In der Schweiz ist die Nutzung elektronischer Gesundheitsdaten stark eingeschränkt, doch bieten Abrechnungsdaten der Krankenkassen eine wertvolle Informationsquelle zu medizinischen Behandlungen, Gesundheitskosten und Patientenmerkmalen. Dieses Projekt untersucht, inwiefern Machine Learning (ML) auf diese Daten angewendet werden könnte, indem geeignete Anwendungsfälle für prädiktive Modelle identifiziert werden. Ziel ist es, die statistische sowie praktische Machbarkeit solcher Anwendungen systematisch zu untersuchen.

In dieser ersten Projektphase wurden drei geeignete Anwendungsfälle durch eine umfassende Literaturrecherche und eine systematische Bewertung der Datenanforderungen identifiziert. Folgende Bewertungskriterien wurden herangezogen:

• Die generelle Machbarkeit des Anwendungsfalls basierend auf bestehender Forschung und Literatur
• Die Replizierbarkeit mit Schweizer Abrechnungsdaten (möglicherweise ergänzt durch weitere Datenquellen)
• Die Verfügbarkeit und Qualität der erforderlichen Daten bei Schweizer Krankenversicherern

Diese Vorarbeiten legen die Grundlage für zukünftige ML-Anwendungen, indem sichergestellt wird, dass die ausgewählten Anwendungsfälle sowohl relevant als auch in der Schweiz umsetzbar sind. Das Projekt konzentriert sich darauf, das Potenzial von Abrechnungsdaten für prädiktive Gesundheitsanalysen zu erkunden, etwa zur Vorhersage von Hospitalisierungen, zur Bewertung der Medikamentenadhärenz und zur Identifikation von Risikopatienten.

Durch die Untersuchung möglicher Anwendungsfälle und die Bewertung praktischer Implikationen soll diese Studie dazu beitragen, den verantwortungsvollen und effektiven Einsatz datengetriebener Ansätze im Schweizer Gesundheitssystem zu fördern.