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.
Literatur
Institute of Medicine (2007) The learning Healthcare system: Workshop summary. The National Academies Press, Washington, DC
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
Medizininformatik-Initiative (2019) Daten gemeinsam nutzen. Forschung stärken, Versorgung verbessern. Medizininformatik. http://www.medizininformatik-initiative.de/de/start. Zugegriffen: 15. Febr. 2019
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
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
Glaeske G, Rebscher H, Willich SN (2010) Versorgungsforschung: Auf gesetzlicher Grundlage systematisch ausbauen. Dtsch Arztebl 107(26):A-1295–7
American Society of Clinical Oncology (ASCO) (2019) CancerLinQ. https://cancerlinq.org/about. Zugegriffen: 15. Febr. 2019
DO->IT Consortium (2019) BD4BO – Big data for better outcomes. http://bd4bo.eu/. Zugegriffen: 15. Febr. 2019
BBMRI-ERIC (2019) Making new treatments possible. http://www.bbmri-eric.eu/. Zugegriffen: 15. Febr. 2019
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
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
Raspe H, Hüppe A, Strech D, Taupitz J (2012) Empfehlungen zur Begutachtung klinischer Studien durch Ethik-Kommissionen Bd. 2. Deutscher Ärzteverlag, Berlin
Strech D (2018) Normative Governance der Big Data Forschung, Forschung: Politik-Strategie-Management, S 53–60 (Bde 2+3)
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
TMF (2019) Die Technologie- und Methodenplattform für die vernetzte medizinische Forschung e.V. http://www.tmf-ev.de. Zugegriffen: 15. Febr. 2019
GMDS e.V. (2019) Biometrie in der Ethikkommission. https://gmds.de/aktivitaeten/medizinische-biometrie/arbeitsgruppenseiten/projektgruppen/biometrie-in-der-ethikkommission/. Zugegriffen: 15. Febr. 2019
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
Bundesärztekammer (2017) Informationspapier „Medizinische, ethische und rechtliche Aspekte von Biobanken“. Dtsch Arztebl. https://doi.org/10.3238/arztebl.2017.biobanken_01
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
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
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
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
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
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
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
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
Pearl J (2010) An introduction to causal inference. Int J Biostat 6(2):7
Lupton D (2015) Health promotion in the digital era: A critical commentary. Health Promot Int 30(1):174–183
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
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
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
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
Universitätsklinikum Schleswig-Holstein (UKSH) (2018) Nutzung von Biomaterial. https://www.uksh.de/p2n/P2N_Service/Beratung+Forschungsethik.html. Zugegriffen: 15. Febr. 2019
Morris Z, Whiteley WN, Longstreth WT et al (2009) Incidental findings on brain magnetic resonance imaging: Systematic review and meta-analysis. BMJ 339:b3016
Schoolman HM, Becktel JM, Best WR, Johnson AF (1968) Statistics in medical research: Principles versus practices. J Lab Clin Med 71:357–367
Courtland R (2018) The bias detectives. Nature 558:357–360
Zou J, Schiebinger L (2018) Design AI so that it’s fair. Nature 559:324–326
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
Open Humans Foundation (2018) Personal genome project: Global network. http://www.personalgenomes.org. Zugegriffen: 15. Febr. 2019
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
European OHDSI Symposium (2019) The journey from data to evidence. https://www.ohdsi-europe.org. Zugegriffen: 15. Febr. 2019
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
Antes G (2016) Big Data und Personalisierte Medizin: Goldene Zukunft oder leere Versprechungen? Dtsch Arztebl 113(15):A-712
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
Rat für Informationsinfrastrukturen (2018) RfII-Empfehlungen „Leistung aus Vielfalt“ – Mai 2016. http://www.rfii.de/download/rfii-empfehlungen-2016/. Zugegriffen: 3. Dez. 2018
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
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
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
Author information
Authors and Affiliations
Corresponding author
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
About this article
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
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