---
title: "Wie die Medizininformatik Initiative eine innovative Forschungsdateninfrastruktur schafft"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2022/08/02/wie-die-medizininformatik-initiative-eine-innovative-forschungsdateninfrastruktur-schafft/"
human_version: "../../../../../1/blog/2022/08/02/wie-die-medizininformatik-initiative-eine-innovative-forschungsdateninfrastruktur-schafft/"
date: "2022-08-02"
section: "Review-Artikel"
categories: ["Automatisierung von Prozessen", "Big Data", "Datenschutz", "Diagnostik", "Digitalisierung von Prozessen", "Forschung", "KI", "Krankenhaus", "Machine Learning", "Medizintechnik", "personalisierte Medizin", "Plattform", "Therapie"]
author: "Philipp Köbe"
reading_time: "8 Min."
description: "Wie können Datenintegrationszentren als Open-Data-Plattformen genutzt werden, um Innovationen in der Medizin zu fördern?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Wie die Medizininformatik Initiative eine innovative Forschungsdateninfrastruktur schafft

*02.08.2022 · Review-Artikel · Von Philipp Köbe*

Review-Artikel

Die deutsche Medizininformatik Initiative (MII) wurde vom Bundesministerium für Bildung und Forschung (BMBF) initiiert, um Gesundheitsdaten zu vernetzen und damit die Versorgung zu verbessern (1). Beispielsweise indem innovative Behandlungsverfahren schneller getestet und ausgewertet werden können oder um klinische Prozesse zu optimieren. Die Umsetzung erfolgt über vier Konsortien mit Akteuren aus interdisziplinären Fachgebieten, um das übergeordnete Ziel, den Aufbau einer Forschungsdateninfrastruktur in Deutschland, zu erreichen (2). In diesem Zusammenhang stellt der Aufbau und die Implementierung von sogenannten Datenintegrationszentren (DIZ), die als dezentrale Datenplattformen dienen, um die lokalen Klinikdaten für Forschungszwecke verfügbar zu machen, einen elementaren Bestandteil dar (3). Mit diesem Open-Data-Ansatz sollen einerseits die Universitätskliniken besser kooperativ zusammenarbeiten können. Andererseits sollen medizinische Innovationen infolge einer bestmöglichen Datenverfügbarkeit vorangetrieben werden. Wie können Datenintegrationszentren als Open-Data-Plattformen genutzt werden, um Innovationen in der Medizin zu fördern?

### **Die Konsortien mit klinisch-prozessualen Bezugspunkten**

Vier Konsortien arbeiten unter dem Dach der MII zusammen, bei einem planmäßigen Projektbudget von 300 Millionen EUR über den vorgesehenen Zeitraum von 2018 bis 2025 (1). Das Konsortium [SMITH (Smart Medical Information Technology for Healthcare)](../../../../nrw-aktuell/smith.md) setzt sich aus 19 Partnern mit über 300 Mitarbeitenden aus Versorgung, Forschung und Industrie zusammen und konnte bis Sommer 2022 bereits sieben DIZ etablieren, drei weitere sind in Vorbereitung (4). Die laufenden Use Cases umfassen die Phänotypisierungspipeline zur Unterstützung klinischer Auswertungsprojekte, die algorithmische Überwachung in der Intensivversorgung sowie die zielgerichtete Antibiotikatherapie in der Infektionsmedizin.

Das Konsortium [MIRACUM (Medical Informatics in Reasearch and Care in University Medicine)](../../../../nrw-aktuell/miracum.md) vereint zehn Universitäten, zwei Fachhochschulen und einen Industriepartner (5). Mit drei Use Cases soll die universitäre medizinische Forschung vorangetrieben werden, beispielsweise bei der Rekrutierung geeigneter Patienten für klinische Studien. Aber auch die Entwicklung von Prädiktionsmodellen auf Basis der Daten aus der elektronischen Patientenakte (ePA) wird bei MIRACUM vorangetrieben (6). Dafür werden Methoden zur standortübergreifenden Analyse von Patientendaten entwickelt und etabliert, um Wissen zu generieren, das direkt in der klinischen Praxis angewendet werden kann.

### **Die Konsortien mit indikationsbezogener Ausrichtung**

Das Konsortium [DIFUTURE (Data Integration for Future Medicine)](../../../../nrw-aktuell/difuture.md) stellt in zwei Use Cases zu den Indikationen *Multiple Sklerose (MS)* und *Parkinson* in seinen DIZ ein ausgereiftes Datennutzungskonzept zur Verfügung. Zur Realisierung des MS Use Cases werden Marker und Algorithmen entwickelt, um den Krankheitsverlauf zu Beginn vorherzusagen und frühzeitige, personalisierte Behandlungsentscheidungen zu ermöglichen. Kliniker und Wissenschaftler der teilnehmenden Standorte haben sich intensiv an der grundlegenden und klinischen MS-Verbundforschung in den Bereichen Bildgebung, Biomarker, Genetik und Immunologie beteiligt. Sowohl die Längsschnittdaten als auch die Integrationsbemühungen sind bereits verfügbar und bilden eine Grundlage für die weitere Datenerfassung und -integration.

Das Konsortium [HiGHmed (Heidelberg – Göttingen – Hannover Medical Informatics)](../../../../nrw-aktuell/highmed.md) befasst sich mit den Indikationsgebieten der Onkologie, der Kardiologie und der Infektionskontrolle (2). Im Feld der Onkologie sollen die enormen Datenmengen aus der Genomsequenzierung (OMICS-Daten) und Radiologie in die klinische Praxis überführt werden. Dafür steht ein virtuelles Onkologiezentrum zur Verfügung, das den Behandlungsverlauf von Krebspatienten veranschaulicht und den Kliniken, Forschungseinrichtungen, Ärzten und Patienten als Austauschplattform dient. Im Bereich Kardiologie werden implantierte oder vernetzte Geräte in die IT-Architektur der Datenzentren integriert. Auf diese Weise werden Datensätze aus Langzeitüberwachungen und -messungen generiert. Die frühzeitige Erkennung von Risikopatienten soll dann Krankenhausaufenthalte sowie die Sterbewahrscheinlichkeit verringern.

### **Neue Wege des Innovationsmanagements**

Aus der Sicht des Innovationsmanagements bieten die Datenintegrationszentren einen zentralen Ankerpunkt, um den Innovationsprozess zu beschleunigen und gestalten zu können. Einerseits wird die technologische Seite betrachtet, die eine Vielzahl an Möglichkeiten zur Nutzung der umfassend vorliegenden medizinischen Daten bietet, jedoch in der Vergangenheit noch nicht hinreichend eingesetzt wurde. Beispielsweise kann die Datenanalyse unstrukturierter Patientendaten in der ePA zu besseren Versorgungsprozessen genutzt werden, wodurch unter anderem zielgenaue Therapieentscheidungen getroffen werden können (3). Andererseits wird die Seite der Kommerzialisierung in den Blick genommen, die es Industriepartnern und den Universitätskliniken selbst ermöglicht, ihr Produkt- und Leistungsportfolio auszubauen und neue Geschäftsmodelle zu etablieren. So können die ePA-Daten effektiver eingesetzt werden, um zukünftige Komplikationen vorauszusagen (6). Oder durch eine effektivere Rekrutierung von Studienteilnehmern können klinische Studien schneller gestartet werden und neue Arzneimittel, Medizinprodukte oder Therapieverfahren früher in den Markt gebracht bzw. zugelassen werden (5). Erste Studien belegen, dass zunächst noch zahlreiche manuelle Schritte automatisiert und IT-Systeme effektiver eingesetzt werden müssen (7). Zudem steigen auch die technologischen Anforderungen, die dieser umfassende Daten- und Technikeinsatz mit sich bringt. Ein besserer Zugang zu Routinedaten, die während des Klinikaufenthalts erfasst werden sowie weiterführende Behandlungsdaten werden auf der Plattform der DIZ aggregiert (8). Ein Ausbau der allgemeinen Digitalkompetenzen aller beteiligten Stakeholder, wie unter anderem Mitarbeiter, Patienten und Angehörige, ist unabdingbar und ebenso die Etablierung zielführender Datenschutz- und Datensicherheitskonzepte.

### **Quantensprung der medizinischen Datenintegration in Deutschland**

Die DIZ bieten die Möglichkeit einer breiten öffentlichen Datennutzung über eine staatlich koordinierte Plattform zu Forschungszwecken. Damit können erstmalig umfangreiche verfügbare Daten von Dateninseln auf einer Plattform gebündelt genutzt werden. Für die medizinische Forschung entstehen dadurch einerseits Effizienzpotenziale und andererseits Möglichkeiten der Big Data-Nutzung, die vorher nicht in diesem Umfang gegeben waren.

Im Hinblick auf die Nutzung der Gesundheitsdaten auch im europäischen Kontext wäre zudem auch ein gemeinsamer europäischer Datenraum für Gesundheitsdaten denkbar. Hier wäre eine enge Koordination des Projektes MII mit der Europäischen Kommission zielführend.

<a id="expandable-block--6aac46dbc1b2f"></a>

Quellen

1. Medizinische Daten gemeinsam nutzen: Entscheidende Schritte sind getan [press release]. 2021. [zum Original](https://www.gesundheitsforschung-bmbf.de/de/medizinische-daten-gemeinsam-nutzen-entscheidende-schritte-sind-getan-14291.php)
2. Gehring S, Eulenfeld R. German medical informatics initiative: unlocking data for research and health care. Methods of information in medicine. 2018;57(S 01):e46-e9. [zum Original](https://doi.org/10.3414/ME18-13-0001)
3. Aguduri S, Merzweiler A, Yüksekogul N, Meyer N, Brandner A, Heinze O. Modeling Clinical Data Transformation for a Medical Data Integration Center: An openEHR Approach, 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS), DocAbstr. 2019;113. [zum Original](https://doi.org/10.3205/19gmds161)
4. Konsortium M. Die MII wächst zusammen: Gemeinsam die Patientenversorgung und medizinische Forschung stärken. 2022;No. 5, April 2022. [zum Original](https://www.miracum.org/files/2022/05/miracum_journal_n5.pdf)
5. Prokosch H-U, Acker T, Bernarding J, Binder H, Boeker M, Boerries M, et al. MIRACUM: medical informatics in research and care in university medicine. Methods of information in medicine. 2018;57(S 01):e82-e91. [zum Original](https://doi.org/10.3414/ME17-02-0025)
6. Kapsner LA, Kampf MO, Seuchter SA, Kamdje-Wabo G, Gradinger T, Ganslandt T, et al. Moving towards an EHR data quality framework: the MIRACUM approach. German Medical Data Sciences: Shaping Change–Creative Solutions for Innovative Medicine: IOS Press; 2019. p. 247-53.[zum Original](https://doi.org/10.3233/SHTI190834)
7. Fitzer K, Haeuslschmid R, Blasini R, Altun FB, Hampf C, Freiesleben S, et al. Patient Recruitment System for Clinical Trials: Mixed Methods Study About Requirements at Ten University Hospitals. JMIR Med Inform. 2022;10(4):e28696. [zum Original](https://doi.org/10.2196/28696)
8. Bild R, Bialke M, Buckow K, Ganslandt T, Ihrig K, Jahns R, et al. Towards a comprehensive and interoperable representation of consent-based data usage permissions in the German medical informatics initiative. BMC Medical Informatics and Decision Making. 2020;20(1):1-9. [zum Original](https://doi.org/10.1186/s12911-020-01138-6)
9. Probert D, Farrukh C, Phaal R. Structuring a Systematic Approach to Technology Management: Processes and Framework. Bringing Technology and Innovation into the Boardroom: Strategy, Innovation and Competences for Business Value. London: Palgrave Macmillan UK; 2004. p. 76-91. [zum Original](https://doi.org/10.1057/9780230512771_4)
10. Konsortium M. Das Datenintegrationszentrum – Services für Forschung und Versorgung.; 2022. [zum Original](https://www.miracum.org/files/2022/03/miracum_diz_brochure.pdf)





#### Verwandte Artikel

- [Big Data in der pharmazeutischen Forschung](../../../2020/06/02/big-data-in-der-pharmazeutischen-forschung.md)
- [Digitale Biomarker – revolutionär für die Psychotherapie?](../../../2021/04/21/digitale-biomarker-revolutionaer-fuer-die-psychotherapie.md)
- [Ethische Implikationen von Social Media Mining](ethische-implikationen-von-social-media-mining.md)


**Kategorien:** Automatisierung von Prozessen, Big Data, Datenschutz, Diagnostik, Digitalisierung von Prozessen, Forschung, KI, Krankenhaus, Machine Learning, Medizintechnik, personalisierte Medizin, Plattform, Therapie

## Bilder auf dieser Seite

- shutterstock_1915014952-1320x750.png: ../../../../../1/assets/bilder/wp-content/uploads/2022/05/shutterstock_1915014952-1320x750.png

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Wie die Medizininformatik Initiative eine innovative Forschungsdateninfrastruktur schafft](../../../../../1/blog/2022/08/02/wie-die-medizininformatik-initiative-eine-innovative-forschungsdateninfrastruktur-schafft/)
