eHealthServices

BITsoft unterstützt seit über 25 Jahren Partnerfirmen in Form strategischer Entwicklungspartnerschaften sowie in der Konzeption und Entwicklung von OEM-Produkten. Beispiele dafür sind Diagnostikprodukte mit sehr hoher Marktdurchdringung wie Back-check und Testzentrum (Fa. Dr. WOLFF), S3-check (MFT), UNIQA FitnessProfil (UNIQA Versicherung), das Therapie- und Trainingssystem proxOS/proxotrain (proxomed) oder Stress Pilot® (BITsoft/SportMed).

Requirement Engineering (fachspezifisch und technisch)

Unsere Kernkompetenz besteht darin, in der Projektkonzeption sowie in der Anforderungsdefinition (Requirement Engineering) fundiertes Wissen aus Medizin, Psychologie, Soziologie, Gesundheitswissenschaften unter Berücksichtigung gesundheitssystemischer Rahmenbedingungen in technische Anforderungen sowie in Machine Learning Kontexte transferieren zu können.

BITsoft agiert als Bindeglied zwischen Fachbereich (bspw. Medizin) und IT-Spezialisten.

Wir sind gleichermaßen Gesundheitswissenschaftler UND IT-Spezialisten.

Digitale Regelwerke für gesundheitsbezogenes Expertenwissen

Seit über 10 Jahren spezialisiert sich BITsoft auf das Abbilden und Verschalten von interdisziplinärem Expertenwissen in Form von Backend- und Frontend-unabhängigen digitalen Modellen bzw. Regelwerken.

 

Aktuelle Umsetzungsbeispiele sind die Score-Ermittlungen und Maßnahmenempfehlungen der BARMER Plattformlösung für betriebliches Gesundheitsmanagement (Digital Health Guide/Digital Health Map) sowie die sehr komplexen Score- und Skalenberechnungen der prevent.on Plattformlösung für Ärzte und Psychologen. Die Entwicklung durch die Fa. vitagroup GmbH setzte dabei auf die Implementierung von Regelwerken durch BITsoft.

Gesundheitsbezogenes Expertenwissen

Gesundheit ist ein hoch komplexes Thema, in dem sich viele Wissenschaften und Professionen vereinigen. Je nach Fachgebiet und Berufsfeld finden vorrangig sozio-kulturelle, ökonomische, ökologische, physiologische, psychologische oder ethisch-philosophische Aspekte Eingang in Konzepte zur Förderung, Verbesserung und Erhalt der Gesundheit.

Das Wissen der Experten charakterisiert sich insbesondere im Bereich der Gesundheit meist durch eng gefasste Anwendungsgebiete. So gibt es bspw. zwischen der kurativen Medizin und der Soziologie wenig interdisziplinären Austausch. Aufgrund des spezialisierten und auf ein beschränktes Gebiet fokussierten Expertenwissens, finden in der Praxis ganzheitliche und die unterschiedlichsten Lebenswelten (Familie, Arbeitswelt, Freizeit, Schule, etc.) übergreifend adressierende Maßnahmen bzw. Konzepte, kaum Anwendung. 

Gesundheit hat viele Determinanten und das Wissen um deren Wechselwirkungen, Einflussgrößen und Effektstärken wird als „Gesundheitsbezogenes Expertenwissen“ bezeichnet.

Effektivität und Effizienz eines gesundheitsbezogenen Expertenwissens werden demnach maßgeblich durch die Fähigkeit bestimmt, eine Vielzahl von gesundheitsrelevanten Informationen verschalten zu können.

Gesundheitsrelevante Informationen und deren Verwendung

Dank digitaler Errungenschaften verfügt ein Gesundheitsexperte heute über eine auf den ersten Blick unübersichtliche Menge an Informationen mit gesundheitlicher Relevanz. Oft ist es aber nicht der einzelne Informationsbaustein der, nur für sich betrachtet, kaum oder im ungünstigen Fall einer ausschließlichen Betrachtung, zu viel gesundheitliche Relevanz enthält. Vielmehr sind es die Verschaltungen und Gesamtbetrachtungen von Informationen, welche es ermöglichen

  • Situationsbestimmungen und Vergleiche vorzunehmen,

  • Prognosen zu treffen,

  • Istzustände zu beschreiben und zu bemessen,

  • Strategien und Ziele zu formulieren,

  • Interventionen zu planen, umzusetzen und zu steuern,

  • sowie die Effektivität, Effizienz und Nachhaltigkeit von Maßnahmen beurteilen zu können.

Sowohl Zeitpunkt als auch die Reihenfolge von Informationsbeschaffung bzw. Quellen und Struktur der Informationen befinden sich häufig außerhalb der Einflussnahme eines Gesundheitsexperten. Auch spielt das verfügbare Kontextwissen eine große Rolle. Sind für einen Gesundheitsmanager mit sportwissenschaftlicher Prägung Informationen über Bewegungs- und Ernährungsverhalten primärer Aspekt bei der Sichtung von Informationen, so wäre bspw. für einen Gesundheitsexperten mit psychologischem Hintergrundwissen naheliegender, vorliegende Informationen auf Bestimmungsmöglichkeiten einer Selbstwirksamkeitserwartung zu prüfen.

Eine entscheidende Anforderung an die Beschaffung von gesundheitsrelevanten Informationen ist es, erhobene Informationen hinsichtlich ihrer Gesundheitsrelevanz auch nachträglich zu strukturieren, kategorisieren und zu verdichten bzw. mit entsprechenden Attributen zu versehen.

Sogenannte Regelwerke vereinen das spezialisierte Expertenwissen zu einem ganzheitlichen Expertenwissen in dem interdisziplinär die Verschaltungs- und Folgerungslogiken vorhandener Informationen festgelegt werden. Solche Regelwerke haben den großen Vorteil, die Grenzen von vielfältigem sowie professions- und kontextgebundenem Wissen zu überwinden, da das Gesamtwissen auf die Gesamtinformation angewendet wird.

Profile und Modelle – Machine Learning und Deep Learning in der Praxis

Das Konzept der Regelwerke ermöglicht es dem Gesundheitsexperten, nahezu ohne Entwicklungsressourcen, Anwendungsfälle in Form von Modellen abzubilden. Bzw. wissenschaftlich etablierte Modelle auf digitale Anwendbarkeit zu testen oder Vorhersagemodelle zu entwickeln. Dabei werden alle Kontextbausteine und Informationen als Entitäten („Objekte“ bzw. „Facts“) inklusive ihrer Eigenschaften abgebildet. Regeln können daraufhin formuliert werden und in einem Modell mit beliebigen Beispieldaten anhand der zu jeder Regel explizit gestaltbaren Testszenarios („Unit Tests“) überprüft werden.

Das Entwickeln, Testen und Verfeinern eines Modells sowie seiner Regeln ermöglicht die Entwicklung einer sogenannten Geschäftsintelligenzebene („Business Intelligence Layer“) vollkommen losgelöst von Backend- und Frontend Entwicklung. Dies bedeutet in der Praxis eine signifikante Steigerung der Entwicklungsgeschwindigkeit bei gleichzeitiger Reduzierung der eigentlichen Entwicklungsaufwände sowie Gewinn einer immensen Stabilität, da die Regelwerke erst in ein Produkt einfließen, wenn das Modell alle Testszenarien zu 100% erfolgreich absolviert.

Das Arbeiten mit Modellen und Regelwerken entspricht weitestgehend der Definition von Deep Learning, welches neuronale Netze und große Datenmengen nutzt und insbesondere zur Muster- und Profilerkennung zur Anwendung kommt.  

Neuronale Netze – Grundlage für das Deep Learning

Der Begriff „neuronales Netz“ steht für ein Abstraktionsmodell des menschlichen Gehirns durch künstliche Neuronen. Das Funktionsprinzip besteht darin, dass sogenannte Eingangsneuronen über verschiedene Schichten von Zwischenneuronen mit Ausgangsneuronen verknüpft werden können. Je höher die Anzahl von Neuronen und feingranularen Zwischenschichten, umso komplexere und „intelligente“ Sachverhalte bzw. Entscheidungen können getroffen werden.

An einem praktischen Beispiel aus dem Anwendungsgebiet „Change Behavior“ verdeutlicht, entspräche ein Ausgangsneuron bspw. einer kontextsensitiven Empfehlung an den Partizipanten hinsichtlich einer Aktivitätssteigerung. Der für die Verhaltenspsychologie sehr bedeutsame Parameter „Selbstwirksamkeitserwartung“ steht in diesem Beispiel für ein Eingangsneuron. Dieser Parameter wird wiederum durch eine Vielzahl von Zwischenneuronen in Form von Regeln, „Wenn …. Dann“ Bedingungen auswertend, in seiner Ausprägung bestimmt. Die Ausprägung aktiviert Zwischenneuronen, welche die Ausprägung des Ausgangsneurons und damit verbunden, die kontextsensitive Empfehlung für den Probanden bestimmt.

Ein weiteres aus der Praxis bekanntes Beispiel für solche digital abgebildeten neuronalen Netze sind moderne Navigationssysteme bzw. deren Software. Berücksichtigt werden nicht nur die Vorgaben für die Route, sondern auch typisches Anwenderverhalten sowie natürlich aktuelle Störungsinformationen. Dabei kommen vor allem die Informationen ALLER Nutzer des gleichen Produktes zum Tragen. Bspw. erkennt das Gesamtsystem das Muster eines sich abzeichnenden Staus und sendet daraufhin Änderungsempfehlungen an die betroffenen Teilnehmer.

Transferiert auf die Prämissen von „Change Behavior“ Strategien, ermöglichen die sukzessive Einpflege neuer Erkenntnisse durch Regeln, dass sich Gruppenverhalten analysieren, bewerten und steuern lässt.