Wie können Gesundheitsorganisationen Daten nutzen, um Ergebnisse und Effizienz zu verbessern und gleichzeitig Sicherheit und Compliance zu gewährleisten?
Aufgrund eines unzureichenden Managements von Patientenaufnahmen, Krankenhausaufenthalten, Infektionskontrolle und Ausbruchsvorbereitungen entstehen vielen Gesundheitseinrichtungen erhebliche Verwaltungskosten. Der Covid-19-Ausbruch hat gezeigt, dass selbst gut etablierte Gesundheitssysteme nicht in der Lage sind, auf eine solche enorme Nachfrage zu reagieren.
Staatliche Auflagen zur Schaffung von Gesundheitsprogrammen wie Medicare und Medicaid können die Ausgaben für das Gesundheitswesen potenziell erhöhen. Organisationen können sich auf präventive und maßgeschneiderte Behandlungen, auf Bevölkerungsgesundheitsprogramme auf der Grundlage einer vorausschauenden Pflege, auf datengestützte interne betriebliche Entscheidungshilfen und auf eine intelligente Fernüberwachung von Patienten unter Verwendung des Internets der medizinischen Dinge konzentrieren, um die Kosten zu verwalten und zu optimieren. Um den Nutzen von Daten in diesen Projekten zu nutzen, ist jedoch eine schnelle und effektive Entscheidungsfindung erforderlich.
Die bevorstehende Herausforderung für Leistungserbringer im Gesundheitswesen
Krankenakten enthalten häufig eine freie Sprache, z. B. unstrukturierte Patientennotizen, pharmazeutische Informationen, Anweisungen des Arztes und Zusammenfassungen der Entlassung, um nur einige Beispiele zu nennen. Darüber hinaus fallen riesige Mengen an medizinischen Bildgebungsdaten, wie z. B. Bilder aus der Radiologie, Kardiologie, Onkologie und Pathologie, zusammen mit Daten aus medizinischen Operationen. Bei herkömmlichen Gesundheitsinformationssystemen handelt es sich dagegen hauptsächlich um Paketsysteme, die von verschiedenen Anbietern für bestimmte betriebliche Aktivitäten gekauft und in Silos ohne Integration oder Interoperabilität implementiert werden, was zu einer getrennten Datenerfassung und -speicherung führt. Es gab Versuche, Daten mit klassischen Data-Warehouse-Ansätzen auszuwerten. Solche Verfahren entsprechen jedoch nicht den Anforderungen verschiedener Formate strukturierter, halbstrukturierter und unstrukturierter Daten und sind nicht in der Lage, sie zu erfüllen.
Ein Mangel an Datenanalysen und Business Intelligence-Reifegrad wird durch eine Reihe zusätzlicher Probleme noch verschärft. Untersuchungen zufolge mangelt es den meisten Unternehmen im Gesundheitswesen an erfahrenen Analyseressourcen, an technologischer Integration verschiedener Plattformen, an Wahrheitssystemen für wichtige Daten und Informationseinheiten sowie an Datenverwaltung — all dies sind notwendige Voraussetzungen für den Einsatz von Datenplattformen. Die Akzeptanz durch die Endnutzer, der stark wahrgenommene Wert von Daten, die notwendige Transparenz bei den Berichtskennzahlen und die allgemeine Akzeptanz, anhand von Daten gemessen zu werden, sind wichtige Merkmale der Organisationskultur. Schließlich ist es dringend erforderlich, einen Zusammenhang zwischen Geschäftsergebnissen und technologischen Lösungen herzustellen.
Eine mögliche Lösung besteht in der Einführung einer Datennetzarchitektur (Data Mesh) und einer Datenplattform-Abstraktionsebene — einem „Federated Data Lakehouse“.
Was ist ein "Data Mesh"?
Ein Datennetz ist eine dezentrale, domänenorientierte Self-Service-Datenarchitektur, die Daten als Produkt behandelt. Anstatt über ein zentralisiertes Data Warehouse oder Lake zu verfügen, das Daten aus verschiedenen Quellen sammelt und verarbeitet, verteilt ein Datennetz das Eigentum und die Verwaltung der Daten auf die Domänenteams, die sie produzieren und verarbeiten. Jedes Domain-Team ist dafür verantwortlich, seine eigenen Datenprodukte (Datensätze, Algorithmen, Modelle, Vorhersagen) mithilfe standardisierter APIs und Protokolle zu erstellen, zu verwalten und verfügbar zu machen. Das Konzept eines Datennetzes ermöglicht eine agilere, skalierbarere und robustere Dateninfrastruktur, die das zunehmende Volumen, die Vielfalt und die Geschwindigkeit der Daten im Gesundheitswesen bewältigen kann. Es ermöglicht auch Fachteams, mit Daten zusammenzuarbeiten und Innovationen zu entwickeln, ohne durch zentrale Engpässe oder Abhängigkeiten eingeschränkt zu werden.
Was ist Datenplattformabstraktion?
Die Abstraktion von Datenplattformen ermöglicht es Gesundheitsorganisationen, Datenprodukte von Datenplattformen zu entkoppeln und Datenproduzenten und Verbrauchern ein konsistentes und einheitliches Erlebnis zu bieten. Beispielsweise kann ein Domaininhaber ein Datenprodukt mithilfe einer generischen Datenplattformschnittstelle erstellen, ohne sich Gedanken über die zugrunde liegende Datenplattformtechnologie oder Details machen zu müssen. Und der Domainkonsument kann über dieselbe Schnittstelle auf ein Datenprodukt zugreifen, unabhängig davon, wo oder wie die Daten gespeichert oder verarbeitet werden, wohingegen ein Datenplattform-Orchestrator die Bereitstellung und Skalierung von Datenplattformadaptern je nach Bedarf und Leistung der Datenprodukte automatisieren kann.
Die Datenplattformabstraktion kann als eine Reihe von Tools, Bibliotheken, Frameworks oder Diensten implementiert werden, die allgemeine Funktionen ermöglichen, wie z. B.:
- Erkennung von Daten: Finden und Verstehen verfügbarer Datenprodukte im gesamten Datennetz
- Zugriff auf Daten: Abfragen und Abrufen von Datenprodukten mithilfe von Standard-APIs und -Protokollen
- Datentransformation: Verarbeitung und Transformation von Datenprodukten mithilfe deklarativer oder imperativer Sprachen
- Orchestrierung von Daten: Planung und Koordination von Datenworkflows auf verschiedenen Plattformen und Systemen
- Datenverwaltung: Durchsetzung von Richtlinien und Regeln für Datenqualität, Sicherheit, Datenschutz und Compliance
Eine Datenplattformabstraktion vereinfacht die Interaktion mit Datenprodukten und reduziert die Lernkurve für Domänenteams. Sie ermöglicht auch die Interoperabilität und Integration zwischen verschiedenen Plattformen und Technologien, ohne dass kostspielige oder komplexe Migrationen oder Konvertierungen erforderlich sind.
Was ist ein Federated Data Lakehouse?
Ein Federated Data Lakehouse kombiniert Datennetz und plattformübergreifende Datenverarbeitungstechnologie in einen föderierten Datensee und ist eine hervorragende Möglichkeit, die digitale Transformation zu verbessern. Ein Federated Data Lakehouse ermöglicht den Zugriff, die Analyse und die Verarbeitung von Daten über mehrere Datenverarbeitungssysteme hinweg, ohne Apps neu zu plattformieren oder Daten in einem einzigen Data Lake zu zentralisieren.
Scalytics Connect kombiniert Datennetz und Datenverbund mit Datenverarbeitung, was zu einer erhöhten Datenskalierbarkeit, einer verbesserten Datenverarbeitung und einer Vielzahl von Datenanalysefunktionen führt, ohne an Geschwindigkeit, Datenschutz oder Sicherheit zu verlieren. Ein Federated Data Lakehouse kann riesige Datenmengen nutzen, ohne sie an einen zentralen Server zu senden — eine moderne Technologie, die zur Verbesserung der Datenmenge beiträgt Analytik, Entwicklungen im Bereich der generativen KI und des föderierten Lernens (FL). Unser Vorzeigeprodukt, Scalytics Connect, ermöglicht es Unternehmen und großen Organisationen, Datenanalysen anzuwenden, Modelle für maschinelles Lernen (ML) oder generative KI (LLM) zu trainieren verteilte Datenpools deckt viele verschiedene Geräte, Edge, Data Lakes, Data Warehouses oder Datenspeichersysteme ab.
Wie kann eine Federated Data Platform die digitale Transformation im Gesundheitswesen ermöglichen?
Datennetz und Datenplattformabstraktion sind sich ergänzende Konzepte, die die digitale Transformation im Gesundheitswesen vorantreiben. Durch die Übernahme dieser Konzepte können Gesundheitsorganisationen:
- Schnellere Amortisierung: Domain-Teams können Datenprodukte schneller und einfacher erstellen und nutzen, ohne auf zentrale Genehmigungen oder Ressourcen warten zu müssen
- Höhere Datenqualität: Domain-Teams können die Genauigkeit, Vollständigkeit, Konsistenz und Aktualität ihrer eigenen Datenprodukte sicherstellen
- Höhere Agilität: Domain-Teams können schneller auf sich ändernde Bedürfnisse und Chancen reagieren, indem sie ihre eigenen Datenprodukte iterieren
- Mehr Innovation: Domain-Teams können mit neuen Ideen und Lösungen experimentieren und dabei die Datenprodukte ihrer eigenen oder anderer Domänen verwenden
- Bessere Zusammenarbeit: Domain-Teams können Datenprodukte domänen- und systemübergreifend über standardisierte Schnittstellen gemeinsam nutzen und wiederverwenden
- Niedrigere Kosten: Domain-Teams können den Einsatz von Ressourcen und Technologien auf der Grundlage ihrer eigenen Bedürfnisse und Präferenzen optimieren
Einige Beispiele dafür, wie sich diese Vorteile in konkrete Ergebnisse im Gesundheitswesen niederschlagen können, sind:
- Bessere Patientenversorgung: Kliniker können über eine einzige Schnittstelle auf umfassende und aktuelle Patientenakten aus verschiedenen Quellen und Systemen zugreifen
- Verstärkte Forschung: Forscher können mithilfe gängiger Tools und Sprachen relevante Datensätze aus verschiedenen Domänen und Systemen entdecken und analysieren
- Höhere Effizienz: Administratoren können die Leistung und Auslastung verschiedener Plattformen und Systeme mithilfe einheitlicher Kennzahlen überwachen und optimieren
- Höhere Sicherheit: Sicherheitsteams können konsistente Richtlinien und Regeln zum Schutz sensibler Daten auf verschiedenen Plattformen durchsetzen
Was sind die neuen Herausforderungen und wie können sie angegangen werden?
Eine Datennetzarchitektur und eine Datenplattform-Abstraktionsebene bieten Gesundheitsorganisationen zwar viele Vorteile, stellen jedoch auch einige Herausforderungen dar, die angegangen werden müssen:
- Datenqualität und Konsistenz: Wie kann sichergestellt werden, dass die von verschiedenen Domänen produzierten Datenprodukte zuverlässig, genau und miteinander kompatibel sind? Wie geht man mit Datenkonflikten und Diskrepanzen zwischen den Domänen um?
- Datensicherheit und Datenschutz: Wie können die sensiblen und personenbezogenen Daten von Patienten und Anbietern vor unbefugtem Zugriff und Missbrauch geschützt werden? Wie können die regulatorischen und ethischen Standards für Gesundheitsdaten eingehalten werden?
- Datenkultur und Zusammenarbeit: Wie kann eine Kultur der Datenverantwortung, Rechenschaftspflicht und Zusammenarbeit zwischen verschiedenen Bereichen gefördert werden? Wie können Anreize für Datenproduzenten und -verbraucher für den Austausch und die Nutzung von Daten geschaffen und belohnt werden?
- Datenkompetenz und Alphabetisierung: Wie kann das Gesundheitspersonal mit den notwendigen Fähigkeiten und Kenntnissen ausgestattet werden, um Daten effektiv nutzen zu können? Wie kann die Lücke zwischen den technischen und klinischen Aspekten von Daten überbrückt werden?
Diese Herausforderungen erfordern eine sorgfältige Überlegung und Planung bei der Implementierung von Datennetzen und Datenplattformabstraktionen im Gesundheitswesen. Sie erfordern auch eine kontinuierliche Überwachung und Bewertung, um sicherzustellen, dass der Nutzen die Kosten überwiegt. Data Mesh und die Abstraktion von Datenplattformen sind keine Patentrezepte oder Einheitslösungen. Sie erfordern eine sorgfältige Planung, Gestaltung, Implementierung und Verwaltung. Sie erfordern auch einen Kulturwandel von zentralem zu dezentralem Dateneigentum und Zusammenarbeit. Scalytics Connect bietet eine vielversprechende Vision, wie Unternehmen die Macht der Daten nutzen können, um ihren Anbietern, Partnern und Stakeholdern einen besseren Nutzen zu bieten. Führen Sie unbedingt ein kurzes Beratungsgespräch mit Ihrem Scalytics Vertreter, um die Herausforderungen der Implementierung von Scalytics Connect in Ihre Datenstrategien zu besprechen.
Links:
Die Chancen und Herausforderungen der Datenanalyse im Gesundheitswesen (brookings.edu)
