24.02.2026. Wie unterstützt das Forschungsdatenportal für Gesundheit (FDPG) der Medizininformatik-Initiative die Forschung von Clinician Scientists und anderen Wissenschaftlerinnen und Wissenschaftlern? Mit dieser und weiteren Fragen befassen wir uns in unserer Serie zu Clinician Scientists. Dieses Mal haben wir mit dem Arzt und Wissenschaftlichem Mitarbeiter Dr. Carlos R. Hölzing vom Universitätsklinikum Würzburg und der Universitätsmedizin Greifswald gesprochen.
1. Aus welchen Gründen sind das FDPG und die dort bereitgestellten Daten für Ihre Forschung von besonderer Bedeutung?
Das Forschungsdatenportal Gesundheit vereint eine große Variablenvielfalt mit multizentrischer Datennutzung über mehrere Universitätskliniken hinweg. Dadurch können komplexe klinische Zusammenhänge differenziert analysiert und ausreichend große Kohorten generiert werden. Gerade im Risiko- und Qualitätsmanagement ist diese Multizentrik entscheidend. Seltene Ereignisse, schwerwiegende Komplikationen oder strukturelle Sicherheitsprobleme lassen sich nur dann valide untersuchen, wenn große populationsbasierte Datensätze verfügbar sind. Einzelzentrumsanalysen stoßen hier schnell an statistische Grenzen. Hinzu kommt die Möglichkeit der vorgelagerten Machbarkeitsanalyse. Bereits vor Projektstart kann unter definierten Ein- und Ausschlusskriterien abgeschätzt werden, welche Fallzahlen realistisch erreichbar sind. Das schafft Planungssicherheit und ermöglicht methodisch saubere Studien, insbesondere bei sicherheitsrelevanten Fragestellungen mit niedriger Ereignisrate.
2. Welche wissenschaftlichen Fragestellungen bildeten den Schwerpunkt Ihres Projekts?
Mein wissenschaftlicher Schwerpunkt liegt im Bereich Patientensicherheit in der Anästhesiologie und Notfallmedizin, mit einem besonderen Fokus auf systemischer Risikoanalyse, Human Factors und KI-gestützten Präventionsstrategien. Ich untersuche, wie sicherheitsrelevante Ereignisse entstehen, welche systemischen Muster ihnen zugrunde liegen und wie sich diese mithilfe strukturierter Routinedaten und moderner Analysemethoden identifizieren lassen. Im konkreten Projekt lag der Schwerpunkt auf der Frage, ob Art und Zeitpunkt operativer Eingriffe mit einem erhöhten Risiko für Komplikationen und Never Events assoziiert sind. Ziel war es, potenziell kritische Zeitfenster, prozedurbezogene Risikokonstellationen und strukturelle Einflussfaktoren sichtbar zu machen. Da klassische Never Events extrem selten auftreten, wurde der Fokus methodisch erweitert und auf Hospital-Acquired Complications übertragen. Ergänzend wurde ein erklärbares KI-basiertes Risikomodell entwickelt, um individuelle Risikoprofile abzuleiten und transparent darzustellen, welche Faktoren das Komplikationsrisiko maßgeblich beeinflussen.
3. In welcher Weise hat die Medizininformatik-Initiative Ihre Forschung konkret gefördert oder unterstützt?
Die Medizininformatik-Initiative hat durch die Harmonisierung, Standardisierung und technische Bereitstellung der Daten die Grundlage für eine belastbare multizentrische Analyse geschaffen. Insbesondere die Nutzung des Kerndatensatzes ermöglichte eine standortübergreifende Definition von Operationen und Komplikationen. Ohne diese strukturierte Vorarbeit wäre eine vergleichbare Analyse nur mit erheblichem individuellen Abstimmungsaufwand zwischen den Zentren möglich gewesen. Zudem gehörte unser Projekt zu den frühen Vorhaben im Forschungsdatenportal Gesundheit. Dadurch bestand die Möglichkeit, Prozesse aktiv mitzugestalten, Rückmeldungen zu geben und Abläufe iterativ zu verbessern.
4. Mit welchen Herausforderungen sahen Sie sich im Verlauf Ihres Projekts konfrontiert?
Die größte Herausforderung bestand in der Analyse sehr seltener Ereignisse. Klassische Never Events treten so selten auf, dass selbst in einem großen multizentrischen Datensatz keine belastbare statistische Modellierung möglich war. Hinzu kamen Unterschiede in der Kodierpraxis zwischen den Standorten sowie eine begrenzte Spezifität administrativer ICD-Codes für hochkomplexe klinische Sachverhalte. Dadurch wurde deutlich, dass reine Kodierlogik nicht immer klinische Realität abbildet. Eine weitere Herausforderung lag in der Definition einer geeigneten Zielvariable. Die Entscheidung, den Fokus auf Hospital-Acquired Complications zu erweitern, war methodisch notwendig, um eine ausreichende Ereigniszahl und damit valide Modellierung zu ermöglichen. Gleichzeitig musste transparent gemacht werden, dass es sich um assoziative, nicht kausale Analysen handelt. Schließlich erforderte die Entwicklung eines erklärbaren Risikomodells eine sorgfältige Balance zwischen Modellleistung und Interpretierbarkeit, insbesondere im klinischen Kontext, in dem Transparenz eine zentrale Voraussetzung für Akzeptanz ist.
5. Welche Ratschläge würden Sie anderen Clinician Scientists mit auf den Weg geben?
Essentiell wichtig ist die Vernetzung mit anderen Wissenschaftlerinnen und Wissenschaftlern. Wissenschaft entsteht nicht isoliert. Im Austausch werden Annahmen überprüft, methodische Schwächen früh erkannt und neue Perspektiven eröffnet. Unterschiedliche fachliche Hintergründe führen zu Synergien, die sowohl inhaltlich als auch methodisch zu besseren Projekten führen. Gerade für junge Clinical Scientists beschleunigt ein aktives Netzwerk die eigene Entwicklung deutlich. Ebenso zentral ist eine saubere Methodik. Fragestellungen müssen präzise formuliert, Zielvariablen klar definiert und Analysepläne nachvollziehbar strukturiert sein. Methodische Disziplin schafft Glaubwürdigkeit und verhindert, dass Projekte im Nachhinein korrigiert werden müssen. Für die Manuskripterstellung sollten konsequent Reporting-Guidelines verwendet werden. Checklisten sind kein formaler Zusatz, sondern strukturieren Denken und Studiendesign von Beginn an.
6. Welche Weiterentwicklungen des FDPG würden Sie sich wünschen, um zukünftige Forschungsprojekte noch besser zu unterstützen?
Für mich als Anästhesist wäre ein konsequenter Ausbau des ICU-Moduls, perspektivisch ergänzt um ein strukturiertes OP-Modul, von besonderer Bedeutung. Gerade für Fragestellungen im perioperativen und intensivmedizinischen Kontext eröffnet dies erhebliches Potenzial. In der Intensivmedizin stehen hochgranulare Daten zur Verfügung: kontinuierliche Vitalparameter, Beatmungsparameter, Katecholamindosierungen, Laborverläufe sowie etablierte Scores zur Organfunktion. Multizentrisch harmonisiert ergeben diese Daten eine analytische Tiefe, die weit über klassische administrative Routinedaten hinausgeht. Für die Risikoanalyse, Qualitätsbewertung und insbesondere für das Training leistungsfähiger KI-Modelle sind solche strukturierten, longitudinalen Datensätze essenziell. Ein Ausbau in diese Richtung würde die Translation von datengetriebener Forschung in die klinische Entscheidungsunterstützung erheblich beschleunigen.