Development of a self-learning risk score with real world data sources:The RABATT study,Entwicklung eines selbstlernenden Risikoscores an Real-World-Datenquellen:Die RABATT-Studie
Das vom Innovationsausschuss des Gemeinsamen Bundesausschuss für drei Jahre (2019–2022) geförderte Projekt „Risikoscores für eine algorithmenbasierte behandlerunabhängige Aufklärung zum Therapieerfolg und zur Therapieempfehlung“ (RABATT) verfolgt das Ziel, verfügbare Routine- und Registerdaten zur Behandlung der peripheren arteriellen Verschlusskrankheit (PAVK) intelligent zu nutzen. Es sollen selbstlernende Algorithmen und mobile Applikationen entwickelt werden, die eine informierte objektive Aufklärung und die Wahl der bestmöglichen Therapie trotz teilweise fehlender Evidenzbasis unterstützen. Dabei sollen wesentliche Fragen aus den Bereichen Datenschutz- und Haftungsrecht, Sozialrecht und Ethik beantwortet werden. Dieser Beitrag gibt einen Überblick über die primären Fragestellungen und methodischen Projektschritte.
The RABATT study (risk scores for an algorithm-based objectifiable clarification on treatment success and treatment recommendation) is funded for 3 years from 2019 to 2022 by the Innovation Fund of the German Federal Joint Committee (Gemeinsamer Bundesausschuss). The RABATT study aims to develop intelligent methods to use available health insurance claims data and registry data in the treatment of patients with peripheral arterial disease (PAD). The study consortium will develop self-learning algorithms and mobile applications to overcome the paucity of evidence and provide informed objective clarification and optimal choice of treatment for patients with PAD. This project further aims to answer essential questions in terms of data privacy and liability rights, social law and ethics in research and quality improvement. This article provides an overview on relevant questions and methodological project stages.