Entwicklung eines selbstlernenden Risikoscores an Real-World-Datenquellen

Die RABATT-Studie

Development of a self-learning risk score with real world data sources

The RABATT study

Zusammenfassung

Das vom Innovationsausschuss des Gemeinsamen Bundesausschuss für drei Jahre (2019–2022) geförderte Projekt „Risikoscores für eine algorithmenbasierte behandlerunabhängige Aufklärung zum Therapieerfolg und zur Therapieempfehlung“ (RABATT) verfolgt das Ziel, verfügbare Routine- und Registerdaten zur Behandlung der peripheren arteriellen Verschlusskrankheit (PAVK) intelligent zu nutzen. Es sollen selbstlernende Algorithmen und mobile Applikationen entwickelt werden, die eine informierte objektive Aufklärung und die Wahl der bestmöglichen Therapie trotz teilweise fehlender Evidenzbasis unterstützen. Dabei sollen wesentliche Fragen aus den Bereichen Datenschutz- und Haftungsrecht, Sozialrecht und Ethik beantwortet werden. Dieser Beitrag gibt einen Überblick über die primären Fragestellungen und methodischen Projektschritte.

Abstract

The RABATT study (risk scores for an algorithm-based objectifiable clarification on treatment success and treatment recommendation) is funded for 3 years from 2019 to 2022 by the Innovation Fund of the German Federal Joint Committee (Gemeinsamer Bundesausschuss). The RABATT study aims to develop intelligent methods to use available health insurance claims data and registry data in the treatment of patients with peripheral arterial disease (PAD). The study consortium will develop self-learning algorithms and mobile applications to overcome the paucity of evidence and provide informed objective clarification and optimal choice of treatment for patients with PAD. This project further aims to answer essential questions in terms of data privacy and liability rights, social law and ethics in research and quality improvement. This article provides an overview on relevant questions and methodological project stages.

This is a preview of subscription content, log in to check access.

Literatur

  1. 1.

    Behrendt C‑A, Schwaneberg T, Hischke S et al (2019) Data privacy compliant validation of health insurance claims data—the IDOMENEO approach. Gesundheitswesen (In Press)

  2. 2.

    Behrendt CA, Bertges D, Eldrup N et al (2018) International consortium of vascular registries consensus recommendations for peripheral revascularisation registry data collection. Eur J Vasc Endovasc Surg 56:217–237

    Article  Google Scholar 

  3. 3.

    Behrendt CA, Härter M, Kriston L et al (2017) IDOMENEO – Ist die Versorgungsrealität in der Gefäßmedizin Leitlinien- und Versorgungsgerecht? Gefasschirurgie 22:41–47

    Article  Google Scholar 

  4. 4.

    Behrendt CA, Joassart Ir A, Debus ES et al (2018) The challenge of data privacy compliant registry based research. Eur J Vasc Endovasc Surg 55:601–602

    Article  Google Scholar 

  5. 5.

    Behrendt CA, Pridohl H, Schaar K et al (2017) Clinical registers in the twenty-first century: Balancing act between data protection and feasibility? Chirurg 88:944–949

    Article  Google Scholar 

  6. 6.

    Behrendt CA, Riess H, Harter M et al (2018) Guideline recommendations and quality indicators for invasive treatment of peripheral arterial disease in Germany: the IDOMENEO study for quality improvement and research in vascular medicine. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 61:218–223

    Article  Google Scholar 

  7. 7.

    Behrendt CA, Riess HC, Schwaneberg T et al (2018) Complex endovascular treatment of intact aortic aneurysms: an analysis of health insurance claims data. Gefasschirurgie 23:32–38

    Article  Google Scholar 

  8. 8.

    Behrendt CA, Sigvant B, Szeberin Z et al (2018) International variations in amputation practice: a VASCUNET report. Eur J Vasc Endovasc Surg 56:391–399

    Article  Google Scholar 

  9. 9.

    Goodfellow I, Mcdaniel P, Papernot N (2018) Making machine learning robust against adversarial inputs. Commun Acm 61:56–66

    Article  Google Scholar 

  10. 10.

    Goodfellow IJ, Shlens J, Szegedy C (2014) Explaining and harnessing adversarial examples. In: arXiv e‑prints

  11. 11.

    Katsanos K, Spiliopoulos S, Kitrou P et al (2018) Risk of death following application of Paclitaxel-coated balloons and stents in the Femoropopliteal artery of the leg: a systematic review and meta-analysis of randomized controlled trials. J Am Heart Assoc 7. https://doi.org/10.1161/JAHA.118.011245

    Article  PubMed  PubMed Central  Google Scholar 

  12. 12.

    Lees T, Troeng T, Thomson IA et al (2012) International variations in infrainguinal bypass surgery—a VASCUNET report. Eur J Vasc Endovasc Surg 44:185–192

    CAS  Article  Google Scholar 

  13. 13.

    Papernot N, Mcdaniel P, Goodfellow I et al (2016) Practical black-box attacks against machine learning. In: arXiv e‑prints

  14. 14.

    Riess HC, Debus ES, Schwaneberg T et al (2018) Indicators of outcome quality in peripheral arterial disease revascularisations—a Delphi expert consensus. VASA 47:491–497

    Article  Google Scholar 

  15. 15.

    Rndic N, Laskov P (2014) Practical evasion of a learning-based classifier: a case study. 2014 IEEE Symposium on Security and Privacy, S 197–211

    Google Scholar 

  16. 16.

    Silver D, Huang A, Maddison CJ et al (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529:484

    CAS  Article  Google Scholar 

  17. 17.

    Stallkamp J, Schlipsing M, Salmen J et al (2012) Man vs. computer: benchmarking machine learning algorithms for traffic sign recognition. Neural Networks 32:323–332

    CAS  Article  Google Scholar 

  18. 18.

    Trute HH (2018) Der Stellenwert von Real-World-Evidenz im deutschen Sozial- und Gesundheitsrecht. Gefasschirurgie. https://doi.org/10.1007/s00772-018-0471-z

    Article  Google Scholar 

  19. 19.

    Vascunet C, Mitchell D, Venermo M et al (2015) Quality improvement in vascular surgery: the role of comparative audit and Vascunet. Eur J Vasc Endovasc Surg 49:1–3

    Article  Google Scholar 

  20. 20.

    Venermo M, Sedrakyan A, Cronenwett J (2018) International Consortium of Vascular Registries. Gefasschirurgie. https://doi.org/10.1007/s00772-018-0475-8

    Article  Google Scholar 

Download references

Förderung

Die IDOMENEO-Studie wird vom Innovationsausschuss des Gemeinsamen Bundesausschuss (G-BA) gefördert (01VSF16008). Die RABATT-Studie wird vom Innovationsausschuss des G‑BA gefördert (VSF-2018-171). Die Arbeitsgruppe GermanVasc wird für Versorgungsforschungsprojekte zusätzlich durch den Stifterverband für die Deutsche Wissenschaft und die CORONA-Stiftung (S199/10061/2015), durch die B.-Braun-Stiftung Melsungen und durch die Bayer Vital GmbH gefördert.

Author information

Affiliations

Authors

Corresponding author

Correspondence to Dr. med. C.-A. Behrendt.

Ethics declarations

Interessenkonflikt

T. Schwaneberg, E. S. Debus, T. Repgen, H.-H. Trute, T. Müller, H. Federrath, U. Marschall und C.-A. Behrendt geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Schwaneberg, T., Debus, E.S., Repgen, T. et al. Entwicklung eines selbstlernenden Risikoscores an Real-World-Datenquellen. Gefässchirurgie 24, 234–238 (2019). https://doi.org/10.1007/s00772-019-0514-0

Download citation

Schlüsselwörter

  • Periphere arterielle Verschlusskrankheit
  • Register
  • Routinedaten
  • Krankenversicherungsdaten
  • Qualitätsverbesserung

Keywords

  • Peripheral arterial disease
  • Registries
  • Routine data
  • Health insurance claims data
  • Quality improvement