Datenqualitätsbewertung

Einfache Datenqualitätsbewertung für eine transparente Forschung

NFDI4Health erleichtert Datenqualitätsbewertung mit vielseitigen Konzepten und Werkzeugen, um Forschung FAIRer zu gestalten.
Image
Herbstworkshop Datenqualität und initiale Datenanalyse, November 2022 © TMF
Der Umgang mit Datenqualität in den Gesundheitswissenschaften ist durch ein beeindruckendes Paradoxon gekennzeichnet. Einerseits hängt eine zuverlässige wissenschaftliche Arbeit von einer hohen Datenqualität ab. Auf der anderen Seite wird zwar viel Aufwand in das Design und die Durchführung von Studien gesteckt, dies gilt aber nicht in gleichem Maße für die reproduzierbare und transparente Durchführung von Datenqualitätsbewertungen. NFDI4Health widmet sich daher der Aufgabe, die effiziente Durchführung solcher Bewertungen zu erleichtern. Dies geschieht durch die Entwicklung von Konzepten und Werkzeugen, deren Bereitstellung und durch deren Vermarktung in der Community. Wie groß das Interesse an diesem Thema ist, zeigte dem vom NFDI geförderte Herbstworkshop 2022, der in Zusammenarbeit mit der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS), der Technologie- und Methodenplattform für vernetzte medizinische Forschung (TMF) der Deutschen Gesellschaft für Epidemiologie (DGEpi), der Deutschen Region der Internationalen Biometrischen Gesellschaft (IBS -DR), der Deutschen Gesellschaft für Sozialmedizin und Prävention (DGSMP) und der internationalen Initiative STRengthening Analytical Thinking for Observational Studies (STRATOS) im November in Berlin stattfand. An diesem zweitägigen Workshop nahmen etwa 140 Forschende teil. Eine Nutzergruppe für die Bewertung der Datenqualität ist auf der Basis derzeit in Vorbereitung.

Die Sensibilisierung für Konzepte und Instrumente zur Bewertung der Datenqualität ist ein wichtiger Schritt auf dem Weg zu einer effizienteren und transparenteren Gesundheitsforschung.

Weitere Informationen zum Thema finden sich hier.
Image

Unsere Services

Health Study Hub

Der German Central Health Study Hub ermöglicht Wissenschaftler:innen, ihre Projektcharakteristika, Dokumente und Daten im Zusammenhang mit ihrem Forschungsvorhaben in einer FAIRen Weise zu veröffentlichen oder Informationen über vergangene und laufende Studien finden.

Data Train

Das fächerübergreifende Ausbildungsprogramm Data Train, ein Kernelement des NFDI4Health-Ausbildungskonzepts, zielt darauf ab, die nächste Generation von datenkundigen Forscher:innenn in den biomedizinischen Wissenschaften auszubilden.

Personal Health Train

Um datengesteuerte Innovationen in der Medizin zu fördern, haben wir eine verteilte Analyseinfrastruktur entwickelt, die die Forschung an sensiblen Daten ohne vorherige Datenfreigabe ermöglicht und gleichzeitig verschiedene Datenformate unterstützt: den Personal Health Train.

Local Data Hub

Mit dem LDH liefern wir eine Web-Lösung für transparentes und FAIRes DataSharing. Von der Suche im German Central Health Study Hub gelangen Interessenten zu den Projekten in Ihrer lokalen Plattform zum Forschungsdatenmanagement – dem Local Data Hub.

Datenpublikation

NFDI4Health schafft Verfahren für die FAIRe Veröffentlichung von Gesundheitsstudien ohne den Schutz der Daten zu gefährden. NFDI4Health hat einen Metadatenstandard und ein Verfahren für die Veröffentlichung von Gesundheitsstudien und deren Daten entwickelt, um Gesundheitsdaten FAIR zu machen.

Datenharmonisierung

Um Gesundheitsstudien und ihre Daten FAIR (Findable, Accessible, Interoperable and Reusable - auffindbar, zugänglich, interoperabel und wiederverwendbar) zu machen, haben wir Leitlinien und Standards für die Beschreibung von Metadaten und den Datenaustausch entwickelt.

Datenqualitätsbewertung

Es ist paradox: Einerseits hängt eine gute wissenschaftliche Arbeit von einer hohen Datenqualität ab. Auf der anderen Seite wird zwar viel Aufwand in das Design und die Durchführung von Studien gesteckt, nicht aber in die Datenqualitätsbewertungen. Wir helfen, die effiziente Durchführung solcher Bewertungen zu erleichtern.

DataSHIELD

Ausbau von dezentralen Forschungsprojekten mit DataSHIELD: Bisher verhindern Datenschutzbedenken und das Fehlen von spezieller IT-Infrastruktur die Ausweitung von institutsübergreifenden Forschungsprojekten. Das soll DataSHIELD ändern.