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 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 Machine Learning.