Datenmarktplätze für Künstliche Intelligenz im Gesundheitswesen: Potenziale, Herausforderungen und Strategien zur Bewältigung

Abstract

ZusammenfassungDas Training von Künstliche Intelligenz (KI)-Modellen, die auf maschinellem Lernen (ML) beruhen, erfordert eine große Menge qualitativ hochwertiger Daten. Besonders im Gesundheitswesen mit seinen hochsensiblen Daten und hohen Anforderungen an den Datenschutz besitzen einzelne Akteur:innen oft jedoch nicht ausreichend hochwertige Daten. Datenmarktplätze für KI zielen darauf ab, dieses Problem zu lösen, indem sie Datenanbieter und Datenkonsumenten miteinander verbinden und den Handel von Daten ermöglichen. Allerdings haben sich Datenmarktplätze im Gesundheitswesen, trotz erster technischer Konzepte und einiger Pilotprojekte, bisher noch nicht erfolgreich durchsetzen können. Im Rahmen der vorliegenden Studie wurden daher Interviews mit einer Reihe von relevanten Expert:innen und Akteur:innen durchgeführt, um Potenziale, Herausforderungen und mögliche Strategien zur Bewältigung der Herausforderungen zu identifizieren. Die Ergebnisse der Studie verdeutlichen anhand der drei Dimensionen des Technology-Organization-Environment-Frameworks spezifische Potenziale von Datenmarktplätzen für KI im Gesundheitswesen, aber gleichzeitig auch eine Reihe von Herausforderungen, die es zu adressieren gilt. Die erarbeiteten Bewältigungsstrategien liefern hierbei erste Ansätze zur Beseitigung der identifizierten Herausforderungen, zeigen jedoch auch die Notwendigkeit der weiteren Forschung auf diesem Gebiet auf.

Reconciling the conflicting goals of privacy protection and competition policy through making platform use data saleable – an institutional perspective on data markets

“…It seems to us that a promising candidate for such an alternative approach would be to allow platform operators to sell their data to other companies. While the creation of data markets has been recommended for the purpose of fostering innovative use of such data, especially with regard to the application of machine learning techniques (Guse, Thiebes, Hennel, Rosenkranz, & Sunyaev, 2022;European Commission, 2022), such efforts have not yet been linked to the regulatory objective of curbing the power of platforms (Abbas, Agahari, van de Ven, Zuiderwijk, & Reuver, 2021). Even the Data Governance Act (DGA), another regulatory proposal by the European Commission that was published in the same year as the DMA and that is often portrayed as providing the legal basis for the creation of data markets (e.g.…”