Skip to main content

Wissenschaftliche und ethische Bewertung von Projekten in der datengetriebenen Medizin

Scientific and ethical evaluation of projects in data-driven medicine

Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz volume 62, pages 765–772 (2019)Cite this article

Zusammenfassung

Die Erzeugung und Nutzung umfassender Datenbestände aus der medizinischen Versorgung sollen helfen, wichtige medizinische Fragestellungen zu beantworten. Lernendes Gesundheitssystem, datengetriebene Medizin und Big Data sind Begriffe, die diese Entwicklung überschreiben. Zur Analyse werden Methoden des maschinellen Lernens neben klassischen Ansätzen aus der Biostatistik verwendet.

Bei der Beurteilung von Projekten der datengetriebenen Medizin in Ethikkommissionen stellt sich die Frage, wie deren Risiko-Nutzen-Verhältnis sowie deren wissenschaftlicher und sozialer Wert beurteilt werden können. Welches Wissen wird hierzu benötigt? Wie können sich medizinische Ethikkommissionen auf diese Herausforderung einstellen? Wissenschaftliche Ansätze aus dem Bereich der Beobachtungsstudien und die Berücksichtigung übereingekommener ethischer Aspekte (Einwilligung, Validität, Gerechtigkeit, Risiko-Nutzen-Abwägung und Transparenz) helfen, die gestellten Fragen zu beantworten. Hierbei ist zu berücksichtigen, dass datengetriebene Medizin kein neues Paradigma schafft, das etablierte wissenschaftliche und ethische Bewertungsmechanismen medizinischer Forschung grundsätzlich infrage stellt. Die Bewertung von Projekten aus diesem Bereich verlangt jedoch von Ethikkommissionen ein höheres Maß an Spezialisierung und umfassendere methodische Expertise aus den Bereichen des maschinellen Lernens und der Beobachtungsstudien.

Empirische Forschung zum wissenschaftlichen Fortschritt und zur Regulierung (Governance) der datengetriebenen Medizin wird helfen, effektive Strategien für Begutachtungen durch Ethikkommissionen zu entwickeln und kontinuierlich anzupassen. Um den neuen Herausforderungen der datengetriebenen Medizin entgegenzutreten, sind Weiterbildungen und die Vernetzung von Experten erforderlich.

Abstract

The generation and usage of extensive data from medical care aims at answering crucial medical research questions. Buzzwords in this area are learning health system, data-driven medicine and big data. In addition to classical biostatistical methods, machine learning approaches are frequently applied for analysis.

In the evaluation of projects from data-driven medicine by research ethics committees, the question arises of how to assess the benefit-risk ratio and the scientific and social value. Which knowledge is required for that purpose? How can research ethics committees prepare for these challenges? Scientific approaches from the area of observational studies and the consideration of agreed-upon ethical aspects (consent, validity, justice, benefit-risk ratio and transparency) can help to answer the above-mentioned questions. One has to bear in mind that data-driven medicine is no paradigm shift that in principle challenges the established scientific and ethical evaluation procedures. Nevertheless, the evaluation of projects from data-driven medicine requires enhanced specialisation and comprehensive methodical expertise from the areas of machine learning and observational studies.

Empirical research of the progression and governance of data-driven medicine will support the development and continual adaptation of effective strategies for evaluation by research ethics committees. Training and networking of experts will enable us to meet the challenges of data-driven medicine.

This is a preview of subscription content, access via your institution.

Access options

Buy single article

Instant access to the full article PDF.

43,34 €

Price includes VAT (Finland)
Tax calculation will be finalised during checkout.

Abb. 1

Literatur

  1. Institute of Medicine (2007) The learning Healthcare system: Workshop summary. The National Academies Press, Washington, DC

    Google Scholar 

  2. Friedman C, Rubin J, Brown J et al (2015) Toward a science of learning systems: A research agenda for the high-functioning learning health system. J Am Med Inform Assoc 22(1):43–50

    PubMed  Google Scholar 

  3. Medizininformatik-Initiative (2019) Daten gemeinsam nutzen. Forschung stärken, Versorgung verbessern. Medizininformatik. http://www.medizininformatik-initiative.de/de/start. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  4. Deutsche Gesellschaft für Allgemein- und Viszeralchirurgie e.V. (2019) DGAV-StuDoQ – Studien‑, Dokumentations- und Qualitätszentrum der DGAV. http://www.dgav.de/studoq.html. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  5. Crispin A, Klinger C, Rieger A, Strahwald B, Lehmann K, Buhr HJ, Mansmann U (2017) The DGAV risk calculator: Development and validation of statistical models for a web-based instrument predicting complications of colorectal cancer surgery. Int J Colorectal Dis 32(10):1385–1397

    Article  PubMed  Google Scholar 

  6. Glaeske G, Rebscher H, Willich SN (2010) Versorgungsforschung: Auf gesetzlicher Grundlage systematisch ausbauen. Dtsch Arztebl 107(26):A-1295–7

    Google Scholar 

  7. American Society of Clinical Oncology (ASCO) (2019) CancerLinQ. https://cancerlinq.org/about. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  8. DO->IT Consortium (2019) BD4BO – Big data for better outcomes. http://bd4bo.eu/. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  9. BBMRI-ERIC (2019) Making new treatments possible. http://www.bbmri-eric.eu/. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  10. Scherag A (2018) „Big Data“ und personalisierte Medizin in der Intensivmedizin. In: Kluge S, Heringlake M, Schwab S, Muhl E (Hrsg) DIVI Jahrbuch 2018/2019 – Fortbildung und Wissenschaft in der interdisziplinären Intensivmedizin und Notfallmedizin. Medizinisch Wissenschaftliche Verlagsgesellschaft, Berlin, S 3–8

    Google Scholar 

  11. US Food and Drug Administration (FDA) (2018) Framework for FDA’S realworld evidence program. https://www.fda.gov/science-research/science-and-research-special-topics/real-world-evidence. Zugegriffen: 6.5.2019

    Google Scholar 

  12. Raspe H, Hüppe A, Strech D, Taupitz J (2012) Empfehlungen zur Begutachtung klinischer Studien durch Ethik-Kommissionen Bd. 2. Deutscher Ärzteverlag, Berlin

    Google Scholar 

  13. Strech D (2018) Normative Governance der Big Data Forschung, Forschung: Politik-Strategie-Management, S 53–60 (Bde 2+3)

    Google Scholar 

  14. Strech D, Bein S, Brumhard M et al (2016) A template for broad consent in biobank research. Results and explanation of an evidence and consensus-based development process. Eur J Med Genet 59(6/7):295–309

    Article  CAS  PubMed  Google Scholar 

  15. TMF (2019) Die Technologie- und Methodenplattform für die vernetzte medizinische Forschung e.V. http://www.tmf-ev.de. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  16. GMDS e.V. (2019) Biometrie in der Ethikkommission. https://gmds.de/aktivitaeten/medizinische-biometrie/arbeitsgruppenseiten/projektgruppen/biometrie-in-der-ethikkommission/. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  17. Kaye J, Whitley EA, Lund D, Morrison M, Teare H, Melham K (2015) Dynamic consent: A patient interface for twenty-first century research networks. Eur J Hum Genet 23:141–146

    Article  PubMed  Google Scholar 

  18. Bundesärztekammer (2017) Informationspapier „Medizinische, ethische und rechtliche Aspekte von Biobanken“. Dtsch Arztebl. https://doi.org/10.3238/arztebl.2017.biobanken_01

    Article  Google Scholar 

  19. Langhof H, Kahrass H, Sievers S, Strech D (2017) Access policies in biobank research: What criteria do they include and how publicly available are they? A cross-sectional study. Eur J Hum Genet 25(3):293–300

    Article  CAS  PubMed  Google Scholar 

  20. Wilkinson MD, Dumontier M, Aalbersberg IJ, Appleton G, Axton M, Baak A et al (2016) The FAIR guiding principles for scientific data management and stewardship. Sci Data 3:160018. https://doi.org/10.1038/sdata.2016.18

    Article  PubMed  PubMed Central  Google Scholar 

  21. Strech D (2015) Ethical review of biobank research: Should RECs review each release of material from biobanks operating under an already-approved broad consent and data protection model? Eur J Med Genet 58(10):545–549

    Article  PubMed  Google Scholar 

  22. Wegwarth O, Gigerenzer G (2018) US gynecologists’ estimates and beliefs regarding ovarian cancer screening’s effectiveness 5 years after release of the PLCO evidence. Sci Rep 8(1):17181

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  23. Lander J, Hainz T, Hirschberg I, Bossert S, Strech D (2016) Do public involvement activities in biomedical research and innovation recruit representatively? A systematic qualitative review. Public Health Genomics 19(4):193–202

    Article  PubMed  Google Scholar 

  24. Mc Cord KA, Al-Shahi Salman R, Treweek S et al (2018) Routinely collected data for randomized trials: promises, barriers, and implications. Trials 19(1):29

    Article  PubMed  PubMed Central  Google Scholar 

  25. Medical Research Council (2008) Developing and evaluating complex interventions: Following considerable development in the field since 2006, MRC and NIHR have jointly commissioned an update of this guidance to be published in 2019. https://mrc.ukri.org/documents/pdf/complex-interventions-guidance/. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  26. Strech D, Mertz M (2012) Forschungsethische Grundprinzipien. In: Raspe H, Hüppe A, Strech D, Taupitz J (Hrsg) Empfehlungen zur Begutachtung klinischer Studien durch Ethik-Kommissionen, 2. Aufl. Deutscher Ärzteverlag, Köln

    Google Scholar 

  27. Pearl J (2010) An introduction to causal inference. Int J Biostat 6(2):7

    Article  PubMed Central  Google Scholar 

  28. Lupton D (2015) Health promotion in the digital era: A critical commentary. Health Promot Int 30(1):174–183

    Article  PubMed  Google Scholar 

  29. Deutscher Ethikrat (2018) Big Data und Gesundheit – Datensouveränität als informationelle Freiheitsgestaltung. Stellungnahme. https://www.ethikrat.org/fileadmin/Publikationen/Stellungnahmen/deutsch/stellungnahme-big-data-und-gesundheit.pdf. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  30. Forum österreichischer Ethikkommissionen (2011) Richtlinie für Pilotstudien. Version 1.0. https://www.medunigraz.at/ethikkommission/Forum/Download/Files/RL_Pilot.pdf. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  31. ICH Expert Working Group (1998) ICH harmonized guideline: Statistical principles for clinical trials (E9). Current step 4 version. https://www.ich.org/fileadmin/Public_Web_Site/ICH_Products/Guidelines/Efficacy/E9/Step4/E9_Guideline.pdf. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  32. Universitätsklinikum Schleswig-Holstein (UKSH) (2018) Planung eines Forschungsprojektes mit klinischen Biomaterialien: Modulare Aufklärung und Einwilligungserklärung für Patienten und Probanden. https://www.uksh.de/p2n/P2N_Service/Beratung+Forschungsethik.html. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  33. Universitätsklinikum Schleswig-Holstein (UKSH) (2018) Nutzung von Biomaterial. https://www.uksh.de/p2n/P2N_Service/Beratung+Forschungsethik.html. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  34. Morris Z, Whiteley WN, Longstreth WT et al (2009) Incidental findings on brain magnetic resonance imaging: Systematic review and meta-analysis. BMJ 339:b3016

    Article  PubMed  PubMed Central  Google Scholar 

  35. Schoolman HM, Becktel JM, Best WR, Johnson AF (1968) Statistics in medical research: Principles versus practices. J Lab Clin Med 71:357–367

    CAS  PubMed  Google Scholar 

  36. Courtland R (2018) The bias detectives. Nature 558:357–360

    Article  CAS  PubMed  Google Scholar 

  37. Zou J, Schiebinger L (2018) Design AI so that it’s fair. Nature 559:324–326

    Article  CAS  PubMed  Google Scholar 

  38. Meng XL (2018) Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradoxes and the 2016 US presidential election. Ann Appl Stat 12(2):685–726

    Article  Google Scholar 

  39. Open Humans Foundation (2018) Personal genome project: Global network. http://www.personalgenomes.org. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  40. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118

    Article  CAS  PubMed  Google Scholar 

  41. European OHDSI Symposium (2019) The journey from data to evidence. https://www.ohdsi-europe.org. Zugegriffen: 15. Febr. 2019

    Google Scholar 

  42. Hripcsak G, Ryan PB, Duke JD et al (2016) Characterizing treatment pathways at scale using the OHDSI network. Proc Natl Acad Sci U S A 113(27):7329–7336

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  43. Antes G (2016) Big Data und Personalisierte Medizin: Goldene Zukunft oder leere Versprechungen? Dtsch Arztebl 113(15):A-712

    Google Scholar 

  44. Khera AV, Chaffin M, Aragam KG et al (2018) Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations. Nat Genet 50(9):1219–1224

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  45. Rat für Informationsinfrastrukturen (2018) RfII-Empfehlungen „Leistung aus Vielfalt“ – Mai 2016. http://www.rfii.de/download/rfii-empfehlungen-2016/. Zugegriffen: 3. Dez. 2018

    Google Scholar 

  46. Linek SB, Fecher B, Friesike S, Hebing M (2017) Data sharing as social dilemma: Influence of the researcher’s personality. PLoS ONE 12(8):e183216

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  47. Naudet F, Sakarovitch C, Janiaud P, Cristea I, Fanelli D, Moher D, Ioannidis JPA (2018) Data sharing and reanalysis of randomized controlled trials in leading biomedical journals with a full data sharing policy: Survey of studies published in The BMJ and PLOS Medicine. BMJ 360:k400

    Article  PubMed  PubMed Central  Google Scholar 

  48. American Statistical Association (2019) Ethical guidelines for statistical practice. https://www.amstat.org//ASA/Your-Career/Ethical-Guidelines-for-Statistical-Practice.aspx. Zugegriffen: 06. Mai 2019

    Google Scholar 

Download references

Author information

Affiliations

  1. Institut für Medizinische Informatik und Statistik, Universitätsklinikum Schleswig-Holstein, Christian-Albrechts-Universität zu Kiel, Kiel, Deutschland

    Amke Caliebe

  2. Institut für Medizinische Statistik, Informatik und Datenwissenschaften, Universitätsklinikum Jena, Jena, Deutschland

    André Scherag

  3. AG „Translationale Bioethik“, QUEST – Center, Berliner Institut für Gesundheitsforschung (BIG/BIH), Charité – Universitätsmedizin Berlin, Berlin, Deutschland

    Daniel Strech

  4. Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie, Lehrstuhl Medizinische Biometrie und Bioinformatik, LMU München, Marchioninistraße 15, 81377, München, Deutschland

    Ulrich Mansmann

Authors
  1. Amke Caliebe
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. André Scherag
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Daniel Strech
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Ulrich Mansmann
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Ulrich Mansmann.

Ethics declarations

Interessenkonflikt

A. Caliebe, A. Scherag, D. Strech und U. Mansmann geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Caliebe, A., Scherag, A., Strech, D. et al. Wissenschaftliche und ethische Bewertung von Projekten in der datengetriebenen Medizin. Bundesgesundheitsbl 62, 765–772 (2019). https://doi.org/10.1007/s00103-019-02958-2

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00103-019-02958-2

Schlüsselwörter

  • Datengetriebene Medizin
  • Big Data in der Medizin
  • Wissenschaftliche Bewertung
  • Ethische Bewertung
  • Ethikkommission

Keywords

  • Data-driven medicine
  • Big data in medicine
  • Scientific review
  • Ethical review
  • Research ethics committee