KI-Integration von Genom- und Wearable-Daten

Die Kombination von genomischen, klinischen und Wearable-Daten mithilfe von KI verändert die Medizin grundlegend. Ziel ist es, Gesundheitsdaten aus unterschiedlichen Quellen zusammenzuführen, um Krankheiten besser zu verstehen, präzisere Diagnosen zu stellen und personalisierte Therapien zu ermöglichen. Hier die wichtigsten Punkte auf einen Blick:

• Genomische Daten: Liefert genetische Informationen, die Krankheitsrisiken und Medikamentenreaktionen vorhersagen können.
• Klinische Daten: Umfasst Laborwerte, Bildgebung und Patientenakten, die den Gesundheitszustand detailliert abbilden.
• Wearable-Daten: Stellt kontinuierlich Vitalparameter wie Herzfrequenz und Schlafmuster bereit, um Trends frühzeitig zu erkennen.
• KI-Methoden: Maschinelles Lernen und Natural Language Processing helfen, Muster zu erkennen und unstrukturierte Daten zu verarbeiten.
• Datenschutz: DSGVO-konforme Maßnahmen wie Pseudonymisierung und IT-Sicherheit sind unverzichtbar.

Die Integration dieser Daten eröffnet neue Möglichkeiten für personalisierte Medizin, effizientere Abläufe und bessere Patientenversorgung. Gleichzeitig müssen ethische und rechtliche Herausforderungen gemeistert werden, um Vertrauen und Sicherheit zu gewährleisten.

Pfizer: Implementing Digital Sensor and Wearable Devices in Clinical Trials

Arten von Gesundheitsdaten: Genomische, klinische und Wearable-Daten

Die Nutzung von KI im Gesundheitswesen basiert auf drei Hauptkategorien von Daten, die zusammen ein umfassendes Bild der Patientengesundheit zeichnen. Jede dieser Kategorien hat ihre eigenen Merkmale und spielt eine spezifische Rolle in der medizinischen Analyse. Ein klares Verständnis dieser Datenarten ist entscheidend, um das Potenzial von KI in der Medizin voll auszuschöpfen.

Genomische Daten

Genomische Daten bilden die Grundlage eines individuellen Gesundheitsprofils, da sie die genetische Struktur eines Menschen widerspiegeln. Sie enthalten Informationen über DNA-Sequenzen, Mutationen und genetische Variationen. Dank moderner und erschwinglicher Sequenzierungstechnologien sind diese Daten heute ein fester Bestandteil der klinischen Praxis.

Diese Daten helfen, Krankheitsrisiken, Medikamentenverträglichkeiten und individuelle Anfälligkeiten zu identifizieren. Zum Beispiel können sie erklären, warum manche Menschen für bestimmte Krankheiten empfänglicher sind oder unterschiedlich auf Therapien reagieren. Solche Erkenntnisse sind besonders nützlich für die Entwicklung maßgeschneiderter Behandlungsansätze.

Ein bemerkenswerter Vorteil genomischer Daten ist ihre Beständigkeit: Sie ändern sich im Laufe des Lebens nicht. Diese Stabilität macht sie zu einem zuverlässigen Referenzpunkt, den KI-Systeme nutzen können, um langfristige Gesundheitsprognosen zu erstellen.

Klinische Daten

Klinische Daten stammen aus verschiedenen Quellen wie elektronischen Patientenakten (EPA), Laborergebnissen, bildgebenden Verfahren und ärztlichen Berichten. Sie bieten einen detaillierten Einblick in den Gesundheitszustand, den Verlauf von Krankheiten und die Ergebnisse von Behandlungen.

Laborwerte wie Blutzucker oder Cholesterin liefern präzise Informationen über den Zustand verschiedener Organsysteme. Bildgebende Verfahren wie Röntgen, MRT oder CT-Scans ermöglichen es, die inneren Strukturen des Körpers genau zu analysieren. Ergänzt werden diese Daten durch ärztliche Notizen und Diagnosen, die den klinischen Kontext abrunden.

Allerdings sind klinische Daten oft uneinheitlich. Während Laborwerte meist standardisiert vorliegen, können Arztnotizen in unterschiedlichen Formaten oder Sprachen verfasst sein. KI-Systeme müssen daher sowohl strukturierte als auch unstrukturierte Daten verarbeiten können, um präzise Ergebnisse zu liefern.

Wearable-Daten

Wearable-Daten werden durch tragbare Geräte wie Smartwatches, Fitness-Tracker oder medizinische Sensoren erfasst. Sie umfassen Messwerte wie Herzfrequenz, Schlafmuster, körperliche Aktivität, Schrittanzahl und zunehmend auch Parameter wie Blutsauerstoff oder Hauttemperatur.

Der Hauptvorteil dieser Daten liegt in ihrer kontinuierlichen Erfassung. Während klinische Daten oft nur Momentaufnahmen darstellen, zeichnen Wearables rund um die Uhr Vitalparameter und Verhaltensmuster auf. Dadurch können Trends frühzeitig erkannt werden.

Diese kontinuierliche Datensammlung liefert eine enorme Menge an Informationen, die KI-Systeme nutzen können, um Muster und Abweichungen zu identifizieren. Wearable-Daten ermöglichen es zudem, Frühwarnsysteme zu entwickeln, die gesundheitliche Veränderungen wie Herzrhythmusstörungen erkennen, bevor Symptome auftreten. Gleichzeitig unterstützen sie die Überwachung und Anpassung von Behandlungen im Alltag der Patienten.

KI-Methoden für die Datenintegration

Die Integration verschiedener Gesundheitsdatenarten ist eine Herausforderung, die spezialisierte KI-Techniken erfordert. Ziel ist es, komplexe Muster zu erkennen und Daten aus unterschiedlichen Quellen in ein einheitliches Format zu bringen. Dabei spielen Methoden wie maschinelles Lernen und Natural Language Processing (NLP) eine zentrale Rolle, um aus großen Mengen heterogener Gesundheitsdaten relevante Erkenntnisse zu gewinnen.

Maschinelles Lernen: Muster in Daten erkennen

Maschinelles Lernen ist unverzichtbar, wenn es darum geht, in umfangreichen und komplexen Gesundheitsdatensätzen Muster und Zusammenhänge aufzuspüren. Diese Technologie hilft dabei, Daten aus verschiedenen Bereichen wie Genomik, klinischen Studien und Wearables zu integrieren. Durch kontinuierliche Anpassung und Verbesserung der Modelle können präzisere Ergebnisse erzielt werden, die sowohl Diagnosen als auch präventive Maßnahmen unterstützen. Ergänzend dazu erweitert NLP die Möglichkeiten, indem es unstrukturierte Daten effizient analysiert.

Natural Language Processing: Struktur in Texte bringen

Natural Language Processing (NLP) ist besonders nützlich, wenn es um die Verarbeitung unstrukturierter klinischer Texte geht. Mithilfe dieser Technologie lassen sich medizinische Fachbegriffe analysieren und relevante Informationen aus Dokumenten wie Arztbriefen oder Patientenakten extrahieren. Das Ergebnis: Die zuvor unstrukturierten Daten werden in ein maschinenlesbares Format überführt, was eine integrierte und umfassende Analyse ermöglicht.

Datenstandardisierung: Einheitlichkeit schaffen

Nachdem Muster erkannt und unstrukturierte Daten aufbereitet wurden, ist die Standardisierung der nächste Schritt. Unterschiedliche Datenquellen müssen harmonisiert werden, um Kompatibilität sicherzustellen. Das bedeutet, dass Einheiten, Skalen und Formate vereinheitlicht werden. So können genomische, klinische und Wearable-Daten zusammengeführt und effizient ausgewertet werden. Diese Standardisierungsprozesse sind entscheidend für eine erfolgreiche Integration und Analyse durch KI-gestützte Systeme.

Umsetzung der KI-Integration

Die Integration von genomischen, klinischen und Wearable-Daten mithilfe von KI erfordert eine sorgfältige Planung, die sowohl die DSGVO als auch die deutschen Gesundheitsvorschriften berücksichtigt. Im Folgenden wird der praktische Ablauf dieser Implementierung detailliert beschrieben.

Schrittweiser Prozess der Datenintegration

Der erste Schritt besteht darin, die Daten in standardisierten Formaten zu erfassen – etwa genomische Daten in FASTQ oder VCF, klinische Daten aus elektronischen Patientenakten (EPA) und kontinuierliche Wearable-Daten. Eine gründliche Vorverarbeitung ist entscheidend: Datenformate müssen harmonisiert, Sequenzierungsfehler korrigiert und Bewegungsartefakte bereinigt werden. Fehlende Werte können durch statistische Methoden ergänzt oder, falls notwendig, ausgeschlossen werden.

Nach der Vorverarbeitung kommen maschinelle Lernmodelle (ML) zum Einsatz, um Muster in Echtzeit zu analysieren. Ein Beispiel: Wearable-Daten können auf Herzrhythmusstörungen untersucht und mit genetischen Risikofaktoren in Verbindung gebracht werden.

Einhaltung deutscher und EU-Vorschriften

Neben der technischen Umsetzung ist die Einhaltung rechtlicher Vorgaben unverzichtbar. Vor der Nutzung in KI-Systemen müssen Patientendaten entweder pseudonymisiert oder anonymisiert werden. Zudem ist eine klare und informierte Einwilligung der Patienten erforderlich. Falls die Software als Medizinprodukt eingestuft wird, ist eine CE-Kennzeichnung sowie eine vollständige Dokumentation notwendig.

Die IT-Sicherheit spielt eine ebenso zentrale Rolle: Maßnahmen wie AES-256-Verschlüsselung und Zwei-Faktor-Authentifizierung müssen implementiert werden, um den Anforderungen des Bundesamts für Sicherheit in der Informationstechnik (BSI) gerecht zu werden.

KI-Systeme, die medizinische Diagnosen unterstützen, unterliegen der EU-Verordnung 2017/745 (MDR). Besonders genomische Daten erfordern höchste Sicherheitsstandards, da sie unveränderliche und sensible persönliche Informationen enthalten.

Vergleich von Integrationsplattformen

Die Wahl der richtigen Integrationsplattform hat großen Einfluss auf den Erfolg eines Projekts. Die folgende Tabelle zeigt die wichtigsten Kriterien im Vergleich:

Cloud-basierte Lösungen, wie die Amazon HealthLake oder die Google Cloud Healthcare API, bieten schnelle Implementierung und automatische Skalierung. On-Premise-Systeme hingegen garantieren maximale Kontrolle über die Daten und sind besonders in großen Kliniken beliebt. Hybrid-Ansätze kombinieren die Vorteile beider Modelle: Sensible Daten wie genomische Informationen können lokal gespeichert werden, während weniger kritische Daten, etwa von Wearables, in der Cloud verarbeitet werden.

Die Entscheidung für eine Plattform hängt von der Sensitivität der Daten, dem verfügbaren IT-Budget und den regulatorischen Anforderungen ab. Kleinere Praxen profitieren oft von Cloud-Lösungen, während größere Einrichtungen in der Regel auf eigene Infrastruktur setzen.

sbb-itb-49a712f

Praxisanwendungen und Vorteile

Die Verknüpfung von genomischen, klinischen und Wearable-Daten mithilfe von KI verändert die Art und Weise, wie Behandlungen im deutschen Gesundheitswesen durchgeführt werden. Sie verbessert nicht nur die Effizienz, sondern wirkt sich auch positiv auf die Kostenstrukturen aus. Hier ein Blick auf konkrete Anwendungen und deren Nutzen im Alltag.

Personalisierte Medizin und prädiktive Analytik

Die Kombination von Genom- und Vitaldaten durch KI ermöglicht individuelle Therapien, die auf den spezifischen Bedürfnissen der Patienten basieren. Besonders in der Onkologie spielen genomische Analysen eine zentrale Rolle, da sie gezielt Mutationen identifizieren. Wearables unterstützen dabei, den Gesundheitszustand der Patienten kontinuierlich zu überwachen. Mithilfe von KI können Ärzte Therapien besser anpassen und potenzielle Nebenwirkungen frühzeitig erkennen.

Auch bei Herz-Kreislauf-Erkrankungen und Diabetes zeigt sich das Potenzial: Durch die Integration genetischer Marker und kontinuierlicher Vitaldaten lassen sich Risiken präziser einschätzen und Behandlungspläne optimieren.

Effizienzsteigerung und Kostensenkung

KI trägt nicht nur zur Verbesserung der individuellen Behandlung bei, sondern hilft auch, Prozesse im Gesundheitswesen effizienter zu gestalten. Automatisierte Analysen beschleunigen Diagnosen und optimieren den Ressourceneinsatz, was sowohl Zeit als auch Kosten spart.

Die gezielte Auswertung großer Datenmengen verbessert diagnostische Verfahren und reduziert den administrativen Aufwand. In der Medikamentenentwicklung beschleunigt die Nutzung genomischer und klinischer Daten die Suche nach neuen Wirkstoffen. Zudem ermöglicht die vorausschauende Planung von Patientenzahlen und Personalbedarf kürzere Wartezeiten und eine effizientere Nutzung vorhandener Ressourcen.

Herausforderungen und ethische Überlegungen

Trotz der offensichtlichen Vorteile müssen KI-Lösungen stets unter ethischen und rechtlichen Gesichtspunkten betrachtet werden. Genomische und persönliche Gesundheitsdaten sind besonders sensibel und erfordern strenge DSGVO-konforme Sicherheitsmaßnahmen.

Weitere Herausforderungen betreffen die Qualität und Repräsentativität der Daten. Ein Algorithmus, der auf unzureichenden oder verzerrten Daten basiert, kann fehlerhafte Entscheidungen treffen. Auch die Frage der Haftung bei solchen Fehlern ist oft ungeklärt. Eine übermäßige Abhängigkeit von KI-Systemen birgt zudem Risiken, insbesondere wenn die Entscheidungsprozesse der KI für Patienten und Ärzte nicht transparent sind.

Ein weiteres Problem ist die digitale Kluft: Nicht alle Menschen haben denselben Zugang zu modernen Technologien, was Ungleichheiten verstärken könnte. Um Vertrauen aufzubauen und die Akzeptanz zu fördern, sind Transparenz und Aufklärung essenziell.

Die erfolgreiche Einführung von KI im Gesundheitswesen erfordert nicht nur technisches Know-how, sondern auch ein tiefes Verständnis für ethische, rechtliche und soziale Aspekte. Experten wie Dr. Sven Jungmann helfen dabei, diese komplexen Herausforderungen zu meistern und die digitale Transformation verantwortungsvoll zu gestalten.

Zukunftstrends und Empfehlungen

Die Verschmelzung von Genom- und Wearable-Daten mithilfe von KI steckt noch in den Kinderschuhen, doch die kommenden Jahre versprechen eine tiefgreifende Veränderung in der Nutzung von Gesundheitsdaten. Damit diese Fortschritte erfolgreich umgesetzt werden können, braucht es durchdachte Strategien und erfahrene Begleitung. Hier sind einige zentrale Trends und praktische Empfehlungen, die auf den bisherigen Erkenntnissen aufbauen.

Neue Trends in der digitalen Gesundheit

Die digitale Gesundheitslandschaft entwickelt sich rasant weiter und bringt Technologien hervor, die die Nutzung von Daten noch effizienter machen.

Generative KI zeigt bereits heute ihr Potenzial in der klinischen Dokumentation und wird künftig auch in der genomischen Analyse eine zentrale Rolle spielen. Sie kann komplexe genetische Informationen in leicht verständliche Berichte umwandeln und Ärzten helfen, Daten aus Wearables besser zu interpretieren. Besonders spannend ist die Möglichkeit, automatisch Behandlungsempfehlungen auf Basis verschiedener Datenquellen zu erstellen.

Ambient Intelligence bringt das Gesundheitsmonitoring auf ein neues Level. Sensoren in der Umgebung erfassen kontinuierlich Vitaldaten, ohne dass Patienten aktiv Geräte verwenden müssen. Diese Echtzeitdaten ergänzen genomische Profile und ermöglichen eine noch präzisere personalisierte Medizin.

Hospital-at-Home-Programme profitieren zunehmend von der Integration mehrerer Datenquellen. Patienten können zu Hause überwacht werden, während KI-Systeme genomische Risikofaktoren und aktuelle Vitaldaten abgleichen. Bei Auffälligkeiten wird sofort Alarm ausgelöst. Das Ergebnis: weniger Krankenhausaufenthalte und eine verbesserte Behandlungsqualität.

Mit föderierten Lernverfahren lassen sich KI-Modelle trainieren, ohne dass sensible genomische Daten zwischen Institutionen ausgetauscht werden müssen. So entstehen größere und aussagekräftigere Datensätze, während der Datenschutz gewahrt bleibt.

Best Practices für erfolgreiche KI-Integration

Um diese Technologien effektiv einzusetzen, sind klare Handlungsempfehlungen unerlässlich. Hier sind einige Ansätze, die sich bewährt haben:

• Klarer Fokus auf Anwendungsfälle: Starten Sie mit einem spezifischen Ziel, wie der Vorhersage von Medikamentenverträglichkeiten, und erweitern Sie das System schrittweise nach ersten Erfolgen.
• Datenqualität sicherstellen: Nur vollständige und präzise Daten führen zu verlässlichen KI-Ergebnissen. Unvollständige Datensätze können das Vertrauen in das System gefährden.
• Personal schulen: Ärzte und Pflegekräfte müssen verstehen, wie KI-Systeme funktionieren und welche Grenzen sie haben. Nur so können sie die Ergebnisse richtig interpretieren und sinnvoll in die Behandlung einfließen lassen.
• Standards nutzen: Setzen Sie auf bewährte Standards wie FHIR oder GA4GH, um den Datenaustausch zu erleichtern und Insellösungen zu vermeiden.
• Kontinuierliche Überwachung: Algorithmen müssen regelmäßig überprüft und angepasst werden. Veränderungen in Patientenpopulationen oder Behandlungsansätzen können die Leistung der KI beeinträchtigen.

Wert von Expertenbegleitung

Die Unterstützung durch Experten ist, gerade in einem so dynamischen Feld, unverzichtbar. Fachkundige Beratung hilft dabei, Fallstricke zu vermeiden und die richtigen Strategien zu entwickeln. Dr. Sven Jungmann ist ein Beispiel für einen solchen Experten. Mit seinen Vorträgen und Beratungen unterstützt er Organisationen bei der digitalen Transformation im Gesundheitswesen. Sein fundiertes Wissen in KI und digitaler Gesundheit ermöglicht es, maßgeschneiderte Lösungen zu finden.

Besonders wertvoll ist die Kombination aus technischem Fachwissen und praktischer Erfahrung. Experten können dabei helfen, realistische Erwartungen zu setzen, geeignete Technologien auszuwählen und Implementierungsstrategien zu entwickeln, die den individuellen Anforderungen einer Einrichtung gerecht werden.

Ein weiterer Vorteil ist die Vernetzung mit anderen Akteuren im Gesundheitswesen. Durch den Austausch von Best Practices und die Entwicklung gemeinsamer Standards können neue Technologien schneller und risikoärmer eingeführt werden.

Nicht zu vergessen sind die regulatorischen Anforderungen, wie die DSGVO. Experten sorgen dafür, dass KI-Systeme von Anfang an konform entwickelt werden und rechtliche Hürden problemlos gemeistert werden.

Die Zusammenarbeit mit Experten ist eine Investition, die sich langfristig auszahlt. Sie beschleunigt Entwicklungsprozesse, minimiert Fehlerkosten und erhöht die Erfolgschancen bei der Integration komplexer Technologien wie der Genom- und Wearable-Daten. Gerade in diesen Bereichen ist professionelle Unterstützung oft der Schlüssel zum Erfolg.

Fazit: Das Potenzial der KI im Gesundheitswesen

Die Kombination von Genom-, klinischen und Wearable-Daten durch KI verändert die Medizin grundlegend. Diese Technologien eröffnen eine völlig neue Ebene der Patientenversorgung.

Erst durch die intelligente Verknüpfung von genomischen Profilen, kontinuierlichen Daten aus Wearables und klinischen Informationen mit KI-Algorithmen wird personalisierte Medizin Realität. Die Ergebnisse sind beeindruckend: Ärzte können Behandlungen gezielter anpassen, Nebenwirkungen frühzeitig erkennen und Krankheiten verhindern, bevor sie überhaupt ausbrechen. Patienten erleben dadurch bessere Behandlungserfolge und eine gesteigerte Lebensqualität. Gleichzeitig profitieren Gesundheitssysteme durch effizientere Abläufe und niedrigere Kosten.

Doch trotz der bisherigen Fortschritte gibt es noch Hürden zu überwinden. Datenschutz muss gesichert, ethische Fragestellungen geklärt und die technische Infrastruktur stetig verbessert werden.

Der Schlüssel zum Erfolg liegt in einer durchdachten Strategie und der richtigen Expertise. Wie in den Best Practices gezeigt, sind klare Konzepte und fundierte Beratung unverzichtbar. Organisationen benötigen nicht nur die passende Technologie, sondern auch das Wissen und die Planung, um diese effektiv einzusetzen.

Die Zukunft der Medizin wird durch den klugen Einsatz von Daten geprägt. Wer heute die richtigen Entscheidungen trifft, kann die Chancen von morgen nutzen. Die Integration von Genom- und Wearable-Daten durch KI könnte der Weg zu einer präziseren, effizienteren und menschlicheren Medizin sein.

FAQs

Wie wird bei der Integration von Genom- und Wearable-Daten der Datenschutz und die DSGVO eingehalten?

Die Integration von Genom- und Wearable-Daten in Gesundheitssysteme verlangt ein hohes Maß an Sorgfalt, insbesondere in Bezug auf Datenschutz und die Einhaltung der DSGVO. Da Gesundheitsdaten zu den sensibelsten Informationen gehören, unterliegen sie besonders strengen gesetzlichen Regelungen.

Wichtige Schutzmaßnahmen umfassen die Anonymisierung und Pseudonymisierung der Daten, um sicherzustellen, dass keine Rückschlüsse auf einzelne Personen möglich sind. Ebenso wichtig sind eine klare und verständliche Information der Betroffenen, ihre ausdrückliche Zustimmung zur Datennutzung sowie der Einsatz technischer und organisatorischer Sicherheitsvorkehrungen wie Verschlüsselung und Zugriffsbeschränkungen.

Die Einhaltung der DSGVO ist nicht nur eine rechtliche Verpflichtung, sondern auch eine zentrale Voraussetzung, um das Vertrauen der Patienten zu gewinnen und die Rechte aller Beteiligten effektiv zu wahren.

Welche Hindernisse gibt es bei der Nutzung von KI zur Integration von Genom-, klinischen und Wearable-Daten, und wie lassen sich diese lösen?

Die Integration von Genom-, klinischen und Wearable-Daten in Gesundheitssysteme ist keine leichte Aufgabe. Zu den größten Hürden gehören der Schutz sensibler Daten, fehlende Standards für die Interoperabilität und hohe Kosten, die insbesondere in einkommensschwachen oder abgelegenen Regionen den Zugang erschweren.

Technologien wie Federated Learning könnten hier eine wichtige Rolle spielen, da sie Datenschutz gewährleisten, während sie gleichzeitig den Austausch von Informationen ermöglichen. Doch technische Lösungen allein reichen nicht aus. Eine enge Zusammenarbeit zwischen Technologie-Expertinnen und Experten, medizinischem Fachpersonal und politischen Entscheidungsträgern ist essenziell, um praktikable und gerechte Ansätze zu entwickeln. Dabei müssen nicht nur ethische Fragen wie Datenbesitz und Verantwortlichkeiten geklärt werden, sondern auch Programme geschaffen werden, die Patienten dabei unterstützen, digitale Kompetenzen zu erlangen. Nur so können langfristig alle Beteiligten von diesen Innovationen profitieren.

Wie verbessert die Kombination von Genom- und Wearable-Daten die personalisierte Medizin und die Patientenversorgung?

Die Verbindung von Genomdaten und Informationen aus Wearables verändert die personalisierte Medizin grundlegend. Sie ermöglicht es, Gesundheitsversorgung genauer und früher auf die individuellen Bedürfnisse abzustimmen. Genomdaten geben Aufschluss über genetische Veranlagungen und das Risiko für bestimmte Erkrankungen. Wearables wiederum liefern kontinuierlich Echtzeitdaten, wie Herzfrequenz, Schlafmuster oder Aktivitätsniveau.

Indem diese beiden Datenquellen kombiniert werden, können Ärzt_innen Behandlungspläne erstellen, die sowohl das genetische Profil als auch den aktuellen Gesundheitszustand berücksichtigen. Das Ergebnis: präzisere Diagnosen, gezieltere Therapien und eine spürbare Verbesserung der Lebensqualität der Patient_innen.

Verwandte Blogbeiträge

• KI im Gesundheitswesen: 7 praktische Anwendungen
• Daten-Mapping und Transformation mit KI
• KI in Wearables: Anomalien erkennen
• Die Rolle von KI in der Personalisierung digitaler Gesundheitsplattformen