---
{
  "title": "FHIR und maschinelles Lernen (ML)",
  "description": "Maschinelles Lernen findet im Gesundheitswesen zunehmend Verbreitung, da immer ausgefeiltere technologische Lösungen enorme Mengen klinischer Daten erzeugen. Um dieses Problem zu adressieren, hat die FHIR-Community zahlreiche Lösungen entwickelt, die wir in diesem Beitrag vorstellen.",
  "date": "2018-08-27",
  "author": "Pavel Smirnov",
  "reading-time": "3 min read",
  "tags": [
    "AI / Agents",
    "FHIR Standard"
  ],
  "seo-tags": [
    "FHIR",
    "Machine Learning"
  ]
}
---
Im heutigen Gesundheitswesen dreht sich alles um Daten. Über jeden von uns werden kontinuierlich verschiedene medizinische Daten erzeugt. Einen Teil dieser Daten erstellen Ärzte und Pflegepersonal, doch medizinische Geräte und Wearables produzieren weitaus mehr davon. Neben den Daten, die traditionell von EHR-Systemen (Electronic Health Record) erfasst wurden, beobachten wir mit dem Aufstieg der Präzisionsmedizin Terabytes an Genomdaten, die Patientenakten zunehmend ergänzen. Das Volumen medizinischer Daten nimmt stetig zu, und es wird für Menschen immer schwieriger, diese Daten zu verstehen und ohne die Unterstützung automatisierter Systeme aussagekräftige Erkenntnisse daraus abzuleiten.

> Steigen Sie ein mit dem Aidbox [FHIR Server](https://www.health-samurai.io/aidbox) für Datenspeicherung, Integrationen, [Analysen im Gesundheitswesen](/blog/agentic-coding-on-fhir-building-dashboards) und mehr, oder [beauftragen Sie unser Team](https://www.health-samurai.io/services) zur Unterstützung Ihrer Softwareentwicklungsvorhaben.

Deshalb wird maschinelles Lernen unverzichtbar. Gestiegene Rechenleistung und erweiterte Speicherkapazitäten haben zahlreiche Anwendungsfälle ermöglicht, in denen automatisierte Systeme Kliniker dabei unterstützen, ihre Arbeit schneller und besser zu erledigen. Maschinelles Lernen ist keine neue Technologie mehr, da viele Gesundheitsorganisationen es bereits in ihre Arbeitsabläufe integriert haben. Der häufigste Anwendungsfall ist die [medizinische Bildverarbeitung](https://mindsharemed.com/), während die [Signal](http://www.etiometry.com)verarbeitung und [Genomik](https://www.curematch.com/) ebenfalls [an Bedeutung gewinnen](https://www.hindawi.com/journals/bmri/2015/370194/). Es entstehen auch weitere Anwendungsfälle. So werden beispielsweise [Audit-Protokolle mithilfe von maschinellem Lernen analysiert](https://www.spherinc.com/), um Einbrüche und ungewöhnliches Verhalten von medizinischem Personal zu erkennen. Maschinelles Lernen wird außerdem eingesetzt, um Patienten mit einem höheren Wiederaufnahmerisiko zu identifizieren, sowie Patienten, die mit größerer Wahrscheinlichkeit Termine nicht wahrnehmen oder verschriebene Medikamente nicht einnehmen. Die Anwendungsmöglichkeiten sind schier unbegrenzt. Weitere zukunftsweisende Anwendungen von maschinellem Lernen im Gesundheitswesen finden Sie auf [mlforhc.org](https://www.mlforhc.org/) und mucmd.org, wo Aufzeichnungen aller Präsentationen der jährlichen Konferenz „Machine Learning in Healthcare" von 2011 bis heute verfügbar sind.

**Wie funktioniert maschinelles Lernen und welche Rolle spielt FHIR dabei?**

Ein typischer Workflow für maschinelles Lernen beginnt damit, vorhandene Daten zum Trainieren eines Modells zu verwenden und dieses Modell dann anzuwenden, um Vorhersagen auf neuen Datensätzen zu treffen:
![](image-1.avif)
Wie Sie sehen, sind Daten der entscheidende Faktor auf dem gesamten Weg – vom Training des Modells bis zur Gewinnung von Erkenntnissen und der Erstellung von Vorhersagen. Hier kommt FHIR ins Spiel. FHIR hat sich zum De-facto-Standard für den Datenzugriff im Gesundheitswesen entwickelt. Der Abruf von Daten eines einzelnen Patienten für Vorhersagezwecke lässt sich kaum einfacher realisieren als über FHIR-APIs. Darüber hinaus erweitert FHIR kontinuierlich seine Möglichkeiten. Das stabile (und erweiterbare) Datenmodell, das durch die FHIR-Spezifikation beschrieben wird, ermöglicht die Implementierung eines FHIR Clinical Data Repository (CDR) für Data Mining und Analysen. Mehrere Unternehmen haben damit begonnen, Technologielösungen anzubieten, die eine effiziente Serialisierung großer Datenmengen ermöglichen und Daten so darstellen, dass Analysen durchgeführt werden können.

Im Jahr 2014 haben wir einen Open-Source-Speicher für FHIR-Ressourcen namens [FHIRbase](https://www.health-samurai.io/fhirbase) entwickelt, der SQL-Abfragen auf FHIR-Daten ermöglicht. Es gibt [Bibliotheken](https://github.com/beda-software/fhir-py) für FHIR, die Implementierungen in Python unterstützen – der beliebtesten Sprache unter Datenwissenschaftlern, die Lösungen für maschinelles Lernen entwickeln. Darüber hinaus existieren Open-Source-Bibliotheken für weitere Technologien, beispielsweise gewinnt [R on FHIR](http://www.healthintersections.com.au/?p=2740) in der Community zunehmend an Bedeutung.

Im März 2018 veröffentlichte Google eine [Protocol-Buffer-Implementierung](http://rebrand.ly/PBI-of-FHIR) des FHIR-Standards, die Java, C++, C#, Go und Python unterstützt. Open-Source-Protocol-Buffers sind ein Mechanismus zur Serialisierung strukturierter Daten – vergleichbar mit XML, aber kleiner, schneller und einfacher. Ein Nutzer definiert einmalig, wie Daten strukturiert werden sollen, und verwendet anschließend den generierten Quellcode, um Daten in verschiedene Datenströme zu schreiben und aus diesen zu lesen. Das Protokoll eignet sich sowohl für den programmgesteuerten Zugriff als auch für Datenbankabfragen. Eines der Beispiele zeigt, wie FHIR-Daten in Google Cloud [BigQuery](http://rebrand.ly/bigquery) hochgeladen und für Abfragen bereitgestellt werden können. BigQuery kann enorme Datenmengen in einer hochgradig parallelisierten Cloud-Umgebung verarbeiten. Dies eröffnet die Möglichkeit, mit großen medizinischen Datensätzen in Google Cloud zu arbeiten und weitere Google-Dienste wie [maschinelles Lernen](https://cloud.google.com/products/ai/) (ML) zu nutzen.

FHIR und maschinelles Lernen haben beide eine vielversprechende Zukunft im Gesundheitswesen, und wir werden in den kommenden Jahren erleben, wie sie zunehmend zusammenwachsen. Wenn Sie zum Thema beitragen oder mehr erfahren möchten, nehmen Sie am Gespräch im FHIR Community Chat unter [https://chat.fhir.org](https://chat.fhir.org) teil.

[![Aidbox FHIR Platform Free Trial](image-2.avif)](https://www.health-samurai.io/aidbox)

Siehe auch: [SQL on FHIR: Was ist eine ViewDefinition?](/blog/what-is-a-viewdefinition).