p-Medicine – Big Data Analytics für die Medizin

Der Trend in der Medizin steuert von einer reaktiven Behandlung hin zu einer prädiktiven und präventiven Medizin. Durch eine frühe Intervention sollen Krankheiten verhindert oder zumindest frühzeitig und individualisiert behandelt werden. Dieser Paradigmenwechsel von einer globalen zu einer individuellen, personalisierten Medizin soll dem Patienten helfen und Kosten im Gesundheitssystem senken. Getrieben wird dieser Wandel auch durch intelligentere, innovative Datenanalyse – Big Data Analytics. Auch andere Player im Gesundheitswesen – Krankenhäuser, Versicherer, Pharmaunternehmen, Medizintechnik und Gesundheitsdienstleister – profitieren immer mehr von einem datengetriebenen Ansatz mittels Big und Smart Data.

Rund um das Projekt p-Medicine entwickelt das Fraunhofer IAIS hochskalierende Big-Data-Verfahren für die Analyse komplexer medizinischer Daten, zum Beispiel für Clinical Decision Support, Qualitätsmonitoring oder die Analyse von Gen- und Molekulardaten. Das Respektieren von Datenschutz und Privatsphäre durch den Einsatz von Privacy-preserving Data Mining und Privacy-by-Design ist dabei selbstverständlich.

Lösungen und Anwendungen

Der »Fraunhofer RuleCreator« extrahiert aus medizinischen Daten vollautomatisch interessante Muster und dient der Hypothesengenerierung für klinische Fragestellungen, sowohl aus medizinischer, als auch aus betriebswirtschaftlicher Perspektive. Die Anwender können Daten aus dem klinische Umfeld schnell und unkompliziert analysieren und überwachen. Auf Wunsch kann man aus den Mustern computergestützt Regeln für die automatische Ausführung in Business-Management-Systemem generieren.

Einsatzgebiete:

  • Entscheidungsunterstützung
  • Hypothesengenerierung
  • Medizincontrolling
  • Fraud Detection
  • Risikoanalyse und Prognose

Inunserem Geschäftsfeld Big Data Analytics entwickeln wir ebenfalls Spezialalgorithmen für die klinische und pharmazeutische Forschung, zum Beispiel für das virtuelle Screening von potenziellen Medikamenten mittels strukturbasierter Analyse von Molekül- und Proteindaten oder für die effiziente Extraktion von Erklärungsmustern aus Gene-Expression-Daten.

Wir tragen dabei den hohen Anforderungen an Privatsphäre und Datenschutz Rechnung, setzen die Architekturen nach dem Ansatz des Privacy-by-Design um und entwickeln neue Privacy-preserving Data-Mining-Algorithmen. Durch die frühzeitige Einbindung des Datenschutzes lassen sich Probleme beim Zugang und Analyse von sensitiven medizinischen Daten verhindern – zum Wohle der Patienten, aber auch zur Wahrung berechtigter Geschäftsinteressen.