Data-Governance in der Gesundheitsindustrie

In den letzten Jahren hat das sog. maschinelle Lernen (Machine Learning) die Bild-, Text- und Spracherkennung grundlegend verändert. Viele der dabei verwendeten Ansätze untersuchen grosse Datenmengen, die zentral gespeichert werden. Dies birgt gewisse Risiken aus Sicht des Datenschutzes und der Datensicherheit. Zudem werden auf diese Weise weitere Risiken gebündelt, etwa in Bezug auf die Haftung oder auf Urheberrechtsverletzungen.

Entsprechend können Bestrebungen beobachtet werden, Methoden des maschinellen Lernens auch auf dezentral verteilten Datensätzen zur Anwendung zu bringen. Dieses so genannte föderierte Lernen (FL) bietet neue Potenziale, um Risiken zu verteilen und datensparsam neue Erkenntnisse zu gewinnen. Beispielsweise könnten Analysen auf den Datenbeständen mehrerer im gleichen Markt tätiger Wettbewerber durchgeführt werden. Gerade im wachsenden Bereich der zur Therapie oder Diagnostik eingesetzten Wearables können so Lösungen entwickelt werden, die sowohl den Nutzerinnen und Nutzern als auch den Anwenderinnen und Anwendern der Systeme Perspektiven bieten. Allerdings wirft auch dieses Vorgehen neue Fragen auf – namentlich jene nach der wettbewerbsrechtlichen, insbes. kartellrechtlichen, Zulässigkeit.

Am ZLSR untersucht Prof. Dr. Alfred Frühmit seinem Team diese Potenziale und Risiken von FL im Rahmen einer Fallstudie im direkten Austausch mit Partnerinstitutionen und mit einem besonderen Fokus auf die Gesundheitsindustrie am Standort Basel.