Folge #71 – Predictive Analytics

Es geht um das Thema Predictive Analytics. Da wir da selber nicht die Experten für sind, haben wir uns mal wieder einen Gast eingeladen. Das ist heute die Susanne Zopf von der Siemens-Betriebskrankenkasse. Susanne, magst du dich unseren Hörern mal kurz vorstellen? 

Gerne, Bernhard, danke für die Einladung, danke für die Chance, hier dabei zu sein. Mein Name ist Susanne Zopf. Ich arbeite bei der Siemens-Betriebskrankenkasse und bin dort verantwortlich für den Fachbereich Analytik. Wir kümmern uns um die Datenbasis, die notwendig ist, um Analysen jeglicher Art für die SBK zu fahren. Das sind Analysen, die wir intern brauchen für unsere Prozesse, und das sind Analysen, die wir wertschöpfend für unsere Kunden einsetzen. 

Ja, es geht also um Predictive Analytics. Gibt es da eigentlich einen passenden deutschen Begriff, oder nutzt ihr auch den englischen, und was genau muss man sich jetzt unter diesen Analysen vorstellen? Kannst du das unseren Hörern näherbringen? 

Wir nutzen sehr häufig den englischen Begriff, das hat sich so ein Stück weit eingeschlichen. Auf Deutsch übersetzen wir es am ehesten als „versteckte Muster in den Daten finden“. Muster, die so nicht ersichtlich sind, können moderne Analysemethoden sehr deutlich in den Daten sichtbar machen. 

Was sind moderne Analysemethoden? Kannst du vielleicht da von der methodischen Seite unseren Technikbegeisterten vielleicht was erzählen, was ihr da macht? 

Wir nutzen alle modernen Methoden des Machine Learnings. Das sind Random Forests — mit Random Forests haben wir sehr gute Erfahrungen gemacht. Wir nutzen aber immer die Methode, die zur Fragestellung passt und die auch zur Datenbasis passt. Das kann eine sehr, sehr einfache Methode sein wie eine lineare Regression, das kann aber auch eine sehr komplizierte Methode sein wie ein neuronales Netz. Wir halten nichts davon, einfach eine der Methoden auf eine beliebige Datenbasis loszulassen, sondern richten uns immer nach der Fragestellung. 

Jetzt hast du mehrfach den Begriff Datenbasis erwähnt. Wie muss ich mir jetzt eure Datenbasis vorstellen, was steckt da insgesamt für Daten drin? 

Also wir betreiben ein Data Warehouse, in dem wir unsere Daten sammeln. Der Datenbestand beinhaltet alle unsere Versichertendaten. Das geht los bei einer Reihe von Stammdaten, die wir zum Kundenmeldewesen benötigen, Name, Adresse, was man sich so vorstellt, alle Daten, die wir benötigen, um das Beitragskonto der Kunden zu führen, und die Daten, die wir von unseren Leistungserbringern bekommen, um dann tatsächlich die Rechnungen zu bezahlen, um die Leistungen zu bezahlen, die unsere Versicherten dann auch von uns erhalten. Also das ist ein großer Datenbestand, das ist ein vielfältiger Datenbestand. 

Wie muss ich mir jetzt so eine Analyse vorstellen? Was habt ihr rausgefunden oder was findet ihr da in diesen Daten raus, wonach sucht ihr gezielt? Was sind so typische Anwendungen im Gesundheitswesen, wenn ihr Predictive Analytics betreibt? 

Also wir richten uns nach den Wünschen unserer Kunden. Wir haben von unseren Kunden vielfältige Rückmeldungen bekommen, unsere Kunden wünschen sich Insights in ihre Daten. Erstaunlicherweise sind es ja weitreichende Wünsche: Kunden wünschen sich z. B. zielgerichtete Präventionsangebote, Kunden wünschen sich Aussagen zu ihren individuellen Gesundheitsrisiken. Nicht alle dieser Wünsche können wir auf Basis unserer Daten auch erfüllen. Wir sind hier verpflichtet, uns an die Datenschutz-Grundverordnung zu halten, das tun wir auch. Wir finden, es ist richtig, dass unsere Kunden Herr ihrer eigenen Daten bleiben, zu jeder Zeit. Daher machen wir entsprechende Analysen nur, wenn unsere Kunden in die Datenverarbeitung einwilligen, beziehungsweise wir verwenden für viele Aussagen auch einen anonymisierten Datenbestand. 

Kannst du zum Beispiel nennen, was mit solchen anonymisierten Datenbeständen möglich ist, oder welche Vorhersagen mit einer großen Menge von Daten — also jetzt gar nicht patientenindividuell, sondern eben für ein Patientenkollektiv — dann möglich sind? 

Es ist für uns nicht nur von Interesse, wie ein Versorgungsverlauf beispielsweise von einem Individuum, von einer Person aussieht. Was wir uns auch anschauen, um nur ein Beispiel zu nennen, sind regionale Unterschiede in Versorgungsstrukturen. Also wie weichen die Kosten der ärztlichen Versorgung in München von den Kosten der ärztlichen Versorgung in Köln, in Berlin oder Leipzig voneinander ab? Also das sind Themen, da verwenden wir grundsätzlich nur einen anonymisierten Datenbestand, weil der Einzelbezug ja nicht mehr von Relevanz ist. 

Wo sind insgesamt Chancen der Auswertung solcher Daten? Also ihr stellt jetzt beispielsweise Unterschiede fest zwischen Köln und München — wie geht es dann weiter, wo siehst du Chancen fürs Gesundheitswesen? 

Ich sehe vielfältige Chancen in der Datenanalyse, insbesondere auch fürs Gesundheitswesen oder für uns als Krankenkasse. Ich sehe Chancen darin zu erfahren, was unsere Kunden möchten, ich sehe Chancen darin, mit diesem Wissen unsere Kunden noch besser zu beraten und zu versorgen. 

Okay, jetzt hast du über Chancen berichtet — wo sind Grenzen von Predictive Analytics? 

Eine fixe Grenze ist für uns unser gesetzlicher Auftrag. Alles, was wir tun, muss mit unserem gesetzlichen Auftrag aus dem SGB V konform sein. Innerhalb dieses Rahmens führen wir auch unsere Analysen durch. Ich sehe hier schon die Thematik, dass sich Wünsche unserer Kunden und die Lebensrealität unserer Kunden anders darstellen, als es ein Gesetzgeber möglich macht. Ich möchte mal ein Beispiel nennen, damit das jetzt nicht in den falschen Hals gerät: Es ist bei einer Mitgliedschaft eines freiwillig Versicherten, eines freiwilligen Mitglieds, immer noch erforderlich, dass dieses Mitglied seine Mitgliedschaftserklärung eigenhändig unterschreibt. Ein digitaler Prozess, ein effizienter digitaler Prozess ist hier nicht möglich, weil es eine gesetzliche Regelung nicht zulässt — da sehe ich tatsächlich eine Grenze. Ich sehe hier ein Risiko, dass wir als gesetzliche Krankenversicherung nicht schnell genug in dem digitalen Umfeld, das unsere Kunden gewöhnt sind, agieren können. 

Diese vielfältigen Analysen, die wird es jetzt auch beim ersten Health-Insurance-Hack geben, also einen Krankenkassen-Hackathon, der, ich glaube, ab morgen in Leipzig stattfindet. Kannst du vielleicht dazu noch was sagen? Was passiert da auf dem Hackathon, werden da gemeinsam Versichertendaten gehackt? 

Ja, ganz genau so ist es nicht. Der Hackathon, der jetzt in Leipzig stattfindet, ist eine Veranstaltung von unterschiedlichen Krankenkassen, gemeinsam mit dem bvitg. Es geht darum, in einem sehr kompakten Format von drei Tagen Fragestellungen aus der gesetzlichen Krankenversicherung zu bearbeiten und zu lösen. Da sind Fragen vertreten, die tatsächlich datenbasiert behandelt werden müssen, es sind aber auch ganz klassische Themen dabei wie Versorgungsthemen. Die SBK selbst ist mit zwei Fragestellungen vertreten. Eine davon kommt aus meinem Bereich, da geht es um Predictive Analytics. Konkret geht es um die Prädiktion eines Burnouts. Da bin ich sehr gespannt, ob es auf Basis unserer Daten möglich ist, einen Burnout eines Patienten frühzeitig zu erkennen. Da wir auch hier auf die Sensibilität der Daten achtgeben, stellen wir natürlich anonymisierte Daten zur Verfügung. 

Ja, das klingt ja nach einem spannenden Hackathon. Wir sind gespannt auf die Ergebnisse, die daraus kommen werden, werden das Ganze natürlich in unserem Podcast und bei Twitter weiter verfolgen und drücken die Daumen, dass es da gelingt, zur Vorhersage beizutragen und somit den Versicherten noch einen Mehrwert bieten zu können. Ja, und ich würde sagen, wir sind am Ende unseres kleinen Podcasts angekommen. Vielen Dank, Susanne, dass du uns da die Predictive Analytics etwas nähergebracht hast. 

Vielen Dank, dass ich heute die Möglichkeit hatte, etwas beitragen zu dürfen. 

Datenbasis, Prävention, Gesundheitsrisiken, anonyme Daten