Abstract Roland Nagel, Geschäftsführer Gesundheitsforen Leipzig GmbH

In der heutigen BI-Welt des Gesundheitswesens liegt der Fokus noch sehr stark auf deskriptiver und prädiktiver Analytik. Im Gegensatz zu Kausalität, die die Beziehung zwischen Ursache und Wirkung beschreibt, befasst sich Causal Inferenz mit dem Nachweis kausaler Beziehungen und dem Ableiten von Schlussfolgerungen. Mit Causal Inference Modellen und geeigneten Daten können aus Korrelationen auch Kausalitäten abgeleitet werden. Das Causal Inference Model Framework stellt Methoden zur Modellierung und Analyse von Beobachtungen, Interventionen und Counterfactuals bereit. Zur Analyse von kausalen Zusammenhängen stehen im Wesentlichen drei Datentypen zur Verfügung: Daten aus randomisierten kontrollierten Studien (RCTs), Primärdaten (z. B.: Register) oder Sekundärdaten. Die Gesundheitsforen befassen sich auf verschiedenen Ebenen mit der Thematik Causal Inference.

Klinische Register sind dabei das Mittel der Wahl, um Effizienz und Nutzen unter Realbedingungen zu bewerten, lassen jedoch aufgrund der fehlenden Kontrolle keinen direkten Nachweis von Wirksamkeit und Kausalität zu. GKV-Routinedaten ermöglichen einen breiten Blick auf die Versorgungslandschaft sowie longitudinale Entwicklungen von Patientenhistorien. Erst mit dem Einsatz modernster Technologien lassen sich tatsächliche Kausalitäten ableiten. Beispielhaft wird hierzu eine BI-Lösung vorgestellt, welche ursächliche Abhängigkeiten eines Systems erkennen kann. Erst mit dem Verständnis dieser Zusammenhänge, ist eine Steuerung der Versorgung im Gesundheitswesen möglich.