Das Dokument untersucht den Einfluss von Big Data auf das Gesundheitswesen, einschließlich der wirtschaftlichen Möglichkeiten und der Effizienzsteigerung durch spezifische Anwendungen. Es werden verschiedene Datenkategorien vorgestellt und betont, wie wichtig die Aggregation und Integration von Daten aus unterschiedlichen Quellen ist, um den Nutzen für alle Beteiligten zu maximieren. Zudem werden praktische Anwendungen und Vorteile von Big Data, wie die Unterstützung von Forschung, Datentransformation und Eigenpflege von Patienten, detailliert beschrieben.

1. BigData
Einfluss von Big Data auf das Gesundheitswesen
Modul Datenbanken-Vertiefung
Eingereicht von:
Michael Herzog, Christian Lauber, Stefan Martens, Klasse WIVZ 3.51
University of Applied Sciences
Northwestern Switzerland
Dozentin:
Prof. Dr. Stella Gatziu Grivas
Ort:
Olten, 17 März 2014

2. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens I
Inhaltsverzeichnis
ABBILDUNGEN II
ABKÜRZUNGEN III
1 EINLEITUNG 4
1.1 MOTIVATION 4
1.2 ZIELE DER ARBEIT 4
1.3 ABGRENZUNGEN 4
2 BIG DATA 5
2.1 WAS IST BIG DATA 5
2.2 DIE WICHTIGKEIT VON BIG DATA 6
2.3 TREIBER VON BIG DATA 6
3 BIG DATA IM GESUNDHEITSWESEN 9
3.1 EINLEITUNG 9
3.2 ANWENDUNGEN 10
3.3 BENEFITS 17
4 REAL TIME HEALTH MONITORING 18
4.1 ENDOMONDO SPORTS TRACKER PRO 18
4.2 DIÄT APP - FDDB 19
4.3 BODY MEDIA 19
4.4 SAMSUNG GALAXY S5 20
5 FAZIT 21
6 BIBLIOGRAPHY 22

3. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens II
Abbildungen
Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata-
abb1_05.png.png) ...........................................................................................................................6
Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data-
in-health-care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1) ....7
Abbildung 2-3: Datenvielfalt im Krankenhaus ..................................................................................7
Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in-
one-minute-on-the-internet/)............................................................................................................8
Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012)....................................................................10
Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012)..............................................................12
Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012)....................13
Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012) ....................................................14
Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012) .......................................................15
Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012) ........................................................16
Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com).............................................18
Abbildung 4-2: FDDB Antroid (fddb.info) .......................................................................................19
Abbildung 4-3: Body Media (http://www.bodymedia.com)..............................................................20
Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see-
the-samsung-galaxy-s5s-heart-rate-monitor-in-action/) .................................................................20

4. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens III
Abkürzungen
API Application Programming Interface
FDDB Food Data Base
GSMA Weltweite Industrievereinigung der GSM-Mobilfunkanbieter
GWAS Genomweite Assoziationsstudie
HIPAA Health Insurance Portability and Accountability Act
HIT² Institute for Health Technology Transformation
M2M Machine-to-machine
MPP Massively Parallel Processing
OLTP Online-Transaction-Processing
REFS Reverse Engineering Forward Simulation

5. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 4
1 Einleitung
1.1 Motivation
Big Data ist seit geraumer Zeit in aller Munde. Dies liegt unter anderem an der Erkenntnis, dass
die aus Big Data generierten Daten einen erheblichen Beitrag zur Steigerung der
Unternehmenswertschöpfung leisten können. Diese Fülle an potentiellem Wissen nutz- und
verwertbar zu machen, ist die Herausforderung der sich Unternehmen in der heutigen Zeit stellen
müssen. Im Rahmen des Moduls Datenbanken-Vertiefung beschäftigen wir uns mit dem Thema –
Einfluss von Big Data auf das Gesundheitswesen.
1.2 Ziele der Arbeit
Diese schriftliche Arbeit fokussiert sich auf das Thema Big Data und den Einfluss auf das
Gesundheitswesen. Sie beschäftigt sich mit den wirtschaftlichen Möglichkeiten durch die Nutzung
von Big Data und zeigt im Besonderen die Steigerung von Effizienz und Effektivität durch
spezifische Anwendungen im Gesundheitswesen auf. In diesem Zusammenhang werden auch die
Benefits beleuchtet. Im Kapitel Realtime-Health-Monitoring wird speziell auf Mobile-Devices und
Smartphone-Apps eingegangen. Im abschliessenden Fazit werden die Schlüsselergebnisse noch
einmal explizit dargestellt und zusammengefasst.
1.3 Abgrenzungen
Diese schriftliche Arbeit fokussiert sich auf die praktische Anwendung bzw. den Nutzen von Big
Data durch unterschiedlichste Applikationen im Gesundheitssektor. Dies bedeutet, es werden vor
allem existierende Business-Intelligence Anwendungen und ihre Lösungsansätze zu existierenden
Problemstellungen beleuchtet. Es besteht keine Notwendigkeit auf die hierfür notwendigen
Technologien wie zum Beispiel NoSQL, Map/Reduce, MPP sowie dem CAP/Base Theorem
einzugehen. Diese wurden in dem Modul Datenbanken Vertiefung behandelt und würden den
Rahmen dieser schriftlichen Arbeit sprengen.

6. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 5
2 Big Data
2.1 Was ist Big Data
Der Begriff Big Data beschreibt hohe Mengen von sich schnell ändernden, komplexen und
variablen Daten, welche aus unterschiedlichen Bereichen erfasst werden. Das Institute for Health
Technology Transformation (2013, S. 6) klassifiziert fünf verschiedene Kategorien oder
Strömungen von Informationen:
Web and Social Media
Hier geht es vor allem um Klickstream- und Interaktionsdaten von Nutzern unterschiedlicher
Social Media Plattformen, Webseiten und Smartphone-Apps.
Machine-to-Machine
Daten von Sensoren, Geräteprotokollen (Digital Exhaust), Flussmessern und anderen
Messgeräten.
Big Transaction Data
Rechnungen und Zahlungsansprüche in halb-strukturierter und unstrukturierter Form.
Biometric Data
Fingerabdrücke, Röntgenbilder und der genetische Code eines Menschen fallen unter diesen
Bereich.
Human Generated Data
Emails, Papierdokumente, und medizinische Reporte sind in dieser Kategorie vereint. Liegen in
halb-strukturierter und unstrukturierter Form vor.

7. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 6
2.2 Die Wichtigkeit von Big Data
Zusätzlich, zu den gängigen Unternehmensdaten liefert Big Data neue und tiefgreifende
Erkenntnisse, welche für die Unternehmenswertschöpfung eine hohe Relevanz besitzen. In
Kombination mit den herkömmlichen Unternehmensdaten können Unternehmen ihre Produktivität,
Wettbewerbsfähigkeit und Innovationskraft stärken. (vgl. Oracle, 2011, S. 5)
Big Data erlaubt es den Unternehmen, anhand der extrahierten und analysierten Daten, die
Kunden feiner zu segmentieren und den Vertrieb gezielt darauf auszurichten. Generell liefert Big
Data zusätzliche, wichtige Informationen um Wissenslücken über Individuen und deren
Bedürfnisse innerhalb der für Unternehmen relevanten Geschäftsprozesse zu schliessen.
2.3 Treiber von Big Data
Wie in Abbildung 2-1 zu sehen ist, gibt es drei grosse Treiber von Big Data:
Abbildung 2-1: Treiber von Big Data (http://www.gi.de/uploads/RTEmagicC_bigdata-abb1_05.png.png)
Datenvolumen
Beschreibt das Wachstum der anfallenden Menge von Daten und Informationen. Ein
Grossteil dieser Daten wird maschinell erzeugt. In Abbildung 2-2 auf der nächsten Seite
verdeutlich der rote Pfeil die prognostizierte Menge an Patientendaten, die während eines
Krankhausaufenthaltes im Jahr 2015 anfallen sollen.

8. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 7
Abbildung 2-2: Generierung Patientendaten 2015 (http://de.slideshare.net/yogitagaikwad/big-data-in-health-
care?qid=2b15bdb5-0c07-4a18-ab3d-97290c0ec1ee&v=default&b=&from_search=1)
Vielfalt der Daten
Die Datenquellen wachsen ebenso weiter an. Früher waren es vor allem ERP-, CRM- und
Web-Daten, so sind es heute zunehmend Daten aus Quellen, wie z.B. Sensoren, Social
Media, Mobile und Cloud. Diese Daten sind häufig halb- bzw. unstrukturiert. Abbildung 2-3
zeigt einen kleinen Auszug von der Datenvielfalt in einem Krankenhaus.
Abbildung 2-3: Datenvielfalt im Krankenhaus
Geschwindigkeit
Auswertungen müssen immer schneller vorliegen und zeitnah erstellt werden. Der Weg
geht ganz klar zu Echtzeitanalysen.

9. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 8
Untenstehende Abbildung 2-2 veranschaulicht sehr deutlich die Explosion des Datenvolumens im
Internet. Im Zuge dieser Datenexplosion gibt es einen weiteren Treiber:
Value / Veracity (Analytics)
Die grossen Datenmengen enthalten wertvolle Informationen, welche adäquat ausgewertet,
auf Qualität geprüft und schliesslich an die richtigen Stellen im Unternehmen verteilt
werden müssen.
Abbildung 2-4: One minute on the Internet (http://wordlesstech.com/2013/07/31/what-happens-in-one-minute-on-the-
internet/)

10. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 9
3 Big Data im Gesundheitswesen
3.1 Einleitung
Die nationalen Gesundheitssysteme in Europa werden auf zwei Arten unterhalten. Zum einen,
werden die sogenannten „Bismarck-Länder“ aus Sozialversicherungssystemen gespeist, zum
anderen die „Beveridge-Länder“, welche aus dem Steueraufkommen finanziert werden. Beide
Modelle haben eines gemeinsam. Aufkommende Finanzierungsprobleme, verursacht durch den
demographischen Wandel und den medizinischen Fortschritt (vgl. Germany Trade & Invest, 2012).
Dazu kommen eine mangelnde Digitalisierung von Daten und deren fehlende Vernetzung durch
heterogene Strukturen innerhalb des Gesundheitssystems. Die USA gaben 2010 etwa $2.7
Billionen für die Gesundheitsvorsorge aus, davon waren $700 Milliarden unnötig (vgl. Kauffman
Foundation, 2012, S. 15). In europäischen Gesundheitssystemen dürfte es folglich ähnlich
aussehen. Hier kann Big Data einen wertvollen Beitrag leisten um die Kosten zu senken und
Prozesse im Gesundheitswesen effizienter zu gestalten.
Big Data im Gesundheitswesen wird in der Regel von sechs grossen unterschiedlichen
Stakeholdern in mehr oder weniger abgeschotteten Datenpools verwaltet. Das Ziel muss sein,
diese Daten zu Aggregieren und für alle Anspruchsgruppen Nutzen durch Datenintegration zu
stiften. Dr. Bonnie 360° (2012, S. 15) hat diese wie folgt betitelt:
1. Klinische und Medizinische Daten
2. Kostenträger und Dienstleister: Ansprüche
3. Akademische, privat und staatliche Forschung
4. Pharma- und Medizintechnik
5. Verbraucher und Vermarkter: Patientenverhalten und Sentiment-Daten
6. Regierung: Bevölkerungs- und Gesundheitsdaten

11. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 10
3.2 Anwendungen
Es haben sich sechs Bereiche im Gesundheitswesen herauskristallisiert, in denen Big Data einen
effektiven Nutzen und wertvollen Beitrag leisten kann (vgl. Dr. Bonnie 360°, 2012, S. 17). Diese
Bereiche werden nun detailliert mit praktischen Beispielen beleuchtet.
3.2.1 Unterstützung der Forschung durch Reverse Engineering Forward Simulation
Abbildung 3-1: REFS-Model (Dr. Bonnie 360°, 2012)
Das Unternehmen GNS Healthcare forscht im Bereich der Onkologie um die Koordination von
Arbeitsabläufen nach der Diagnosestellung und die richtige Allokation von Ressourcen (Ärzte,
Behandlungen) zur richtigen Zeit zu verbessern. Hierzu benutzt das Unternehmen mathematische
Ursache-Wirkungs-Modelle. Dazu wird die REFS-Methode (Reverse Engineering Forward
Simulation) verwendet um kausale Netzwerkmodelle aus Beobachtungsdaten automatisch zu
erstellen und visuell zu simulieren. Dies ermöglicht Forschern Ergebnisse dynamisch zu
untersuchen, beschleunigt die Einsicht und hilft bei der Ausrichtung auf die pharmazeutische
Produktentwicklung. Die proprietären Algorithmen werden durch MPP Cloud-Architectures
abgearbeitet.
Big Data und Forschung durch REFS
Big Data ändert den Ansatz von der hypothesengesteuerten Forschung hin zur datengesteuerten
Forschung. Durch effiziente Analysen und die erstmalige Interpretation von grossen Datenmengen
können neue Fragen und Wege erkundet werden. Dies hilft bei einem besseren Verständnis von
Krankheiten und personalisierter Diagnostik (Cambridge Health Tech Institute, 2013). In der
Onkologie werden Genome von Tumor- und Normalgewebe sequenziert. Dies kostet in den USA
ca. $1000. Die Daten müssen zudem analysiert und von einem Onkologen auf eine klinische
Empfehlung interpretiert werden. Dies kostet $25.000 - $100.000 und wird von keiner Versicherung
übernommen. Durch die Typisierung des Krebsgewebes kann die Behandlung und

12. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 11
Medikamentengabe auf den spezifischen Krebs abgestimmt werden. Dies erhöht die
Heilungschancen ungemein. In den USA wird mit genomweiten Assoziationsstudien (GWAS)
begonnen, um die erhobenen Daten in der Onkologie und bei der Behandlung von
Volkskrankheiten einzusetzen. Die Schwierigkeiten sind hierbei die Zuordnung der Big Data aus
dem GWAS-Projekt zu den klinischen Patientendaten (vgl. Golden, 2013).

13. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 12
3.2.2 Datentransformation zu Informationen
Es ist essentiell wichtig unstrukturierte Daten für die Maschinenbearbeitung zu transformieren um
eine datengesteuerte Gesundheitsversorgung zu ermöglichen. Ein erster Schritt ist die Auswertung
von Charts und Aufzeichnungen von diversen Stakeholdern im Gesundheitswesen (Ärzte,
Apotheken, Krankenhäuser, etc.) Das Unternehmen Predixion stellt Cloud basierte
Analysesoftware zur Verfügung um Muster in Krankenhausdatensätzen zu erkennen und unnötige
Wiederaufnahmen zu verhindern.
Abbildung 3-2: Predixion Ansatz (Dr. Bonnie 360°, 2012)
Durch Data-Mining werden Daten aus einer Vielzahl Quellen erfasst und durch vorausschauende
Analyse-Algorithmen errechnet sich eine 86%tige Genauigkeit bei der Identifikation von einer
ausgehenden Gefahr der Wiederaufnahme. Somit werden Ärzte bei der Entscheidungsfindung
einer Patientenentlassung sinnvoll unterstützt.
Big Data bei der Datentransformation zu Information
Die Software erlaubt es aus erhobenen Big Data durch eine fortschrittliche Analyseplattform und
die kundenspezifische Aufbereitung (Branche) eine hohe Voraussagbarkeit und damit
Entscheidungshilfe zu geben. Praktische Anwendungsmöglichkeiten sind Wiederaufnahme-
Management, Risikopatientenidentifizierung, Krankheitsvorhersage, Betrugserkennung und
Risikomodellierung.

14. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 13
3.2.3 Unterstützung Eigenpflege (Selfcare)
Big Data in Kombination mit Smartphone-Apps sollen dem Patienten helfen sich selbst zu helfen.
Der mündige Patient kann seine persönlichen medizinischen Daten selbst verwalten und bei
Bedarf direkt mit dem behandelnden Arzt vor Ort austauschen. Das Unternehmen Humetrix bietet
mit seinem dualen Anwendungssystem iBlueButton diese Möglichkeit auf Smartphones und
Tablets für Patienten und Ärzte an.
Abbildung 3-3: iBlueButton Patienten und Ärzte Applikation (Dr. Bonnie 360°, 2012)
Die Anwendung bietet eine sichere end-to-end Verschlüsselung nach der HIPAA-Norm.
iBlueButton führt Daten von unterschiedlichen Endgeräten zusammen und stellt sie der
betreuenden Stelle in Echtzeit zur Verfügung. Somit gehören Wartezeiten und lückenhafte
Anamnesen auf Grund von fehlenden Befunden der Vergangenheit an.
Big Data und Selfcare mit iBlueButton
Die iBlueButton Anwendung decodiert und übersetzt Daten aus den unterschiedlichsten Quellen
und macht sie für den Patienten, die Angehörigen und Pflegepersonal nutzbar. Es werden Daten
wie zum Beispiel Labor- und Testergebnisse, Diagnosen, Krankenhauseinweisungen, Medikation
und Versicherungsdaten benutzerfreundlich aufbereitet. Die Anwendung wurde mehrfach
Ausgezeichnet und zudem von Barrack Obama einer breiten Öffentlichkeit vorgestellt. Gerade in
den USA wo das Gesundheitssystem aus Kostengründen nicht der gesamten Bevölkerung
vollumfänglich zur Verfügung steht, könnte Big Data in Verbindung mit Selfcare und mHealth zu
einer Gesundheitsfürsorge für finanziell schlechter gestellte Bevölkerungsschichten führen (vgl.
Mosquera, 2013).

15. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 14
3.2.4 Anbieterunterstützung, Verbesserung der Patientenpflege
Durch den Kostendruck im Gesundheitswesen forciert durch die Krankenkassen stehen die
Dienstleister in der Medizin und Patientenpflege zunehmend unter Druck. In immer kürzerer Zeit
muss mehr geleistet werden, insbesondere der hohe bürokratische Aufwand beansprucht
Ressourcen. Humedia Inc. Ist ein klinisches Informatikunternehmen, welches die Verknüpfung von
klinischen Daten und Patienteninformationen ermöglicht und durch verschiedene
Abfragezeiträume und Einstellungen einen umfassenden Blick auf die Patientenversorgung gibt.
Siehe Abbildung 3-4 auf der nächsten Seite.
Abbildung 3-4: Humedica MinedShare (Dr. Bonnie 360°, 2012)
Dieser Service wird als SaaS-Business-Intelligence angeboten und von Krankenhäusern,
Gesundheitssystemen und Life Science Unternehmen in Anspruch genommen. Es wird auf einen
Datensatz mit 25 Millionen erfassten Personen aus 30 Bundesstaaten in den USA zurückgegriffen.
Biga Data Nutzen
Die klinische Business Intelligence Lösung von Humedia verwendet eine Vielzahl von Daten wie
zum Beispiel Demographie-, Medikations-, Labor-, Vital-, Belastungs-, und
Begleiterkrankungsdaten um bei spezifischen Patientengruppen Risikovorhersagen bei
Kongestiver Herzinsuffizienz (Herzschwäche) treffen zu können. Momentan startet ein Pilotprojekt
von mehreren Carilion Kliniken im US- Bundestaat Virgina unter der Leitung des Virginia Tech
Carilion School of Medicine and Research Institute. In diesem Projekt geht es darum den
praktischen Nutzen der Humdecia Mindshare Anwendung mit validierten Patientendaten im
klinischen Bereich in Bezug auf das Populationsmanagement von kongestiven Herzinsuffizienz
Patienten aufzuzeigen(vgl. AMGA, 2012, S. 4 ff.).

16. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 15
3.2.5 Bewusstseinssensibilisierung
Big Data kann in der Sensibilisierung von Menschen / Patienten bei der Erkennung von
gefälschten Medikamenten, Tracking von Umweltfragen (SMOG) und zur Vorhersage von
Krankheitsausbrüchen helfen. Dies kann sogar soweit gehen auf Länderebene
Gesundheitspolitische Entscheidungen zu priorisieren. Das Unternehmen Sickweather LLC scannt
soziale Medien um Ausbrüche von Krankheiten (Grippe etc.) zu prognostizieren und verfolgen. Der
Algorithmus ist noch nicht perfekt, aber das Unternehmen arbeitet daran Falschmeldungen besser
auszusortieren.
Abbildung 3-5: Sickweather Website (Dr. Bonnie 360°, 2012)
Big Data Bezug zu Bewusstseinssensibilisierung
Der Gründer Graham Dodge sieht die Sozialen Medien als Quelle von Daten; um Gesundheit,
Krankheit und Krankheiten zu verfolgen, welche erst noch erschlossen werden müssen. Seine
Vision ist ein Echtzeit Wetterdienst für Krankheiten und Gesundheit rund um den Globus (Dr.
Bonnie 360°, 2012, S. 34).

17. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 16
3.2.6 Datenpooling um ein besseres Ökosystem zu erschaffen
Das Zusammenbringen von verschiedensten Datensätzen, um einen grösseren Datenpool zu
bilden, ermöglicht neue Arten von Analysen auf Fragen die bisher noch nicht gestellt wurden. Das
Unternehmen Qualcomm Life verfolgt mit seinem Cloud-basierten Datenpool mit dem Namen 2net
einen praktischeren Ansatz.
Abbildung 3-6: Qualcomm Life 2net (Dr. Bonnie 360°, 2012)
Das System ermöglicht M2M-Verbindungen in dem es Daten von medizinischen Geräten und
biometrischen Sensoren sammelt und im Cloud basierten Hub für Benutzer, ihre
Gesundheitsdienstleister und Pflegepersonal zugänglich macht. Dies geschieht über offene APIs
um Entwicklern die Möglichkeit zu geben durch kreative Anwendungen auf den Datenpool
zugreifen zu können.
Big Data Bezug und Datenpooling
Die biometrischen Daten von Medizinischen Wireless-Geräten bei den Patienten vor Ort werden in
die Health-Cloud-Platform 2net von Qualcomm hochgeladen und können nun mit
Gesundheitsanbieter ausgetauscht werden. Somit ist eine Fernversorgung der Patienten anhand
aktueller und vergangener medizinischer Daten möglich.

18. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 17
3.3 Benefits
Die vorgestellten Anwendungsmöglichkeiten haben ihr Potential zur qualitativen Verbesserung des
Gesundheitswesens und der Reduktion von Kosten aufgezeigt:
 Gewinnsteigerungen durch die Einsparung von Arbeitskräften um bis zu 40%
 Reduzierungen der Krankenhauswiedereinweisungen um bis zu 86%
 Verbesserte Lebensqualität der Patienten
 Ergebnisse und Erkenntnisse aus Datenpools, welche neue Verträge und Einnahmen
generieren
 Früherkennung von Hochrisikosituationen und Einleitung von entsprechenden
Massnahmen

19. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 18
4 Real Time Health Monitoring
Der Markt für mobile Gesundheitsgeräte und Apps im englischen Sprachraum kurz mHealth
genannt, erfährt in den nächsten Jahren ein enormes Wachstum. Nicht nur Big Player wie Apple
oder Nike tummeln sich in diesem lukrativen Markt, sondern auch zahlreiche kleinere Anbieter
möchten sich einen Teil vom Kuchen sichern. Die GSMA sagt für das Jahr 2017 Umsätze von 23.
Mrd. Dollar im mHealth Markt voraus (vgl. Koppe, 2012).
4.1 Endomondo Sports Tracker Pro
Die Tracking App von endomondo.com zeichnet sportliche Aktivitäten, wie Laufen, Radfahren und
Inline Skaten über GPS auf. Sportler können ihre persönlichen Daten in einem Benutzerprofil
hinterlegen. Während einer sportlichen Aktivität werden nun Entfernungen, Geschwindigkeiten und
Höhenunterschiede erfasst. Über einen geeigneten Brustgurt und Bluetooth Empfang können
zusätzlich Herzfrequenzverläufe aufgezeichnet werden. Die absolvierten Sporteinheiten werden
über Google Maps visuell ansprechend dargestellt. Abgerundet wird das Leistungspaket durch
eine umfangreiche statistische Auswertung und Aufbereitung auf der eigenen Webseite.
Zusätzliche Features wie die Messung der Herzfrequenz sind in einer Kostenpflichtigen Pro
Version. In Abbildung 4-1 ist die Oberfläche der mobile App dargestellt.
Abbildung 4-1: Endomondo Sports Tracker (www.endomondo.com)

20. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 19
4.2 Diät App - FDDB
Für Ernährungsbewusste Menschen bietet der FDDB Scanner ein Ernährungs- und
Kalorientagebuch mit Scanfunktion. Nach der Registrierung und Eingabe der persönlichen Daten
wird der Tagesbedarf an Nährwerten errechnet. Die Lebensmitteldatenbank ist riesig und kann
über eine Suchfunktion oder die integrierte Scanfunktion des Lebensmittelbarcodes auf die
richtigen Produkte angewandt werden. Der Vorteil ist, dass nicht nur die eingenommenen Kalorien
pro Tag überwacht werden, sondern auch alle anderen Nährstoffe inklusive des Fett-Anteils
ausgewiesen werden. Die Anwendung ist Kostenfrei wird allerdings durch Werbung finanziert. In
Abbildung 4-2 ist die Oberfläche der Android-Version abgebildet.
Abbildung 4-2: FDDB Antroid (fddb.info)
4.3 Body Media
Das mobile Gesundheitsarmband ermöglicht es dem Träger die persönlichen Aktivitäten akkurat
über den Tag 24/7 aufzuzeichnen. Dazu wird die Hautfeuchtigkeit, -temperatur und der
abgegebene Wärmestrom der Haut gemessen. Ein Accelerometer misst die Bewegung. Somit
können der Kalorienverbrauch, Bewegung und Schlafgewohnheiten erfasst und darauf
abgestimmte Ernährungs- und Bewegungsempfehlungen ausgesprochen werden. Die Armbänder
wurden in einer 10 tätigen Testphase von Astronauten auf der Internationalen Raumstation (ISS)
im August 2013 getragen um ihre Energiebedürfnisse im Weltall zu untersuchen. In Abbildung 4-3
ist das Body Media System mit Armband dargestellt.

21. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 20
Abbildung 4-3: Body Media (http://www.bodymedia.com)
4.4 Samsung Galaxy S5
Auch die Smartphones entwickeln sich weiter und werden selbst zu mobile Health-Devices, wie die
Ankündigung des Unternehmens Samsung auf dem diesjährigen World Mobile Congress in
Barcelona zeigt. Das neue Smartphone Flaggschiff S5 wird mit einem integrierten
Herzfrequenzmesser ausgerüstet und zeigt eindrücklich wohin die Entwicklung geht.
Abbildung 4-4: Samsung Galaxie S5 (http://reviews.cnet.com/8301-13970_7-57619478-78/see-the-samsung-
galaxy-s5s-heart-rate-monitor-in-action/)

22. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 21
5 Fazit
Die Lebenserwartung der Menschen in der westlichen Welt steigt durch den Fortschritt in der
Forschung und Medizin immer weiter an. Draus folgt, dass immer mehr ältere und jüngere
Menschen immer länger medizinisch behandelt und versorgt werden. Im Gesundheitswesen fallen
somit immense Kosten und auch Datenmengen im Zusammenhang mit medizinscher Behandlung
an. Die Challenge für Länder bzw. deren Gesundheitssysteme wird es in Zukunft sein, diese Big
Data Mengen effektiv und effizient auszuwerten und die gewonnen Erkenntnisse wertschöpfend
einzusetzen. Ein Ziel der Stakeholder im Gesundheitswesen muss es sein, grosse Datenpools von
relevanten medizinischen Daten aus heterogenen Quellen zu bilden und die Schnittstellen zu
diesen „Ökosystemen“ so einfach wie möglich zu gestalten. Nur so ist es findigen Entwicklern
möglich neue Konzepte und Anwendungen zu entwickeln, welchen allen Beteiligten Nutzen und
Mehrwert stiftet.
Darüber hinaus ist es für das Populationsmanagment von Krankheitsgruppen, wie zum Beispiel
Patienten mit kongestiver Herzinsuffizienz wichtig, dass die Im Pool enthaltenen Daten auch richtig
analysiert und bewertet werden. Dies leisten neuartige SaaS-Busniess-Intelligence-Anwendungen
wie Humdeica MinedShare. Somit können Risikoprofile erstellt und die Patientenpflege im
Allgemeinen verbessert werden.
Des Weiteren wird es immer realistischer wirksame Vorhersagen in Bezug auf die geographische
Ausbreitung von Krankheiten, Pandemien und Umweltverschmutzungen (SMOG) zu treffen.
Dadurch ist es möglich gesichertere gesundheitspolitische Entscheidungen zu treffen und die
wirtschaftlichen Ressourcen zielgerichteter zu allokieren.
Schlussendlich profitieren das Gesundheitswesen und die Patienten gleichermassen. Die Kosten
für alle Beteiligten können durch die intensive Nutzung von Big Data im Gesundheitssektor
gesenkt werden und die medizinische Versorgung und Pflege von Patienten wird sich qualitativ
immer weiter verbessern. Eine schöne neue Welt.

23. Einfluss von Big Data auf das Gesundheitswesen
Michael Herzog, Christian Lauber, Stefan Martens 22
6 Bibliography
AMGA Institute for uality Leadership (2012): How Care Teams Are Using Predictive Analytics and
Comparative Data to Optimize Interventions for High Risk Patients. [Online] URL:
http://www.eiseverywhere.com/file_uploads/915ccc88ae4b7e993b66b2a269062dad_IQLPr
edictiveAnalyticsfinal22012-10-04.pdf [Stand: 16.03.2014].
Cambridge Health Tech Institute (2013): Bioinformatics for Big Data. [Online] URL:
http://www.triconference.com/ Bioinformatics-Genome/ [Stand: 28.02.2014].
Dr. Bonnie 360° (2012): Big Data in Healthcare - Hype and Hope. [Online] URL: http://www.west-
info.eu/files/big-data-in-healthcare.pdf [Stand: 28.02.2014].
Ewing Marion Kauffman Foundation (2012): Valuing HealtH Care: Improving Productivity and
Quality. [Online] URL: http://www.kauffman.org/newsroom/2012/04/opening-up-big-data-is-
the-big-solution-to-curing-health-care-ills-according-to-kauffman-report [Stand: 27.02.2014].
Germany Trade & Invest (2012): Gesundheitssysteme in der EU vor großen Herausforderungen.
[Online] URL: http://www.gtai.de/GTAI/Navigation/DE/Trade/ maerkte,did =433484. html&
channel=premium_channel_gtai_1 [Stand: 1.03.2014].
Golden, Jim (2103): Cancer, Data and the Fallacy of the $1000 Genome. [Online] URL:
http://www.forbes.com/sites/jimgolden/2012/06/21/cancer-data-and-the-fallacy-of-the-1000-
genome/ [Stand: 15.03.2014].
Institute for Health Technology Transformation (2013): Transforming Health Care Through Big
Data. [Online] URL: http://ihealthtran.com/iHT2_BigData_2013.pdf [Stand: 3.03.2014].
Koppe, Sabine (2012): Der Mobile Health Markt: Trends und Entwicklungen. [Online] URL:
http://www.mobile-zeitgeist.com/2012/02/27/der-mobile-health-markt-trends-und-
entwicklungen/ [Stand: 4.03.2014].
Mosquera, Marie (2012): Government Health IT. [Online] URL: http://www.govhealthit.com/ news/
ibluebutton-lets-patients-be-hie [Stand: 15.03.2014].
Oracle Corporation (2011): Big Data für das Unternehmen. [Online] URL: http://www.oracle.com
/technetwork/database/bi-datawarehousing/wp-big-data-with-oracle-521209.pdf [Stand:
3.03.2014].