Sourcing und Lizenzierung externer Datensätze

Sourcing und Lizenzierung externer Datensätze

Ein Data-Science-Team eines Krankenhauses will das Risiko einer Wiederaufnahme innerhalb von 30 Tagen nach einer Koronarstent-Implantation modellieren. Es kann die de-identifizierten Claims von Optum für etwa die Kosten einer Senior-Neueinstellung lizenzieren, oder es kann neun Monate damit verbringen, den Zugang zu MIMIC zu verhandeln und SEER-Daten kostenlos zusammenzusetzen. Beide Wege sind vertretbar. Die falsche Wahl verbrennt ein Jahr und ein Budget, manchmal auch ein Regulierungsaudit.

In dieser Lektion geht es um diese Entscheidung: wann man externe Daten kauft, wann man Zugang zu öffentlichen Quellen aufbaut und wie man die Eignung für den regulierten Einsatz beurteilt.

Die vier Datensätze, denen Sie ständig begegnen

Bevor Sie vergleichen, kennen Sie die Akteure. Diese vier tauchen in fast jedem Datengespräch in Biotech und Medtech in den USA auf.

SEER (Surveillance, Epidemiology, and End Results): ein Krebsregister des US National Cancer Institute. Es deckt rund 48 % der US-Bevölkerung in ausgewählten Bundesstaaten und Regionen ab (nach aktueller NCI-Dokumentation, aktuelle Abdeckung prüfen). Kostenlos, hohe Qualität, Goldstandard für Krebsinzidenz und Überleben. Schwach bei Behandlungsdetails und Komorbiditäten.

MIMIC (Medical Information Mart for Intensive Care): de-identifizierte Intensivstationsdaten des Beth Israel Deaconess Medical Center in Boston, veröffentlicht über PhysioNet. Kostenlos, aber aus einer einzigen Institution. Extrem reich (Vitalparameter, Labore, Notizen, Kurvenverläufe) für Zehntausende Intensivaufenthalte. Gut für Methodenentwicklung, schlecht für nationale Generalisierbarkeit.

Optum Claims: ein großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Datensatz kommerzieller und Medicare-Advantage-Claims, verkauft von Optum (Teil der UnitedHealth Group). Deckt über die Zeit Hunderte Millionen Lives ab. Claims sagen Ihnen, was abgerechnet wurde, nicht was klinisch passiert ist. Kommerzielle Lizenz, Preis pro Projekt oder als Abonnement.

MAUDE (Manufacturer and User Facility Device Experience): die FDA-Datenbank der Meldungen unerwünschter Ereignisse bei Medizinprodukten. Kostenlos, öffentlich, unverzichtbar für Sicherheitssignale bei Devices. Notorisch unordentlich: freiwillige Meldung, Duplikate und kein Denominator (Sie kennen die Zahl der gemeldeten Ausfälle, nicht wie viele Geräte im Einsatz waren).

Buy versus Build: der eigentliche Tradeoff

„Build“ heißt hier, Personalzeit in den Zugang zu und das Engineering von kostenlosen oder günstigen öffentlichen Daten zu investieren. „Buy“ heißt, einen kommerziellen Datensatz zu lizenzieren, der bereinigt und dokumentiert geliefert wird.

Die Entscheidung dreht sich nicht hauptsächlich um Geld. Sie dreht sich um vier Achsen.

Coverage

Fragen Sie: repräsentiert die Quelle die Population, auf der Sie deployen werden?

MIMIC ist eine Intensivstation in Boston. Wenn Sie dort ein Sepsis-Modell trainieren und es in einem ländlichen Krankenhaus in Texas deployen, erwarten Sie Drift. Optum ist auf kommerziell Versicherte und Medicare-Advantage-Mitglieder verzerrt und unterrepräsentiert damit Medicaid und Nichtversicherte. SEER deckt Krebs gut ab, aber nur in seinen Registerregionen.

Eine konkrete Regel: gleichen Sie die Quellpopulation vor allem anderen mit Ihrer Zielpopulation in Alter, Payer-Mix und Geografie ab.

Kosten

Öffentliche Daten sind kostenlos im Download, aber teuer in der Nutzung. Kommerzielle Daten sind teuer in der Lizenz, aber günstig in der Nutzung.

Rechenbeispiel. Nehmen Sie an, die Lizenzierung von Optum für ein einjähriges Projekt kostet schätzungsweise 250.000 Dollar (illustrativ, kein Angebotspreis). Einen äquivalenten Zugang aus öffentlichen Quellen aufzubauen braucht 2 Data Engineers für 6 Monate.

Loaded cost per engineer/month (fully burdened) = 18,000 USD (estimate)
2 engineers x 6 months x 18,000 = 216,000 USD
Plus 40,000 USD compliance/legal review
Build total ≈ 256,000 USD

Die Schlagzeilenkosten sind ähnlich. Den Ausschlag gibt, was Sie bekommen: die gebaute Variante ist mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßgeschneidert und die PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → gehört Ihnen; die gekaufte ist schneller und vom Anbieter unterstützt, aber wiederkehrend. Modellieren Sie das zweite Jahr, nicht nur das erste.

Consent und Rechtsgrundlage

Hier entscheidet sich der regulierte Einsatz.

In den USA regelt HIPAA (Health Insurance Portability and Accountability Act) geschützte Gesundheitsdaten. De-identifizierte Daten (nach HIPAAs Safe-Harbor- oder Expert-Determination-Methode) kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen freier genutzt werden. SEER, MIMIC und Optum sind alle de-identifiziert, aber die Standards und das verbleibende Re-Identifikationsrisiko unterscheiden sich.

In Europa ist die DSGVO (Datenschutz-Grundverordnung) strenger. Gesundheitsdaten sind eine „besondere Kategorie“ und brauchen eine ausdrückliche Rechtsgrundlage. „De-identifiziert“ nach HIPAA ist nicht automatisch „anonymisiert“ nach DSGVO; wenn eine Re-Identifikation vernünftigerweise möglich ist, gilt die DSGVO weiterhin. Ein US-Claims-Datensatz, der für eine europäische Studie lizenziert wird, kann hier eine Compliance-Lücke auslösen.

MIMIC verlangt einen bestimmten Schritt: das Absolvieren der CITI-Schulung (Collaborative Institutional Training Initiative) zur Forschung am Menschen und die Unterzeichnung eines Data Use Agreement auf PhysioNet vor dem Download. Kostenlos heißt nicht reibungslos.

Der PhysioNet-Credentialing-Prozess ist ein gutes konkretes Beispiel dafür, wie ein echtes DUA (Data Use Agreement) aussieht.

Eignung für den regulierten Einsatz

Wenn Ihr Ergebnis eine FDA-Einreichung, eine Label-Aussage oder ein Erstattungsdossier stützt, steigt die Messlatte stark.

Die FDA bewertet zunehmend RWE (Real-World Evidence) aus RWD (Real-World Data) wie Claims und Registern. Ihre Guidance betont Relevanz und Zuverlässigkeit der Daten: Provenance, Vollständigkeit und ob die Daten das klinische Konzept erfassen, das Sie zu messen behaupten.

MAUDE zeigt die Falle. Es ist perfekt für die Hypothesengenerierung („sehen wir mehr Meldungen zu Elektrodenbrüchen?“) und unbrauchbar als Rate („unsere Ausfallrate ist X“), weil es keinen Denominator hat. MAUDE zu nutzen, um in einer regulatorischen Einreichung eine Ausfallrate zu behaupten, ist ein klassischer Eignungsfehler.

🎬 [VIDEO: „Real-World Evidence in Regulatory Decision-Making“ - youtube.com - Überblick von FDA und Wissenschaft, wie RWD-Quellen für Einreichungen bewertet werden]

Ein schnelles Scoring-Framework

Bewerten Sie jede Kandidatenquelle auf den vier Achsen mit 1 bis 5 und gewichten Sie dann nach Ihrem Use Case.

| Achse | SEER | MIMIC | Optum | MAUDE |

|---|---|---|---|---|

| Coverage | 4 | 2 | 4 | 3 |

| Kosteneffizienz | 5 | 5 | 2 | 5 |

| Klarheit des Consent | 5 | 4 | 3 | 4 |

| Eignung für regulierten Einsatz | 4 | 2 | 4 | 2 |

Das sind illustrative Einschätzungen für ein typisches US-Analytics-Projekt, keine allgemeingültigen Wahrheiten. Ein Team in der Methodenentwicklung würde Coverage niedrig und Reichhaltigkeit hoch gewichten, was die Attraktivität von MIMIC umdreht. Bauen Sie Ihre eigenen Gewichte, bevor Sie scoren.

Für eine regulatorische Einreichung gewichten Sie „Eignung für regulierten Einsatz“ stark und Optum oder SEER ziehen vorbei. Für einen frühen Algorithmus-Prototyp gewichten Sie Kosten und Reichhaltigkeit und MIMIC gewinnt.

Linkage: die verborgene dritte Option

Oft ist die Antwort weder reines Buy noch reines Build. Es ist Linkage.

Tokenization erlaubt, Datensätze über de-identifizierte Patiententokens zu verknüpfen, ohne Identitäten offenzulegen. Anbieter wie Datavant übernehmen dieses Brokering. Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen SEER-Krebsdaten mit Medicare-Claims verknüpfen (der reale, etablierte verknüpfte Datensatz SEER-Medicare, gepflegt von NCI und CMS), um Inzidenz plus Behandlung plus Kosten in einer Sicht zu bekommen.

SEER-Medicare lohnt sich als Template: es löst die Schwäche von SEER (dünne Behandlungsdaten) durch die Verknüpfung mit Claims von CMS (Centers for Medicare and Medicaid Services). Die Abdeckung ist auf die Medicare-Altersgruppe begrenzt, die Generalisierbarkeit auf jüngere Patienten also schlecht. Jede Linkage kauft Reichhaltigkeit und kostet irgendwo Generalisierbarkeit.

Praktische Due-Diligence-Checkliste

Bevor Sie eine Lizenz unterschreiben oder einen öffentlichen Datensatz herunterladen, holen Sie sich schriftliche Antworten auf:

• Provenance: wo ist jeder Datensatz entstanden, und durch wie viele Hände ist ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → gegangen?
• Refresh-Kadenz: ist das ein statischer Extrakt oder wird vierteljährlich aktualisiert? Claims haben 3 bis 6 Monate Verzug durch die Abrechnungsprüfung (Schätzung).
• De-Identifikationsmethode: Safe Harbor oder Expert Determination? Wer hat es zertifiziert?
• Denominator: kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie eine Rate berechnen oder nur Zählungen? (Die MAUDE-Lektion.)
• Nutzungsrecht für Ihren Zweck: viele DUAs verbieten kommerzielle Nutzung oder FDA-Einreichungen. Lesen Sie die Klausel.
• Geografischer Geltungsbereich: deckt die Lizenz die Nutzung durch Ihre europäische Tochter unter der DSGVO?

Eine einseitige Antwort auf diese sechs Fragen verhindert die meisten teuren Fehler.

Key Takeaways

• Population vor Preis abgleichen. Ein Coverage-Mismatch (MIMIC mit einem Standort, kommerziell verzerrtes Optum) verursacht Modell-Drift, die kein Budget später repariert.
• Kostenlose Daten haben echte Kosten, und Buy versus Build landet oft bei ähnlichen Summen. Rechnen Sie das Beispiel über zwei Jahre, inklusive Compliance und Engineering-Zeit.
• De-identifiziert nach HIPAA ist nicht anonymisiert nach DSGVO. Eine US-Lizenz kann eine europäische Compliance-Lücke hinterlassen; prüfen Sie den geografischen Geltungsbereich im DUA.
• Beurteilen Sie die Eignung an der Aussage, die Sie treffen wollen. MAUDE generiert Hypothesen, kann aber keine Ausfallrate liefern; SEER und Optum haben für RWE-Einreichungen bei der FDA mehr Gewicht.
• Betrachten Sie Linkage als den smarten dritten Weg. SEER-Medicare und tokenisierte Joins kaufen Reichhaltigkeit, aber jede Linkage gibt etwas Generalisierbarkeit auf. Benennen Sie diesen Tradeoff ausdrücklich.