THEMEN DER ZEIT

Big Data und Personalisierte Medizin: Goldene Zukunft oder leere Versprechungen?

Dtsch Arztebl 2016; 113(15): A-712 / B-600 / C-592

Antes, Gerd

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Es erscheint überfällig, die Versprechungen für die Zukunft auf den Prüfstand der Qualitätsdiskussion (Good Scientific Practice) zu stellen.

Foto: iStockphoto
Foto: iStockphoto

Die Medizin scheint auf dem Marsch in eine goldene Zukunft zu sein. Die Forschung liefert eine stetig schneller wachsende Menge immer hochwertigerer Ergebnisse. Diese müssen nur noch in die Gesundheitsversorgung umgesetzt werden, was durch Translation der Forschungsergebnisse in die Praxis ein Leichtes sei. Alles, was man für den Sprung in die Zukunft braucht, sind der uneingeschränkte Zugang zu allen Daten und eine unbegrenzte Rechnerkapazität, um aus den ungeheuren Datenmengen in Echtzeit die gewünschten Resultate zu liefern. Das Ergebnis ist eine personalisierte oder individualisierte Medizin, die – befreit von biologischer Variabilität und Unsicherheit – Patienten ohne Fehler mit Diagnostik und Therapie versorgt.

So die Hochglanzbotschaft. Die Realität sieht allerdings wesentlich düsterer aus. Forschung und Wissenschaft allgemein und speziell gerade die Lebenswissenschaften stehen zunehmend in der Kritik. Das Schlagwort von der „Krise der Wissenschaft“ ist seit geraumer Zeit fester Bestandteil der Diskussion. Die Defizite durchziehen alle Stufen des komplexen Gesundheitsforschungs- und Versorgungsprozesses – von den ersten Ideen in der Grundlagenforschung bis hin zur Installation neuen Wissens in der Routineversorgung. Betroffen sind Planung, Durchführung und Publikation von Studien wie auch die systematische Zusammenfassung von Wissen und dessen Implementierung.

An zentraler Stelle ist die weltweit wie eine Naturkonstante herrschende Publikationsrate von 50 Prozent zu nennen. Das heißt, 50 Prozent der durchgeführten Forschung verschwindet und wird der Welt nicht präsentiert, was dem wissenschaftlichen Grundprinzip der Wissenskommunikation fundamental entgegensteht. Erstaunlich dabei ist, dass diese enorme Lücke seit Jahren bekannt ist, jedoch weltweit trotz intensiver Bemühungen bisher nicht wesentlich reduziert werden konnte. Die damit einhergehende Verschwendung war einer der Anlässe für die von der Zeitschrift The Lancet eingeleitete REWARD-Kampagne (REduce Research Waste and Reward Diligence), die im Januar 2014 mit fünf fulminanten Artikeln in einem Sonderband gestartet wurde (1).

Kausalität wird als unnötig „wegdefiniert“

Das Anprangern der Defizite verschafft Aufmerksamkeit, notwendig ist jedoch die entsprechende positive Formulierung „Streben nach kontinuierlicher Qualitätsverbesserung“. Wie ernst die Lage gesehen wird, sieht man an diversen Publikationen hochrangiger Zeitschriften und Organisationen, so zum Beispiel von Nature und Science (2), zum Thema Nichtreproduzierbarkeit wissenschaftlicher Experimente. Hintergrund ist die seit Jahren zunehmende Erkenntnis über die mangelhafte Reproduzierbarkeit und Verifizierbarkeit eines Großteils der Ergebnisse aus dem Wissenschaftsprozess, die in der Folge zu Irrwegen, Fehlentwicklungen und -investitionen führt. Dass dies aus ethisch-moralischer Perspektive wegen der unmittelbar folgenden Schädigung von Menschen nicht zu verantworten ist, liegt auf der Hand. Dass aber auch die ökonomischen Folgen markant sind, wurde durch eine Studie aus dem Haus der Bayer AG eindrücklich gezeigt (3), in der über 50 Prozent der analysierten Experimente nicht verifiziert werden konnten. Es klingt zynisch, aber die ökonomischen Auswirkungen scheinen mehr Alarmstimmung zu erzeugen als die schädlichen Effekte für den Menschen.

Einer der Schwachpunkte in der Entwicklung von medizinischen Verfahren liegt in den mangelhaften Übergängen zwischen den einzelnen Entwicklungsphasen. Daraus folgt die Forderung nach einer besseren Translation der Forschungsergebnisse bis hin in die Praxis. Diese Notwendigkeit hat zu einem teils inflationären Gebrauch des Begriffs Translation, andererseits jedoch auch zu entsprechenden strukturellen Entwicklungen geführt, wie etwa zur Faculty of Health Sciences in Adelaide, wo Translation ein fest verankerter Begriff ist. Hier strebt man mit sehr viel Aufwand danach, Qualitätsverbesserungen in den einzelnen Forschungsphasen wie auch in der Translation zwischen den Phasen zu erreichen.

Dem gegenüber steht seit ein paar Jahren eine Phalanx, die unter den Schlagworten Big Data, Individualisierte/Personalisierte Medizin, Innovation und Translation eine Zukunft verspricht, die scheinbar ohne die mühsame Auseinandersetzung mit den skizzierten Qualitätsparametern auskommt. Ausreichend ist der Zugang zu möglichst vielen, am besten allen Daten (sogenannte „Real World Data“). Um eins der zentralen Probleme beim Nachweis der Wirksamkeit zu umgehen, nämlich Kausalität zu belegen, wird genau diese als unnötig „wegdefiniert“: Das Zeitalter der Kausalität liegt hinter uns, wir befinden uns bereits im Zeitalter der Korrelation, auf dem Weg in eine Zukunft, die sich aufgrund unbeschränkter Daten nicht mehr mit Fehlern, Irrwegen und methodischen Einschränkungen befassen muss (4). Eckpfeiler der Qualität in der orthodoxen Studienwelt, wie prospektives, protokollgestütztes Vorgehen, sorgfältige Fallzahlplanung, Maßnahmen zur Minimierung des Bias-Risikos und Überlegungen zur Reproduzierbarkeit, tauchen einfach nicht mehr auf, weil sie nicht nötig sind. Sucht man allerdings nach rationalen, wissenschaftlich belastbaren Begründungen für die vollmundigen Versprechungen, so sucht man diese vergeblich. Für die Medizin tauchen immer wieder die gleichen anekdotischen Beispiele auf (zum Beispiel die Vorhersage von Grippeepidemien durch Zählung von Klicks in Google; die genetische Analyse des Tumors von Steve Jobs; Personalisierte Medizin). Statt eines fundierten wissenschaftlichen Diskurses über Ziele, Wege und Nutzen bedienen sich Big Data und Umfeld vor allem des Mittels der Wiederholung. Big Data ist die Fragestellung, die Methode und das Ziel in einem. Der Erfolg ist garantiert, es müssen nur die entsprechenden Voraussetzungen geschaffen werden: Verminderung des Datenschutzes, unbeschränkte Rechnerkapazität und keine Gedanken an Qualitätssicherung (5).

Man bekommt den Eindruck, Beobachter eines Frontalzusammenpralls zweier inkompatibler Kulturen zu sein. Besonders leicht lässt sich das an der in der Studienwelt zentralen Größe der Fallzahlen erkennen. Dass Fallzahlen eine zentrale Bedeutung für die Sicherheit, Effekte zu erkennen, haben und über die sogenannte Power einer Studie verantwortlich sind für die unvermeidlichen falsch Positiven und falsch Negativen, ist gerade durch die Debatte über die Nichtreproduzierbarkeit wieder einmal voll ins Bewusstsein gekommen. Schon seit Jahren sind die verheerenden Auswirkungen von in breitem Maß produzierten falsch positiven Ergebnissen bekannt, zum Beispiel bei Biomarkern, denen später dann mangelnde Tauglichkeit attestiert werden musste (6). Gerade die zu große Anzahl zu kleiner Studien ist in letzter Zeit als Ursache dafür thematisiert worden, sowohl im Human- wie in jüngster Zeit auch im tierexperimentellen Bereich (7).

Big Data befindet sich am anderen Ende des Spektrums der Fallzahldiskussion: Daten im Überfluss. Dass man mit unbeschränkten Daten jeden Effekt als signifikant nachweisen kann, müsste hier also diskutiert werden, zusammen mit der bekannten Forderung, nicht Signifikanz, sondern klinische Relevanz zu betrachten. Davon ist jedoch bisher so gut wie nichts zu sehen. Stattdessen steht im Raum, dass sich mit mehr Daten jede Schwierigkeit umgehen lässt. Auch dafür gibt es jedoch keinen Beleg außer der ständig wiederholten Behauptung. Die einfache Feststellung, dass man mit mehr Daten systematische Fehler mit höherer Präzision machen kann, wird ignoriert.

Vieles an dieser Entwicklung ist leicht verständlich, wenn man Big Data als Geschäftsmodell der großen Konzerne wie Google, Amazon, Yahoo und anderer betrachtet. Aus dieser Perspektive ist auch nachvollziehbar, dass nur anekdotische, weitgehend untaugliche Beispiele für die Bedeutung für die Medizin (zum Beispiel in Big Data) präsentiert werden. Sehr nachdenklich sollte jedoch machen, wie unkritisch viele der vollmundigen Ankündigungen und Versprechungen vom Wissenschaftsbetrieb, sowohl von Förderern wie auch aufseiten der institutionellen Durchführung und einzelner Wissenschaftler, übernommen werden.

Es erscheint überfällig – und darin liegt auch das größte Potenzial –, die Versprechungen für die Zukunft auf den Prüfstand der Qualitätsdiskussion (Good Scientific Practice) zu stellen und somit die Validierung der Produkte von Big Data zu fordern. Viele der Versprechungen werden damit zwangsläufig in sich zusammenfallen. An anderen Stellen wird man feststellen, dass die Qualitätskriterien an die neue Welt angepasst werden müssen, um wirklich zu mehr Qualität zu führen. Das ist eine unvermeidliche Herausforderung. Vermeidet man sie, stehen wir vor einer ungeahnten Welle falsch positiver Ergebnisse und damit Irrwegen und enormer Fehlinvestitionen. Werden die sich noch wiedersprechenden und nicht kommunizierenden Kulturen zusammengeführt und trennscharfe Verfahren geschaffen, um richtig positive Ergebnisse in die weitere Entwicklung zu bringen und falsch positive Ergebnisse frühzeitig zu stoppen, liegt genau dort das Potenzial für eine Translation, die Fehler und Verschwendung vermeidet und damit dem Patienten dient (8).

Prof. Dr. rer. nat. Gerd Antes
Cochrane Deutschland

@Literatur im Internet:
www.aerzteblatt.de/lit1516
oder über QR-Code.

Anzeige
1.
Moher D, Glasziou P, Chalmers I, Nasser M, Bossuyt PM, Korevaar DA, et al.: Increasing value and reducing waste in biomedical research: who’s listening? Lancet 2015; pii: S0140–6736 (15) 00307–4 MEDLINE
2.
McNutt M: Journals unite for reproducibility. Science 2014; 346: 679 CrossRef
3.
Prinz F, Schlange T, Asadullah K: Believe it or not: how much can we rely on published data on potential drug targets? Nat Rev Drug Discov 2011; 10: 712 CrossRef MEDLINE
4.
Mayer-Schönberger V, Cukier K: Big Data. Die Revolution, die unser Leben verändern wird: Redline Verlag; 2013.
5.
Antes G: Eine neue Wissenschaft-(lichkeit)? Big Data, Innovation, Personalisierte Medizin und Co. – Sind dies die Markenzeichen einer neuen Wissenschaft-(lichkeit) in der Medizin? (www.laborjournal.de/editorials/981.lasso). Laborjournal 2015; 10: 28–32.
6.
Ioannidis JP: Why most published research findings are false. PLoS Med 2005; 2: e124 CrossRef MEDLINE PubMed Central
7.
Button KS, Ioannidis JPA, Mokrysz C, Nosek BA, Flint J, Robinson ESJ, et al.: Power failure: why small sample size undermines the reliability of neuroscience. Nat Rev Neurosci 2013; 14: 365–76 CrossRef CrossRef MEDLINE
8.
Elliott JH, Grimshaw J, Altman R, Bero L, Goodman SN, Henry D, et al.: Informatics: Make sense of health data. Nature 527, 31–32 (05 November 2015), doi:10.1038/527031a CrossRef
1.Moher D, Glasziou P, Chalmers I, Nasser M, Bossuyt PM, Korevaar DA, et al.: Increasing value and reducing waste in biomedical research: who’s listening? Lancet 2015; pii: S0140–6736 (15) 00307–4 MEDLINE
2.McNutt M: Journals unite for reproducibility. Science 2014; 346: 679 CrossRef
3.Prinz F, Schlange T, Asadullah K: Believe it or not: how much can we rely on published data on potential drug targets? Nat Rev Drug Discov 2011; 10: 712 CrossRef MEDLINE
4.Mayer-Schönberger V, Cukier K: Big Data. Die Revolution, die unser Leben verändern wird: Redline Verlag; 2013.
5.Antes G: Eine neue Wissenschaft-(lichkeit)? Big Data, Innovation, Personalisierte Medizin und Co. – Sind dies die Markenzeichen einer neuen Wissenschaft-(lichkeit) in der Medizin? (www.laborjournal.de/editorials/981.lasso). Laborjournal 2015; 10: 28–32.
6.Ioannidis JP: Why most published research findings are false. PLoS Med 2005; 2: e124 CrossRef MEDLINE PubMed Central
7.Button KS, Ioannidis JPA, Mokrysz C, Nosek BA, Flint J, Robinson ESJ, et al.: Power failure: why small sample size undermines the reliability of neuroscience. Nat Rev Neurosci 2013; 14: 365–76 CrossRef CrossRef MEDLINE
8. Elliott JH, Grimshaw J, Altman R, Bero L, Goodman SN, Henry D, et al.: Informatics: Make sense of health data. Nature 527, 31–32 (05 November 2015), doi:10.1038/527031a CrossRef

    Leserkommentare

    E-Mail
    Passwort

    Registrieren

    Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

    Fachgebiet

    Zum Artikel

    Alle Leserbriefe zum Thema

    Login

    Loggen Sie sich auf Mein DÄ ein

    E-Mail

    Passwort

    Anzeige