.png)
Studien setzen heute zunehmend auf Echtzeitdaten, ortsunabhängige Teilnahme und kontinuierliche Messungen mit Wearables und anderen digitalen Tools. Dieser Wandel ermöglicht tiefere Einblicke, größere und vielfältigere Studienpopulationen sowie längere Beobachtungszeiträume. Gleichzeitig wirft er eine neue Frage auf, die im Zentrum moderner Studienplanung steht: Was macht eine digitale Studieninfrastruktur wirklich praxistauglich?
Forschende sind inzwischen stärker in technische Aspekte der Studie eingebunden, die früher im Hintergrund abgewickelt wurden. In der heutigen Forschungspraxis führt eine unzureichende Infrastruktur zu Datenlücken, Rauschen und Verzerrungen, die sich auch durch umfassende Analysen im Nachhinein nicht vollständig korrigieren lassen. Eine leistungsfähige Infrastruktur hingegen unterstützt unauffällig den gesamten Studienlebenszyklus – von der Rekrutierung und Einwilligung über die Datenerhebung bis hin zu Monitoring und Analyse.
Darüber hinaus suchen Forschende nach Systemen, die mehrere Datenquellen verarbeiten, den Aufwand für Teilnehmende reduzieren und Datenflüsse transparent machen, ohne ständige manuelle Eingriffe zu erfordern. Sie brauchen Flexibilität ohne Abstriche bei der Präzision und Geschwindigkeit, ohne das Vertrauen zu gefährden. Wir gehen der Frage nach, ob das in der heutigen Forschungswelt zu viel verlangt ist.
Dieser Artikel beleuchtet die zentralen Fragen, die Forschende heute bei der Bewertung digitaler Studieninfrastrukturen stellen. Er zeigt, was ein praktisches Tool von einer tragfähigen Grundlage für wissenschaftlich fundierte, skalierbare Forschung unterscheidet.
Die folgende Tabelle bietet einen schnellen Überblick, bevor wir die einzelnen Aspekte näher betrachten.
| Aspekt | Bedeutung in der Praxis | Relevanz für die Forschung |
|---|---|---|
| Wissenschaftlich belastbare Datenqualität | Präzise Messungen, erkennbare Datenlücken und Konsistenz im Zeitverlauf sowie über Geräte und Firmware-Versionen hinweg | Sichert vertrauenswürdige, reproduzierbare Ergebnisse, die im Peer-Review und bei regulatorischen Prüfungen Bestand haben |
| Rohdaten vs. verarbeitete Daten | Zugriff auf rohe oder minimal verarbeitete Signale neben abgeleiteten Kennzahlen und Zusammenfassungen | Ermöglicht unabhängige Validierung, erneute Verarbeitung bei veränderten Forschungsfragen und die Überprüfung von Annahmen |
| Interoperabilität | Unterstützung verschiedener Wearables, Sensoren, Smartphones und Gesundheits-Apps | Erleichtert die Einbeziehung von Teilnehmenden, bildet Alltagsverhalten ab und vermeidet die Abhängigkeit von einem einzigen Anbieter |
| Vermeidung von Vendor-Lock-in | Geräteunabhängige Datenpipelines und flexible Integrationen | Schützt Langzeitstudien vor den Folgen eingestellter Gerätemodelle, geänderter Preise oder angepasster Produkt-Roadmaps |
| Ethik & regulatorische Compliance | DSGVO, HIPAA und lokale ethische Vorgaben sind im Systemdesign verankert | Schützt die Rechte der Teilnehmenden, ermöglicht Genehmigungen und erhält das Vertrauen der beteiligten Institutionen |
| Einwilligungsmanagement | Ausdrückliche, widerrufbare Einwilligung mit vollständigen Audit-Trails | Belegt ethische Integrität und Rechenschaft gegenüber Ethikkommissionen und Aufsichtsbehörden |
| Datenminimierung & Zugriffskontrolle | Erhebung ausschließlich notwendiger Daten mit rollenbasiertem Zugriff | Reduziert Risiken und bewahrt zugleich den wissenschaftlichen Wert |
| Flexible Infrastruktur | Möglichkeit, Protokolle, Endpunkte und Datenquellen während der Studie anzupassen | Unterstützt iterative Forschung, ohne Studien neu starten oder ihre Kontinuität unterbrechen zu müssen |
| Skalierbarkeit | Ausweitung von Pilotstudien auf länder- oder standortübergreifende Studien | Ermöglicht Wachstum ohne Abstriche bei Leistung, Datenqualität oder Compliance |
| Datenstandardisierung | Harmonisierte Datenmodelle, eindeutige Metadaten und einheitliche Einheiten | Reduziert nachträgliche Datenbereinigung, ermöglicht die Wiederverwendung und unterstützt studienübergreifende Analysen |
In der Forschung bemisst sich Datenqualität weniger an einer ansprechenden Darstellung als an wissenschaftlicher Zuverlässigkeit. Wissenschaftlich belastbare Daten müssen über die Zeit vertrauenswürdig bleiben, ihre Entstehung muss transparent sein, und sie müssen eine solide Grundlage für Validierung, Replikation und Peer-Review bieten. Das ist besonders bei digitalen Studien entscheidend, die auf Wearables und dezentraler Datenerhebung beruhen: Hier sorgen Geräteverhalten, die Adhärenz der Nutzenden und Umwelteinflüsse für natürliche Schwankungen.
Wissenschaftlich belastbare Daten müssen mindestens drei zentrale Kriterien erfüllen:
Tatsächlich sind Datenlücken in Studien unter Alltagsbedingungen unvermeidlich. Sie müssen jedoch erkennbar und nachvollziehbar sein, statt stillschweigend aufgefüllt oder ignoriert zu werden. Ebenso wichtig ist die zeitliche Konsistenz. Forschende müssen sich darauf verlassen können, dass heute erhobene Daten mit Daten vergleichbar sind, die Wochen oder Monate später erfasst werden – auch wenn sich Geräte, Firmware oder Nutzungsverhalten ändern.
Ein weiterer verbreiteter Irrtum ist, dass stark verarbeitete Kennzahlen grundsätzlich besser seien. Tatsächlich sind rohe oder minimal verarbeitete Signale oft wichtiger als aufbereitete Zusammenfassungen, denn sie ermöglichen Forschenden:
Moderne Forschungsinfrastruktur muss insgesamt anerkennen, dass Daten nicht perfekt sind. Rauschen, fehlende Werte und Unterschiede zwischen Geräten sind keine Mängel, die es zu verbergen gilt, sondern Realitäten, mit denen transparent umgegangen werden muss. Das Ziel sind nicht fehlerfreie Daten, sondern Daten, die Forschende verstehen, denen sie vertrauen und die sie kritisch bewerten können. Genau das macht digitale Studien letztlich wissenschaftlich glaubwürdig.
Interoperabilität ist zu einer zentralen Anforderung an moderne digitale Forschung geworden. Studien, die sich auf ein einziges Gerät oder einen einzigen Anbieter stützen, verlieren an Bedeutung. Teilnehmende nutzen bereits unterschiedlichste Wearables, Smartphones und Gesundheits-Apps. Alle auf ein einziges Ökosystem festzulegen, erschwert häufig die Rekrutierung, erhöht die Abbruchquote und schränkt die Alltagsrelevanz ein.
Aus Forschungssicht ermöglicht Interoperabilität Flexibilität und Skalierung. Wenn Studien mehrere Geräte und Datenquellen unterstützen, bilden sie das tatsächliche Alltagsverhalten besser ab und liefern Ergebnisse, die sich über eine eng begrenzte Nutzergruppe hinaus verallgemeinern lassen. Zudem schützt Interoperabilität Forschungsteams davor, von der Produkt-Roadmap, der Preisgestaltung oder den technischen Grenzen eines einzelnen Herstellers abhängig zu sein.
Interoperabilität ist vor allem aus folgenden Gründen wichtig:
Ebenso wichtig ist es, einen Vendor-Lock-in zu vermeiden. Forschungsprojekte erstrecken sich oft über Jahre, während die Lebenszyklen von Geräten deutlich kürzer sind. Eine interoperable Infrastruktur ermöglicht es Forschenden, neue Sensoren einzubinden, Technologien zu aktualisieren oder den Studienumfang zu erweitern, ohne die gesamte Datenpipeline neu gestalten zu müssen.
Ethikkommissionen und Aufsichtsbehörden prägen maßgeblich, wie digitale Studien konzipiert und durchgeführt werden. Ihr Ziel ist es nicht, Innovationen zu bremsen, sondern die Rechte und die Sicherheit der Teilnehmenden sowie die Datenintegrität von Anfang an zu schützen.
Digitale Studien müssen grundsätzlich etablierte regulatorische Rahmenwerke wie die DSGVO in der EU und HIPAA in den USA sowie lokale oder institutionelle ethische Vorgaben einhalten. Wir erfüllen die Anforderungen beider Regelwerke! Weitere Informationen finden Sie auf unserer API-Seite. Compliance allein reicht allerdings selten aus. Prüfgremien erwarten von Forschungsteams den Nachweis, dass Datenschutz und Ethik fest in der Studienarchitektur verankert sind und nicht erst nachträglich berücksichtigt werden.
Zu den zentralen Erwartungen gehören in der Regel:
Im Kern schützt Interoperabilität die wissenschaftliche Integrität, die langfristige Durchführbarkeit von Studien und die methodische Unabhängigkeit. Sie sorgt dafür, dass Forschungsfragen das Studiendesign bestimmen – nicht technische Einschränkungen.
Kurz gesagt: Flexibilität ist eine praktische Grundvoraussetzung für moderne Forschung. Sobald die Datenerhebung in Echtzeit beginnt, verlaufen Studien selten exakt nach Plan. Starre Systeme können kleine Anpassungen schnell zu erheblichen Verzögerungen werden lassen.
Eine moderne Studieninfrastruktur sollte Protokolländerungen ermöglichen, ohne einen Neustart zu erzwingen. Forschungsteams müssen möglicherweise auf Grundlage erster Erkenntnisse Einschlusskriterien präzisieren, Erhebungszeiträume anpassen oder neue Endpunkte hinzufügen. Wenn dafür Datenpipelines neu aufgebaut oder Einwilligungen der Teilnehmenden vollständig neu eingeholt werden müssen, gehen wertvolle Zeit und Daten verloren.
Flexibilität ist auch bei der Skalierung über die Pilotphase hinaus entscheidend. Was für eine kleine Studie in einem einzigen Land funktioniert, stößt bei der Ausweitung auf mehrere Standorte oder Regionen häufig an Grenzen. Die Infrastruktur sollte Folgendes unterstützen:
Schließlich müssen digitale Studien während ihrer Laufzeit neue Geräte oder Sensoren integrieren können. Wearables entwickeln sich schnell weiter, und Teilnehmende wechseln im Laufe der Zeit möglicherweise ihre Geräte. Ein flexibles System ermöglicht es, neue Datenquellen oder Endpunkte hinzuzufügen, dabei die Konsistenz im Zeitverlauf zu wahren und Störungen auf ein Minimum zu reduzieren.
In der Praxis bedeutet Flexibilität: modularer Aufbau, API-basierte Integrationen und Datenmodelle, die sich weiterentwickeln lassen, ohne bestehende Analysen zu beeinträchtigen. Forschungsinfrastruktur sollte der Realität iterativer Wissenschaft gerecht werden, statt Teams auf Annahmen festzulegen, die am ersten Tag getroffen wurden.
Datenstandardisierung entscheidet maßgeblich darüber, ob eine digitale Studie verwertbare Ergebnisse liefert oder zu einer langwierigen Datenbereinigung wird. Ohne einheitliche Strukturen und Definitionen lassen sich selbst hochwertige Daten nur schwer analysieren, vergleichen oder wiederverwenden.
Ein wesentlicher Vorteil der Standardisierung sind saubere Datenexporte von Anfang an. Wenn Daten bereits beim Einlesen harmonisiert werden, müssen Forschungsteams weniger Zeit in die nachträgliche Bereinigung investieren und bei der Analyse weniger Annahmen treffen. Das verringert das Fehlerrisiko und verkürzt den Weg von der Datenerhebung zur Erkenntnis.
Ebenso wichtig ist die klare Trennung zwischen Rohdaten, abgeleiteten Kennzahlen und Erkenntnissen. Rohsignale sollten unverändert und nachvollziehbar erhalten bleiben. So können Forschende Annahmen erneut prüfen, neue Methoden anwenden oder Daten neu verarbeiten, wenn sich Analysetechniken weiterentwickeln. Abgeleitete Kennzahlen und Zusammenfassungen lassen sich anschließend als zusätzliche Ebenen ergänzen, ohne die ursprünglichen Beobachtungen zu verdecken.
Standardisierte Daten steigern zudem den Wert von Studien über ihren ursprünglichen Umfang hinaus. Wiederverwendbare Datensätze unterstützen:
In der digitalen Forschung steigen die Folgekosten unzureichender Standardisierung mit der Zeit. Konsistente Datenmodelle, eindeutige Metadaten und klar definierte Einheiten ermöglichen zuverlässige Analysen, teamübergreifende Zusammenarbeit und eine fundierte Interpretation der Ergebnisse. Kurz gesagt: Standardisierung macht aus erhobenen Daten eine wissenschaftlich nutzbare Evidenzbasis statt eines einmaligen Datensatzes, der an eine einzelne Studie gebunden ist.
Die beste digitale Forschungsinfrastruktur wird von Teilnehmenden kaum wahrgenommen – und genau darauf kommt es an. Wenn die Infrastruktur gut funktioniert, laufen Studien reibungslos: Daten werden unauffällig im Hintergrund erhoben, die Teilnahme ist einfach, und das Vertrauen bleibt erhalten, ohne dass Einwilligungsformulare, Geräte oder technische Komplexität ständig im Vordergrund stehen. Gute Infrastruktur baut Hürden ab, statt neue zu schaffen.
Dieses Muster haben wir in jeder unserer Partnerstudien beobachtet, die Sie auf unserer Seite mit Erfolgsgeschichten finden. Deshalb haben wir eine White-Label-App für die Forschung entwickelt, die sämtliche Forschungsfragen abdecken soll.
Unsere Forschungsinfrastruktur unterstützt skalierbare, gesetzeskonforme und geräteunabhängige digitale Forschung. Sie bietet eine solide Datengrundlage, statt vorzugeben, wie Studien gestaltet sein müssen. Für Teams, die ihre nächste digitale Studie planen, kann es entscheidend sein, sich frühzeitig mit der Infrastruktur zu befassen – noch vor der Auswahl von Geräten, Endpunkten oder Dashboards. Das kann den Unterschied ausmachen zwischen einer Studie, die lediglich läuft, und einer, die dauerhaft wissenschaftlichen Mehrwert schafft.
Vereinbaren Sie eine Demo mit Thryve und setzen Sie in Ihren Studien auf moderne Forschungsinfrastruktur!
Paul Burggraf, Mitgründer und Chief Science Officer bei Thryve, ist der Kopf hinter sämtlichen Gesundheitsanalysen bei Thryve und treibt unsere Forschungspartnerschaften mit der Bundesregierung und führenden Einrichtungen des Gesundheitswesens voran. Als Wirtschaftsingenieur und späterer Strategieberater entwickelte er vor Thryve mithilfe komplexer Systemdynamik grundlegende Prognosemodelle für milliardenschwere Investitionen großer Versorgungsunternehmen. Neben seiner Arbeit mit Modellanalysen und analytischer Forschung im Bereich Gesundheitssensorik ist er Gastdozent an der Zürcher Hochschule für Angewandte Wissenschaften im Life-Sciences-Master „Modelling of Complex Systems“.