Digital Health Lexikon -

Data Science in Healthcare

„Data Science“, wörtlich übersetzt „Datenwissenschaft“, betrifft ein umfassendes Wissensgebiet, das sich einer Vielzahl an Methoden bedient, um mehr, v.a. aber immer bessere Erkenntnisse aus Daten zu generieren. Ein besonderes Merkmal ist Interdisziplinarität bzw. dass sich u.a. Wissenschaftszweige wie Informationswissenschaften, Statistik, Epidemiologie und Biometrie seiner Methoden bedienen, sowie – im Bereich „Healthcare“ - natürlich Medizin und die Pflegewissenschaften.

1. Synonyme:

Keine, am ehesten die Umschreibung „data-driven science, analysis and processing“.

2. Kurzhistorie:

Wirklich sicher scheint bis heute nicht festzustehen, wer den seit fast 50 Jahren verwendeten Begriff „Data Science“ zuerst für die Beschreibung der Informatik als Wissenschaft verwendet hat. Einige Autoren schreiben dies dem dänischen Astronomen und Informatiker Peter Naur zu, der von 1928 bis 2016 lebte, u.a. an der Entwicklung der Programmiersprache Algol 60 beteiligt war und 30 Jahre lang eine Professur in Kopenhagen innehatte. Offiziell hat aber auch er den Begriff erst 1974 in einer Publikation in dem Absatz „A Basic Principle of Data Science“ verwendet [1].

3. Ziel:

Die Ziele von „Data Science“ beinhalten die Entwicklung von wissensbasierten Methoden, Algorithmen und Applikationen. Dazu gehören als Voraussetzung u.a. die Extraktion, Integration, Speicherung, Abfrage, Evaluation und Anwendung von entsprechend aufbereiteten Daten, die insbesondere im Bereich „Data Science in healthcare“ immer umfangreicher werden. Als ein Beispiel für die Auswertung großer Datenmengen im Sinne von „big data“ inclusive vielfältiger Kennzahlenanalysen sei hier die Genomanalyse genannt.

4. Wesentliche Merkmale:

Positiv fällt exemplarisch eine Open Content-Intiative aus dem Rahmen, bei der fast ausschließlich aktuell praktisch tätige Experten mitgewirkt haben: Das „Handbuch Internet of Things“ in der Reihe Trend-Report. Hier beschreibt Robert Abele sehr kompetent in seinem Kapitel, was aus Sicht der angewandten Informatikwissenschaften unter „Data Science“ Stand heute praktisch verstanden werden kann: „Mehrwerte durch intelligente Algorithmen“. „(…) Data Science (ist) nutzt mathematische Regeln (Algorithmen), um Prozesse zu optimieren, Wahrscheinlichkeiten zu berechnen oder Vorhersagen zu treffen. Mit anderen Worten: Bei Data Science werden modernste Technologien wie Machine Learning und künstliche Intelligenz gezielt eingesetzt, um Prozesse zu optimieren oder zu automatisieren. (…)“ [2]. Auf der bei vielen Wissenschaftlern beliebten Online-Plattform researchgate.net befinden sich mittlerweile annähernd 500 Anfragen zum Fachbegriff „Data Science“. Die Suche nach der besten Erklärung ist also noch lange nicht abgeschlossen.

5. Wesentliche Einsatzgebiete:

„Data Science in healthcare“ und den sogenannten Lebenswissenschaften (life science) insgesamt soll v.a. Diagnose und Therapie, Prognose und Prävention sowie sonstige Anwendungen, Produkte und Dienstleistungen zur Verbesserung der Gesundheitsversorgung und -erhaltung unterstützen. Entsprechend findet „Data Science“ z.B. in den Bereichen Public Health, in der Gesundheitsversorgung und in der Gesundheitswirtschaft gehäuft in den Bereichen Forschung und Entwicklung Anwendung, aber auch im Management von Unternehmen, Prozessen und Projekten. Typischerweise finden sich unter den „Data Scientists“ im Gesundheitsbereich z.B. neben Statistikern, Systemanalysten, Datenbankspezialisten sogenannte Data Custodians als Integrationsspezialisten. Daneben gibt es „Data Stewards“ als Verbindung zwischen den Gesundheitsexperten, Informatikwissenschaftlern und Data Custodians. Sie können z.B. als eine spezielle Variante medizinischer Dokumentare bzw. medizinischer Informationsmanager eingesetzt werden [3].

6. Unterscheidung von ähnlichen Begriffen:

„Data Science“ ist nicht das selbe, aber u.a. eine Grundvoraussetzung für valide wissensbasierte Systeme (knowledge based and driven systems), treffsichere Mustererkennung (pattern recognition) und letztlich für machine-learning bzw. die sogenannte künstliche Intelligenz (artificial intelligence) und Automatisierung bzw. Robotik.

Literatur

  • [1] Naur P.: Concise Survey of Computer Methods. Studentlitteratur, Lund, Sweden, 1974: Part 1 - Basic Concepts, Tools and Methods: Absatz 1.8. (ISBN 91-44-07881)
  • [2] Abele R.: Mehrwerte durch intelligente Algorithmen. In: ayway media GmbH (Hrsg.): Handbuch Internet of Things. Trend Report, Bonn, 1. Auflage November 2018. (ISBN: 978-3-9818482-4-3) Download: https://handbuch-iot.de
  • [3] Gerbel S., Laser H., Fiebeck J., Bott O.J.: Noch Informationsmanager oder schon Data Scientist - neue(s) Berufsbild(er) Datenwissenschaftler? mdi 2-2019: S. 37-40 (ISSN 1438-0900)
DHL_Andreas J. W. Goldschmidt

Autor:

Univ.-Prof. Dr. habil. Andreas J. W. Goldschmidt

Hochschule RheinMain und FOM Hochschule für Oekonomie und Management Frankfurt am Main

1@andreas-goldschmidt.com

© hcm-magazin.de 2019 - Alle Rechte vorbehalten
Kommentare
Bitte melden Sie sich an, um Ihren Kommentar angeben zu können.
Login

* Pflichtfelder bitte ausfüllen