[FAIR health data in the national and international data space]

Abstract

Health data are extremely important in today's data-driven world. Through automation, healthcare processes can be optimized, and clinical decisions can be supported. For any reuse of data, the quality, validity, and trustworthiness of data are essential, and it is the only way to guarantee that data can be reused sensibly. Specific requirements for the description and coding of reusable data are defined in the FAIR guiding principles for data stewardship. Various national research associations and infrastructure projects in the German healthcare sector have already clearly positioned themselves on the FAIR principles: both the infrastructures of the Medical Informatics Initiative and the University Medicine Network operate explicitly on the basis of the FAIR principles, as do the National Research Data Infrastructure for Personal Health Data and the German Center for Diabetes Research.To ensure that a resource complies with the FAIR principles, the degree of FAIRness should first be determined (so-called FAIR assessment), followed by the prioritization for improvement steps (so-called FAIRification). Since 2016, a set of tools and guidelines have been developed for both steps, based on the different, domain-specific interpretations of the FAIR principles.Neighboring European countries have also invested in the development of a national framework for semantic interoperability in the context of the FAIR (Findable, Accessible, Interoperable, Reusable) principles. Concepts for comprehensive data enrichment were developed to simplify data analysis, for example, in the European Health Data Space or via the Observational Health Data Sciences and Informatics network. With the support of the European Open Science Cloud, among others, structured FAIRification measures have already been taken for German health datasets.

Keywords: Data integration; Data management; German Network University Medicine; IT infrastructure; Interoperability.

Abb. 1

Konzepte und Werkzeuge für FAIRes Forschungsdatenmanagement entlang des Datenlebenszyklus. In der Gesundheitsforschung werden heterogene Daten in dynamischen Infrastrukturen unter Einhaltung gesetzlicher Vorgaben verwaltet. Dies erfordert eine gezielte Planung und Umsetzung einheitlicher Strategien für das Datenmanagement entlang des Datenlebenszyklus. Planung befasst sich mit vorausschauenden Aspekten zu Durchführung und Dokumentation zum Sammeln, Transformieren, Qualitätsanalyse, statistische Analyse und Reporting von Gesundheitsdaten sowie deren Archivierung. Zentral ist hierbei die Auswahl geeigneter Metadaten und Metadatenstandards in einer handhabbaren Granularität und hoher Qualität. Beispielhaft zeigt die Abbildung die Verarbeitung von Daten des MII-KDS mithilfe standardisierter ETL(extrahieren, transformieren, laden)-Entwicklungsprozesse entlang des Datenlebenszyklus^a. Der Datenlebenszyklus beschreibt den Weg der (Wieder‑)Verwendung von Routinedaten von der Datensammlung bis zur endgültigen Analyse und Veröffentlichung unter Berücksichtigung (inter)nationaler Vorgaben, z. B. Datenschutz-Grundverordnung (DSGVO). Dabei erfolgt der Datentransfer mehrstufig mit dem Ziel, die Daten in interoperable Datenformate und -standards zu konvertieren. Methodisch gelingt dies unter Anwendung eines gezielten Datenmappings der Rohdatenwerte in einer temporären Speicherumgebung bzw. lokalen Data-Marts. REDCap Research Electronic Data Capture HL7; FHIR Healthcare Level 7 Fast Healthcare Interoperable Resources; ETL Extract, Transform, Load; TMF Technologie- und Methodenplattform für die vernetzte medizinische Forschung e. V.; KI Künstliche Intelligenz. (Quelle: eigene Abbildung). ^aGemäß https://forschungsdaten.info/themen/informieren-und-planen/datenlebenszyklus/, Zugegriffen: 26. Februar 2024

Abb. 2

Ergebnisse des FAIR-Assessments des Basisdatensatzes des Deutschen Zentrums für Diabetesforschung (DZD) nach Umsetzung der Empfehlungen des SATIFYD-Tools. Im Rahmen eines strukturierten FAIRification-Assessments wurden folgende Schritte auf die ursprüngliche Version des Kerndatensatzes (KDS) angewendet: Zuweisung einer dauerhaften Kennung sowohl für die Daten als auch für die Metadaten, Versionierung, Konvertierung in das empfohlene Format für Tabellenkalkulationen, Annotation der darin enthaltenen Parameter mit dem Unified Medical Language System (UMLS), Lizenzierung des Datensatzes, Indizierung der Metadaten als eine durchsuchbare Ressource, die den Datensatz großzügig mit Metadaten anreichert und Herkunftsinformationen bereitstellt. Diese Maßnahmen führten zu einem FAIRification-Score von 98 % im Online-Assessment-Tool SATIFYD^a (Quelle: eigene Abbildung). ^ahttps://satifyd.dans.knaw.nl/, Zugegriffen: 26. Februar 2024