Close

Synchronizing Healthcare

„Auch plausible Aussagen können falsch sein“

Der Mathematiker und ehemalige Direktor von Cochrane Deutschland Gerd Antes über Routinedaten, ungeplantes Arbeiten und neue Entdeckungswelten.

14. Januar 2020
Elisabeth Tschachler
SCHAFFLER VERLAG, ÖKZ: 60. JG (2019) 11
Dieser Artkel wurde 17 mal gelesen.
ClipDealer / kentoh

Bildinhalt: Symbolbild

Bildrechte: ClipDealer / kentoh

Big-Data-Verfechter sagen, wir haben erstmals in der Geschichte die technischen Fähigkeiten, mit riesigen Datenmengen umzugehen, und das methodische Know-how, um aus diesen Daten schlau zu werden. Klingt doch plausibel.

Gerd Antes: Ja, sehr plausibel, aber auch plausible Aussagen können falsch sein. Genau das ist hier der Fall. „Erstmals in der Geschichte“ hört man von jedem, der etwas verkaufen will, seien es Dinge oder eigene Ideen. Solche Feststellungen sind falsch und Teil einer enormen Werbekampagne, die vor allem deswegen schwer zu entlarven ist, weil sie bar jeglicher Definitionen betrieben wird. Ab wann ist eine Datenmenge riesig? Dramatischer ist noch, dass das methodische Know-how schlichtweg nicht existiert und großenteils von fundamentalen Fehlern durchsetzt ist. Die leichte Auswertbarkeit der riesigen Datenmengen durch künstliche Intelligenz ist eine der großen Lügen, die uns täglich beschert werden.

Die Datensammler müssen ja nicht zwangsläufig auch die Auswerter sein.Können die gesammelten Daten nicht Grundlage für weitere klinische Forschung sein, um nicht nur Korrelationen, sondern auch Kausalitäten zu ermitteln?

Antes: Ja, sicherlich könnten sie das, nur erinnern die vorgeschlagenen Wege an alle Fehler, die in den letzten Jahrzehnten durch intensive und mühsame methodische Forschung zunehmend eliminiert werden konnten. Datensammler und Auswerter zu trennen, ist geradezu die Aufforderung, ungeplant zu arbeiten, und ruft Bilder aus den 1980er-Jahren zurück, wo die Forderung nach prospektiven, auf Studienprotokollen basierenden Studien immer massiver wurde und die entsprechenden Methoden entwickelt und installiert wurden.

Register sind im Prinzip nichts anderes als riesige Datenkonvolute und es wird ja auch versucht, randomisiert-kontrollierte Studien in Kombination mit Registern durchzuführen, um deren jeweilige Vorteile zu bündeln und Schwächen zu kompensieren. Wäre das mit Routinedaten nicht auch möglich?

Antes: Mit solchen pauschalen Aussagen kommt man nicht weiter, entscheidend sind die Details eines solchen Vorgehens. Skandinavien wird in diesem Zusammenhang immer als Vorbild genannt. Dort wurde jedoch über viele Jahre eine Registerkultur mit dem adäquaten methodischen Apparat entwickelt, in der sehr kompetente Fachleute wissen, was sie tun. Das Ergebnis ist keinesfalls ein leichteres Leben durch einfachere Studien. Routinedaten fügen ein weiteres Riesenproblem hinzu. Sie sind teils massiv vom Abrechnungsgeschehen kontaminiert, sodass deren Auswertung ohne geeignete Korrekturen zu grob verzerrten Aussagen über die medizinischen Inhalte führt.

Schließen einander evidenzbasierte Medizin und Big Data aus?

Antes: Das hängt vor allem von der Definition von Big Data ab, die es jedoch in einheitlicher, konsentierter Form nicht gibt. Der Begriff wird jeweils so benutzt, dass er den eigenen Interessen und Versprechungen dient. Sehr häufig steckt darin, dass durch Vernetzung riesiger Datenmengen mit ebenfalls riesiger Rechnerleistung ohne Aufwand eine neue Welt von Entdeckungen eröffnet wird. Methodischer Aufwand wird durch Datenvolumen überflüssig gemacht. Das ist methodisch fundamental falsch und damit unvereinbar mit den Prinzipien der evidenzbasierten Medizin. Werden große Datenmengen nach diesen Prinzipien ausgewertet, dann führen diese Wege jedoch sehr wohl zusammen.

Wie kann man das Potenzial von Big Data für die Gesundheitsversorgung und die Prävention tatsächlich nützen?

Antes: Durch die Rückkehr zum Qualitätsbegriff als wichtigster Richtschnur für den Erkenntnisgewinn aus großen Datenmengen. Es hat in den letzten Jahren eine wahre Erosion der Leitprinzipien gegeben, die für die Medizin gelten. Medizin bedeutet Entscheidungen unter Unsicherheit. Dies muss sichtbar sein, u.a. durch Quantifizierung von Wahrscheinlichkeiten, Vertrauen in Ergebnisse durch Konfidenzintervalle, durch eine durchgängige Fehlerkultur und durch transparente Methodenbeschreibungen. Das Mantra „Erkenntnisse aus riesigen Datenmengen durch künstliche Intelligenz“ muss durch die Elemente von Good Scientific Practice ersetzt werden, back to the roots, wenn man so will. Und noch wichtiger: Statt Medizin als Data Science, die vor allem technische Ziele zu erfüllen scheint, gilt es, die Orientierung wieder dort zu suchen, wo sie primär hingehört: beim Patienten.

Schaffler Verlag

Zeitschrift
ÖKZ

Ausgabe
11/2019 (Jahrgang 60)

Verlag
Schaffler Verlag

Diese Website verwendet Cookies.
Mehr erfahrenOK