Die Spanische Gesellschaft für Gesundheitsinformatik (Sociedad Española de Informática de la Salud - SEIS) veranstaltete am 15. und 16. Februar die 20. Ausgabe ihres Forums für Sicherheit und Schutz von Gesundheitsdaten. Dort hielt Pablo González als Datenwissenschaftler von GMV einen Vortrag über den Vorschlag des Unternehmens für eine föderierte Forschung mit Gesundheitsdaten im Rahmen des Nationalen Gesundheitsdatenraums, bei dem das von GMV entwickelte Tool uTile zum Einsatz kommt.

Wie González aus technologischer Sicht erläuterte, „stellen die nationalen und europäischen Gesundheitsdatenräume eine große Herausforderung dar, wobei es darum geht, ein föderales Verwaltungsmodell zu definieren, das flexibel genug ist, um allen Anforderungen und Präferenzen der verschiedenen Gemeinschaften und Mitgliedstaaten gerecht zu werden“. Seiner Meinung nach „wird die Kontrolle und Verwaltung dieser Gesundheitsdaten viel einfacher sein, wenn es uns gelingt, sie mithilfe eines gemeinsamen Datenmodells wie OMOP zu harmonisieren“. Dieser Ansatz wird zudem „viele weitere Vorteile bei der Entwicklung von Anwendungsfällen mit sich bringen, da wir damit einen Schritt über die Interoperabilität hinausgehen und anfangen müssen, über Semantik zu debattieren“.

Während der Diskussion am Runden Tisch wurde auch die Notwendigkeit angesprochen, das Genehmigungsverfahren für Forschungsprojekte durch die Ethikkommissionen zu straffen und zu erleichtern. Der Datenwissenschaftler von GMV wies darauf hin, dass „bessere Compliance-Schulungen für technische Teams sowie Technologie-Schulungen für Datenschutzbeauftragte erforderlich sind“. Außerdem wies er darauf hin, dass „wir davon ausgehen, dass zur Überwindung dieser Hindernisse Technologien zur Verbesserung des Datenschutzes eingesetzt werden können, wie wir dies gerade im Rahmen des TARTAGLIA-Projekts erforschen“.

Dabei sei daran erinnert, dass GMV mit uTile PET eine Lösung entwickelt hat, mit der sichere und private Berechnungen auf verteilten Daten durchgeführt werden können, ohne dass diese offengelegt oder aus den Organisationen ausgelagert werden müssen. Diese Lösung nutzt sensible Daten, um maschinelle Lernalgorithmen und Analysemodelle zu verbessern, wobei sie gleichzeitig die organisatorischen Anforderungen erfüllt, den Datenschutz gewährleistet und die geltenden Vorschriften einhält.