Newsletter

Medizin

© Adobe Stock/tasty cat

Wann Menschen bereit sind, ihre Daten zu teilen

Cookies? Akzeptiert! 70% der Deutschen geben an, sich im Alltag nicht viele Gedanken zum Thema Datenschutz zu machen. Aber wie sieht es im Bereich Gesundheit aus? Und könnte Schwarmintelligenz einen Ansatz zum Schutz persönlicher Gesundheitsdaten bieten?

Die Auswertung von Patientendaten kann dabei helfen, Krankheiten in der Zukunft besser behandeln zu können. Doch Bedenken vor einem Missbrauch oder nicht erlaubten Zugriff sind gegeben. Die Lösung ist der Datenschutz: Personen-bezogene Daten werden geschützt, klinische und molekulare Informationen werden genutzt. Wie kritisch sieht Deutschland dennoch den Einsatz der „Datenmedizin“? Mit einer repräsentativen Befragung von 1.002 Personen ab 18 Jahren in Deutschland wurde erhoben, wie die Situation tatsächlich ist.1

Nutzen muss erkennbar sein

Demnach ist in Deutschland mehr als die Hälfte verunsichert, was die Verwendung persönlicher Daten betrifft. Doch nicht in allen Ländern der EU ist diese kritische Haltung zu beobachten. Gerade in den Ländern, in denen die Bevölkerung einen Nutzen für sich und die Gemeinschaft erkannt hat, ist die Einstellung positiv. So wurde auch in Deutschland die damalige Einführung einer COVID-19-App zur Vermeidung einer unkontrollierten und unbeabsichtigten Übertragung der Infektion als sinnhaftig betrachtet. Werden Erkenntnisse der Datenauswertung gezielt für die Forschung eingesetzt und kommen einem diese Erkenntnisse selbst zugute, wird eine aktive Beteiligung gewünscht.

Einsatz von Schwarmintelligenz

Eine schnelle und zuverlässige Erkennung von Patienten mit schweren Erkrankungen ist ein Hauptziel der Präzisionsmedizin. Es gibt jedoch eine zunehmende Kluft zwischen dem technisch Möglichen und dem hinsichtlich des Datenschutzes Erlaubten. Eine aktuell in Nature publizierte Studie2 untersuchte nun einen dezentralen Ansatz für maschinelles Lernen, der Blockchain-basierte Peer-to-Peer-Vernetzung und -Koordination bei gleichzeitiger Aufrecht-erhaltung der Vertraulichkeit vereinen soll – das sogenannte Lernen im Schwarm. Die Autoren wählten für ihr Modell vier Krankheitsbilder aus: COVID-19, Tuberkulose, Leukämie und Lungenerkrankungen. Mit mehr als 16.400 Bluttranskriptomen aus 127 klinischen Studien sowie mehr als 95.000 Röntgenaufnahmen des Thorax wurden verschiedene Computermodelle trainiert. Dabei wurden die Daten nicht in einem Datenpool gespeichert, sondern sie verblieben bei den jeweiligen Forschungseinrichtungen. Dieses Vorgehen ist nicht nur Datensparsam, sondern erschwert auch mögliche Hackerangriffe. Die KI erzielte in der Studie eine Treffergenauigkeit von 90% für Transkriptomdaten. Vermutlich aufgrund der geringeren Bildqualität war die Trefferquote bei den Röntgenaufnahmen etwas niedriger. Die Autoren hoffen, mit ihrem Modell den Einsatz der Präzisionsmedizin beschleunigen zu können.

Martha-Luise Storre

Quellen
1. Nach Informationen der Roche Pharma AG; Studie „Daten in der Medizin“ durchgeführt durch die  Statista GmbH (Erhebungszeitraum: Mai 2020);
2. Warnat-Herresthal, S., Schultze, H., Shastry, K.L. et al. Swarm Learning for decentralized and confidential clinical machine learning. Nature (2021). doi.org/10.1038/s41586-021-03583-3