Die technologische Revolution, die wir heute erleben, verändert die Art und Weise, wie Unternehmen ihre Geschäfte führen, um ihre Ziele und Visionen zu erreichen. Insbesondere Big Data treibt kritische Entscheidungsprozesse an, um die Effizienz und Qualität von Produkten und Dienstleistungen zu verbessern. Big Data im Gesundheitswesen ist ein Sammelbegriff für das Sammeln, Analysieren, Nutzen und Verwerten komplexer und umfangreicher Patienten- und klinischer Daten in einer Weise, die mit der herkömmlichen Datenverarbeitung nicht zu bewältigen ist. Mit anderen Worten könnte man Big Data als die umfangreichen Gesundheitsdaten definieren, die aus verschiedenen Quellen in Bereichen gesammelt werden, in denen Patienten mit allen anderen Beteiligten innerhalb des Versorgungssystems interagieren.
Zu den wichtigsten Datenquellen gehören Patientenakten, staatliche Eingriffe, Versicherungsunterlagen, pharmazeutische Forschung, genomische Sequenzierung und von tragbaren Geräten gesammelte Informationen sowie andere ähnliche Bereiche, in denen die digitalen Fußabdrücke von Patienten verfolgt werden können (Ristevski & Chen 2018). Es gibt viele Definitionen von Big Data, aber sie alle konvergieren bei den wichtigsten Merkmalen, die das Konzept unterstreichen.
Damit ein Datensatz als Big Data eingestuft werden kann, sollte er die fünf Vs aufweisen – Volumen, Wahrhaftigkeit, Vielfalt, Wert und Wahrhaftigkeit (Ishwarappaa & Anuradhab 2015). Ziel dieses Beitrags ist es, das Konzept von Big Data zu erörtern, wie es im Gesundheitssektor, insbesondere in der Gesundheitsökonomie, angewendet wird. Der Ansatz der SWOT-Analyse wird verwendet, um die Stärken, Schwächen, Chancen und Risiken von Big Data in der Gesundheitsökonomie zu bewerten. Anhand konkreter Beispiele wird aufgezeigt, wie Unternehmen dieses Konzept nutzen, um die Versorgungsprozesse für die Bevölkerung zu verbessern.
Big Data im Gesundheitswesen
Die Gesundheitsbranche spielt eine zentrale Rolle bei der Sicherstellung der Gesundheit der Bevölkerung und der Aufrechterhaltung einer hohen Lebensqualität. Mit zunehmender Bevölkerungsgröße werden jedoch die herkömmlichen Methoden der Datenerhebung und -erfassung für die klinische Entscheidungsfindung und die Formulierung von Strategien in diesem Sektor immer unwirksamer. Die herkömmliche Methode zur Durchführung evidenzbasierter Forschung, um nützliche Informationen im Gesundheitswesen zu erhalten, sind beispielsweise randomisierte klinische Studien (RCTs) (Mayo et al. 2017). Dieser Ansatz ist jedoch in seiner Reichweite begrenzt, da er eine kontrollierte Umgebung und Populationen erfordert.
Außerdem sind RCTs zeitaufwändig, langwierig und teuer, weil sie jeweils nur eine oder eine begrenzte Anzahl von Variablen testen. Daher hat das Aufkommen von Big Data der Industrie geholfen, große Datensätze mit Hilfe verschiedener Algorithmen zu sammeln und zu analysieren, um das gewünschte Ergebnis in kurzer Zeit zu erreichen. Nach Habl et al. (2016) bezieht sich Big Data im Gesundheitswesen auf “große routinemäßig oder automatisch gesammelte Datensätze, die elektronisch erfasst und gespeichert werden … wiederverwendbar im Sinne von Mehrzweckdaten und umfasst die Fusion und Verbindung bestehender Datenbanken zur Verbesserung der Gesundheit und der Leistung des Gesundheitssystems” (S. 11). Eines der Hauptprobleme in der Gesundheitsökonomie sind die ständig steigenden Kosten für Pflegeleistungen und -produkte.
So gaben die USA im Jahr 2017 etwa 17 Prozent ihres BIP für die Gesundheitsversorgung aus, das sind rund 10 000 US-Dollar pro Kopf (Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) 2018). Mit anderen Worten: Die Kosten für die Gesundheitsversorgung sind unerschwinglich, aber Big Data spielt eine entscheidende Rolle bei der Sicherstellung der Erschwinglichkeit von Dienstleistungen für Patienten. Die Qualität der Versorgung ist ein weiteres großes Problem, das die Versorgung beeinträchtigt, da es an geeigneten Systemen für rechtzeitige Interventionsmaßnahmen, Medikationsfehlern und dem Verständnis der Komorbidität von Krankheiten sowie anderen damit verbundenen Aspekten mangelt.
Big Data tragen zur Branche bei, indem sie die Qualität und Wirksamkeit von Behandlungen durch rechtzeitiges Eingreifen bei Krankheiten erhöhen, medizinische Fehler minimieren, Kausalitäten ermitteln und Leistungserbringer miteinander vernetzen, um nur einige Beispiele zu nennen. Sie fördern auch die Bemühungen zur Krankheitsvorbeugung, verbessern die Patientensicherheit durch Pharmakovigilanz (Ventola 2018), prognostizieren Ergebnisse und verbreiten Wissen, damit die Fachleute in der Branche über neue Entwicklungen auf dem Laufenden bleiben.
Literaturanalyse
Nach Collins (2016) wurden Daten in der Vergangenheit hauptsächlich zum Testen von Hypothesen verwendet, aber das Szenario hat sich mit dem Einzug von neuronalen Netzen und Data Mining geändert. Unter dem neuen Regime werden Datensätze verwendet, um Hypothesen aufzustellen und Zusammenhänge zu erkennen, die mit logischen Methoden nicht festgestellt werden konnten. In den meisten Fällen handelt es sich bei Big Data um offene Datensätze, was bedeutet, dass sie öffentlich zugänglich sind. Die britische Regierung hat beispielsweise ein Programm (data.gov.uk), ein zentrales Repository, in dem Daten für den öffentlichen Zugang und die Nutzung bereitgestellt werden (Department for Business Innovation & Skills 2014).
In den USA ermöglicht die Einführung elektronischer Gesundheitsakten (EHR) die Zusammenführung von Daten aller Akteure des Sektors, um den Zugang zu Informationen zu erleichtern und eine evidenzbasierte Praxis zu fördern (Menius & Rousculp 2014). Big Data hat den Akteuren des Gesundheitswesens die Möglichkeit eröffnet, auf große Datensätze zuzugreifen, die Systeme mit evidenzbasierten Informationen verknüpfen, um die Wechselwirkungen zwischen Arzneimitteln aufzuzeigen und auf zugrundeliegende Sicherheitsprobleme und Nebenwirkungen hinzuweisen.
Das Schöne an solchen Systemen ist, dass sie innerhalb kurzer Zeit große Mengen relevanter Daten generieren, was in der Gesundheitsökonomie und Pharmakoepidemiologie von Nutzen ist. Die Systeme bieten auch die Möglichkeit, komplexe strukturierte und unstrukturierte Informationen zu messen, zu analysieren und zu speichern, was mit den herkömmlichen veralteten Informationssystemen, die nicht miteinander kommunizieren können, nicht möglich wäre.
Im Vereinigten Königreich nutzt der Nationale Gesundheitsdienst (NHS) in zunehmendem Maße die Leistungsberichterstattung, um Gesundheitsergebnisse zu erfassen und die Ausgaben in verschiedenen Programmen zu messen, insbesondere die nationalen Patient Reported Outcome Measures (PROMs) für eine effektive Entscheidungsfindung (Prodiger & Taylor 2018). Darüber hinaus werden große Datensätze verwendet, um das Verbraucherverhalten in diesem Sektor zu beobachten, um die Rolle der Krankenversicherung bei der Verbesserung der Versorgung und anderer Ergebnisse zu bestimmen. So wurde beispielsweise das Oregon Health Insurance Experiment (OHIE) durchgeführt, um die Auswirkungen der Ausweitung von Medicaid im Bundesstaat Oregon im Jahr 2008 zu bewerten (Allen, Wright, & Broffman 2018).
Laut Finkelstein, Hendren und Luttmer (2018) haben die OHIE-Ergebnisse gezeigt, dass Patienten mit hoher Wahrscheinlichkeit Pflegedienste in Anspruch nehmen und ihre psychische und physische Gesundheit selbst angeben, wenn sie Zugang zu einer bezahlbaren Krankenversicherung haben. Solche Erkenntnisse könnten Regierungen helfen, fundierte Entscheidungen zu treffen, um die Gesundheit und Lebensqualität ihrer Bürger zu verbessern. Ohne Big Data stünden solche Informationen nicht zur Verfügung, so dass die politischen Entscheidungsträger weiterhin theoretische Entscheidungen treffen würden, die möglicherweise keine nennenswerten Auswirkungen auf die Zielbevölkerung haben.
Einer der Bereiche, in denen Big Data in der Gesundheitsökonomie erhebliche Vorteile gebracht hat, ist das Biomonitoring. Da die Menschen weiterhin passive Biomonitoring-Geräte wie Smartwatches und Herzfrequenzmessgeräte verwenden, können solche Echtzeitinformationen zu Gesundheitsindikatoren zusammengefasst werden, die für klinische und politische Entscheidungen nützlich sind. Buekers et al. (2018) stellen fest, dass politische Entscheidungsträger Biomonitoring-Daten nutzen, um zu beurteilen, ob “die Gesundheit von Menschen in bestimmten Regionen oder Untergruppen gefährdet ist oder ob die Belastung des Körpers mit chemischen Substanzen (die interne Exposition) beispielsweise in Abhängigkeit von Zeit, Land, Geschlecht, Alter oder sozioökonomischem Status variiert” (S. 2085).
Solche Indikatoren könnten bei der politischen Entscheidungsfindung verwendet werden, um sicherzustellen, dass Gesetze auf der Grundlage realer Erkenntnisse erlassen werden, um die Menschen vor der Belastung durch schädliche Chemikalien zu schützen. Collins (2016) fügt hinzu, dass die immensen Lebensstildaten aus der Aktivitätsüberwachung durch das Internet der Dinge (IoT) auch dazu genutzt werden könnten, gesundheitspolitische Maßnahmen zu ergreifen, die körperliche Betätigung und den Zugang zu gesunden Lebensmitteln fördern. Diese Errungenschaften wurden erst durch die Anwendung von Big-Data-Protokollen möglich gemacht.
Big Data hat es Gesundheitsökonomen auch ermöglicht, Erkenntnisse aus der Praxis zu gewinnen und die personalisierte Medizin zu fördern. So setzen beispielsweise Arzneimittelhersteller verschiedene in Big Data eingebettete Techniken ein, um klinische Datensysteme zu durchforsten und die Wirksamkeit ihrer Produkte zu bewerten, bevor sie sie auf den Markt bringen (Vallance, Freeman & Stewart 2016). Die personalisierte Medizin wird mithilfe von Big Data zur Realität, wodurch Kliniker “Behandlungen auswählen können, die am wirksamsten sind und bei denen es weniger wahrscheinlich ist, dass sie aufgrund von Nebenwirkungen abgesetzt werden, und im Falle von Medikamenten können sie eine Dosis wählen, die besser auf eine Person zugeschnitten ist, wodurch das Gesundheitssystem möglicherweise effizienter wird” (Collins 2016, S. 105).
Letztendlich wird Big Data, wie bereits erwähnt, eine zentrale Komponente bei der Sicherstellung einer gesunden Bevölkerung sein, indem es die Entscheidungsfindung aufgrund der Verfügbarkeit von evidenzbasierten Informationen verbessert. Eine SWOT-Analyse wird dazu beitragen, die Stärken, Schwächen, Chancen und Risiken der Einführung von Big Data im Gesundheitswesen auf der Grundlage der aktuellen Trends und der Zukunftsaussichten zu verstehen.
In der Gesundheitsökonomie spielen Daten eine wichtige Rolle bei der Entscheidungsfindung, um sicherzustellen, dass die Ressourcenzuweisung auf der Grundlage von Erkenntnissen zur Erreichung bestimmter Ziele erfolgt. Offene Datensätze bieten daher robuste und langfristige Datenergebnisse für die Erstellung wirtschaftlicher Modelle, die auf verschiedene Bevölkerungsgruppen angewendet werden können. Das Register für Kosten-Wirksamkeits-Analysen (CEE) und die NHS-Datenbank für wirtschaftliche Bewertung (EED) beispielsweise leiten Informationen aus Big Data ab, um wirtschaftliche Bewertungen durchzuführen und Modelle zu erstellen (Al Kadour, Al Marridi & Al-Badriyeh 2018).
Patienten können von ihren Lebensgewohnheiten (unter Verwendung des IoT) bis hin zu dem Zeitpunkt, an dem sie medizinische Leistungen in Anspruch nehmen, und der Art und Weise, wie sie behandelt werden, einschließlich der entstandenen Kosten, nachverfolgt werden. Solche aggregierten Daten wären äußerst nützlich, um die Pflegeleistungen auf die Bedürfnisse der Patienten zuzuschneiden und so die Pflegeergebnisse zu verbessern (Joiya et al. 2017). Darüber hinaus ermöglichen offene Datensätze anderen Parteien außerhalb des Forschungsbereichs den Zugang, die Analyse von Daten und das Testen von Hypothesen, um neue Ideen und Perspektiven für die Schaffung von Transparenz im Gesundheitssektor einzubringen.
Mithilfe von Big-Data-Datenspeichern können Kliniker anhand von Daten auf individueller Ebene die Wirksamkeit bestimmter Medikamente für bestimmte Bevölkerungsgruppen nachvollziehen, was letztlich die Effizienz der klinischen Entscheidungsfindung verbessert. In der Politik werden Big Data auch weiterhin politische Maßnahmen auf der Grundlage realer Erkenntnisse zum Nutzen der Zielgruppen beeinflussen. So werden beispielsweise im Vereinigten Königreich “die mit bestimmten Gesundheitszuständen assoziierten Nutzenwerte im EQ-5D (der vom NICE als Goldstandard für die Berechnung der qualitätsbereinigten Lebenserwartung angesehen wird) mit Hilfe von Time-Trade-off-Methoden und einer allgemeinen Bevölkerungsstichprobe berechnet” (Collins 2016, S. 105).
Die Entscheidungsfindung, die sich auf reale Fakten stützt, wird verbessert, um sicherzustellen, dass die Ressourcen in den Bereichen zugewiesen werden, die den größtmöglichen Nutzen für die Zielgruppen haben. Letztendlich können Patienten dank Big Data erschwingliche und hochwertige Pflegedienste in Anspruch nehmen, die auf evidenzbasierten Verfahren beruhen.
Die Kosten, die mit der Speicherung und Bearbeitung großer Datenmengen verbunden sind, um diese sinnvoll zu nutzen, könnten unerschwinglich sein. In den USA beispielsweise belaufen sich die Kosten für die Implementierung eines EHR-Systems für eine Praxis mit fünf Mitarbeitern auf rund 162.000 US-Dollar im ersten Jahr und weitere 85.000 US-Dollar jährlich für die Wartung, und die Zahlen könnten für einzelne Pflegeeinrichtungen auf Millionen von Dollar steigen (Palabindala, Pamarthy & Jonnalagadda 2016). Darüber hinaus erreicht Big Data nicht die wissenschaftliche Strenge, die mit RCTs verbunden ist, was bedeutet, dass solche traditionellen Methoden weiterhin in der klinischen Forschung eingesetzt werden. Darüber hinaus ist Big Data so konzipiert, dass es nur Personen zugutekommt, die digital vernetzt sind, und schließt somit Milliarden von Menschen in Entwicklungsländern und unterentwickelten Ländern aus.
Der Schutz personenbezogener Daten und Fragen der Sicherheit sind wichtige Anliegen, die Big-Data-Systeme betreffen. Abouelmehdi, Beni-Hessane und Khaloufi (2018) argumentieren, dass Menschen das Gefühl haben könnten, übermäßig überwacht zu werden, was ihr Recht auf Privatsphäre verletze. Aus diesem Grund könnten Personen die Möglichkeit ablehnen, an Studien mit Big-Data-Systemen teilzunehmen.
Um die Sicherheit der in Big-Data-Systemen des Gesundheitswesens erfassten personenbezogenen Daten zu gewährleisten, müssen daher zusätzliche Ressourcen für strenge Gegenmaßnahmen wie die Installation teurer Firewalls und andere damit verbundene Schritte eingesetzt werden. Dieser Aspekt erhöht letztlich die Kosten für die Anschaffung und Wartung solcher Systeme, so dass sie für die meisten Akteure in der Branche nicht verfügbar sind. Folglich könnten Patienten und andere öffentliche Nutznießer nicht in den Genuss der Vorteile von Big Data im Gesundheitswesen kommen.
Die Zukunft von Big Data ist angesichts der sich ständig weiterentwickelnden Technologie unbegrenzt. Mit der Einführung künstlicher Intelligenz werden große Datensätze mit der Fähigkeit, miteinander zu kommunizieren, geschaffen, um komplexe Analysen durchzuführen (Combi & Pozzi 2019). In ähnlicher Weise werden mit großen Studienregistern, die durch Big Data unterstützt werden, Medikamente mit ähnlichen Wirkungen aufeinander abgestimmt, um zu beurteilen, wie sie am besten zusammen eingesetzt werden können, um ihre Wirksamkeit zu verbessern. Medizinische Fehler sind bei der Patientenversorgung keine Seltenheit, doch mit Hilfe großer Datensätze könnten sie durch eine verbesserte Entscheidungsfindung erheblich reduziert werden.
Cirillo und Valencia (2019) sind der Ansicht, dass große Datensätze die individualisierte genetische Kartierung von Menschen vorantreiben, damit diese ihre Veranlagung für bestimmte Krankheiten verstehen und entsprechende Präventionsmaßnahmen ergreifen können.
Darüber hinaus können die Menschen die durch das Biomonitoring gewonnenen Informationen nutzen, um sich das nötige Wissen für die Selbstpflege anzueignen und so ihre Gesundheit und Lebensqualität zu verbessern. Wenn die Menschen die Verantwortung für ihre eigene Pflege übernehmen, verbessern sich die Gesundheitsergebnisse letztendlich erheblich, und der Druck auf die Pflegeeinrichtungen wird verringert, da die Menschen nicht so häufig krank werden. Islam et al. (2018) fügen hinzu, dass große Datensätze die Genauigkeit verbessern, mit der die zuständigen Stellen Ausbrüche vorhersagen, und somit schnelle und rechtzeitige Interventionen ermöglichen.
Erikson (2018) hebt beispielsweise den effektiven Einsatz von HealthMap hervor – einer internetbasierten Big-Data-Plattform, die Nachrichten aus Online-Quellen wie Facebook und Twitter zusammenfasst, um Ebola-Ausbrüche in Westafrika zu erkennen und einzudämmen. Big Data wird auch dazu beitragen, zu verstehen, wie verschiedene krebsverursachende Faktoren das Fortschreiten oder die Remission der Krankheit beeinflussen, und so den Umgang mit dem Gesundheitszustand verbessern.
Trotz der vielen Möglichkeiten und Richtungen, in die sich Big Data entwickeln kann, sind mit solchen Systemen auch mehrere Gefahren verbunden. Erstens kann das Verständnis von Risikofaktoren bei den Menschen Ängste auslösen, insbesondere in Fällen, in denen die zugrunde liegende Krankheit unheilbar ist oder es derzeit keine bekannte Behandlung gibt. Die Versorgung kann auch teuer werden, wenn Versicherungsgesellschaften solche Datensätze nutzen, um die Prämien für Menschen zu erhöhen, die eine genetische Veranlagung für bestimmte Krankheiten haben. Darüber hinaus gibt es ethische Fragen im Zusammenhang mit dem übermäßigen genetischen Screening, das für Big-Data-Systeme charakteristisch ist (Ienca 2018; Knoppers & Thorogood 2017).
Datenverlust und -zugriff durch Dritte stellen ebenfalls eine erhebliche Gefahr für Big-Data-Systeme im Gesundheitswesen dar. Schließlich könnten sich Institutionen zusammentun, um auf Kosten der Patienten von den durch Biomonitoring und andere Strategien der Datenerfassung gesammelten Daten zu profitieren. So befürchtet Hunter (2016), dass Daten-“Makler” wie Pfizer, das über 12 Millionen Dollar für den Erwerb anonymer Gesundheitsdaten ausgibt, diese Entwicklung weiterhin zu ihrem Vorteil nutzen werden. In einem ethischen Gesundheitsumfeld sollte das Wohl der Patienten Vorrang vor jeder Form von finanziellem Gewinn haben, aber in einem kapitalistischen System, das den heutigen Markt bestimmt, sind solche ethischen und moralischen Standards möglicherweise nicht anwendbar.
Schlussfolgerung
Big Data hat die Beziehungen zwischen den Akteuren des Gesundheitssektors revolutioniert. Politische Entscheidungsträger profitieren von dem System, indem sie sich bei der Ausarbeitung von Gesetzen im Bereich der öffentlichen Gesundheit und anderen damit zusammenhängenden Fragen auf Erfahrungen aus dem wirklichen Leben stützen. Kliniker stützen sich auf große Datensätze, um eine evidenzbasierte Praxis zu fördern, die letztlich die Ergebnisse für die Patienten und die Qualität der Versorgung verbessert. Die verfügbare Literatur zeigt, dass Big Data im Gesundheitswesen zwar viele Stärken und Wachstumschancen, aber auch Schwächen und Bedrohungen mit sich bringt.
Die Akteure der Branche sollten sich darauf konzentrieren, die Stärken zu maximieren und die vorhandenen Chancen zu nutzen, während sie gleichzeitig die Schwächen verbessern und die inhärenten Bedrohungen minimieren. Wenn alle Faktoren berücksichtigt werden, werden Big Data die Gesundheitsbranche auch in Zukunft prägen, und zwar auf der Grundlage der Art und Weise, wie politische Entscheidungsträger und andere Beteiligte Gesundheitsgesetze formulieren, Kliniker Versorgungsentscheidungen treffen und Patienten Versorgungsleistungen erhalten.
Referenzliste
Abouelmehdi, K, Beni-Hessane, A & Khaloufi, H 2018, ‘Big healthcare data: preserving security and privacy’, Journal of Big Data, vol. 5, no. 1, pp. 1-18.
Al Kadour, A, Al Marridi, W & Al-Badriyeh, D 2018, ‘Pharmacoeconomics evaluations of oral anticancer agents: systematic review of characteristics, methodological trends, and reporting quality’, Value in Health Regional Issues, vol. 16, no. 1, pp. 46-60.
Allen, H, Wright, B & Broffman, L 2018, ‘The impacts of Medicaid expansion on rural low-income adults: lessons from the Oregon health insurance experiment’, Medical Care Research and Review, vol. 75, no. 3, pp. 354-383.
Buekers, J et al. 2018, “Development of policy relevant human biomonitoring indicators for chemical exposure in the European population”, International Journal of Environmental Research and Public Health, vol. 15, no. 10, pp. 2085-2103.
Cirillo, D & Valencia, F 2019, ‘Big Data Analytics for Personalised Medicine’, Current Opinion in Biotechnology, vol. 58, no. 1, pp. 161-167.
Collins, B 2016, ‘Big Data and health economics: strengths, weaknesses, opportunities and threats’, PharmacoEconomics, vol. 34, no. 2, pp. 101-106.
Combi, C & Pozzi, G 2019, ‘Clinical information systems and artificial intelligence: recent research trends’, Yearbook of Medical Informatics, vol. 28, no. 1, pp. 83-94.
Department for Business Innovation & Skills 2014, Strategie für offene Daten 2014-2016. Web.
Erikson, S 2018, ‘Cell Phones ≠ self and other problems with big data detection and containment during epidemics’, Medical Anthropology Quarterly, vol. 32, no. 3, 315-339.
Finkelstein, A, Hendren, N & Luttmer, E 2018, The value of Medicaid: interpreting results from the Oregon health insurance experiment. Web.
Habl, C, Renner, A-T, Bobek, J & Laschkolnig, A 2016, Studie zu Big Data in Public Health, Telemedizin und Gesundheitswesen, Gesundheit Österreich GmbH, Wien.
Hunter, P 2016, “The big health data sale: as the trade of personal health and medical data expands, it becomes necessary to improve legal frameworks for protecting patient anonymity, handling consent and ensuring the quality of data”, EMBO Reports, vol. 17, no. 8, pp. 1103-1105.
Ienca, M, et al. 2018, ‘Considerations for ethics review of big data health research: a scoping review’, PloSone, vol. 13, no. 10, pp. 1-15.
Ishwarappaa, A & Anuradhab, J 2015, ‘A brief introduction on big data 5vs characteristics and Hadoop technology’, Procedia Computer Science, vol. 48, no. 1, pp. 319-324.
Islam, M, et al. 2018, ‘A systematic review on healthcare analytics: application and theoretical perspective of data mining’, Healthcare, vol. 6, no. 2, pp. 54 – 96.
Joiya, J, Liaqat, R, Farooq, A & Rehman, S 2017, ‘Internet of medical things (IOMT): applications, benefits and future challenges in healthcare domain’, Journal of Communications, vol. 12, no. 4, pp. 240-247.
Knoppers, M & Thorogood, A 2017, ‘Ethics and big data in health’, Current Opinion in Systems Biology, vol. 4, no. 1, pp. 53-57.
Mayo, C et al. 2017, ‘Big Data in designing clinical trials: opportunities and challenges’, Frontiers in Oncology, vol. 7, no. 187, pp. 1-7.
Menius, J & Rousculp, M 2014, ‘Growth in health care data causing an evolution in the pharmaceutical industry’, North Caroline Medical Journal, vol. 75, no. 3, pp.188-90.
OECD (2019), Gesundheitsausgaben (Indikator). Web.
Palabindala, V, Pamarthy, A & Jonnalagadda, N 2016, ‘Adoption of electronic health records and barriers’, Journal of Community Hospital Internal Medicine Perspectives, vol. 6, no. 5, pp. 1-6.
Prodiger, B & Taylor, P 2018, ‘Improving quality of care through patient-reported outcome measures (PROMs): expert interviews using the NHS PROMs Programme and the Swedish quality registers for knee and hip arthroplasty as examples’, BMC Health Services Research, vol. 18, no. 87, pp. 1-13.
Ristevski, B & Chen, M 2018, ‘Big Data Analytics in Medicine and Healthcare’, Journal of Integrative Bioinformatics, vol. 15, no. 3, pp. 1-5.
Vallance, P, Freeman, A & Stewart, M 2016, ‘Data sharing as part of the normal scientific process: a view from the pharmaceutical industry’, PLoS Medicine, vol. 13, no. 1, pp. 1-3.
Ventola, L 2018, ‘Big Data and pharmacovigilance: data mining for adverse drug events and interactions’, Pharmacy and Therapeutics, vol. 43, no. 6, pp. 340-351.