Überwachung von Ausbrüchen bei der Überwachung von Krankheiten im Kontext der Datenwissenschaft (MOOD)

In einem sich wandelnden Umfeld aufgrund des Klimawandels, der Mobilität von Tieren und Menschen, des Bevölkerungswachstums und der Urbanisierung besteht ein erhöhtes Risiko für das Auftreten neuer und exotischer Krankheitserreger. Beamte des öffentlichen Gesundheitswesens, die mit dem Schutz der Bürger vor Ausbrüchen von Infektionskrankheiten betraut sind, stützen sich in der Regel auf offizielle Berichte über bestimmte Krankheiten von Gesundheitsdienstleistern (indikatorbasierte Überwachung oder IBS). Aber zunehmend nutzen sie die ereignisbasierte Überwachung (EBS) und nutzen Berichte, Geschichten, Gerüchte und andere Informationen, die über formelle oder informelle Kanäle wie Blogs, Hotlines und soziale Medien übertragen werden. Der Vorteil von EBS ist seine Aktualität, da es Ereignisse widerspiegelt, bevor viele Patienten Gesundheitsdienstleister besucht haben oder positive Testergebnisse erhalten haben.

Das von der EU finanzierte MOOD-Projekt nutzt das Data Mining und die Analyse von Big Data, um den Nutzen von EBS zu verbessern. Natürlich wäre es nicht komplett ohne eine Online-Plattform, die eine routinemäßige Nutzung fördern, Echtzeitanalysen ermöglichen und die Datenerfassung und -interpretation verbessern soll. Das MOOD-Projekt zielt darauf ab, die Data Mining- und Analysetechniken für Big Data aus mehreren Quellen zu nutzen, um die Erkennung, Überwachung und Bewertung neu auftretender Krankheiten in Europa zu verbessern. Zu diesem Zweck wird MOOD eine Rahmen- und Visualisierungsplattform schaffen, die eine Echtzeitanalyse und Interpretation epidemiologischer und genetischer Daten in Kombination mit ökologischen und sozioökonomischen Kovariaten in einem integrierten sektorübergreifenden, interdisziplinären Ansatz für einen Gesundheitsbereich ermöglicht:

1. Data Mining-Methoden zur Erfassung und Kombination heterogener Big Data;
2. Ein Netzwerk von Seuchenexperten zur Definition der Ursachen des Auftretens von Krankheiten;
3. Datenanalysemethoden, die auf die Big Data angewendet werden, um das Auftreten und die Ausbreitung von Krankheiten zu modellieren;
4. Gebrauchsfertige Online-Plattform für Endnutzer, d. h. nationale und internationale Organisationen im Bereich der menschlichen und tierärztlichen Gesundheit, die auf ihre Bedürfnisse zugeschnitten sind, ergänzt durch Kapazitätsaufbau und Netzwerk von Krankheitsexperten, um die Risikobewertung von erkannten Signalen zu erleichtern.

Mood Output wird mit Endbenutzern entwickelt und entwickelt, um ihre routinemäßige Verwendung während und außerhalb von MOOD zu gewährleisten. Sie werden auf luftgetragenen, vektorgetragenen, wassergetragenen Modellerkrankungen getestet und fein abgestimmt, einschließlich antimikrobieller Resistenzen. Umfangreiche Konsultationen mit den Endnutzern, Studien zu den Hindernissen für den Datenaustausch, Verbreitung und Schulungsmaßnahmen sowie Studien zur Kostenwirksamkeit des MOOD-Outputs werden die künftige nachhaltige Nutzung der Nutzer unterstützen.