Patientendaten für die Versorgung: Social Media birgt Potenziale
Mit der Integration individueller, außerhalb des Versorgungssettings gesammelter Gesundheitsdaten können Krankheiten erkannt und vorhergesagt werden. (Vital-)Daten werden dabei anhand von Smart Devices, Wearables oder Smartphone-Apps generiert. Mit ihnen können große Datenmengen, und somit ein Analysewerkzeug – Big Data –, bereitgestellt werden. Einen Beitrag zur Masse potentiell nutzbarer Daten kann aber vor allem Social Media, als niedrigschwelliger Zugang zu unstrukturierten Daten jeglicher gesellschaftlicher Gruppen, leisten.
Die versteckte Ironie: Der Wunsch nach einer weitreichenden, übergreifenden digitalen Vernetzung soll gleichzeitig potentiell eine Verbreitung von Erkrankungen – wie z.B. aktuell dem Coronavirus – eindämmen und innerhalb der Landesgrenzen halten. Dabei stellt sich die Frage, wie Benutzerdaten aus Social Media einer Verbreitung von Infektionskrankheiten entgegenwirken können.
Status Quo der Datennutzung im Gesundheitswesen
Gesundheitsrelevante Daten werden klassischerweise über entsprechende Register bei Kliniken oder öffentlichen Meldestellen abgerufen. Bei vielen, aber längst nicht allen Erkrankungen, existiert eine Meldepflicht. Diese wird durch behandelnde Leistungserbringer realisiert. Besonders bei Infektionskrankheiten sind eine rasche Weitergabe und Auswertung von Informationen gefragt. Dieses Verfahren verläuft jedoch immer noch verzögert und nicht ausreichend zeitkritisch (1, 2).
Prominentester Meldefall bei den entsprechenden Behörden ist die saisonale Grippe (Influenza). In Ländern, in denen bereits eine elektronische Patientenakte genutzt wird, konnte ein Grippeausbruch allein auf Basis der Akten- und Krankenhausdaten vorhergesagt werden (3).
Big Data: Errungenschaft des Gesundheitswesens
Abhilfe bei der existierenden Zeitverzögerung von Infektionsmeldungen kann die Aufbereitung großer Datenmengen und ihre Nutzung zur Erkennung und Prädiktion schaffen. Hierfür wichtigste Voraussetzung sind adäquate Datenquellen. Alltagsgeräte und –medien, in den Händen von Patienten und ausgestattet mit vielerlei Sensoren (GPS, Mikrofon, Kamera), helfen in der Charakterisierung und Auswertung individueller, reeller Daten (4, 5).
Sozialen Medien wie Twitter oder Facebook wird mithin enormes Potenzial durch große verfügbare Datenmengen zugesprochen. Sie können dazu verwendet werden, die Verbreitung und Übertragung von Krankheiten zu analysieren (4). In 2019 wies Facebook etwa 2,3 Mrd. und Twitter etwa 326 Mio. monatliche Nutzer weltweit auf (6). Am häufigsten zur Prädiktion genutzt wird Twitter, da hier eine hohe Posting-Rate besteht und so mehr öffentlich zugängliche Daten zur Verarbeitung bereitstehen. Außerdem ist die Verteilung von Merkmalen wie Alter, Geschlecht und Technologieaffinität breiter gestreut als auf anderen Social Media-Plattformen (1).
Auswertung von Big Data mithilfe Künstlicher Intelligenz
Erst eine große Datenmenge ermöglicht überhaupt die Anwendung statistischer Methoden, ein Lernen der Programme und somit eine adäquate Auswertung von Gesundheitsdaten hin zum Erkennen spezifischer (versteckter) Muster in Datensätzen (4, 7). In der Praxis sind entsprechende Anwendungen im Versorgungssetting ungleich verteilt. Für einige (Infektions)Erkrankungen wie Influenza, Sepsis oder HIV liegen ausreichend Daten vor und Datenanalysen werden bereits angewendet. Viele Erkrankungen wurden jedoch noch nicht berücksichtigt. Diese Ungleichheiten in der Verteilung liegen vor allem in der mangelnden Integration qualitativ hochwertiger Daten begründet (7).
Prädiktion profitiert von großen Datenmengen
Diesem Datenmangel kann mit Informationen aus Social Media begegnet werden. Behördliche Vorhersagen z.B. zu Influenza-ähnlichen Infektionen können bereits heute durch Einbezug von persönlichen Patientendaten deutlich verbessert bzw. präzisiert werden (5). Werden Informationen zu möglichen Erkrankungen über Social Media Plattformen verfolgt, geschieht dies zwischen sieben und zehn Tagen schneller als allein über das Melderegister – vor allem da Daten aus sozialen Medien einen umfangreichen, ansonsten schwer fassbaren Eindruck des alltäglichen Lebens und Befindens von Patienten gewähren. Deshalb zielen viele Studien darauf ab, eine Echtzeit-Verfolgung und somit -Vorhersage von Krankheiten durch Einsatz von Social Media zu erreichen (1, 2).
Vorteile der Prädiktion über digitale Medien liegen auf der Hand: Analysen sind zeiteffizient, kostengünstig und niedrigschwellig. Informationen können Auswirkungen von Infektionsausbrüchen reduzieren. Ein wichtiger Nebeneffekt der Auswertungsmethode per Social Media ist auch die mögliche Rückkopplung von Beobachtungen und Implikationen, da ein Kommunikationsweg zurück zum Nutzer besteht (1).
Mehrwert durch Kombination
Ebenso wie Gewebeproben in Registern für die Forschung gesammelt werden, um Erkrankungen und ihre Behandlung zu beschreiben und weiterzuentwickeln, geschieht dies stetig auch mit digital zugänglichen Patientendaten in Form von Big Data-Analysen (8). Eine Datenhaltung ist im Vergleich zur herkömmlichen Aus- und Verwertung jedoch weitaus kostengünstiger. Zeitgleich können mit diesem relativ geringen ökonomischen Aufwand in kürzester Zeit Infektionsausbrüche – auch über Ländergrenzen hinweg – bestenfalls vermieden und Folgekosten gespart werden.
Derzeit existieren im Falle der meisten Erkrankungen – wie es in der erprobten Prädiktion der Influenza der Fall ist – jedoch zur Rückkopplung und Validierung von Social Media Daten keine Vergleichswerte durch staatliche Datensammlung (1). Eine weitere Maßnahmenerprobung, besonders anhand der in Deutschland nun verpflichtend einzuführenden elektronischen Patientenakte, sollte deshalb ein nächster Schritt sein.
Quellen
- Alessa A, Faezipour M. A review of influenza detection and prediction through social networking sites. Theor Biol Med Model. 2018; 15(1): 2. zum Original
- Yousefinaghani S, Dara R, Poljak Z, Bernardo TM, Sharif S. The Assessment of Twitter’s Potential for Outbreak Detection: Avian Influenza Case Study. Sci Rep. 2019; 9(1): 18147. zum Original
- Thiebaut R, Cossin S, Section Editors for the IYSoPH, Epidemiology I. Artificial Intelligence for Surveillance in Public Health. Yearb Med Inform. 2019; 28(1): 232-4. zum Original
- Alonso SG, de la Torre Diez I, Rodrigues J, Hamrioui S, Lopez-Coronado M. A Systematic Review of Techniques and Sources of Big Data in the Healthcare Sector. J Med Syst. 2017; 41(11): 183. zum Original
- Radin JM, Wineinger NE, Topol EJ, Steinhubl SR. Harnessing wearable device data to improve state-level real-time surveillance of influenza-like illness in the USA: a population-based study. The Lancet Digital Health. 2020; 2(2): e85-e93. zum Original30222-5/fulltext)
- Statista. Ranking der größten Social Networks und Messenger nach der Anzahl der monatlich aktiven Nutzer (MAU) im Januar 2019 (in Millionen): 2019. zum Original
- Peiffer-Smadja N, Rawson TM, Ahmad R, Buchard A, Pantelis G, Lescure FX, et al. Machine learning for clinical decision support in infectious diseases: a narrative review of current applications. Clin Microbiol Infect: 2019. zum Original
- Merchant RM, Asch DA, Crutchley P, Ungar LH, Guntuku SC, Eichstaedt JC, et al. Evaluating the predictability of medical conditions from social media posts. PLoS One. 2019; 14(6): e0215476. zum Original
