Der künstliche Intelligenz Podcast

Gesundheitsdaten werden zur Forschungsinfrastruktur 

Gesundheitsdatenbanken gehören inzwischen zu den wichtigsten digitalen Infrastrukturen der modernen medizinischen Forschung. Sie sammeln, strukturieren und verknüpfen Informationen, die unter anderem aus elektronischen Patientenakten, Registern, klinischen Studien, Laboruntersuchungen, Bildgebung, Genomsequenzierungen oder epidemiologischen Erhebungen stammen können. Dadurch entsteht eine Datenbasis, mit der wissenschaftliche Fragestellungen untersucht werden können, die mit einzelnen Studien oder kleinen Patientengruppen nur schwer zu beantworten wären. 

Die Weltgesundheitsorganisation betrachtet Daten ausdrücklich als Grundlage fundierter Maßnahmen im öffentlichen Gesundheitswesen und betont den wissenschaftlichen und gesundheitspolitischen Nutzen des Datenaustauschs. Gleichzeitig betreibt die WHO zahlreiche Datenbanken, die Informationen zu Krankheiten, Impfungen, Arzneimitteln, medizinischen Technologien, Gesundheitssystemen und Forschung bereitstellen. (Weltgesundheitsorganisation) 

Die Bedeutung solcher Systeme wächst insbesondere deshalb, weil Gesundheitsversorgung zunehmend digital stattfindet. Elektronische Gesundheitsakten erzeugen kontinuierlich strukturierte und teilweise longitudinal verfügbare Informationen. Für die Forschung kann dadurch ein Perspektivwechsel entstehen: Nicht nur speziell für eine Studie erhobene Daten werden ausgewertet, sondern zunehmend auch Daten, die ursprünglich im Rahmen der medizinischen Versorgung oder anderer Prozesse entstanden sind. 

Dabei muss zwischen der primären und der sekundären Nutzung von Gesundheitsdaten unterschieden werden. Die primäre Nutzung betrifft beispielsweise die Behandlung eines Patienten. Die sekundäre Nutzung bezeichnet dagegen die spätere Verwendung bereits vorhandener Daten für andere Zwecke, etwa wissenschaftliche Forschung, Gesundheitspolitik oder Innovation. Genau diese sekundäre Nutzung steht im Zentrum zahlreicher aktueller Initiativen. 

Von einzelnen Datensätzen zu vernetzten Datenräumen 

Der wissenschaftliche Wert einer Gesundheitsdatenbank hängt nicht allein von der Menge der gespeicherten Informationen ab. Entscheidend ist auch, ob Daten aus unterschiedlichen Quellen miteinander vergleichbar und technisch nutzbar sind. Unterschiedliche Formate, medizinische Begriffssysteme, Dokumentationsstandards und nationale Regelungen können die Zusammenführung erheblich erschweren. 

Die Europäische Kommission beschreibt die fehlende Interoperabilität als eine zentrale Herausforderung der digitalen Gesundheitsversorgung. Gesundheitsdaten werden in unterschiedlichen Einrichtungen und Formaten gespeichert, wodurch der Austausch zwischen Systemen erschwert wird. Das betrifft nicht nur Patienten und medizinisches Personal, sondern auch Forscher, die für wissenschaftliche Untersuchungen auf qualitativ hochwertige und möglichst vergleichbare Daten angewiesen sind. (Public Health) 

Eine wichtige Entwicklung besteht deshalb in der Standardisierung. Internationale Initiativen wie die Global Alliance for Genomics and Health, kurz GA4GH, arbeiten an technischen Standards und Governance-Modellen für den verantwortungsvollen Austausch genomischer und gesundheitsbezogener Daten. Dazu gehören unter anderem standardisierte Datenmodelle, Schnittstellen, Zugriffsmechanismen und Verfahren für die Beschreibung genetischer Varianten. (ga4gh.org) 

Die Standardisierung ist besonders bei genomischen Daten relevant. Genetische Informationen können in Verbindung mit klinischen Daten wichtige Erkenntnisse über Krankheiten, Krankheitsrisiken oder mögliche Therapieansätze liefern. Damit solche Daten jedoch institutions- und länderübergreifend analysiert werden können, müssen Computer die verwendeten Begriffe und Strukturen eindeutig interpretieren können. Standards wie die von GA4GH entwickelten Spezifikationen sollen genau diese technische Interoperabilität verbessern. (ga4gh.org) 

Der European Health Data Space als wichtiger Schritt 

In Europa ist der European Health Data Space, kurz EHDS, eine der bedeutendsten aktuellen Entwicklungen. Die entsprechende EU-Verordnung wurde am 5. März 2025 im Amtsblatt der Europäischen Union veröffentlicht und trat am 26. März 2025 in Kraft. Sie schafft einen gemeinsamen rechtlichen und technischen Rahmen für die Nutzung und den Austausch elektronischer Gesundheitsdaten innerhalb der Europäischen Union. (Public Health) 

Der EHDS verfolgt dabei zwei miteinander verbundene Ziele. Zum einen soll der Zugang von Menschen zu ihren eigenen elektronischen Gesundheitsdaten verbessert und der Austausch dieser Daten über Grenzen hinweg erleichtert werden. Zum anderen soll die sichere Weiterverwendung bestimmter Gesundheitsdaten für Forschung, Innovation, Politikgestaltung und regulatorische Zwecke ermöglicht werden. (Public Health) 

Für die Forschung ist insbesondere die geplante Infrastruktur für die sekundäre Nutzung relevant. Der EHDS soll einen stärker harmonisierten Rahmen schaffen, in dem Forscher unter definierten Voraussetzungen auf geeignete Gesundheitsdaten zugreifen können. Dabei geht es nicht um eine frei zugängliche zentrale Datenbank mit sämtlichen europäischen Patientendaten, sondern um ein reguliertes System für den kontrollierten Zugang und die Nutzung von Gesundheitsdaten. 

Die praktische Umsetzung des EHDS erfolgt schrittweise. Die Europäische Kommission entwickelt dafür unter anderem die EHDS-Plattform und weitere technische Komponenten. Die Entwicklung befindet sich damit im Übergang von der rechtlichen Grundlage hin zu einer umfangreichen praktischen Umsetzung. (Public Health) 

Auch die allgemeine Digitalisierung der elektronischen Gesundheitsakten schreitet in Europa voran. Nach dem Digital Decade eHealth Indicator Study 2026 erreichte der durchschnittliche zusammengesetzte eHealth-Wert der EU-27 für 2025 insgesamt 87 Prozent und lag damit vier Prozentpunkte über dem Wert von 2024. Die Studie zeigt zugleich, dass sich die Mitgliedstaaten weiterhin hinsichtlich Reifegrad und Umfang der verfügbaren digitalen Gesundheitsdaten unterscheiden. (Digitale Strategie Europas) 

Gesundheitsdatenbanken als Grundlage für epidemiologische Forschung 

Eine der wichtigsten Anwendungen großer Gesundheitsdatenbestände liegt in der Epidemiologie. Wissenschaftler können untersuchen, wie häufig bestimmte Erkrankungen auftreten, wie sich Krankheitsverläufe entwickeln und welche Faktoren mit bestimmten gesundheitlichen Ergebnissen verbunden sind. 

Besonders wertvoll sind dabei langfristig erhobene Daten. Wenn Informationen über einen längeren Zeitraum verfügbar sind, können Forscher Veränderungen beobachten und Zusammenhänge zwischen unterschiedlichen Faktoren untersuchen. Gesundheitsregister können beispielsweise Informationen über Diagnosen, Behandlungen oder Krankheitsverläufe systematisch dokumentieren. 

Solche Daten können zudem helfen, seltene Ereignisse oder seltene Erkrankungen wissenschaftlich zu untersuchen. Einzelne Kliniken verfügen möglicherweise nur über wenige entsprechende Fälle. Werden Daten aus mehreren Einrichtungen zusammengeführt, kann die verfügbare Fallzahl erheblich größer werden. Dadurch können wissenschaftliche Analysen möglich werden, die auf lokaler Ebene kaum durchführbar wären. 

Allerdings bedeutet eine große Datenmenge nicht automatisch eine hohe wissenschaftliche Aussagekraft. Gesundheitsdaten entstehen häufig unter unterschiedlichen Bedingungen und mit unterschiedlichen Dokumentationsstandards. Außerdem können bestimmte Bevölkerungsgruppen in Datenbeständen unterrepräsentiert sein. Deshalb müssen Forscher die Herkunft, Qualität und Zusammensetzung eines Datensatzes sorgfältig berücksichtigen. 

Unterstützung bei der Entwicklung neuer Therapien 

Gesundheitsdatenbanken können auch die Entwicklung von Medikamenten und anderen medizinischen Verfahren unterstützen. Forschungsgruppen können beispielsweise vorhandene Daten nutzen, um Krankheitsverläufe zu analysieren, Patientengruppen zu charakterisieren oder Zusammenhänge zwischen Behandlung und Behandlungsergebnis zu untersuchen. 

Besonders interessant ist die Verbindung verschiedener Datenarten. Klinische Informationen können beispielsweise mit Laborwerten, Bilddaten oder genetischen Informationen kombiniert werden. Dadurch entstehen komplexere Datensätze, die eine differenziertere Untersuchung biologischer und medizinischer Zusammenhänge ermöglichen. 

Die WHO führt Datenbanken und Informationsquellen, die unter anderem Forschungsaktivitäten, klinische Studien, Patente und gesundheitliche Produkte abbilden. Solche Datenbanken schaffen eine zusätzliche Ebene der Forschungsinfrastruktur, weil sie nicht nur Patientendaten, sondern auch Informationen über den Forschungsprozess selbst zugänglich machen können. (Weltgesundheitsorganisation) 

Dabei ersetzen Gesundheitsdatenbanken keine klinischen Studien. Beobachtungsdaten und experimentelle Studien beantworten unterschiedliche wissenschaftliche Fragen und unterliegen unterschiedlichen methodischen Voraussetzungen. Gesundheitsdaten aus der Versorgung können Zusammenhänge sichtbar machen, während kontrollierte Studien beispielsweise wesentlich für die Bewertung der Wirksamkeit und Sicherheit neuer Therapien sind. 

Das Potenzial für personalisierte Medizin 

Eine weitere Chance liegt in der personalisierten Medizin. Menschen unterscheiden sich hinsichtlich genetischer Eigenschaften, Vorerkrankungen, Lebensumständen und Reaktionen auf medizinische Behandlungen. Große, gut strukturierte Datenbestände können dazu beitragen, solche Unterschiede wissenschaftlich besser zu verstehen. 

Besonders die Verbindung genomischer und klinischer Daten gilt als wichtiges Forschungsfeld. Die GA4GH arbeitet deshalb an Standards, die den Austausch und die computergestützte Verarbeitung genomischer Informationen verbessern sollen. Ziel ist unter anderem, genetische Varianten präziser zu beschreiben und die dazugehörigen medizinischen Erkenntnisse zwischen unterschiedlichen Systemen austauschbar zu machen. (ga4gh.org) 

Damit entsteht eine Grundlage für Forschung, bei der genetische Informationen mit Krankheitsmerkmalen und klinischen Verläufen kombiniert werden können. Daraus könnten langfristig präzisere Modelle für Krankheitsrisiken oder Therapieentscheidungen entstehen. Wie stark solche Modelle tatsächlich in der klinischen Routine eingesetzt werden können, hängt jedoch von ihrer wissenschaftlichen Validierung, ihrer praktischen Zuverlässigkeit und den jeweiligen regulatorischen Anforderungen ab. 

Künstliche Intelligenz verändert die Nutzung von Gesundheitsdaten 

Mit dem Fortschritt von Machine Learning und Deep Learning gewinnt die Qualität und Verfügbarkeit großer Gesundheitsdatenbanken zusätzlich an Bedeutung. Moderne KI-Systeme können große Mengen strukturierter und unstrukturierter Daten analysieren und dabei Muster erkennen, die mit herkömmlichen Auswertungsmethoden nur schwer zu untersuchen wären. 

In der medizinischen Forschung kann dies beispielsweise die Analyse von medizinischen Bildern, Laborwerten, Texten aus Patientenakten oder genomischen Daten betreffen. KI kann dabei als Analysewerkzeug eingesetzt werden, um bestimmte Zusammenhänge zu identifizieren oder Vorhersagemodelle zu entwickeln. 

Gesundheitsdatenbanken sind für solche Anwendungen jedoch nicht lediglich Rohstoff. Die Qualität der Daten beeinflusst unmittelbar die Qualität der daraus entwickelten Modelle. Fehlerhafte Dokumentation, uneinheitliche Definitionen, fehlende Werte oder eine nicht repräsentative Zusammensetzung können zu verzerrten Ergebnissen führen. 

Das gilt auch für generative KI. Große Sprachmodelle können medizinische Informationen verarbeiten und beispielsweise bei der Strukturierung oder Suche in umfangreichen Dokumentensammlungen eingesetzt werden. Daraus folgt jedoch nicht automatisch, dass ihre Ergebnisse medizinisch korrekt sind. Gerade im Gesundheitsbereich müssen KI-Systeme deshalb wissenschaftlich validiert und in einen geeigneten organisatorischen und regulatorischen Rahmen eingebettet werden. 

Die GA4GH arbeitet inzwischen auch ausdrücklich an Fragen zum verantwortungsvollen Einsatz generativer KI im Umfeld großer genomischer Datenbanken. Das zeigt, dass die Verbindung zwischen Gesundheitsdaten, Genomik und generativer KI zunehmend als eigenständiges Governance- und Forschungsfeld betrachtet wird. (ga4gh.org) 

Datenqualität entscheidet über den wissenschaftlichen Wert 

Die Größe einer Datenbank ist nur ein Teil ihrer wissenschaftlichen Qualität. Entscheidend sind auch Vollständigkeit, Genauigkeit, Aktualität, Konsistenz und Nachvollziehbarkeit der Daten. 

Ein Forschungsdatensatz kann beispielsweise sehr umfangreich sein und dennoch systematische Verzerrungen enthalten. Wenn bestimmte Patientengruppen häufiger medizinische Leistungen in Anspruch nehmen oder bestimmte Gesundheitseinrichtungen besser digital dokumentieren als andere, kann dies die Zusammensetzung der Daten beeinflussen. 

Auch unterschiedliche Definitionen können problematisch sein. Wenn eine Diagnose oder ein medizinischer Messwert in verschiedenen Einrichtungen unterschiedlich erfasst wird, können scheinbare Unterschiede entstehen, die tatsächlich auf die Datenerfassung zurückzuführen sind. 

Deshalb gewinnt Data Governance an Bedeutung. Sie umfasst unter anderem Regeln dafür, wie Daten erhoben, gespeichert, standardisiert, geschützt, freigegeben und wissenschaftlich genutzt werden. Die WHO betont in ihrem Datenkonzept die Bedeutung von Qualität, Vergleichbarkeit, Governance und geeigneten Standards für die Nutzung von Gesundheitsdaten. (datadot) 

Ein aktuelles Beispiel für diese Entwicklung ist die 2026 veröffentlichte WHO-Datenbank zu Health Information Systems Governance. Sie bündelt nahezu 70 Indikatoren zur Entwicklung von Gesundheitsinformationssystemen und Daten-Governance in der WHO-Region Europa. Grundlage sind unter anderem Daten aus Befragungen zu digitaler Gesundheit und KI sowie Bewertungen von Gesundheitssystemen. (gateway.euro.who.int) 

Datenschutz ist keine technische Nebensache 

Gesundheitsdaten gehören zu den besonders schützenswerten Informationen. Sie können Rückschlüsse auf Krankheiten, genetische Eigenschaften, Behandlungen oder andere persönliche Lebensumstände ermöglichen. Die Digitalisierung erhöht zugleich die Möglichkeiten zur Verknüpfung verschiedener Datenquellen. 

Genau darin liegt ein grundlegendes Spannungsfeld. Die wissenschaftliche Forschung profitiert häufig davon, Daten miteinander zu verbinden. Gleichzeitig kann eine Verknüpfung die Möglichkeit erhöhen, einzelne Personen oder Personengruppen indirekt zu identifizieren. 

Die WHO weist darauf hin, dass traditionelle Konzepte von Datenschutz und Vertraulichkeit an die digitale Umgebung angepasst werden müssen. Besonders die Kombination verschiedener Datenquellen schafft zusätzliche Möglichkeiten für Forschung, erhöht aber zugleich die Anforderungen an Datenschutz und Datensicherheit. (IRIS) 

Internationale Initiativen wie GA4GH verfolgen deshalb einen Ansatz, bei dem wissenschaftlicher Nutzen und Schutz individueller Rechte gemeinsam betrachtet werden. Das entsprechende Framework für den verantwortungsvollen Austausch genomischer und gesundheitsbezogener Daten stellt unter anderem Datenschutz, Nichtdiskriminierung, Transparenz, Fairness und die Interessen der Personen in den Mittelpunkt, deren Daten für Forschung verwendet werden. (ga4gh.org) 

Technische Maßnahmen wie Verschlüsselung, Zugriffskontrollen und sichere Analyseumgebungen können Risiken reduzieren. Sie ersetzen jedoch keine rechtlichen und ethischen Regeln. Entscheidend ist vielmehr das Zusammenspiel von Technik, Governance, Recht und wissenschaftlicher Verantwortung. 

Vertrauen der Bevölkerung als Voraussetzung 

Die langfristige Verfügbarkeit hochwertiger Gesundheitsdaten hängt auch vom Vertrauen der Bevölkerung ab. Menschen müssen nachvollziehen können, zu welchen Zwecken ihre Daten verwendet werden, wer Zugriff darauf erhalten kann und welche Schutzmaßnahmen bestehen. 

Internationale Standards zur verantwortungsvollen Datenweitergabe betonen deshalb Transparenz über Zweck, Verfahren, Zugriff, Speicherung, Weitergabe und mögliche kommerzielle Nutzung. Auch die Möglichkeiten und Grenzen eines Widerrufs der Datenfreigabe müssen berücksichtigt werden. (ga4gh.org) 

Diese Fragen sind nicht nur ethischer Natur. Sie haben unmittelbare Auswirkungen auf die Forschung. Wenn Menschen wissenschaftlichen Datenprojekten nicht vertrauen, kann dies die Bereitschaft zur Teilnahme oder zur Freigabe von Daten beeinflussen. Umgekehrt kann eine nachvollziehbare Governance dazu beitragen, die gesellschaftliche Akzeptanz datenintensiver Forschung zu stärken. 

Dabei unterscheiden sich rechtliche Rahmenbedingungen zwischen Ländern. Eine internationale Forschungszusammenarbeit muss deshalb nicht nur technische Standards, sondern auch unterschiedliche Datenschutz-, Forschungs- und Zugangsregeln berücksichtigen. 

Cloud Computing und föderierte Forschung 

Die zunehmende Größe medizinischer Datenbestände führt außerdem zu Veränderungen bei der technischen Infrastruktur. Cloud Computing ermöglicht es Forschungseinrichtungen, große Datenmengen zu speichern und umfangreiche Rechenkapazitäten bedarfsgerecht bereitzustellen. 

Dabei ist es nicht immer notwendig oder sinnvoll, sämtliche Gesundheitsdaten an einen einzigen Ort zu übertragen. Ein alternatives Konzept besteht in föderierten Analyseverfahren. Dabei verbleiben Daten beispielsweise in den Einrichtungen, in denen sie gespeichert sind, während standardisierte Analyseprozesse über mehrere Datenquellen hinweg ausgeführt werden können. 

Gerade für sensible genomische und klinische Daten ist dieses Modell interessant. Die GA4GH entwickelt unter anderem Standards für Cloud-basierte Genomik und föderierte Analyse, mit denen Datenzugriff, Datenverarbeitung und Workflow-Ausführung über unterschiedliche technische Umgebungen hinweg unterstützt werden sollen. (ga4gh.org) 

Solche Ansätze können die Kontrolle über Daten verbessern und gleichzeitig wissenschaftliche Zusammenarbeit ermöglichen. Sie sind allerdings technisch anspruchsvoll und erfordern einheitliche Schnittstellen, sichere Identitäts- und Zugriffsmodelle sowie verlässliche Governance. 

Offene Standards statt isolierter Datensilos 

Ein wiederkehrendes Problem der Gesundheitsinformatik sind Datensilos. Daten können zwar digital gespeichert sein, lassen sich aber nicht ohne Weiteres mit Informationen aus anderen Systemen kombinieren. 

Offene und interoperable Standards können hier eine wichtige Rolle spielen. Sie ermöglichen es unterschiedlichen Softwaresystemen, Informationen nach gemeinsamen Regeln auszutauschen. In der Genomik arbeitet GA4GH beispielsweise an Standards für Datenrepräsentation, Datenzugriff, Datenentdeckung und Workflow-Ausführung. (ga4gh.org) 

Für die Forschung bedeutet Interoperabilität mehr als technischen Komfort. Wenn Daten verschiedener Studien und Einrichtungen vergleichbar verarbeitet werden können, lassen sich größere Forschungsnetzwerke aufbauen. Gleichzeitig wird die Reproduzierbarkeit wissenschaftlicher Analysen erleichtert. 

Auch der EHDS verfolgt ausdrücklich das Ziel eines harmonisierten rechtlichen und technischen Rahmens für elektronische Gesundheitsdatensysteme. Die EU verbindet damit die Erwartung, dass Interoperabilität Forschung, Innovation und grenzüberschreitende Gesundheitsversorgung erleichtern kann. (Public Health) 

Grenzen und methodische Risiken 

Trotz des großen Potenzials sind Gesundheitsdatenbanken kein Ersatz für wissenschaftliche Methodik. Eine große Datenmenge kann statistisch leistungsfähige Analysen ermöglichen, aber sie beseitigt weder Verzerrungen noch methodische Fehler. 

Ein wesentliches Problem besteht darin, dass Korrelation nicht automatisch Kausalität bedeutet. Wenn zwei Merkmale in einer Datenbank gemeinsam auftreten, folgt daraus nicht zwangsläufig, dass das eine Merkmal das andere verursacht. Für die Interpretation müssen Studiendesign, mögliche Störfaktoren und statistische Methoden berücksichtigt werden. 

Hinzu kommt das Problem der Repräsentativität. Daten aus einem bestimmten Gesundheitssystem können andere Bevölkerungsgruppen abbilden als Daten aus einem anderen Land. Auch sozioökonomische Faktoren, Unterschiede beim Zugang zur Gesundheitsversorgung und unterschiedliche Dokumentationspraktiken können die Ergebnisse beeinflussen. 

Bei KI-Modellen kommt ein weiterer Aspekt hinzu. Ein Modell kann auf einem bestimmten Datensatz sehr gute Ergebnisse erzielen, aber bei einer anderen Patientengruppe oder in einer anderen Klinik schlechter funktionieren. Deshalb sind externe Validierung und eine sorgfältige Bewertung der Übertragbarkeit von Forschungsergebnissen von großer Bedeutung. 

Forschung zwischen Offenheit und kontrolliertem Zugang 

Ein wichtiges Zukunftsthema ist die Frage, welche Gesundheitsdaten offen zugänglich sein sollten und welche Daten nur unter kontrollierten Bedingungen verwendet werden dürfen. 

Bei personenbezogenen Gesundheits- und Genomdaten spricht vieles für einen kontrollierten Zugang. Wissenschaftliche Offenheit bedeutet deshalb nicht zwangsläufig, dass jeder Datensatz frei heruntergeladen werden kann. Stattdessen können abgestufte Zugangsmodelle eingesetzt werden, bei denen Forschungsanträge geprüft und Zugriffsrechte an bestimmte Zwecke gebunden werden. 

GA4GH entwickelt hierfür unter anderem technische und organisatorische Konzepte. Dazu gehören standardisierte Verfahren für Datenzugriff, Identität, Berechtigungen und maschinenlesbare Angaben über zulässige Datennutzungen. (ga4gh.org) 

Ein solcher Ansatz versucht, den wissenschaftlichen Nutzen großer Datenbestände mit dem Schutz der Personen zu verbinden, die diese Daten bereitstellen. Die zentrale Herausforderung besteht darin, Zugang nicht unnötig zu erschweren, gleichzeitig aber Missbrauch und nicht genehmigte Weiterverwendung zu verhindern. 

Die Rolle öffentlicher Gesundheitsdatenbanken 

Nicht alle relevanten Gesundheitsdatenbanken enthalten personenbezogene Patientendaten. Von großer Bedeutung sind auch öffentlich zugängliche Datenbanken mit aggregierten Gesundheitsinformationen, epidemiologischen Kennzahlen, wissenschaftlichen Publikationen, Forschungsprojekten oder Informationen zu medizinischen Produkten. 

Die WHO stellt beispielsweise zahlreiche Datenbanken und Informationsquellen für Forscher und andere Nutzer bereit. Das Global Observatory on Health R&D bündelt Datenquellen zu Forschungsinvestitionen, Forschungsaktivitäten und Ergebnissen der Gesundheitsforschung. Dazu gehören unter anderem Informationen über wissenschaftliche Publikationen und klinische Studien. (Weltgesundheitsorganisation) 

Solche öffentlich zugänglichen Datenbestände spielen eine wichtige Rolle für Transparenz und internationale Vergleichbarkeit. Sie ermöglichen es Forschern, politische Entscheidungsträgern und Institutionen, Entwicklungen über Länder und Zeiträume hinweg zu untersuchen. 

Gesundheitsdaten als Grundlage evidenzbasierter Politik 

Der Nutzen von Gesundheitsdatenbanken beschränkt sich nicht auf die akademische Forschung. Daten können auch politische Entscheidungen unterstützen. Regierungen und Gesundheitsbehörden benötigen verlässliche Informationen, um beispielsweise Entwicklungen bei Krankheiten, Versorgungskapazitäten oder Gesundheitssystemen zu bewerten. 

Die WHO beschreibt Gesundheitsdaten als Grundlage für evidenzbasierte Entscheidungen und betont die Bedeutung vergleichbarer, zuverlässiger und aktueller Messungen. Ihr World Health Data Hub verfolgt das Ziel, Daten aus verschiedenen Quellen stärker zu harmonisieren und für Analyse und Nutzung zugänglich zu machen. (datadot) 

Die Entwicklung des EHDS geht in eine ähnliche Richtung. Die EU sieht die sekundäre Nutzung von Gesundheitsdaten ausdrücklich auch für Politikgestaltung und regulatorische Zwecke vor. Damit werden Gesundheitsdatenbanken zunehmend zu einem Bestandteil moderner staatlicher Informationsinfrastrukturen. (Public Health) 

Wohin sich Gesundheitsdatenbanken entwickeln 

Die kommenden Jahre dürften durch eine stärkere Vernetzung von Gesundheitsdaten geprägt sein. Elektronische Patientenakten, Register, Genomdaten, medizinische Bildgebung und weitere digitale Informationsquellen könnten zunehmend über standardisierte Schnittstellen zusammengeführt oder föderiert analysiert werden. 

Parallel dazu wird KI die Verarbeitung solcher Daten verändern. Automatisierte Verfahren können große Datenbestände schneller durchsuchen, Muster erkennen und komplexe Zusammenhänge analysieren. Der wissenschaftliche Wert solcher Systeme wird jedoch wesentlich davon abhängen, ob die zugrunde liegenden Daten ausreichend hochwertig, repräsentativ und nachvollziehbar sind. 

Auch die technische Architektur dürfte sich weiterentwickeln. Cloud-Infrastrukturen, sichere Forschungsumgebungen und föderierte Analyseverfahren können dazu beitragen, internationale Forschung zu ermöglichen, ohne zwangsläufig sämtliche sensiblen Daten zentral zusammenzuführen. Standards für Identität, Zugriff und Datenbeschreibung werden dabei zunehmend wichtiger. 

Der EHDS könnte in Europa langfristig einen besonders wichtigen Rahmen für diese Entwicklung schaffen. Die EU verfolgt damit das Ziel, die Nutzung elektronischer Gesundheitsdaten stärker zu harmonisieren und gleichzeitig die Kontrolle der Menschen über ihre Daten zu stärken. Die vollständige Umsetzung wird jedoch schrittweise erfolgen und technische, organisatorische und rechtliche Anpassungen in den Mitgliedstaaten erfordern. (Public Health) 

Eine neue Phase datengetriebener Medizin 

Gesundheitsdatenbanken entwickeln sich damit von überwiegend isolierten Informationssystemen zu vernetzten Forschungsinfrastrukturen. Ihr größtes Potenzial liegt nicht allein in der Menge der gespeicherten Informationen, sondern in der Möglichkeit, unterschiedliche Datenquellen wissenschaftlich kontrolliert miteinander zu verbinden. 

Für die medizinische Forschung kann dies neue Möglichkeiten schaffen, Krankheiten besser zu verstehen, seltene Krankheitsbilder zu untersuchen, Therapieergebnisse zu vergleichen und Zusammenhänge zwischen genetischen, klinischen und epidemiologischen Faktoren zu erforschen. Künstliche Intelligenz kann diese Entwicklung zusätzlich beschleunigen, indem sie große und komplexe Datenbestände mit neuen Analyseverfahren erschließt. 

Gleichzeitig bleiben Datenschutz, Datenqualität, Interoperabilität, wissenschaftliche Validität und gesellschaftliches Vertrauen zentrale Voraussetzungen. Gesundheitsdaten sind keine gewöhnlichen Datensätze. Ihre besondere Sensibilität verlangt einen Umgang, der wissenschaftliche Offenheit mit dem Schutz individueller Rechte verbindet. 

Die entscheidende Entwicklung der kommenden Jahre wird deshalb nicht allein darin bestehen, mehr Gesundheitsdaten zu sammeln. Entscheidend wird sein, ob es gelingt, Daten zuverlässig zu standardisieren, sicher miteinander nutzbar zu machen und wissenschaftlich verantwortungsvoll auszuwerten. Der European Health Data Space, internationale Standardisierungsinitiativen und moderne KI- und Cloud-Technologien zeigen bereits, in welche Richtung sich die Forschungsinfrastruktur bewegt. Der langfristige Erfolg wird jedoch davon abhängen, ob technischer Fortschritt, wissenschaftliche Qualität, Datenschutz und gesellschaftliches Vertrauen gemeinsam weiterentwickelt werden. 

Fazit 

Gesundheitsdatenbanken bieten der Forschung erhebliche Chancen. Sie ermöglichen die Analyse großer und langfristig erhobener Datenbestände, erleichtern internationale Kooperationen und schaffen neue Voraussetzungen für epidemiologische Forschung, Genomik, personalisierte Medizin und datengetriebene Entwicklung medizinischer Verfahren. 

Die aktuelle Entwicklung zeigt zugleich, dass die Gesundheitsforschung vor einer infrastrukturellen Transformation steht. Mit dem European Health Data Space entsteht in Europa ein gemeinsamer Rahmen für die Nutzung und den Austausch elektronischer Gesundheitsdaten. Internationale Organisationen wie die WHO und GA4GH arbeiten parallel an Datenplattformen, Standards und Konzepten für eine verantwortungsvolle Nutzung. (Public Health) 

Der Nutzen großer Gesundheitsdatenbanken wird letztlich nicht durch ihre Größe bestimmt, sondern durch ihre Qualität, Interoperabilität, Sicherheit und wissenschaftlich kontrollierte Nutzung. Werden diese Voraussetzungen erfüllt, können Gesundheitsdatenbanken zu einer zentralen Infrastruktur für eine zunehmend datenbasierte Medizin werden. Die Herausforderung besteht darin, den Zugang zur Forschung zu verbessern, ohne die Rechte und das Vertrauen der Menschen zu beeinträchtigen, deren Daten den wissenschaftlichen Fortschritt überhaupt erst ermöglichen.