Große Datenmengen sind im Gesundheitswesen längst üblich. Um die Informationen sinnvoll zu nutzen, müssen sie umfassend analysiert werden. Dabei sollten Krankenhäuser ihre Big-Data-Projekte modular und in kleinen Schritten aufbauen.

Auch im Gesundheitswesen wachsen die Datenmengen. Gerade moderne Behandlungsmethoden sind in der Regel mit zusätzlicher Produktion von Daten verbunden: neue Entwicklungen in der Medizintechnik, Bildgebende Verfahren, die Elektronische Gesundheitsakte, Informationssysteme am Krankenbett oder das Monitoring von Vitalparametern in Echtzeit – am Ende steht immer ein massiver Zuwachs an Daten. Es ist heute schwierig geworden, überhaupt noch abzuschätzen, wie viele Gigabyte bei einem einzigen Krankenhausaufenthalt entstehen.

Dass das Gesundheitswesen damit geradezu ein Musterfall von Big Data ist, stellt für die Klinik-IT keine geringe Herausforderung dar, denn die explodierenden Datenmengen müssen ja auch technisch verarbeitet, transportiert, gespeichert und sinnvoll archiviert werden. Die technische Verarbeitung ist aber nur die eine Seite der Medaille. Auf der anderen bergen diese Datenmengen ja auch ein Potenzial von hohem Wert, denn sie bilden ja mittlerweile nahezu alles ab, was in einem Krankenhaus passiert, sowohl im klinischen als auch im administrativen Bereich.

Wenn es gelingt, diese bereits vorhandenen Daten aufzubereiten und zu analysieren, lassen sich sowohl Diagnosen und Behandlungen als auch die internen Abläufe verbessern. So können Ärzte beispielsweise bei unklaren Krankheitsbildern aus ähnlichen Fällen Muster ableiten, sie können die Wirkungen von bestimmten Medikationen vergleichen oder typische Komplikationen genauer vorhersehen. Die Verwaltung wiederum kann zum Beispiel aktuelle Wartezeiten von Patienten oder von speziellen Untersuchungen überwachen und steuern, indem etwa Labor-Kapazitäten kurzfristig angepasst werden. Das Klinik-Management kann auf Basis solcher Daten Abläufe in Echtzeit steuern, damit aktiv beeinflussen und so auch deren Effizienz verbessern. Das Mehr an Informationen, das Big Data beschert, kann also nicht nur Diagnosen und Therapien verbessern, sondern auch die Kosten im Gesundheitswesen reduzieren.

In der Regel sind die benötigten Daten schon im Haus. Ein extra Auf-wand für die Datenbeschaffung fällt im Rahmen eines Big-Data-Projekts also in der Regel nicht an. Die vorhandenen Daten sind allerdings nicht nur sehr heterogen, sondern in unterschiedlichen Abteilungen meist auch nicht auf demselben Stand. Da Big Data voraussetzt, dass Daten aus allen Quellen genutzt werden, stehen am Anfang die Erschließung der jeweiligen Quellen, Datenintegration und Standardisierung, also ein zielgerichtetes Daten-Management über alle Abteilungen und "Silos" hinweg. Erst darauf aufbauend lassen sich mit entsprechenden Werkzeugen grundlegende Reports erstellen, die in Echtzeit Informationen zu spezifischen Fragestellungen bereitstellen. Wiederum darauf aufbauend können Auswertungen erstellt werden, die beispielsweise in Form von Dashbords den Betrieb als Ganzes abbilden.

Diese drei Stufen sind üblicherweise die aufwändigsten. Die Klinik-IT sollte hier pragmatisch vorgehen und nicht langfristige Großprojekte aufsetzen, sondern mit kleineren Projekten zeitnah beginnen, schon um ein Gefühl für die Aufgabe zu entwickeln und um konkrete Erfahrungen zu sammeln. Die vierte Stufe im Rahmen eines Big-Data-Projekts ist dann die prädiktive Analyse, also die Ableitung von Vorhersagen aus den vorliegenden Daten. So ließe sich unter Einbeziehung von Kontextdaten – das könnte das aktuelle Wetter sein – vorhersagen, wie sich an bestimmten Tagen die Beanspruchung bestimmter Abteilungen und Anlagen entwickeln wird, weil zum Beispiel mit einem mehr an Sportverletzungen oder Infektionskrankheiten zu rechnen ist. Die fünfte Stufe wäre dann gewissermaßen als Krönung der Abgleich solcher Vorhersagen mit den Zielwerten einer Klinik, etwa hinsichtlich des Auslastungsgrades oder spezifischer Kostenindikatoren.

Für die Umsetzung dieses Modells bieten sich grundsätzlich drei Wege an. Eine Einrichtung kann die benötigten Ressourcen selbst aufbauen, also Mitarbeiter ausbilden und Systeme beschaffen. Wer ganz neu in die Thematik einsteigt, sollte dabei einen modularen Ansatz wählen, der Komplexität, Kosten und Zeitaufwand begrenzt, und der sich bei wachsendem Bedarf – womit im Allgemeinen zu rechnen ist – leicht erweitern lässt. Alternativ lassen sich die Ressourcen heute auch aus der Cloud nutzen, was zumindest den Investitionsaufwand reduziert. Man muss aber auch in diesem Modell selbst Know-how aufbauen, und die Zusammenarbeit mit externen Beratern ist gerade in diesem Szenario ebenfalls eine gute Idee. Schließlich kann man das Big-Data-Thema auch ganz an einen Dienstleister übergeben, was sicher der schnellste Weg zum Erfolg ist. Schwierig wird das jedoch, wenn man viele Auswertungen und Analysen in Echtzeit benötigt. Dann ist es besser, Daten und Werkzeuge auch im eigenen Haus zu haben. Da meist nicht alles in Echtzeit passieren muss, sind hybride Ansätze auch hier eine gute Lösung.