufig auftretende Unregelmäßigkeiten können aber ein Hinweis auf einen bevorstehenden Schlaganfall sein. Also muss der Algorithmus erkennen, wann der unregelmäßige Herzschlag ein Messfehler ist, wann er normal ist und wann er gefährlich wird. Die Idee der Wissenschaftler*innen ist es, verschiedene Sensoren für die Messung eines physikalischen Wertes einzusetzen. Denn es ist unwahrscheinlich, dass verschiedene Messprinzipien zur selben Zeit Messfehler aufweisen. Daraus ergibt sich aber eine weitere Herausforderung: Wenn mehr und mehr neue Sensoren integriert werden, dann können die alten Messungen nicht mehr für das Machine Learning verwendet werden, weil die Daten nicht übereinstimmen. Demnach muss der Algorithmus mit partiellen Daten trainiert werden.
Darüber hinaus wird es problematisch, wenn Sensoren ausfallen. Es muss ein System geben, dass Sensorausfälle erkennt und signalisiert. Deshalb arbeiten die Wissenschaftler*innen an einem Unified Framework, das Formen und Eigenfrequenzen der beschädigten Sensorstruktur bestimmt. Dieses werden sie im Rahmen der Smart Homes testen.
Für das folgende Forschungsjahr sind Testdurchläufe mit Proband*innen vorgesehen, um die Sensorerfassung der Vitalparameter und die Erkennung des kognitiven Zustands zu prüfen. Außerdem werden die Wissenschaftler*innen für die Verarbeitung der Umweltsensordaten und der körpernahen Sensoren einen standortübergreifenden und dezentralen Datenspeicher entwickeln. Des Weiteren ist geplant, EKG-T-Shirts in das kontinuierliche Monitoring einzubeziehen.
Online-Kurs zum lernenden Gesundheitssystem gestartet
Daten, die im Smart Home oder in medizinischen Einrichtungen erfasst werden, können auch in der Lehre und Fortbildung verwendet werden. Fachpersonal aus Gesundheitsberufen kann dazu befähigt werden, selbstständig individuelle Patientendaten zu analysieren und Erkenntnisse daraus zu ziehen wie zum Beispiel die Identifikation von Risikofaktoren für bestimmte Erkrankungen.
Aufbauend auf dem didaktischen Konzept und dem Curriculum, das die Wissenschaftler*innen im letzten Jahr entwickelt hatten, konzipierten sie einen Online-Kurs zum Thema „Das lernende Gesundheitssystem – klinische Datenanalyse“. Darin erlernen Studierende und Angehörige von Berufen in der Medizin und im Gesundheitswesen (insbesondere auch Pflege, Physiotherapie und Hebammenwissenschaft) Methoden der Datenanalyse und erfahren, welche Patient*innen für bestimmte Krankheiten gefährdet sind. Man spricht dabei vom Paradigma des lernenden Gesundheitswesens: Routinedaten wie Blutdruck, Blutzuckerspiegel, Alter, Geschlecht werden wissenschaftlich aufbereitet, um daraus z. B. Hinweise über eine potenzielle Diabetes-Erkrankung abzuleiten. Diese Daten müssen gezielt ausgewertet und interpretiert werden.
Für die Durchführung der Online-Kurse benötigt das Zukunftslabor Trainer*innen, die die Inhalte zielgruppengerecht vermitteln. Deshalb führten die Wissenschaftler*innen, die das didaktische Konzept entwickelt hatten, eine interne Schulung für Kolleg*innen aus anderen Teilprojekten durch. Diese lernten Grundbegriffe der modernen Online-Didaktik und den Umgang mit entsprechenden Tools wie Lernmanagementsystemen, Programmen zur Erstellung von Lehrvideos und Videokonferenzsystemen.
Im Sommer 2021 führten die Wissenschaftler*innen den Online-Kurs mit 18 Studierenden mit unterschiedlichem Hintergrund im Gesundheitswesen erstmalig durch, der in drei Phasen geteilt war: Beim Kickoff stellten die Wissenschaftler*innen das Kurskonzept vor und vermittelten die Inhalte zum Lernenden Gesundheitswesen. In der Wissensvermittlungsphase eigneten sich die Teilnehmer*innen weitere Inhalte über die Online-Plattformen Moodle und ILIAS an. Sie konnten Lern-Videos, Online-Quizzes und ein Diskussionsforum nutzen. Bei einem anschließenden Online-Workshop erhielten die Teilnehmer*innen realistische, aber nicht reale Gesundheitsdaten zum Thema Diabetes und sollten daraus mithilfe statistischer Modelle potenzielle Risikofaktoren analysieren. In Kleingruppen erarbeiteten die Teilnehmer*innen ihre Ergebnisse und stellten sie zum Schluss des Workshops vor.
Die Herausforderung besteht darin, den Online-Kurs zu verstetigen und nachhaltig in Studienprogramme einzubinden. Deshalb ist es uns wichtig, die Inhalte auf die Bedürfnisse der Teilnehmer*innen anzupassen. Aus diesem Grund holten wir uns das Feedback der Teilnehmer*innen ein. Insgesamt werden wir den Kurs vier Mal durchführen und ihn auf der Grundlage des Feedbacks kontinuierlich verbessern. Im weiteren Verlauf werden wir im Zukunftslabor auch Kurse für die Zielgruppen Patient*innen und Bürger*innen konzipieren. Darin wird es um Sensorik zur Gesundheitsprävention und den Umgang mit den eigenen medizinischen Daten gehen.
Aktuell werden zwei weitere Kurse für die Zielgruppen Patient*innen und Betroffene sowie die interessierte Öffentlichkeit und Schüler*innen entwickelt, welche die Arbeitsergebnisse der Wissenschaftler*innen zur Datenplattform und zur Sensortechnik zum Gegenstand haben. Die Kurse mit den Arbeitstiteln „Das Lernende Gesundheitssystem – So lernt es!“ und „Patientennahe Sensorsysteme in der Pflege - Anwendung und Ausblick“ sollen in der ersten Jahreshälfte 2022 erstmals angeboten werden, weitere Kurse sind geplant.
Die auf der Wissensvermittlungsplattform des Zukunftslabors angebotenen Online-Kurse zum Lernenden Gesundheitswesen und zur Sensorik sowie die weiteren geplanten Online-Kurse sind ein zentrales Instrument, die Forschungsergebnisse des Zukunftslabors einer breiteren Öffentlichkeit zugänglich und verständlich zu machen.
Darüber hinaus arbeiteten die Wissenschaftler*innen weiter an der Physiotherapie-App, mit der Patient*innen im Anschluss an eine Schulteroperation rehabilitierende Übungen machen können. Sie hatten sich im vorigen Jahr bereits dazu entschieden, ein Hybrid-Konzept zu entwerfen. Dieses kombiniert die Vorteile einer (teil-) stationären sensorgestützten Trainingsmöglichkeit in Form einer Kamera mit der niedrigen Einstiegsschwelle einer Smartphone-App.
Dieses Jahr analysierten sie Anforderungen an eine Tiefenkamera, die für die Aufnahme von Bewegungen erforderlich ist. Hierfür analysierten sie zunächst, welches Kamerasystem geeignet ist, wie die Software aussieht und welche Akteure die Kamera nutzen können – Physiotherapeut*innen oder Patient*innen? Auf Basis dieser Anforderungsanalyse wählten sie eine Tiefenkamera aus und testeten sie im Labor mit einem kleinen Kreis an Proband*innen. Bei den Tests prüften sie unterschiedliche Anwendungsfälle: Was passiert, wenn die Menschen unterschiedlich groß sind? Wie verhält sich die Kamera, wenn die Personen ein helles oder ein dunkles T-Shirt tragen? Im folgenden Jahr sollen die Tests im Rahmen einer Feldstudie mit mehr Proband*innen durchgeführt werden, um noch aussagekräftigere Ergebnisse zu erhalten. Aus diesen Ergebnissen werden die Wissenschaftler*innen Gebrauchsanweisungen für die Kamera ableiten.
Außerdem konzipierten die Wissenschaftler*innen die System-Architektur. Das Kamerasystem besteht aus mehreren Komponenten: Kamerasoftware, Prozessor, Schnittstellen zu Ausgabegeräten (Computer, Fernseher). Damit diese Teilsysteme funktionieren, begannen die Wissenschaftler*innen damit, die Schnittstellen zu definieren und zu implementieren. Für die Physiotherapie-App entwarfen sie ein Design für die Benutzeroberfläche (User Interface), damit die Nutzer*innen die App ansprechend finden und sie gerne verwenden.
Für das nächste Jahr ist vorgesehen, die Inhalte für die App zu entwickeln, sie zu testen und zu evaluieren. Zudem soll sie in Verbindung mit dem Kamerasystem in den physiotherapeutischen Alltag integriert werden.
