Download
s11553-021-00871-8.pdf 616,13KB
WeightNameValue
1000 Titel
  • Big Data in der Gesundheitsförderung und Prävention
1000 Titelzusatz
  • Big Data in health promotion and prevention
1000 Autor/in
  1. Spranger, Julia |
  2. Niederberger, Marlen |
1000 Erscheinungsjahr 2021
1000 Publikationstyp
  1. Artikel |
1000 Online veröffentlicht
  • 2021-07-01
1000 Erschienen in
1000 Quellenangabe
  • 17(2):156-162
1000 Copyrightjahr
  • 2021
1000 Lizenz
1000 Verlagsversion
  • https://doi.org/10.1007/s11553-021-00871-8 |
  • https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8247614/ |
1000 Publikationsstatus
1000 Sprache der Publikation
1000 Abstract/Summary
  • Hintergrund: Die Nutzung großer und vielfältiger Datenmengen (Big Data) kann zur Gewinnung gesundheitsbezogener Erkenntnisse führen. Die Relevanz untermauern aktuelle Erfordernisse, bspw. in Zusammenhang mit der Digitalisierung, der Gesundheitsversorgung in Ausnahmesituationen und der zunehmenden Bedeutung von Personalisierungsprozessen in der Gesundheitsforschung. Das Potenzial von Big Data zur Erforschung vulnerabler Gruppen ist strittig, jedoch vor dem Hintergrund relativ stabiler sozialbedingter gesundheitlicher Ungleichheit besonders relevant. Ziel der Arbeit: In der Studie wird untersucht, wie Expert*innen im Bereich der Analyse von Gesundheitsdaten das Potenzial von Big Data in der Gesundheitsförderung und Prävention, insbesondere zur Erforschung vulnerabler Gruppen, einschätzen. Material und Methode: In einer Delphi-Studie wurden Expert*innen in zwei Runden mit einem Onlinefragebogen befragt, um Konsens und Dissens über das Potenzial von Big Data zu identifizieren. Ergebnisse und Schlussfolgerung: Aus Sicht der Expert*innen birgt Big Data ein Potenzial für die Gesundheitsförderung und Prävention, insbesondere im klinischen Setting und durch die Personalisierung gesundheitsbezogener Maßnahmen. Vor allem Menschen mit seltenen Erkrankungen und ältere Personen könnten durch Big-Data-Analysen profitieren, bspw. durch beschleunigte Diagnoseprozesse oder personalisierte digitale Gesundheitsanwendungen. Uneinig sind sich die Expert*innen über den Umfang, in welchem es Forschungseinrichtungen, Krankenversicherungen oder Unternehmen, erlaubt sein soll, derartige Daten zu nutzen oder zu teilen.
1000 Sacherschließung
lokal Digitale Datenmengen
lokal Health
lokal Expert survey
lokal Delphi technique
lokal Expertenbefragung
lokal Gesundheit
lokal Delphi-Verfahren
lokal Digital data volume
lokal Originalarbeit
lokal Vulnerable Gruppen
lokal Vulnerable groups
1000 Liste der Beteiligten
  1. https://orcid.org/0000-0002-1802-8138|https://frl.publisso.de/adhoc/uri/TmllZGVyYmVyZ2VyLCBNYXJsZW4=
1000 Hinweis
  • DeepGreen-ID: d2bcc52ed2574ea3b96534e31f5bd615 ; metadata provieded by: DeepGreen (https://www.oa-deepgreen.de/api/v1/), LIVIVO search scope life sciences (http://z3950.zbmed.de:6210/livivo), Crossref Unified Resource API (https://api.crossref.org/swagger-ui/index.html), to.science.api (https://frl.publisso.de/), ZDB JSON-API (beta) (https://zeitschriftendatenbank.de/api/), lobid - Dateninfrastruktur für Bibliotheken (https://lobid.org/resources/search)
1000 Label
1000 Dateien
1000 Objektart article
1000 Beschrieben durch
1000 @id frl:6445830.rdf
1000 Erstellt am 2023-04-28T11:25:33.583+0200
1000 Erstellt von 322
1000 beschreibt frl:6445830
1000 Zuletzt bearbeitet 2023-10-20T16:51:53.832+0200
1000 Objekt bearb. Fri Oct 20 16:51:53 CEST 2023
1000 Vgl. frl:6445830
1000 Oai Id
  1. oai:frl.publisso.de:frl:6445830 |
1000 Sichtbarkeit Metadaten public
1000 Sichtbarkeit Daten public
1000 Gegenstand von

View source