block vi it-trends und entwicklungen · cloud computing betriebsmodell ... • keine zentrale...

Block VI – IT-Trends und Entwicklungen

E-Health Grundlagen | Prof. Zarnekow | Block VI

Gliederung

Cloud Computing1

Blockchain3

Big Data & Machine Learning2

Virtual, Augmented, Mixed – The new Reality4

Internet of Things5

Seite 2

eHealth Grundlagen / VL 6 / IT-Trends

Gliederung

Cloud Computing1

Blockchain3



Internet of Things5

Seite 3


Seite 4

Cloud Service-Ebenen

Software as a Service (SaaS)

Platform as a Service (PaaS)

Infrastructure as a Service (IaaS)

Bereitstellung von

Rechen-, Speicher- und

Netzwerkleistung auf

virtualisierten Systemen

Bereitstellung von

Plattformdiensten, wie

Entwicklungsplattformen,

Entwicklungswerkzeugen

oder Datenbanksystemen

Bereitstellung von

kompletten

Anwendungssystemen


Seite 5

Merkmale des Cloud Computing (nach NIST)

Quelle: National Institute of Standards and Technology (NIST)

Selbstbedienung (On-demand Self Service)Der Kunde kann den benötigten Cloud Service selbst zusammenstellen

und bestellen, ohne direkte physische Interaktion mit dem Anbieter.

Netzwerkzugang

(Broad Network Access)

Services sind über ein Netzwerk

(meist das Internet) erreichbar, der

Zugriff (meist über einen Web-

browser) ist über unterschiedliche

Plattformen möglich.

Ressourcenpool

(Shared Resource Pool)

Der Anbieter verwendet einen gemeinsamen

Ressourcenpool aus multimandantenfähigen,

virtualisierten Ressourcen, die bedarfsgerecht

dynamisch zugeteilt werden.

Hohe Skalierbarkeit

(Rapid Elasticity)

Ressourcen können nach Bedarf nach oben

oder unten skaliert werden.

Nutzungsgerechte

Abrechnung

(Measured Service)Die Ressourcennutzung wird

gemessen und kann

verbrauchsabhängig

abgerechnet werden.


Seite 6

Bereitstellungsmodelle im Cloud Computing

Offenes

Netzwerk, auf

Infrastrukturen

des Internets

Halboffenes

Netzwerk (mit

Anbindung

zum Internet)

Geschlossenes

Netzwerk

(Internet), auf

Infrastrukturen

mehrerer

Beteiligter

Geschlossenes

Netzwerk

(Intranet), auf

Infrastruktur

eines externen

Anbieters

Geschlossenes

Netzwerk

(Intranet), auf

Infrastruktur

des eigenen

Unternehmens

Private

Cloud

Corporate

Cloud

Community

Cloud

Public

Cloud

Hybrid

Cloud

Abnehmende Sicherheit


Seite 7

Beispiel für Cloud Computing im Gesundheitssektor –

Das TRESOR Projekt (TRusted Ecosystem for

Standardized and Open cloud-based Resources)


Seite 8

Merkmale des Cloud Computing Betriebsmodells

− Hoher Administrations- und

Wartungsaufwand

− Hoher Implementierungs-

aufwand

− Hohe Kapitalbindung

− Geringe Ressourcen-

Skalierbarkeit

− Intransparente IT-Kosten

− Aufwendige Release- und

Updatezyklen

Cloud Computing Betriebsmodell

− Variante des IT-Outsourcing

(kaum eigene IT-Infrastruktur)

− Flexible und skalierbare Nutzung

der IT-Ressourcen

− Schnittstellenmanagement

(Anbieter/Abnehmer)

− Hohe Standardisierung

− Kurze Vertragslaufzeiten

Klassisches Betriebsmodell


Nutzenpotenziale des Cloud Computing aus Kundensicht

Skalierbarkeit (↑ und ↓):

Nachfrageorientierte

Nutzung der IT-Ressourcen

Geringe Kapitalbindung:

Mietmodell statt Lizenzeinkauf

Neue Geschäftsmodelle:

Mietmodell, Pay Per Use

IT On Demand: Software,

Plattform und Infrastruktur

als Service

Ortsunabhängigkeit:

globale Verfügbarkeit

Nachhaltigkeit:

Effizienzsteigerung

der Auslastung

Kosteneinsparung Flexibilität


Seite 9

Herausforderungen im Cloud Computing

Seite 10

Integration von

Cloud Diensten

Gewährleistung der

Datensicherheit und

des Datenschutzes

Veränderte

Entwicklungsparadigmen

und Release Zyklen

Provider:

Kontinuierliche

Erlöse statt

Einmalzahlung

Strategische

Herausforderung

Prozess- und

Organisations-

Herausforderung

IT-Infrastruktur

Herausforderung

Kosteneinspar-

potenzial nicht

zwangsläufig vorhanden

Globale Vernetzung vs.

regionale

Gesetzgebung

Verfügbarkeit und

Ausfallsicherheit

Rolle der

IT-Abteilung

Partner- und

Lieferanten/

Providermanagement

Klassische

Make or Buy

Problematik


Gliederung

Cloud Computing1

Blockchain3



Internet of Things5

Seite 11


Volume(Große Datenmenge)

Velocity(Hohe Geschwindigkeit der

Datenentstehung und -veränderung)

Veracity(Zuverlässigkeit und Korrektheit

der Daten)

Variety(Verschiedene Arten von Daten)

− 40 Zettabyte (43 Bill. GB) in 2020 (300-fache von 2005)

− 6 Mrd. Mobiltelefone− >100 TB Daten pro Unternehmen

− 160 Mrd. GB Daten (in 2011), 420 Mill. Wearables (in 2014) im Gesundheitssektor

− 4 Mrd. Stunden Video werden jeden Monat auf Youtube angesehen

− 30 Mrd. Einträge auf Facebook werden jeden Monat geteilt

− 1 TB Handelsinformationen werden an der NYSE in jeder Handelsperiode erfasst

− >100 Sensoren in einem modernen Fahrzeug

− 18,9 Mrd. Netzwerkverbindungen in 2016

− 3,1 Bill. USD Kosten durch schlechteDatenqualität (nur USA)

− 1 von 3 Manager traut seinen Informationen nicht.

Datensätze, Transaktionen, Tabellen, Dateien (semi)strukturiert, unstrukturiert, gemischt

Batch, Quasi-Echtzeit, Echtzeit, Streams fehlerhaft, falsch, veraltet, verzögert, gefälscht

Quelle: www.ibmbigdatahub.com

Die vier V‘s von Big Data

Seite 12


Traditionelle analytische Systeme vs. Big Data

Quelle: Bitkom 2012

Seite 13


Integration mittels Big-Data-Technologien

Quelle: Bitkom 2012

Seite 14


Machinelles Lernen mit Hilfe neuronaler

Netzwerke

Seite 15


Ein neuronales Netzwerk verwendet Regeln, die es aus Datenmustern „lernt“, um eine verborgene

Logikschicht zu erstellen. Die verborgene Schicht verarbeitet Eingaben und klassifiziert sie abhängig

von den Erfahrungen des Modells.

Anwendungsgebiete maschinellen Lernens

▪ Regelung und Analyse komplexer Prozesse

▪ Frühwarnsysteme

▪ Bildverarbeitung und Mustererkennung (Schrift- und Spracherkennung)

▪ Medizinische Diagnostik, Epidemiologie, Biometrie

▪ Zeitreihenanalysen (Wetter, Aktien etc.)

▪ Optimierung


Seite 16

Quelle: Wikipedia

LEARNING =

REPRESENTATION +

EVALUATION +

OPTIMIZATION

Machine learning is about

generalizing (abstracting)

beyond the examples of a

given training set

(extrapolation)

Maschinelles Lernen

Load

Data

Pre-processFilters, PCA,

Summary Statistics,

Cluster Analysis

Training: iterate and adjust to find the best model

Prediction: integrate trained model into target workflow

SuperVisedDevelop model

on input and

output data

UnsuperVisedGroup data and

develop model on

input only

Model

Load

Data

Pre-processFilters, PCA,

Summary Statistics,

Cluster Analysis

Model Prediction


Seite 17

• Entscheidungsunterstützung in der kritischen Versorgung

• Operationen

• auf der Intensivstation

• Dokumentenklassifizierung (smart health records)

• Integration von Big Data

• Drug Discovery und Produktion (Precision Medicine)

• Radiologie (Bildgebung)

• Epidemien- und Seuchen-Vorhersage

• Auswertung von klinischen Studien

Machinelles Lernen - Anwendungsfälle eHealth

Herausforderungen

• Einfache Ansätze fordern stetige

und differenzierbare

Optimierungsfunktionen.

Ansonsten ist ein vertieftes

Problemverständnis notwendig

• Expertenwissen in vielen Fällen

erforderlich

• Zum Training des Modells sind in

der Regel große Datenmengen

notwendig. Sonderfälle werden

nicht hinreichend abgebildet.

• Menschliche Einflussnahme ist

auch ein wichtiger sozialer Faktor

(Arzt-Patienten-Beziehung)

http://researcher.ibm.com/researcher/view_group.php?id=6743


Seite 18

Gliederung

Cloud Computing1

Blockchain3



Internet of Things5

Seite 19


• Technologie zur dezentralen Speicherung von Daten und Informationen in einem

Peer-to-Peer-Netzwerk

• Keine zentrale Instanz zur Steuerung / Verwaltung

• Sehr hohe Manipulationssicherheit (Aufwand zur Manipulation steht nicht im

Verhältnis zum Nutzen)

• Hohe Redundanz, da jeder Peer eine komplette Kopie der Datenbank enthält

• Ermöglicht die dauerhafte und revisionssichere Speicherung von Daten

• Anwendung in nahezu allen Industrien und Branchen möglich (bekannteste aktuelle

Anwendung sind Cryptowährungen, z.B. Bitcoin)

• Block: Transaktionen werden zu Blöcken zusammengefasst

• Chain: Die Blöcke werden unter Zuhilfenahme kryptografischer Methoden

miteinander verkettet

• Verifizierung und Validierung der Transaktionen und Blöcke durch das Peer-to-Peer-

Netzwerk (Mining = Lösung eines rechenaufwändigen mathematischen Rätsels)


Seite 20

Blockchain – Grundlegende Prinzipien

1. Transaktion: Zwei Parteien tauschen im Rahmen einer Transaktion Informationen

aus (z.B. Transfer von Geld oder Vermögenswerten, Abschluss eines Vertrags,

Übermittlung einer Krankenakte)

2. Verifizierung: Es wird geprüft, ob eine Partei die entsprechenden Rechte für die

Transaktion hat (ad hoc oder spätere Verifizierung)

3. Strukturierung: Transaktionen werden zu Blöcken zusammengefasst und mit einem

Hash-Wert versehen, der eine eindeutige Identifikation des Blocks ermöglicht.

4. Validierung mittels Mining: Die Informationen in den Blöcken werden im Netzwerk

validiert und der Block erzeugt und gehasht, z.B. mittels des Proof-of-Work Prinzips

(Lösung eines komplizierten mathematischen Rätsels). Wer als erster die Lösung

findet erhält für seine Arbeit ein Honorar.

5. Verkettung: Verteilung von Kopien der Blöcke im Netzwerk und Anfügung der neuen

Blöcke an die Kette

6. Verteidigung: Manipulierte Blöcke werden an Hand der unterschiedlichen Hash-

Werte erkannt und von der Hauptkette ausgeschlossen.


Seite 21

Blockchain - Funktionsweise

Quelle: auf Basis computerwoche.de

Blockchain - Exemplarischer Anwendungsfall Bonusheft

Für aktive Vorsorge möchte

die innovative Krankenkasse

KK ihre Mitglieder mit

Prämien belohnen.

Bob ist Mitglied bei der KK

und erklärt sich

einverstanden am

Bonusprogramm

teilzunehmen. Er geht

regelmäßig zum Zahnarzt.

1

KK

<Smart Contract>Jedes Mitglied

bekommt 50€

Zuschuss zu einer

professionellen Zahn-

reinigung (PZR), wenn

es regelmäßig zur

Zahnvorsorgeunter-

suchungen geht.

2Der Smart Contract wird auf allen Nodes verifiziert.

Dadurch wird sichergestellt, dass Bob regelmäßig

zur Vorsorge geht und seine PZR dieses Jahr noch

nicht in Anspruch genommen hat.

3

Wenn das Netzwerk bestätigt, dass alle

Voraussetzungen erfüllt sind, werden 50€

automatisch an Bob überwiesen; Der KK werden

50€ abgezogen. Bob kann dieses Jahr keinen PZR

Zuschuss mehr wahrnehmen.

5

Addresse: 1F1tAaz

Zur Abrechnung der ärztlichen

Leistungen identifiziert sich Bob

mit seiner Gesundheitskarte.

Beim aktuellen Termin

lässt er auch eine PZR

durchführen. 4

Bob‘s Zuschuss wird

direkt an seine

Addresse: 1F1tAaz

ausgezahlt.

6

Die KK stattet ihre

Gesundheitskarten mit der

Möglichkeit eines Wallets aus.

Des Weiteren läuft auf den

Kartenlesegeräten ein

BlockChain Client.

1

1

2

3


Seite 27

Blockchain - Betreibermodelle

Public Consortium Privat Blockchain as a Service

Open for participation to

arbitrary computer in

different roles without

permission of

authentification of

operator. Use is license

free and the source code

as well as content are

openly accessible

Requires permission to join

and is operated by a

(legally associated) group.

Source code may be public

or private

Consensus reached by a

pre selected set of nodes

(members)

Read permission is

required while write

permisson in general

kept centralized to one

organisation.

(no real consensus)

All nodes have an equal

operator. The operator might

own source code, keys and

even the ledger itself.

Therefore only the logical

seperation remains.

Examples

Bitcoin

Ethereum

Altcoins

EWF

B3i

MONAX

Multichain

Azure BaaS

Rubix by Deloitte

Blockchain on IBM BlueMix


Seite 28

• Abrechnungen zwischen Arzt, Patient und

Krankenkasse

• Kommunikation und Auswertung von

Gesundheitsdaten im zweiten Gesundheitsmarkt:

• Diabetes, Blutdruck, Fitness

• Gesundheitsprüfung PKV zwecks Risikozuschlag

(Vorerkrankungen, Prädisposition)

• Transparente Ressourcenketten im Rahmen von

GMP (Pharmazie) und Qualitätsmanagement-

systemen (Zulassung)

• Zugriffsrechte auf personenbezogene Dokumente wie

Röntgenbilder oder Diagnosen (vgl. Estland)

• Doppelte Verschreibung („Rezept-Betrug“)

Herausforderungen

• Blockchain ist langsam und teuer

(BitCoin 7 tx/sec, Ethereum 25 tx/sec),

daher ungeeignet für große

Datenmengen

• Blockchain ist in der Praxis eher

oligarchisch geprägt: Mit mehr

Geld kann man mehr Tokens

kaufen. Mehr Rechenleistung führt

indirekt zu mehr Einfluss

• Einige Anwendungsfälle erfordern,

dass alle Teilnehmer entlang der

Wertschöpfungskette auf der

Blockchain sein müssen (z.B.

Arzt, KK, MP-Hersteller)

Blockchain - Anwendungsfälle eHealth


Seite 29

Gliederung

Cloud Computing1

Blockchain3



Internet of Things5

Seite 30


New Reality - Augmented, Virtual, Mixed

https://www.extremetech.com/extreme/249328-mixed-reality-can-take-augmented-reality-mainstream


Seite 31

• Training von medizinischem und Pflegepersonal

• Operationen, Behandlungsabläufe

• Soziale Interaktion in der Pflege

• Behandlung von psychischen Krankheiten (Virtual

Therapy)

• z.B. Angststörung beim Fliegen

• Mit Hilfe von Neurofeedback

• Mixed Reality overlays zur Diagnose und Behandlung

• Virtual Interfaces zur kontaktlosen (sterilen) Eingabe

New Reality - Anwendungsfälle eHealth

Herausforderungen

• Hohe Investitionen im öffentlichen

Bereich erforderlich

(Krankenhäuser, Ausbildung).

• Digital Content ist nicht unbedingt

sofort verfügbar bzw. Prozesse

müssen angepasst werden

• Eine Vielzahl an übertragenen

Daten und Schnittstellen erzeugen

auch potenzielle

Sicherheitslücken.

Standardisierung ist

problematisch


Seite 32

http://www.vrthirdeye.com/future-of-virtual-reality/ http://mobiusvf.com/medical-virtual-reality-can-

help-save-future-lives/

Gliederung

Cloud Computing1

Blockchain3



Internet of Things5

Seite 33


Internet of Things

http://www.futureforall.org/communication/internet_of_things.htmleHealth Grundlagen / VL 6 / IT-Trends

Seite 34

• Angeschlossene Therapie- oder Diagnosegeräte

• Besseres Monitoring

• Adhärenzsteigerung

• Möglichkeiten zur „Closed-Loop“ - Medikation

• Bessere Integration der Therapie in den Alltag

• Effizienzsteigerung durch Verzicht auf trusted-third-parties

(bspw. Malteser Hausnotruf)

• Füllen von Datenlücken aus dem häuslichen Bereich (data

blindspots)

Internet of Things - Anwendungsfälle eHealth

Herausforderungen

• Vollständige Integration nutzt viel

Bandbreite und erzeugt große

Datenmengen

• Eine Vielzahl an übertragenen

Daten und Schnittstellen erzeugen

auch potenzielle

Sicherheitslücken. Standardi-

sierung ist problematisch

• Hohe Regulierungs- und

Datenschutzhürden

• Angst vor „Gläsernen Patienten“


Seite 35

https://healthtechinsider.com/2014/07/15/googles-

smart-contacts-licensed-novartis/

https://www.diabetiker.info/

produktvorstellung-

eversense/

block vi it-trends und entwicklungen · cloud computing betriebsmodell ... • keine zentrale...

Documents