Wissenschaftstheorie der Pandemie Teil II
Schon im ersten Teil dieser wissenschaftsphilosophischen Darstellung wurde darauf verwiesen, dass moderne Epidemiologie einen doppelten Fokus hat: Erkenntnisse über causal chains zu gewinnen, um daraus folgend Interventionsmöglichkeiten abzuleiten und begründete Voraussagen (prediction) über Krankheitsverlauf und mögliche Therapien zu treffen. Bis dato war es ein viel diskutiertes Problem, mit wesentlichen Unsicherheiten im Umgang mit Infektionskrankheiten zu rechnen und dieses unsichere Wissen in das epistemische Grundgerüst einzubauen.
The world’s scientific community must be in a state of constant readiness to address the threat posed by newly emerging infectious diseases. Whether the disease in question is SARS in humans or BSE in animals, scientists must be able to put into action various disease containment measures when everything from the causative pathogen to route(s) of transmission is essentially uncertain. A robust epistemic framework, which will inform decision-making, is required under such conditions of uncertainty. I will argue that this framework should have reasoning at its center and, specifically, that forms of reasoning beyond deduction and induction should be countenanced by scientists who are confronted with emerging infectious diseases.
Louise Cummings, Emerging Infectious Diseases: Coping with Uncertainty, 2008 by Springer
Dann trat etwas ein, was Alex Broadbent eine “Methodological Revolution” nennt, wozu er sich ausführlich und sehr grundsätzlich äußert: Die Einführung mathematischer Methoden in die Epidemiologie mit dem Ziel, eben diese Unsicherheit einzugrenzen oder zu beseitigen durch Berechnung der möglichen Ergebnisse, genannt “Potential Outcomes Approach” und kurz “POA”.
There is an ongoing “methodological revolution” in epidemiology, according to some commentators. The revolution is prompted by the development of a conceptual framework for thinking about causation here referred to as the Potential Outcomes Approach (POA), and the mathematical apparatus of directed acyclic graphs that accompanies it. But over and above the mathematics, a number of striking theses about causation are evident, for example: that a cause is something that makes a difference; that a cause is something that humans can intervene on; and that causal knowledge enables one to predict under hypothetical suppositions. This is especially remarkable in a discipline that has variously identified factors such as race and sex as determinants of health, since it has the consequence that factors of this kind cannot be treated as causes either as usefully or as meaningfully as was previously supposed. In this paper I seek to explain the significance of this movement in epidemiology, to understand its commitments, and to evaluate them.
Alex Broadbent, Causation and prediction in epidemiology: A guide to the
“Methodological Revolution”, in: Studies in History and Philosophy of Biological and Biomedical Sciences, 2015 by Elsevier
Broadbent geht von einem Satz von Miguel Hernán of the Harvard School of Public Health auf einer Tagung 2014 aus: “causal questions are well-defined as long as interventions are well-specified.” und fragt, was das genau bedeutet. Seine Argumentation ist hochinteressant und sehr überzeugend, kann aber hier nur kurz angerissen werden.
One of the plenary sessions was devoted to “causal inference”, which in some circles has come to stand not for causal inference in general, but rather for the particular set of methods and principles that are endorsed by the revolutionaries. … On the one hand, there are new exciting methods accompanied by persuasive rhetoric. But on the other hand, the rhetoric includes some messages that directly challenge longstanding epidemiological ways of thinking. … I seek to understand the content of the revolution, and to evaluate its conceptual and methodological components.
Broadbent, a.a.O. 72f.
Er bezieht sich auf die Entwicklung mathematischer, vor allem statistischer Modelle und ihre zunehmende Bedeutung innerhalb der Epidemiologie. Dies ergibt, so Broadbent, ein neues Paradigma (framework) epidemiologischer Theoriebildung und Praxis.
… before 2000, nobody took the new “causal inference” stuff seriously; but after this pair of papers, they had to. There have since been other brilliant analyses that have also effectively formalized problems that were previously only informally manageable, and have substantially contributed to or altered our understanding of the data in question. … The mathematics is by no means the whole of the methodological revolution. Hernan’s claim that causal questions are well-defined as long as interventions are well-specified is not a mathematical claim. It is the conceptual framework giving rise to statements such as this that I want to unearth and then evaluate.
Broadbent a.a.O. 73
Dies gilt es festzuhalten, denn das könnte noch weit mehr auf die weiteren Entwicklungen zutreffen, die unter dem Stichwort precision medicine verhandelt werden. Aber schon hier, im Blick auf den Einsatz mathematischer Modelle, stellt Broadbent sehr klar fest, dass es sich bei dem Konzept des Potential Outcome Approach (POA) keineswegs nur um ein methodisches, mathematisches Konzept und um ein eher beiläufiges, recht praktisches tool handelt, sondern gewissermaßen um einen Paradigmenwechsel (Kuhn) in der wissenschaftlichen Epidemiologie als solcher.
In the broad sense … the POA is a conceptual framework for understanding causal concepts. This framework happens to be a necessary precursor for the application of certain powerful mathematical tools, but the framework is advocated not on these grounds but on independent grounds which are most naturally described as philosophical – whether or not the advocates admit that they are being philosophical. It is the broad POA that constitutes a methodological revolution, and the broad POA that is my focus in this paper.
Broadbent a.a.O. 73
Er nennt vier Thesen bzw. Themenbereiche, die diesem Denkkonzept seiner Meinung nach zugrunde liegen: die semantische These, die metaphysische These, die pragmatische These und die epistemische These (a.a.O. 76). Man sieht, es sind eminent philosophische Fragen und Problemkreise, „rather than social, political, etc.“ (73), – die aber auch! Das wird sich umso mehr zeigen, wenn wir uns der P4- bzw. precision medicine zuwenden.
Es handelt sich bei der P4-Medizin tatsächlich um eine gradlinige Fortsetzung dessen, was Broadbent als (eben nicht nur) „methodische Revolution“ analysiert und kritisiert hatte. Es geht um big data als die neue Schatztruhe der wissenschaftlichen Medizin, vielleicht aber auch um die Büchse der Pandora. Das Stichwort zum Eintritt in diese neue Welt der daten- und modellgetriebenen Medizin ist „Personalisierung“. Eine dänische Wissenschaftlerin und ein norwegischer Wissenschaftler befassen sich mit dem Thema Personalizing Medicine unter den Gesichtspunkten in silico und in socio, also den gesellschaftlichen Implikationen der Computer-Medizin. Im Abstract heißt es:
Proponents of the emerging field of P4 medicine (defined as personalized, predictive, preventive and participatory) argue that computational integration and analysis of patient-specific “big data” will revolutionize our health care systems, in particular primary care-based disease prevention. While many ambitions remain visionary, steps to personalize medicine are already taken via personalized genomics, mobile health technologies and pilot projects. An important aim of P4 medicine is to enable disease prevention among healthy persons through detection of risk factors.
Sara Green, Hernrik Vogt, Personalizing Medicine: Disease Prevention in silico and and in socio in socio, in: Humana. Mente Journal of Philosophical Studies, 2016, Vol. 30, 105-145
Insbesondere geht es den Autoren um die Probleme (challenges) der Präzisions- und Präventionsmedizin im Blick auf „overdiagnosis and overtreatment“ und im Blick auf das Verhältnis von Nutzen und Schaden in einer auf Risikofaktoren gestützten Präventionsstrategie. Dabei kommt für sie heraus:
Given the lack of evidence that P4 medicine can tip the balance between benefits and harms in preventive medicine, we raise concerns about the current promotion of P4 medicine as a solution to the current challenges in public health.
Green/Vogt a.a.O. 105
Auch dieser Aufsatz lohnt eine eigene Lektüre. An Hand von Beispielprojekten und Ergebnisprotokollen spüren sie den Verheißungen der P4-Medizin nach und stellen den globalen Nutzen für Gesundheitsvorsorge und bessere individuelle Behandlung infrage. Dabei kommen politische und soziale Voraussetzungen ans Licht, die das gepriesene Konzept doch unter erheblichen Ideologieverdacht stellen. Andere Autoren in weiteren wissenschaftlichen Beiträgen können diesen Eindruck bestätigen. Aber zunächst einmal – was will die P4-Medizin?
The goal of personalized medicine is as old as the profession, and can broadly be defined as the aim to account for those factors that make health and disease specific for each individual. What is new about P4 medicine is its emphasis on doing so “in silico” via data-integration, and “in socio” via patient participation in data collection and disease prevention. P4 medicine is based on the expectation that “big data” technologies can account for an increasing number of factors that influence health and disease, and that these data can be used to stratify the population and health problems according to various characteristics. Big data here refers to patient-specific data from various sources such as genomics, “phenomics” technologies that enable monitoring and self-monitoring of phenotypic biomarkers, health records, as well as “exposomics” that provide inputs on environmental exposure. … The hope is that in silico computational integration of these data will generate a more complete understanding of each person’s health, better risk predicting algorithms and effective preventive strategies. In socio, its implementation in the context of each socially embedded person’s life requires a change in the current structure of health care towards increasing patient participation in data collection, self-management and prevention of future diseases.
Green/Vogt, a.a.O. 106
Die „individually targeted predictive and preventive medicine“ enthält ein großes Versprechen: Den Einzelnen durch individuelle Therapie besser zu heilen, die Gesellschaft durch Vorbeugung vor großen Krankheiten (Krebs, Herz-Kreisauf-Krankheiten, Adipositas) zu schützen, Kosten zu sparen und insgesamt zu allgemeiner Gesundheit und Wohlbefinden („healthy society“) beizutragen. Dies kann und soll die Nutzung von big data ermöglichen. Personalized und patient centered meint also zu allererst die Bereitschaft, die eigenen Gesundheitsdaten, seien sie klinisch, ärztlich oder durch eigene Messungen erhoben (fitness tracker), umfassend zur Verfügung zu stellen. Erst dann ist es nämlich möglich, Risikofaktoren, genetische Dispositionen, gesundheitsrelevante Verhaltensweisen u.a. zu identifizieren und in einer zielgenauen Therapie und kontrollierten Verhaltensänderung einzugrenzen und zu minimieren. Wie so etwas aussehen kann, zeigt das ‘Hundred Person Wellness Project’ (HPWP), ein Pilotprojekt des Seattle Institute for Systems Biology 2014, das die Autoren ausführlich darstellen. Zunächst aber werden die kritischen Bereiche und Fragestellungen adressiert (Kapitel- bzw. Abschnittsüberschriften):
- Challenges of Waste and Harm: P4 Medicine in Light of the History of Preventive Medicine
- Genomic strategies and personalized genomics
- Personalized genomics: Variants of unknown significance
- Personalized genomics: False positives and false negatives
- Personalized genomics: Overdiagnosis
- Early evidence of P4 systems medicine in practice (HPWP)
- Actionable gene variants: The case of vitamin D
- Results and utility of the HPWP
- Is more “big data” the solution for predictive and preventive medicine?
- ”Participatory”: Challenges and Implications of P4 Medicine in socio
- Will P4 risk information be “actionable” for the general public?
- P4 values vs. people values
Beeindruckend und auch erschreckend ist die Zusammenfassung des Ergebnisses des HPWP:
The project diagnosed “multiple ‘actionable possibilities’ for each participant” (Hood et al., 2015b).
57% were diagnosed with an actionable “cardiovascular pattern” (abnormal lipids, particle size or density), 53% with an “inflammation pattern” (elevated inflammatory markers) and 63% were diagnosed with an actionable “nutrient insufficient pattern” (defined as “decreased levels of key nutrients”) (Hood, 2014). Regarding nutrition, the measurements had especially revealed vitamin D deficiency (Schmidt, 2014). Recommended actions against these “actionables” ranged from medication and supplements to dietary change, exercise, weight loss and stress management (Hood, 2014).
43 participants were diagnosed with prediabetes. 7 individuals were reported to have normalized and “many others had favorable improvements” in their prediabetes markers by the end of the study (Hood et al., 2015b).What is most striking about the above described results is that – at least as pioneered in the HPWP – the P4 medicine preventive strategy seems to define 100% of a population of previously well as in need of medical attention.
Green/Vogt a.a.O. 120
Beachte, es geht hier in diesem „Hundert Personen Wellness Projekt“ um gesunde Menschen, die sich wohlfühlen und keinerlei Beschwerden haben, die nach ausführlicher Diagnose und big data Modellierung allesamt behandlungsbedürftig sind. Von ‚Kostenersparnis‘ kann da kaum die Rede sein, eher ist die Frage berechtigt, ob solche Diagnosen überhaupt dem ‚Patienten‘, und nicht viele mehr der Daten- und Pharmaindustrie (big business) nützen.
Green / Vogt fragen mit einigem Recht, ob big data überhaupt zur Verbesserung von prediction and prevention beitragen können, siehe, overdiagnosis, false positive / negative . Welchen Maßstab soll es für das Urteil „behandlungsbedürftig“ (actionable) geben? Schließlich, welches Menschenbild und Gesellschaftsmodell steht hier Pate?
Labelling everyone as not well enough raises the possibility that it will be hard to feel completely healthy for people who enter such management.
As envisioned, P4 medicine is a system that expects the active participation of the whole of society far beyond the current health system, a health society with social ties based on the common quest for health in networks of wellness-seeking individuals.
Green/Vogt a.a.O. 129
Offenbar hat Alex Broadbent auch im Blick auf P4-Medizin recht: Es geht dabei nicht nur um eine Methodendiskussion von Biowissenschaftlern und Medizinern, sondern um eminent soziale, politische und ethische Fragen, welche die Wissenschaftsphilosophie herausfordern. Ist eine solche datengetriebene health care society tatsächlich gewünscht und gewollt, und wem nützt sie? Hier stehen P4 values vs. people values (Zwischentitel) konträr zueinander:
P4 medicine is promoted as “holistic” in the sense that it goes beyond gene centrism and focuses on individual biomarkers at all levels, from molecules to personal characteristics, to social networks over time. Yet, to extent that it is holistic, it represents a techno-scientific holism that widens and redefines health and wellness in quantitative terms in order to reimagine human bodies as control systems “which comply with medicine’s fantasies of perfect management” (Tutton, 2014 p. 10, quoting Waldby 2000).
Green/Vogt a.a.O. 130
Es sollte darüber nicht nur eine wissenschaftsphilosophische, sondern vielmehr eine gesellschaftliche Diskussion stattfinden, – der Einstieg in die „Digitale Patientenakte“ bietet dafür bei uns durchaus den Anlass. Aber auch rein wissenschaftlich gesehen sind die bisherigen Ergebnisse der big data P4 medicine keineswegs so überzeugend, wie von ihren Verfechtern behauptet. Zusammenfassend stellen Green / Vogt fest:
In summary, based on the historical and current challenges of preventive medicine, we find that the burden of proof for the benefits of P4 medicine should weigh heavily on those who make the promises. So far, such evidence is very limited compared to the indications that P4 medicine will increase the problems with traditional preventive medicine. Having examined early results from the HPWP, we may still conclude as Khoury et al. (2012, p. 642) that the “lack of information on the clinical utility for most proposed P4 applications produces an evidence dilemma and a conundrum for implementation into practice”. The high risk of unintentional harm and wasted resources raises an important question about the price we are willing to pay to explore the path of P4 medicine. In our view, until stronger evidence exists for health benefits and wider social implications, there are reasons to be highly skeptical of the promises of P4 medicine to offer society an economic boon and enable individuals to prevent future diseases.
Green/Vogt a.a.O. 132
Der Aufsatz von Green / Vogt hat hier deswegen breiteren Raum eingenommen, weil die Autoren beispielhaft, nämlich sehr genau, ausführlich und detailliert belegt Sinn und Risiken der P4 – Medizin darlegen und Fragen stellen, die auch bei der Diskussion der precision medicine wiederkehren.
Precision Medicine (PM) setzt auf die Nutzung von big data, insbesondere genetischer Daten (DNA Sequenzierungen), Genmarker und die Ergebnisse der sogenannten „-omics“: genomics, proteomics, lipidomics usw. Die Erwartungen sind groß hinsichtlich der möglichen Interventionen auf der Basis einer funktionalen bzw. mechanistischen Genetik. Vorausgesetzt wird dabei, dass die genetischen ‚Verhältnisse‘ immer klar erkennbar und eindeutig zuzuordnen sind. Schon die Epigenetik lässt allerdings kaum mehr zu, Gene als einfache ‚Schalter‘ zu verstehen; Genexpressionen sind abhängig von und verändern sich aufgrund vielfältiger endogener und exogener Zusammenhänge / Kausalketten. Diese zu identifizieren und im Einzelfall fruchtbar zu machen, ist eine im Einzelfall kaum zu bewältigende Aufgabe. Hier müssen mathematische Modelle zur Hilfe genommen werden, um auf dem Hintergrund der generellen Aussagen und Erwartungen (Populationsebene) Einzelfallabschätzungen vornehmen zu können ( vgl. oben Potential Outcomes Approach). Darum warnen kundige Vertreter der PM vor allzu viel Optimismus und erklären die PM zu einem hilfreichen ergänzenden Konzept insbesondere auf der klinischen Ebene.
We also set “Big data” analytics in context: recent advances may
Tim Hulsen et al., From Big Data to Precision Medicine, Frontiers in Medicine 6:34, 2019
appear to promise a revolution, sweeping away conventional approaches to medical science. However, their real promise lies in their synergy with, not replacement of, classical hypothesis-driven methods. The generation of novel, data-driven hypotheses based on interpretable models will always require stringent validation and experimental testing. Thus, hypothesis-generating research founded on large datasets adds to, rather than replaces, traditional hypothesis driven science. Each can benefit from the other and it is through using both that we can improve clinical practice.
Hier klingt schon eine weitere methodische Wende an von einer hypothesis-driven zu einer data-driven experimentation. Die Auswertung von großen Datenmengen auf Zusammenhänge, Korrelationen, Muster und Spezifika hin kann selber eine datengestützte Hypothesenbildung ermöglichen – in Ergänzung oder Überwindung erfahrungsbasierter Theoriebildung. Dann taucht aber ein weiteres Problem auf:
However, lost under a deluge of data, the goal of understanding may often seem just as distant as when we only had more limited numbers of measurements to contend with. If our goal is to understand the complexity of disease, we must be able to make sense of the complex volumes of data that can now be rapidly generated. Indeed, there are few systems more complex than those encountered in the field of biomedicine.
Precision medicine can be succinctly defined as an approach to provide the right treatments to the right patients at the right time.
Hulsen a.a.O. 2
Genau dadurch ist aber das Problem benannt: Die richtigen Daten aus der zutreffenden Aggregation in die richtigen Zusammenhänge / Modelle zu stellen, um daraus für den Einzelfall Prognosen und Interventionen abzuleiten. Hier wird es besonders haarig. Es geht, so führen Hulsen et al. aus, einerseits um die Kompatibilität der Datenformate und -systeme, die Standardisierung und Zusammenführung der medizinischen Daten in medical data warehouses, um den berechtigten Zugriff von Forschung und Kliniken auf diese Datenmengen, – und andererseits um den Schutz der Daten und die Klärung der data ownership, wem also rechtlich die Daten gehören. Ein Vorschlag dazu sind die FAIR principles for data management and stewardship (siehe Hulsen a.a.O. Tabelle S. 5).
Schließlich bleibt die Aufgabe der Validierung der Daten, – angesichts der rasant steigenden Datenmengen keine triviale Aufgabe. Das wissenschaftliche Prinzip der orts- und zeitunabhängigen Wiederholbarkeit (replication) von Experimenten ist angesichts Anonymisierung und Stratifikation zugrundeliegender Einzeldaten kaum mehr möglich. Wie kann dann eine Validierung der Daten, die in mathematischer Modelle einfließen, gewährleistet werden? Auch hierfür gibt es Vorschläge und Modelle, die allererst erprobt werden müssen. Der Optimismus der Vertreter von PM beruht aber auf den neuen Möglichkeiten des machine learning bzw. der Anwendung von artificial intelligence – und der Bildung von Netzwerken der Akteure:
Forming collaborative networks—sharing samples, data, and methods—is now more important than ever and increasingly requires building bridges to less traditional collaborating specialities such as engineering, computer science and to industry. Such increased interaction is unavoidable if we are to ensure that mechanistic inferences drawn from Big data are robust and reproducible. Infrastructure capacity will require constant updating, while regulation and stewardship must reassure the patients from whom it is sourced that their information is handled responsibly.
Hulsen, a.a.O. 12
Letzteres ist ein Problem, das andere weniger optimistisch beurteilen: Wie nämlich big data und Patienten- und Diskriminierungsschutz gewährleistet werden können. Diesem Thema widmet sich eine weitere Forschergruppe in einem Aufsatz:
As opposed to a ‘one size fits all’ approach, precision medicine uses relevant biological (including genetic), medical, behavioural and environmental information about a person to further personalize their healthcare. This could mean better prediction of someone’s disease risk and more effective diagnosis and treatment if they have a condition. Big data allows for far more precision and tailoring than was ever before possible by linking together diverse datasets to reveal hitherto-unknown correlations and causal pathways. But it also raises ethical issues relating to the balancing of interests, viability of anonymization, familial and group implications, as well as genetic discrimination. This article analyses these issues in light of the values of public benefit, justice, harm minimization, transparency, engagement and reflexivity and applies the deliberative balancing approach found in the Ethical Framework for Big Data in Health and Research.
G.Owen Schaefer et al., Precision Medicine and Big Data. The Application of an Ethics Framework for Big Data in Health and Research, Asian Bioethics Review (2019) 11:275–288
Schaefer et al. gehen davon aus, dass es unterschiedliche Interessen hinsichtlich der PM gibt, die nicht ausgeblendet werden dürfen: Forschung, Industrie Kliniken, Ärzte, Krankenversicherungen, Politik, Öffentlichkeit haben durchaus unterschiedliche, möglicherweise gegensätzliche Erwartungen an die moderne Medizin, insbedsondere PM. Probleme besonderer Art sind die Gegebenheit genetischer Diskriminierung (Gen- Marker für ‚Rasse‘, Geschlecht, soziale Prädisposition usw.) und das finanzielle Interesse, das sich auf die Wohlhabenden richtet; 90% der pharmazeutischen Forschung richtet sich an 10% der Weltbevölkerung aus. Schließlich könnte ein Druck durch die Krankenversicherungen aufgebaut werden, sich einer Gesundheitsüberwachung und Präventionsmaßnamen zu unterziehen, wenn genetische Dispositionen für bestimmte Krankheiten vorliegen. Hier können unterschiedliche Prämien das Solidarprinzip unterlaufen. Auch der Datenschutz, das heißt der Schutz der Privatsphäre und der geteilten Daten des Patienten ist gesondert zu bedenken, gerade wenn die Verlockung zur unbegrenzten Nutzung zum Beispiel der Klinikdaten für die Forschung groß sein mag. Dabei ist Transparenz und Reflexivität einzufordern, also Offenheit und Bedachtsamkeit hinsichtlich einer Folgenabschätzung des (individuellen) Schadens und (allgemeinen) Nutzens. In einer interessanten Überlegung stellen sich die Autoren die Frage, welche Modelle und Lösungen es geben könnte für eine Klinik, die darüber entscheiden möchte, ihre Daten der wissenschaftlichen Forschung zur Verfügung zu stellen. Die Autoren fassen zusammen:
The realization of the promise of precision medicine requires the collation and analysis of substantial amounts of big data. Part of that process should involve critical reflection not just on what innovations can be generated but also how the benefits will be distributed fairly among the population. The same applies to the potential harms from the data use; anonymization is becoming more limited as a tool for mitigation, and in any case, there are potential ramifications for groups if results are poorly framed and reinforce objectionable stereotypes. The large role of genetics in precision medicine is also relevant, as data may reveal information about family members who are not technically part of a given dataset, and the spectre of genetic discrimination looms — especially in jurisdictions that currently lack, or have incomplete, anti-discrimination frameworks. Attending to shared values of the sort highlighted here can help stakeholders grapple with these issues and contribute towards earning public trust in the enterprise of precision medicine.
Schaefer et al., a,a,O. 286
Wie sich gezeigt hat, befindet sich auch die Medizin im digitalen Umbruch. Sowohl die Evidenzbasierte Medizin als auch die Präzisionsmedizin versprechen durch die Nutzung von big data und mathematischen Modellierungen einen positiven Schub für die Heilungsaussichten des einzelnen Patienten ebenso wie für die allgemeine Gesundheitsvorsorge in einer Gesellschaft. Dass hier nicht ohne Interessen agiert wird, ist eigentlich selbstverständlich, wird aber oft ignoriert. Während der Pandemie sind einige Konfliktlinien zwischen medizinischer Wissenschaft, Politik und Gesellschaft zu Tage getreten. Das ist wenig verwunderlich, wenn es um so weitreichende Entscheidungen geht, die die Aufrechterhaltung der (intensiv-) medizinischen Versorgung, das Recht auf Bildung und die wirtschafts- und sozialpolitische Verantwortung betreffen. Dabei hat der Streit um wissenschaftliche Evidenz ebenso eine Rolle gespielt wie die Frage nach Notwendigkeit und Nutzen der Digitalisierung.
Big data stand insofern im Hintergrund, als die Vielzahl der Studien zur Forschung über SARS-COV-2 ebenso wie die Entwicklung von Vakzinen und die Abschätzung der Wirkung nichtpharmazeutischer Interventionen ohne datengestützte Modellierungen und Prozesssteuerung gar nicht mehr denkbar sind. Diskussionen darüber, welche Gesellschaft gesundheitspolitisch gewollt ist, ob eine health care society eher als Segen oder als Fluch erscheinen, sind nach der Pandemie zu führen. Das geht dann weit über die technischen Fragen hinaus, wieweit Gesundheitsämter digitalisiert sind. Aber auch dies spielt natürlich eine Rolle im Hinblick auf Vertrauen und Kontrolle beim Datenteilen und Datenschutz. Wissenschaftsphilosophie und insbesondere Wissenschaftsethik können hier im Rahmen der politischen Veranwortung der Wissenschaft Leitfragen entwickeln und als Impulsgeber und Katalysatoren wirken.
Anmerkung
Auch dieser zweite Beitrag (den ersten Teil siehe hier ) geht zurück auf das Seminar „Philosophie der Epidemiologie und der evidenzbasierten Medizin“ von Prof. Dr. Ulrich Krohs, WWU Münster, im Sommersemester 2021.
Der gesamte Text beider Blogbeiträge ist als PDF-Text downzuloaden.
.art