Datenmarktplätze für Künstliche Intelligenz im Gesundheitswesen: Potenziale, Herausforderungen und Strategien zur Bewältigung

Die Digitalisierung erfasst immer mehr Bereiche des alltäglichen Lebens, wie auch das Gesundheitswesen. Dabei weist die Digitalisierung im Gesundheitswesen viele unterschiedliche Facetten auf. Insbesondere die Entwicklung und der Einsatz von Künstlicher Intelligenz (KI) ist ein aktueller Trend, der eine bessere, effizientere und kostensparende Versorgung der Bevölkerung verspricht (Chew und Achananuparp 2022). Bspw. zeigen Studien, dass KI-Modelle Krankheiten auf Röntgenaufnahmen genauso gut oder sogar mit einer höheren Genauigkeit als medizinische Fachkräfte erkennen können (Joy Mathew et al. 2020).

Die meisten KI-Modelle, die heutzutage entwickelt und eingesetzt werden, basieren auf den KI-Methoden des maschinellen Lernens (ML) oder des Deep Learnings (DL). Sie beruhen auf einem abstrakten dreiphasigen Prozess, der die Schritte Modellierung, Training und Inferenz umfasst (Thiebes et al. 2021). Innerhalb dieses Prozesses kommt den Eingabedaten eine besonders wichtige Rolle zu, da die Verfügbarkeit einer großen Menge qualitativ hochwertiger Eingabedaten eine fundamentale Voraussetzung für die Entwicklung von qualitativ hochwertigen KI-Modellen ist. Besonders innerhalb des Gesundheitswesens stellt dies die Entwickler:innen von KI-Modellen vor große Herausforderungen. Denn obwohl heutzutage große Mengen von (Gesundheits‑)Daten generiert werden, bilden Gesundheitssysteme üblicherweise komplexe Netzwerke aus einer Vielzahl unterschiedlicher Akteur:innen (bspw. Patient:innen, Gesundheitsdienstleister:innen, Versicherungen, Gesetzgebende), bei denen jeweils oft nur ein Bruchteil der generierten Daten anfällt. Gleichzeitig können Gesundheitsdaten nicht beliebig zwischen diesen Akteur:innen ausgetauscht werden, da sie zu den hochsensiblen und besonders schützenswerten Daten zählen und ihr Austausch und ihre Verwendung stark reglementiert sind.

Innerhalb der Literatur werden verschiedene Ansätze zur Begegnung des Mangels an Trainingsdaten für KI-Modelle im Gesundheitswesen diskutiert. Hierzu zählen insbesondere Datenmarkplätze und Ansätze der sicheren Mehrparteienberechnung (secure multi party computation (SMPC)) (Zhao et al. 2019). Da SMPC jedoch hohen Abstimmungsaufwand zwischen den einzelnen Parteien erfordert, keinen Überblick über weitere verfügbare Datenquellen liefert und keine Anreize für Individuen bietet, ihre Daten zu teilen, stellen Datenmarktplätze weiterhin ein wichtiges Konzept dar, um diese Probleme zu beheben (Ghaffaripour und Miri 2020). Im Gesundheitswesen haben sich, trotz erster technischer Konzepte und einiger Pilotprojekte (z. B. Nebula Genomics¹ und EncrypGen² für genetische Daten) Datenmarktplätze bisher noch nicht in der Breite etablieren können. Bisherige Forschung hierzu ist primär technisch, konzeptionell und verbunden mit Blockchain-Technologie (Maher und Khan 2016). Sie ist somit nicht geeignet zur Beantwortung der Frage, weshalb sich Datenmarktplätze für KI im Gesundheitswesen bisher nicht etablieren konnten. Mit dieser Studie möchten wir einen Beitrag dazu leisten Potenziale und aktuelle Herausforderungen bei der Realisierung von Datenmarktplätzen für KI im Gesundheitswesen besser zu verstehen. Das Hauptziel der Arbeit besteht demnach in der Beantwortung der Frage: Welche Potenziale und Herausforderungen bietet die Realisierung von Datenmarktplätzen für KI im Gesundheitswesen?

Innerhalb der Literatur existieren vielfältige Verständnisse des Begriffs KI. Im Allgemeinen kann unterschieden werden zwischen schwacher und starker KI (Searle 1980). Schwache KI kann nur einen Teil der menschlichen Intelligenz abbilden und wird für die Problemlösung von spezifischen Aufgaben verwendet. Bisher entspricht jede verfügbare KI dieser Art von KI. Starke KI kann im Gegensatz zur schwachen KI jedes Problem lösen. In dieser Studie verstehen wir KI im Sinne einer schwachen KI als Computer, die komplexe Entscheidungsprobleme lösen, indem Ergebnisse auf Basis von Erfahrungswerten erlernt werden (Goodfellow et al. 2016). Die Verwendung von KI ist somit ein Prozess, der aktuelle Technologien (z. B. ML) nutzt, um Entscheidungsprobleme zu lösen. ML umfasst dabei definierte Algorithmen, die eine Mustererkennung in Daten ermöglichen. Ein Beispiel für ein solches Problem im Gesundheitswesen ist die Entscheidung, ob auf einem medizinischen Bild (bspw. generiert durch bildgebende Verfahren wie eine Röntgenaufnahme) ein Tumor vorliegt. DL ist ein Teil von ML, nutzt aber mehrere aufeinander aufbauende Datenschichten für die Mustererkennung. Die Entscheidungsfindung bei KI findet im Allgemeinen in drei Schritten statt: (1) Der KI werden Daten übergeben, (2) die KI verarbeitet und interpretiert die Daten mithilfe eines vortrainierten Modells und (3) gibt eine Entscheidung aus (Russell und Norvig 2010). Um ein vortrainertes Modell zu erstellen, ist es dabei erforderlich, dass die Zieldaten in ausreichender Menge vorhanden, möglichst korrekt und repräsentativ sind.

Aktuelle Anwendungen von KI im Gesundheitssektor umfassen unter anderem KI zur Diagnose von Erkrankungen anhand von Daten aus bildgebenden Verfahren, zur Genanalyse oder die Steuerung von Operationsrobotern (Joy Mathew et al. 2020). Dabei übertrifft KI bei der Genauigkeit der Diagnose zunehmend medizinische Expert:innen. Der Einsatz von KI im Gesundheitswesen hat insgesamt viele potenzielle Vorteile. Die Unterstützung, die KI in vielen Bereichen Mitarbeiter:innen im Gesundheitssektor bietet, entlastet Mitarbeiter:innen, führt zu einer höheren Behandlungsqualität und spart durch eine bessere Planung und Priorisierung von Patient:innen Kosten ein (Masmoudi et al. 2021). Dennoch bringt der Einsatz von KI auch Risiken mit sich. KI kann z. B. bei unbekannten Verzerrungen in Datensätzen gegenüber bestimmten Gruppen diskriminieren oder bei Fehlern zu Problemen bei Haftungsfragen führen (Russell und Norvig 2010).

Moderne Ansätze zur Entwicklung von KI-Modellen, wie ML oder DL, erfordern in der Regel große Mengen hochwertiger Eingabedaten für das Training der Modelle. Diese sind aber häufig aus Datenschutzgründen und aufgrund der starken Verteilung der Daten auf viele Akteur:innen im Gesundheitswesen für viele Organisationen nicht einfach zu beschaffen. Datenmarktplätze zielen darauf ab, dieses Problem zu lösen, indem sie Datenanbieter und Datenkonsumenten miteinander verbinden und den Akteur:innen den sicheren Handel, die Speicherung und den Zugriff auf hochwertige Datenbestände ermöglichen (Bergman et al. 2022). Dabei erfüllen Datenmarktplätze drei wesentliche Funktionen: (1) Zusammenbringen von Angebot und Nachfrage; (2) Bereitstellen einer Infrastruktur für die Ausgestaltung des Datenaustauschs; (3) Erleichtern von Transaktionen für die Vergütung und Übertragung von Datenbeständen (Bergman et al. 2022; vgl. Abb. 1).

Obschon Datenmarktplätze in diesen drei Funktionen traditionellen elektronischen Marktplätzen für Produkte und Dienstleistung ähneln, unterscheiden sie sich von traditionellen Marktplätzen dadurch, dass Daten ein Erfahrungsgut sind (d. h. ein Gut dessen Qualität und Wert nur schwer zu beurteilen sind), welches beliebig vervielfältigt werden kann (Koutroumpis et al. 2020). Bisherige Lösungen am Markt werden meist durch nationale (z. B. USA³) oder supranationale (z. B. EU⁴) Initiativen oder einzelne private Anbieter (z. B. kaggle⁵) angeboten. Diese beschränken sich häufig auf ausgewählte aggregierte Datensätze und liefern keine Möglichkeit individuelle Datensätze zu teilen.

Eine der ersten Studien, die das Phänomen Datenmarktplätze konzeptualisiert hat, unterscheidet Datenmarktplätze anhand der beiden Dimensionen Ausrichtung (Engl. Orientation) und Eigentümerschaft (Engl. Ownership) (Stahl et al. 2016). Die Ausrichtung eines Datenmarktplatzes kann hierbei von hierarchisch (d. h., die Eigentümer:innen eines Datenmarktplatzes legen Datenpreise und die Regeln für Käufer:innen und Verkäufer:innen fest) bis hin zu marktbezogen (d. h., die Preise werden von Käufer:innen und Verkäufer:innen in Abhängigkeit vom Wettbewerb festgelegt) reichen (Bergman et al. 2022). Bezogen auf die Eigentümerschaft können Datenmarktplätze entweder im Privatbesitz einer Organisation sein, sich im Besitz eines Konsortiums (d. h., mehrerer Organisationen) befinden oder im Besitz einer unabhängigen dritten Partei sein. Koutroumpis et al. (2020) hingegen unterscheiden vier Arten von Datenmarktplätzen anhand unterschiedlicher Matching-Algrorithmen. In einem One-to-One Datenmarktplatz kann ein Datenanbieter gleichzeitig mit einem oder mehreren Datenkonsumenten handeln. In einem One-to-Many Datenmarktplatz handelt ein Datenanbieter mit vielen Datenkonsumenten über dieselben Daten. Im Unterschied zu einem One-to-One Datenmarktplatz gelten jedoch in der Regel standardisierte Transaktionsbedingungen, da es unwirtschaftlich sein kann, jede Transaktion einzeln auszuhandeln. An Many-to-One-Datenmarktplätzen sind viele Datenanbieter, aber nur ein einziger großer Datenkonsument beteiligt. Many-to-Many-Datenmarktplätze schließlich sind Handelsplattformen, auf denen eine große Zahl von Datenanbietern für eine große Anzahl von Datenkonsumenten bereitstellt. Der Zugang zu den Daten und ihre Nutzung sind hierbei durch unterschiedliche, entweder standardisierte oder ausgehandelte Lizenzierungsmodelle geregelt.

Obwohl Datenmarktplätze Gegenstand aktueller Forschung sind, ist der theoretische Erkenntnisstand zu Datenmarktplätzen im Gesundheitswesen nicht gesichert. Daher folgt unsere Forschungsarbeit einem qualitativen Vorgehen, mit welchem explorativ ein Überblick über die Wahrnehmung von Datenmarktplätzen im Gesundheitswesen erstellt wird. Hierfür werden Expert:inneninterviews mit verschiedenen Akteur:innen durchgeführt. Das methodische Vorgehen zur Datenerhebung ist dabei die Durchführung von semi-strukturierten Interviews, die sich an Myers (2019) orientieren.

Insgesamt konnten im Rahmen der Studie sieben Potenziale von Datenmarktplätzen für KI im Gesundheitswesen identifiziert werden (vgl. Tab. 2). Daneben wurde darauf aufbauend und ergänzend das umfassendere Meta-Potenzial Höhere Datenverfügbarkeit identifiziert. Dieses Meta-Potenzial lässt sich nicht eindeutig einer Dimension des TOE-Frameworks zuordnen, sondern ist ein grundlegendes Potenzial von Datenmarktplätzen, welches als eine Voraussetzung für diese drei Dimensionen zu betrachten ist. Im Folgenden werden die sieben aggregierten Potenziale von Datenmarktplätzen für KI im Gesundheitswesen vorgestellt.

Datenmarktplätze bieten nicht nur mehr Daten, sondern können auch hochwertigere Daten liefern, die mehr unterschiedliche Szenarien und Umstände (z. B. bei der Behandlung von Krankheiten) abdecken als aktuell verfügbare Datenbestände. Dadurch bieten Datenmarktplätze das technologische Potenzial, bessere KI-Modelle und Ergebnisse zu erzeugen (P01) und eine bessere Abdeckung von Minoritäten (P02) zu erreichen. Damit verbunden sind organisationale Potenziale wie die Erschließung neuer Anwendungsgebiete für KI (P05), da der Datenmarktplatz es ermöglicht, unerforschte Krankheiten besser zu untersuchen. Für Akteur:innen im Gesundheitswesen bietet dies ebenso die Möglichkeit, ihre Ressourcen effizienter einzusetzen (P03), da ein Datensatz auf einem Datenmarktplatz genutzt und rekombiniert werden kann, anstatt die Daten selbst zu erheben. Damit verbunden ist ebenfalls eine Absenkung der Einstiegshürden für kleine und mittelständische Unternehmen (P04), die erst durch den Datenmarktplatz Zugriff auf große Datenmengen erhalten. Letztlich gibt es umgebungsbezogene Potenziale wie bspw. die Etablierung von Standards und einheitlichen Schnittstellen (P06) durch den Datenmarktplatzbetreiber selbst oder einen großen Datenanbieter. Dadurch wird der Zugriff auf die Daten weiter vereinfacht und durch die Vereinheitlichung lassen sich die Daten leichter miteinander kombinieren. Letztlich bieten Datenmarktplätze ebenso eine Möglichkeit, ein höheres Vertrauen in Digitalisierung (P07) zu schaffen. Dies kann durch Anwendungsszenarien (z. B. eine verbesserte Krebserkennung) geschehen, die erst durch Datenmarktplätze in der Breite ermöglicht werden. Eine ausführliche Zuordnung mit Beispielen aus den Interviews findet sich in Online-Material 1.

Insgesamt konnten 12 Herausforderungen identifiziert werden (siehe Tab. 3). Entsprechend unserer Datenanalyse auf Basis des TOE-Frameworks erfolgt im Folgenden die Darstellung der Herausforderungen anhand der drei Dimensionen des Frameworks. Eine ausführliche Zuordnung mit Beispielen aus den Interviews findet sich in Online-Material 2.

Mit fortschreitender Digitalisierung werden KI-Anwendungen immer relevanter im Gesundheitswesen. Die Erstellung von KI-Anwendungen erfordert jedoch große Datenmengen, die im Gesundheitswesen nicht immer einfach zu erhalten sind. Als Lösung für dieses Problem werden vermehrt Datenmarktplätze diskutiert, die aber bisher in der Praxis kaum realisiert sind. Vor diesem Hintergrund leistet diese Studie einen Beitrag dazu, das Potenzial und aktuelle Herausforderungen bei der Realisierung von Datenmarktplätzen für KI im Gesundheitswesen besser zu verstehen.

Mit dieser Studie konnten wir sieben Potenziale in drei Dimensionen sowie ein Meta-Potenzial identifizieren. So können Datenmarktplätze durch erhöhte Datenverfügbarkeit zu besseren KI-Modellen und Ergebnissen führen, die Behandlung von seltenen Krankheiten unterstützen und Kosten im Gesundheitswesen reduzieren. Dazu identifizieren wir 12 Herausforderungen und mögliche Strategien zur Bewältigung in drei Dimensionen. Während ein Teil der Herausforderungen, wie die Sicherstellung von Datenqualität und die Auffindbarkeit von Daten, allgemeine Probleme von Datenmarktplätzen abbilden, sind andere Herausforderungen wie die Einhaltung ethischer Standards insbesondere im Gesundheitskontext relevant. Zukünftige Forschung sollte daher vor allem untersuchen, wie die identifizierten Strategien zur Bewältigung der Herausforderungen implementiert werden können. Zudem hat sich gezeigt, dass einige Aspekte von Datenmarktplätzen, gleichzeitig als Potenzial und Herausforderung angesehen werden. So wurde bspw. das Fehlen von Datenstandards als Herausforderungen gesehen, während dies gleichzeitig auch als Potenzial zur Etablierung von (neuen) Standards und Schnittstellen gewertet wurde.

Im Rahmen der verwendeten, explorativen Forschungsmethode ergeben sich für diese Studie einige Limitationen. Es wurde nur eine begrenzte Anzahl von Interviews geführt und somit möglicherweise nur eine beschränkte Sicht auf Datenmarkplätze ohne Data Scientists, Patient:innen-Vertretungen und mit nur wenig medizinischem Fachpersonal abgebildet. Zukünftige Forschung sollte insbesondere diese Perspektiven stärker untersuchen. Auch wurden für die Interviews deutsche Expert:innen befragt, die vor allem Einblicke in das deutsche Gesundheitswesen geben. Weitere Forschung sollte bspw. in Bezug auf grenzüberschreitende Datenflüsse, auch innerhalb der EU und mehr Interviews mit Expert:innen außerhalb Deutschlands beinhalten. In den Expert:inneninterviews wurden außerdem für zwei organisationale Herausforderungen keine Strategien zur Bewältigung identifiziert, da sie mit Fragen verbunden sind, die erst mit Forschung anhand eines implementierten Datenmarktplatz für Gesundheitsdaten beantwortet werden können.

Trotz dieser Einschränkungen sind wir davon überzeugt, dass diese Studie und die darin enthaltenen Ergebnisse einen wichtigen Beitrag zur Realisierung von Datenmarktplätzen und damit zur breiten Anwendung von KI im Gesundheitswesen leisten.