Eine Anfrage erreicht das Datenintegrationszentrum einer Universitätsklinik: Für ein Forschungsprojekt werden alle Kreatininwerte der letzten fünf Jahre benötigt – zusammen mit Diagnosen, Medikation und den zugehörigen Fallkontexten. Was nach einer einfachen Datenbankabfrage klingt, entpuppt sich als Detektivarbeit. Die Werte stammen aus zwei LIS-Generationen und drei Standorten, ein Analysegerät wurde zwischenzeitlich getauscht, die Einheiten sind uneinheitlich kodiert – und ob der lokale Code „KREA-S“ an Standort B dasselbe misst wie „Krea“ an Standort A, weiß am Ende nur eine Kollegin, die das System seit fünfzehn Jahren betreut.s.
Im Labor stellt sich dieselbe Frage in umgekehrter Richtung: Ein Analysegerät soll ersetzt werden. Welche Schnittstellen, Regeln, Auswertungen und nachgelagerten Systeme hängen an den Werten dieses Geräts? Welche Befundberichte, welche Statistiken, welche Meldewege sind betroffen? Auch hier beginnt häufig eine aufwendige Suche quer durch Systemdokumentationen, Schnittstellenbeschreibungen und das Gedächtnis erfahrener Mitarbeitender.
Beide Situationen haben dieselbe Ursache. Es fehlt nicht an Daten – es fehlt an einer verlässlichen Antwort auf drei einfache Fragen: Welche Daten haben wir? Woher kommen sie und wohin fließen sie? Und was bedeuten sie?
Das Problem: Datenlandschaften ohne Landkarte
Kliniken und Labore verwalten heute hochkomplexe Datenlandschaften: Laborinformationssysteme, KIS und PVS, Analysegeräte, Middleware, Register, Forschungsdatenbanken und zunehmend KI-Anwendungen. Die Daten liegen verteilt vor, sind uneinheitlich kodiert und selten durchgängig dokumentiert. Das Wissen darüber, was ein Feld bedeutet, woher ein Wert stammt und wer für einen Datenbestand verantwortlich ist, existiert – aber es steckt in Schnittstellenbeschreibungen, in historisch gewachsenen Konfigurationen und vor allem in den Köpfen einzelner Personen.
Die Folgen sind alltäglich: Jedes Integrationsprojekt beginnt mit einer neuen Bestandsaufnahme. Jede Forschungsanfrage erfordert manuelle Klärungsrunden. Jedes Audit bedeutet, Nachweise mühsam zusammenzutragen. Und jede personelle Veränderung birgt das Risiko, dass Wissen über die eigene Datenlandschaft unwiederbringlich verloren geht. Diagnostik leidet – das zeigt sich hier erneut – nicht primär an einem Mangel an Daten, sondern an deren Fragmentierung.
Metadaten: Katalog und Stadtplan über den Daten
Genau diese Lücke schließt eine intelligente Metadaten-Verwaltung. Sie ist ausdrücklich kein weiteres Datensilo, sondern eine beschreibende Ebene über den vorhandenen Daten – ein Katalog und Stadtplan der eigenen Datenlandschaft. Sie beantwortet strukturiert, was sonst mühsam rekonstruiert werden muss: Welche Daten gibt es – geordnet in fachliche Domänen wie Laborwerte, Vitaldaten, Mikrobiologie, Medikation oder Diagnosen, beschrieben bis auf die Ebene einzelner Datenelemente mit Bedeutung, Einheit und Wertformat. Woher kommen sie und wohin fließen sie – von der Quelle über Schnittstellen und Transformationen bis zu allen Zielen, in denen ein Wert weiterverwendet wird. Und was bedeuten sie – verankert an internationalen Standards wie LOINC, SNOMED CT, UCUM und FHIR, die aus lokalen Bezeichnungen vergleichbare, maschinenlesbare Informationen machen.
Konzepte wie Data Catalogs, Data Lineage und Datenprodukte sind in der allgemeinen Datenwelt längst etabliert. Der entscheidende Schritt ist, sie konsequent auf die diagnostische und klinische Welt zu übertragen – mit medizinischen Terminologien, regulatorischen Anforderungen und den realen Schnittstellenformaten von Labor und Klinik, von HL7 und LDT bis FHIR.
Herkunft und Ziel: Lineage als Rückgrat einer resilienten Datenlandschaft
Das Herzstück dieser Ebene ist die durchgängige Herkunfts- und Zielverfolgung, die Lineage. Jedes Datenelement ist mit seinen Quellsystemen, den durchlaufenen Transformationen und allen Zielen verknüpft – idealerweise bis auf Feldebene. Ein Kaliumwert lässt sich so vom Analysegerät über die Middleware und das LIS bis in Befundauskunft, Analytik und elektronische Patientenakte nachvollziehen.
Aus dieser Verknüpfung entsteht fast nebenbei die vielleicht wertvollste Funktion: die Wirkungsanalyse. Die Frage „Was hängt an diesem Gerät, dieser Schnittstelle, diesem Feld?“ wird von einer wochenlangen Recherche zu einer Abfrage. Der Gerätewechsel aus dem Eingangsbeispiel wird planbar, weil alle betroffenen Systeme und Auswertungen auf einen Blick sichtbar sind.
Darin liegt ein oft unterschätzter Beitrag zur Resilienz. Eine Datenlandschaft ist dann robust, wenn sie Veränderungen verkraftet: Systemwechsel, Migrationen, Ausfälle, Personalwechsel, neue regulatorische Anforderungen. Transparente Metadaten machen dieses Wissen unabhängig von einzelnen Personen verfügbar, dokumentieren Zusammenhänge nachvollziehbar für Audits und schaffen die Grundlage, um im Störungs- oder Migrationsfall schnell und fundiert zu handeln – statt im Dunkeln zu suchen.
Forschungsdaten als gleichwertige Datensätze
Ein wesentlicher Gestaltungsanspruch: Eine intelligente Metadaten-Ebene beschreibt nicht nur laufende Datenströme aus angebundenen Systemen, sondern behandelt eigenständige Datensätze gleichwertig – insbesondere solche, die in Forschungs- und Innovationsprojekten entstehen. Eine pseudonymisierte Kohorte, ein kuratierter Auswertungsdatensatz oder ein Trainingsdatensatz für ein Modell erhält denselben Katalogeintrag wie ein Live-Feed aus dem LIS: mit Schema, Herkunft, Zeitraum, Einwilligungsgrundlage, Kurationsstatus, Version und Verantwortlichen.
Gerade für Einrichtungen, die Routineversorgung und Forschung verbinden – etwa Datenintegrationszentren an Universitätskliniken –, ist das ein erheblicher Hebel: Forschungsdatensätze werden auffindbar und wiederverwendbar statt projektgebunden zu versanden, ihre Herkunft aus der Routineversorgung bleibt nachvollziehbar dokumentiert, und die Abgrenzung zwischen Versorgungs- und Forschungskontext ist explizit statt implizit. Damit werden Daten im besten Sinne erschlossen: Vorhandenes wird sichtbar, verknüpfbar und für neue Fragestellungen nutzbar – eine Grundlage für Forschung und Innovation, die weit über das einzelne Projekt hinaus trägt.
Sicherheit und Governance: Schutz beginnt mit Übersicht
Metadaten machen Daten nicht nur nutzbarer, sondern auch sicherer. Denn sensible Daten lassen sich nur dann verlässlich schützen, wenn bekannt ist, wo sie liegen und wohin sie fließen. Eine intelligente Metadaten-Verwaltung klassifiziert deshalb jedes Datenelement und jeden Datensatz: Sensibilität (personenbezogen, pseudonymisiert, anonymisiert), Rechtsgrundlage und Einwilligung, Aufbewahrungsfristen, Meldepflichten und Zugriffsregeln.
Dazu gehören klare Verantwortlichkeiten – fachliche Data Owner und operative Data Stewards je Domäne – sowie ein definierter Lebenszyklus mit Versionierung und Änderungsverfolgung. Governance wird so vom nachgelagerten Kontrollthema zum eingebauten Bestandteil der Datenlandschaft: Wer eine Auswertung plant, sieht sofort, welche Daten er nutzen darf und unter welchen Bedingungen.
KI-gestützte Auto-Modellierung – mit dem Human-in-the-Loop
Der häufigste Einwand gegen Metadaten-Initiativen ist der Pflegeaufwand – und er ist berechtigt, wenn der Katalog manuell befüllt werden soll. Der Schlüssel liegt deshalb in der Automatisierung: Die Plattform liest Strukturen aus HL7-Nachrichten, FHIR-Bundles, GDT/LDT, CSV-Dateien oder sogar Freitextdokumenten automatisch ein und schlägt das Datenmodell per KI vor – erkannte Felder, ihre mutmaßliche Bedeutung, passende Standard-Codes und die Zuordnung zu Domänen, jeweils mit Konfidenzangabe und Quellverweis.
Entscheidend ist dabei das Prinzip Mensch-in-der-Schleife: Die KI erzeugt nachvollziehbar begründete Vorschläge, die fachliche Freigabe bleibt beim Menschen, jede Entscheidung wird im Audit-Trail dokumentiert. Das entspricht einem Whitebox-Ansatz, wie er im medizinischen Umfeld unverzichtbar ist – und es macht den Aufbau eines Katalogs realistisch, der sonst an der schieren Menge scheitern würde.
Fazit und Ausblick
Intelligente Metadaten-Verwaltung erzeugt keine neuen Daten – sie erschließt die vorhandenen. Sie macht Datenlandschaften auffindbar, verständlich, sicher und steuerbar: für den Laborbetrieb, der Änderungen planbar durchführen will; für die Klinik-IT, die Abhängigkeiten und Risiken im Blick behalten muss; und für Forschung und Innovation, die auf nachvollziehbare, wiederverwendbare Datensätze angewiesen sind.
Wir bauen diese Metadaten-Ebene konsequent auf unserem etablierten Data-Management- und Harmonisierungs-Layer auf – mit semi-automatischem Mapping auf LOINC, SNOMED CT und FHIR, Terminologie-Services und einem zertifizierten Umfeld nach ISO 13485 und ISO/IEC 27001. Derzeit entwickeln wir den Ansatz aktiv weiter und bereiten die ersten Anwendungsfelder vor.
Für diese nächste Phase suchen wir Einrichtungen, die den Ansatz gemeinsam mit uns in der Praxis erproben möchten – Labore, Kliniken und Datenintegrationszentren gleichermaßen. Wenn Sie sich in den beschriebenen Fragestellungen wiederfinden oder einfach neugierig geworden sind, freuen wir uns über einen unverbindlichen Austausch.
