Der gesellschaftliche Mehrwert verknüpfter Daten: Algorithmen als Entscheidungs hilfen bei Antibiotikaverschreibungen

Artikel

Personendaten aus der Verwaltung (Administrativdaten) haben sich in den letzten Jahrzehnten als wichtige Basis zur Evaluierung von Politikmaßnahmen erwiesen. Durch maschinelles Lernen können basierend auf diesen Daten auch Vorhersagen getroffen werden, die zur Lösung gesellschaftlicher Problemstellungen beitragen. Hierzu gehören beispielsweise das Aufspüren von Steuerbetrug und eine bessere medizinische Versorgung. Welchen Mehrwert hierbei die Verknüpfung weitreichender Administrativdaten bietet, ist bisher noch nicht ausreichend untersucht worden. In diesem Beitrag wird am Beispiel von Antibiotikaverschreibungen für Harnwegsinfekte in Dänemark gezeigt, dass die Verknüpfung von Daten eine Verbesserung von Verschreibungsentscheidungen ermöglichen kann. Um für Deutschland vergleichbare Erkenntnisse zu gewinnen und datenbasierte, politikrelevante Anwendungen unter geltenden Datenschutzstandards zu identifizieren, ist ein Zugang zu verknüpften Administrativdaten für Forschungszwecke nötig. Hierfür müssen fragmentierte Datensilos weiter reduziert und Infrastrukturen mit Blick auf Anwendungsmöglichkeiten aufgebaut werden.

Show object

• Language: Deutsch

References and Relationships

• Bibliographic citation: Journal: DIW Wochenbericht ; ISSN: 1860-8787 ; Volume: 88 ; Year: 2021 ; Issue: 13/14 ; Pages: 239-246 ; Berlin: Deutsches Institut für Wirtschaftsforschung (DIW)

Classification and Topics

• Classification: Wirtschaft ; Econometric and Statistical Methods and Methodology: General ; Large Data Sets: Modeling and Analysis ; Analysis of Health Care Markets ; Health: Government Policy; Regulation; Public Health ; Public Policy ; Technological Change: Government Policy ; Renewable Resources and Conservation: Government Policy
• Subject: antibiotic prescribing ; prediction policy ; administrative data ; data combination

Contributors, Places and Time

• Event: Geistige Schöpfung
• (who): Huang, Shan ; Ribers, Michael ; Ullrich, Hannes
• Event: Veröffentlichung
• (who): Deutsches Institut für Wirtschaftsforschung (DIW)
• (where): Berlin
• (when): 2021

Further information

• DOI: doi:10.18723/diw_wb:2021-13-1
• Handle: http://hdl.handle.net/10419/233784