Forschende des Deutschen Zentrums für Diabetesforschung (DZD) und der Universitätsmedizin Greifswald haben in einer neuen Publikation unterschiedliche Workflows zur FAIR-Aufbereitung klinischer Daten verglichen und bewertet. Am Beispiel des DZD Basisdatensatzes leiten sie konkrete Empfehlungen ab, wie Forschungsdaten auffindbar, zugänglich, interoperabel und wiederverwendbar gemacht werden können. Ziel ist es, den Aufwand zu senken und die Nachnutzung vorhandener Daten in der klinischen Forschung zu erleichtern.

In der klinischen Forschung fallen große Mengen heterogener Daten an – von Blutwerten über anthropometrische Messungen bis hin zu Vorerkrankungen. Diese Daten entfalten ihr volles Potenzial jedoch nur, wenn sie den FAIR-Prinzipien entsprechen: findable (auffindbar), accessible (zugänglich), interoperable (interoperabel) und reusable (wiederverwendbar). FAIRification erleichtert den Datenaustausch zwischen Forschungsgruppen, ermöglicht schnellere Vergleiche und neue Erkenntnisse und fördert eine nachhaltige Ressourcennutzung.

Das DZD treibt die Standardisierung und FAIRifizierung von Diabetes- und Metabolismusdaten bundesweit voran, um sie auch für andere medizinische Fragestellungen nutzbar zu machen. Ein zentraler Meilenstein ist der DZDBasisdatensatz, der unter offener Lizenz zentrale Parameter der klinischen Diabetesforschung interoperabel für nationale und internationale Nachnutzung bereitstellt.

Die neue Studie beschreibt und vergleicht systematisch verschiedene FAIRification-Workflows am konkreten Beispiel des Basisdatensatzes. Die Autorinnen und Autoren analysieren Stärken, Schwächen und Aufwände der einzelnen Ansätze und leiten Mindestanforderungen ab, die Kosten und Zeitbedarf reduzieren können. Viele Erkenntnisse sind auf andere klinische Datensätze übertragbar.

„Nachträgliche FAIRification ist extrem aufwendig“, betont Dr. Lars Oest, Leiter Bioinformatik und Datenmanagement am DZD. „Deshalb muss FAIR von Beginn an geplant werden – mit passender Infrastruktur und klar abgestimmten Prozessen zwischen allen Beteiligten.“ Zur Automatisierung der semantischen Anreicherung und zur Integration prospektiver Data-Management-Pläne bestehe jedoch weiterhin Forschungsbedarf.

Die Publikation unterstreicht, dass FAIRification nicht nur ein technisches, sondern ein strategisches Thema für die moderne klinische Forschung ist. Sie schafft die Voraussetzung für eine effizientere, reproduzierbare und kollaborative Wissenschaft und trägt langfristig zu schnelleren Fortschritten in der Diabetes- und Stoffwechselforschung bei.

Original Paper:

Lessons learned from implementing FAIRification workflows in diabetes research in Germany | PLOS Digital Health

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.