Besser und schneller aus Gesundheitsdaten lernen: Neuer Ansatz ermöglicht um 60% reduzierte Lernzeit

Elektronische Gesundheitsakten, wie wir sie auch in Österreich kennen, ermöglichen einen Überblick über Laborwerte, Diagnosen und Therapien. Aus den persönlichen und privaten Daten von Individuen ließe sich – mit Hilfe von Machine Learning – viel für die Behandlung von anderen Menschen lernen. Die Nutzung der Daten ist aber heikel, insbesondere wenn es um stigmatisierte Krankheiten handelt. Im EU-Projekt „Enabling the Big Data Pipeline Lifecycle on the Computing Continuum (DataCloud)“ bemüht man sich darum, neue Formen der Informationsverarbeitung auch für medizinische Zwecke nutzbar zu machen. Entsprechende Erkenntnisse präsentierten Dragi Kimovski und seine Kollegen nun in einer Publikation.

„Elektronische Gesundheitsakten sind noch auf vielen Ebenen ausbaufähig: Aktuell können sie die Daten, die von den persönlichen medizinischen Geräten wie Blutdruckmessern erzeugt werden, noch nicht nutzen. Außerdem bieten sie keine transparenten Mittel für die Diagnoseunterstützung und die medizinische Forschung. Zudem sind sie zentral organisiert. Wenn also dieser ‚Single Point of Failure‘ ausfällt, fällt das ganze System aus“, erklärt Dragi Kimovski, der am Institut für Informationstechnologie der Universität Klagenfurt forscht.

Die Systeme wären aber zu viel mehr in der Lage, so ist man im Projektteam von DataCloud, das von Radu Prodan geleitet wird, überzeugt. „Unser Ziel ist es, intelligente elektronische Gesundheitsakten zu schaffen, die sowohl die Informationen von den persönlichen medizinischen Geräten nutzen als auch dazu in der Lage sind, über mehrere medizinische Einrichtungen hinweg neues Wissen zu Diagnosen, Krankheiten und Therapien aus der enormen Datenfülle zu gewinnen“, erklärt Radu Prodan.

Dies will man nun mit einer dezentralen IT-Lösung erreichen. Kürzlich wurde dafür mit dem Computing-Kontinuum, das Cloud-Dienste mit Fog- und Edge-Ressourcen verbindet, eine Computing-Alternative zur Unterstützung der nächsten Generation von elektronischen Gesundheitsakten vorgestellt. Das System bietet eine große Heterogenität von Rechen- und Kommunikationsressourcen, die eine Kommunikation mit geringer Latenz für eine schnelle Entscheidungsfindung in der Nähe der Datenquellen und umfangreiche Rechenressourcen für eine komplexe Datenanalyse ermöglichen. Die verteilte Natur des Datenverarbeitungskontinuums ermöglicht außerdem die Nutzung von Big-Data-Pipelines für die Schaffung intelligenter Systeme.

Dragi Kimovski führt dazu aus: „Mit dieser neuen Technologie können wir intelligente, medizinische Geräte mit der Gesundheitsakte verknüpfen und so Patient*innen und medizinisches Personal unterstützen. Gleichzeitig werden die Daten auch für die Forschung nutzbar. Das gewonnene Wissen kann für die Behandlung eines anderen Patienten eingesetzt werden.“

Die Ansätze für ein solches dezentrales Gesundheitsdatensystem haben Dragi Kimovski, Sasko Riskov und Radu Prodan nun in einer Publikation vorgestellt. Die Bewertungsergebnisse zeigen, dass das System über das gesamte Computing-Kontinuum hinweg eingesetzt werden kann. Die maschinelle Lernzeit kann dabei um 60 Prozent reduziert werden.

Kimovski, D., Ristov, S. & Prodan, R. (2022). Decentralized Machine Learning for Intelligent Health Care Systems on the Computing Continuum. IEEE Computer, https://datacloudproject.eu/back-office/uploads/IEEE_Computer_10_ee20406455.pdf.