Tab. 3.
Einschätzung des Potenzials gesundheitsbezogener Daten. Ergebnisse der ersten und zweiten Delphi-Runde (eigene Darstellung)
| Wie schätzen Sie das Potenzial der folgenden Datentypen für Big-Data-Analysen zur Gesundheitsförderung und Prävention auf einer Skala von 1 (sehr niedrig) bis 5 (sehr hoch) ein? | |||
|---|---|---|---|
| Item | MW (SD) | IQR | Konsens |
| Medizinische Daten (z. B. Laborbefunde, Genomik, Patientenprofile) | 4,8 (±0,5) | 0 | Ja |
| Versicherungsdaten (z. B. Versicherungsinformationen, Risikoprofile) | 4,2 (±0,8) | 1 | Ja |
| Forschungsdaten (z. B. klinische Versuche, Open Data) | 4,5 (±0,6) | 1 | Ja |
| Individuelle, durch Nutzer generierte Daten (z. B. Ernährung, Fitness, Sensoren) | 3,9 (±1) | 1 | Ja |
| Pharmadaten (z. B. Verkauf und Zusammensetzung von Medikamenten, Beschwerden) | 4 (±0,7) | 0,5 | Ja |
| Nicht-klassische Gesundheitsdaten (z. B. von sozialen Netzwerken, Verkehrsdaten) | 3,5 (±1,2) | 1 | Ja |
| Öffentliche Gesundheitsdaten (z. B. von Gesundheitsämtern, Nachgelagerten Behörden)a | 3,9 (±1,1) | 2 | Nein |
| Sozioökonomische Daten (z. B. Herkunft, Einkommen)a | 4,1 (±0,8) | 0,5 | Ja |
Skala: 1 sehr niedrig, 2 niedrig, 3 teils/teils, 4 hoch, 5 sehr hoch; Teilnehmerzahl: NR1 = 20 (Runde 1), NR2 = 16 (Runde 2)
MW Mittelwert, SD Standardabweichung, IQR Interquartilsabstand
aErgebnisse der zweiten Delphi-Runde