--- title: "Big-Data-Sicherheit in Einrichtungen des Gesundheitswesens: Cybersicherheitsrisiken, Datenschutz und der Schutz von Patientendaten" published_at: "2026-07-16T20:06:10+00:00" modified_at: "2026-07-17T17:18:19+00:00" url: "https://www.baculasystems.com/de/blogs/cybersicherheitsrisiken-im-gesundheitswesen-datenschutz-bei-patientendaten/" markdown_url: "https://www.baculasystems.com/de/blogs/cybersicherheitsrisiken-im-gesundheitswesen-datenschutz-bei-patientendaten.md" taxonomy_language: - "Deutsch" --- [Home](https://www.baculasystems.com/de/) > [Backup- und Wiederherstellungs-Blog](https://www.baculasystems.com/de/blogs/) > Big-Data-Sicherheit in Einrichtungen des Gesundheitswesens: Cybersicherheitsrisiken, Datenschutz und der Schutz von Patientendaten # Big-Data-Sicherheit in Einrichtungen des Gesundheitswesens: Cybersicherheitsrisiken, Datenschutz und der Schutz von Patientendaten Aktualisiert 17th Juli 2026, Rob Morrison Das Gesundheitswesen erzeugt mehr Daten – darunter klinische Unterlagen und Verhaltensdaten – als andere Branchen. Diese Daten werden kontinuierlich von verschiedenen Systemen erfasst, beispielsweise von Analyseplattformen und KI-Pipelines. Daten aus dem Gesundheitswesen haben einen hohen klinischen Wert und sind ein wichtiges Ziel für Hackergruppen. Aus diesem Grund ist es für Organisationen im Gesundheitswesen eine große Herausforderung, ihre Daten sicher zu schützen. Wussten Sie, dass dem Office for Civil Rights (OCR) des Ministeriums für Gesundheit und Soziales (HHS) jedes Jahr mehr als 700 [Datenschutzverletzungen im Gesundheitswesen](https://www.hipaajournal.com/healthcare-data-breach-statistics/) gemeldet werden? Das OCR ist eine Strafverfolgungsbehörde. Das HHS ist in den USA für die öffentliche Gesundheit, das Gesundheitswesen sowie für humanitäre und soziale Dienste zuständig. ## Warum wird die Big-Data-Sicherheit im Gesundheitswesen mit der zunehmenden Datenmenge immer schwieriger? Die Sicherheit im Bereich Big Data wird immer anspruchsvoller. Denn das Volumen, die Geschwindigkeit und die Vielfalt der Gesundheitsdaten nehmen dramatisch zu und übersteigen die Kapazitäten der Sicherheitssysteme, die zum Schutz dieser Daten entwickelt wurden. Der Begriff „Big Data“ bezieht sich auf große Mengen komplexer Datensätze. Moderne Gesundheitssysteme nutzen große Datenmengen, darunter elektronische Patientenakten (EHRs), Bildgebungs- und Genomdaten, Informationen von Wearables sowie Verhaltensdaten. Diese Informationen werden in zentralen Data Lakes und Datenverarbeitungssystemen gesammelt. Eine [elektronische Gesundheitsakte](https://www.cms.gov/priorities/key-initiatives/e-health/records) stellt die Krankenakte eines Patienten digital dar. Jedes neue Datenelement ist ein Ziel für Angreifer. Und wenn einer der Punkte versagt, sind die anderen gleichzeitig betroffen. Leider sind die meisten Sicherheitsprogramme im Gesundheitswesen nicht für vernetzte Datenökosysteme ausgelegt. [Statistiken zu Datenschutzverletzungen im Gesundheitswesen](https://www.hipaajournal.com/healthcare-data-breach-statistics/) | Jahr | Datenschutzverletzungen, von denen weniger als 500 Personen betroffen sind | Prozentuale jährliche Veränderung | | --- | --- | --- | | 2024 | 74.299 | Anstieg um 9 % | | 2023 | 68.315 | Anstieg um 7 % | | 2022 | 63.966 | Anstieg um 15 % | | 2021 | 63.571 | Rückgang um 4 % | | 2020 | 66.509 | Anstieg um 6 % | ### Inwiefern vergrößert die groß angelegte Datenerfassung die Angriffsfläche in Gesundheitssystemen und Datenumgebungen des Gesundheitswesens? Zusätzliche Datenquellen, wie beispielsweise die Integration medizinischer Wearables und Informationen aus der biomedizinischen Forschung, stellen neue Speicherorte dar, an denen Zugangsdaten gesichert werden müssen. Somit vervielfacht sich das Sicherheitsrisiko durch vernetzte Datenquellen. Und wenn ein Datenverarbeitungssystem eine Schwachstelle aufweist, breiten sich die Folgen auf klinische Systeme aus. So betraf beispielsweise die [Aflac-Datenpanne](https://www.hipaajournal.com/aflac-data-breach/) im Jahr 2025 weltweit 22,65 Millionen Menschen, wodurch geschützte Gesundheitsdaten offengelegt wurden. ### Warum haben Organisationen im Gesundheitswesen Schwierigkeiten, sensible Daten in Analyseumgebungen zu kontrollieren? Kliniken im Gesundheitswesen haben Schwierigkeiten, vertrauliche Informationen in Analyseumgebungen zu kontrollieren, da Sicherheitsanforderungen wie die rollenbasierte Zugriffskontrolle (RBAC) und die Multi-Faktor-Authentifizierung (MFA) den Datenzugriff einschränken. RBAC ist ein Modell, das darauf ausgelegt ist, den Zugriff von Endnutzern auf Systeme, Anwendungen und Daten auf der Grundlage einer vordefinierten Rolle des Nutzers – beispielsweise als Sicherheitsanalyst oder Vertriebsmitarbeiter – zu autorisieren. MFA ist ein Verfahren zur Identitätsüberprüfung anhand von mindestens zwei unterschiedlichen Nachweisen, wie beispielsweise einem Passwort und biometrischen Daten wie einem Fingerabdruck. Bemerkenswert ist, dass Big-Data-orientierte Analysesysteme in der Regel für einen umfassenden Datenzugriff entwickelt werden. Datenwissenschaftler, Forscher und Gesundheitsteams gewinnen Erkenntnisse aus großen Datenmengen. Doch genau diese umfassende Möglichkeit zur Überwachung von Gesundheitsinformationen birgt ein höheres Risiko als der normale Zugriff eines einzelnen Klinikers auf Patientendaten. Sicherheitsrichtlinien regeln den Zugriff auf einzelne Systeme. Sie sind jedoch nicht geeignet für Umgebungen, in denen sich Daten vervielfachen, ständig ändern und über Cloud-Plattformen sowie Analysetools von Drittanbietern hinweg wiederhergestellt werden – einschließlich Tools zur Workflow-Automatisierung und Business Intelligence (BI) wie Tableau und Power BI. Der als BI bezeichnete technologische Prozess sammelt, bereinigt und analysiert Rohdaten aus dem Unternehmen, um sie in umsetzbare, datengestützte Erkenntnisse umzuwandeln. ### Inwiefern verstärken Big Data im Gesundheitswesen sowohl Innovationen als auch die Auswirkungen von Datenschutzverletzungen? Die Systeme, die zur Speicherung von Gesundheitserkenntnissen, zur prädiktiven Risikomodellierung und zur KI-gestützten Diagnostik eingesetzt werden, können eine Quelle für Hacker sein. KI bezeichnet die Fähigkeit von Computersystemen, Aufgaben auszuführen, die für die menschliche Intelligenz typisch sind. Dadurch werden Daten offengelegt, die die jahrelange klinische Vorgeschichte von Millionen von Patienten widerspiegeln. Dies gilt nicht für eine herkömmliche Datenschutzverletzung am Behandlungsort, bei der nur eine begrenzte Anzahl von Datensätzen offengelegt würde. So betraf beispielsweise der [Angriff auf Change Healthcare](https://www.aha.org/change-healthcare-cyberattack-underscores-urgent-need-strengthen-cyber-preparedness-individual-health-care-organizations-and) im Jahr 2024 etwa 190 Millionen Menschen, da eines der angegriffenen Systeme Patientendaten aus dem gesamten US-amerikanischen Gesundheitszahlungsökosystem umfasste. **Traditionelle Sicherheit im Gesundheitswesen vs. Big-Data-Sicherheit: Wesentliche Unterschiede** | Dimension | Sicherheit im traditionellen Gesundheitswesen | Big-Data-Sicherheit im Gesundheitswesen | | --- | --- | --- | | Systemumfang | Ein oder mehrere separate Systeme, wie z. B. elektronische Patientenakten (EHR), Abrechnungssysteme und Bildgebungssysteme. | Zahlreiche miteinander verbundene Systeme, wie z. B. Data Lakes, Analyseplattformen, KI-Pipelines und Cloud-Umgebungen. | | Größe der Datensätze | Kleine Datensätze, die individuell mit Patienten verknüpft sind. | Große Datensätze mit langjährigen Patientenverläufen. | | Benutzerzugriff | Begrenzte Anzahl von Benutzern, wie z. B. Ärzte und Mitarbeiter der Abrechnung mit festgelegten Rollen. | Mehrere Teams, wie z. B. Datenwissenschaftler, Forscher, Gesundheitsanalysten und KI-Systeme. | | Auswirkungen einer Datenschutzverletzung | Begrenzt – betrifft in der Regel Datensätze im kompromittierten System | Großflächig – eine einzelne Datenschutzverletzung kann aggregierte Daten der gesamten Patientenpopulation offenlegen | ## Was sind die größten Cybersicherheitsbedrohungen für Big-Data-Umgebungen im Gesundheitswesen? Zu den [größten Cybersicherheitsbedrohungen im Gesundheitswesen](https://healthtechmagazine.net/article/2025/01/healthcare-cybersecurity-threats-2025-perfcon) zählen Ransomware, Insider-Bedrohungen, Sicherheitsverletzungen in der Lieferkette durch Analyseanbieter sowie Risiken im Zusammenhang mit künstlicher Intelligenz. Im Jahr 2024 gaben 92 % der Organisationen im Gesundheitswesen an, von einem Cyberangriff betroffen gewesen zu sein. Im Gesundheitswesen treten Hackerangriffe und IT-Vorfälle mittlerweile häufiger auf als Vorfälle im Zusammenhang mit verlorenen Laptops und Verwaltungsfehlern, wie sie vor etwa zehn Jahren typisch für Datenschutzverletzungen waren. ### Wie zielen Ransomware, Insider-Bedrohungen und Angriffe auf die Lieferkette auf Gesundheitsdaten und geschützte Gesundheitsinformationen ab? Ransomware-Gruppen haben es auf Patientenakten und geschützte Gesundheitsinformationen (PHI) abgesehen, da Big-Data-Umgebungen im Gesundheitswesen Daten aus Data Lakes und Analyseplattformen enthalten. Und dies ist eine „wertvolle“ Quelle für Bedrohungsgruppen. Ein einziger erfolgreicher Angriff kann den klinischen Betrieb lahmlegen und Daten in Bevölkerungsgröße offenlegen. Geschützte Gesundheitsdaten umfassen die Gesundheits-, Behandlungs- und Zahlungsinformationen einer Person, einschließlich Krankengeschichten, Testergebnisse und Abrechnungsdaten. Insider-Bedrohungen bedeuten nicht zwangsläufig unbefugten Zugriff. Im Big-Data-Kontext kann es sich dabei um fahrlässige oder versehentliche Offenlegung handeln. Insider-Bedrohungen unterscheiden sich strukturell von Insider-Risiken am Behandlungsort. Ein Datenanalyst mit legitimem Zugriff auf einen Forschungs-Data-Lake kann in einer einzigen Sitzung mehr Patientenakten abrufen als ein Kliniker, der einzelne Krankenakten durchsieht. Angriffe auf die Lieferkette untergraben das Vertrauen in Analyse-Ökosysteme, und viele Drittanbieter sind von Datenverletzungen betroffen. Da viele Organisationen im Gesundheitswesen auf Cloud-Analyseplattformen, Abrechnungszentralen und KI-Anbieter angewiesen sind, kann ein einziger betroffener Partner Daten verschiedener Organisationen im Gesundheitswesen gleichzeitig offenlegen. ### Warum schaffen veraltete Systemarchitekturen im Gesundheitswesen und die Integration medizinischer Geräte versteckte Schwachstellen? Veraltete Plattformen für elektronische Patientenakten (EHR) und klinische Systeme schaffen versteckte Schwachstellen, da sie nicht für kontinuierliche Datenströme in moderne Datenverarbeitungssysteme ausgelegt sind. Insbesondere fließen große Datenmengen aus dem Gesundheitswesen über Schnittstellen und Middleware, denen die für die Erfassung in Data Lakes erforderlichen Standards hinsichtlich Authentifizierung, Verschlüsselung oder Audit-Protokollierung fehlen. Vernetzte medizinische Geräte verkomplizieren die Situation. Denn sie dienen als Datenquellen und potenzielle Einfallstore, ohne dass angemessene Sicherheitsfunktionen, Transparenz oder Kontrolle über die in die Gesundheitssysteme fließenden Datensätze vorhanden sind. ### Inwiefern können Cloud-Analyseplattformen und Drittanbieter das Risiko von Datenschutzverletzungen im Gesundheitswesen erhöhen? Cloud-Analyseplattformen wie die Google Cloud Healthcare API und Microsoft Cloud for Healthcare nutzen Gesundheitsdaten von mehreren Unternehmen des Gesundheitswesens. Eine Anwendungsprogrammierschnittstelle (API) definiert die Regeln und Protokolle, die es verschiedenen Softwareanwendungen ermöglichen, zu kommunizieren und Daten auszutauschen. Diese Plattformen sammeln Daten in einer gemeinsamen Infrastruktur. Wenn also eine dieser Plattformen angegriffen wird, können die verbundenen Daten über die gesamte gemeinsame Infrastruktur hinweg offengelegt werden. Wenn beispielsweise die Zugangsdaten eines Anbieters kompromittiert werden, können die geschützten Gesundheitsdaten von Millionen von Patienten über die miteinander vernetzte Analyse- und Dateifreigabe-Infrastruktur, die mit dem Geschäftspartner verbunden ist, offengelegt werden. Aus diesem Grund sind Angriffe auf Anbieter und die Lieferkette in der Gesundheitsbranche weit verbreitet. ### Inwiefern bringen KI- und Machine-Learning-Systeme neue Sicherheitsrisiken im Gesundheitswesen mit sich? Im Gesundheitswesen stellen KI- und Machine-Learning-Systeme (ML) neue Sicherheitsrisiken dar, da sie große Mengen an Gesundheitsdaten erfordern, die häufig anonymisiert und über Systeme verarbeitet werden, denen angemessene Sicherheitsfunktionen wie End-to-End-Verschlüsselung und robuste Zugriffskontrollen fehlen. ML ist ein Teilbereich der künstlichen Intelligenz, der sich auf Algorithmen bezieht, die Muster in Trainingsdaten erlernen und daraus genaue logische Schlussfolgerungen auf neue Daten ziehen können. „Shadow-KI“ stellt ein zunehmendes Risiko im Gesundheitswesen dar. Unter „Shadow-KI“ versteht man KI-Tools und -Modelle, die von Mitarbeitern oder Endnutzern ohne die formelle Genehmigung der IT-Abteilung eingesetzt werden. In diesem Fall können Datensätze, die von verschiedenen Drittanbietern für das KI-Training stammen, Schwachstellen aufweisen, die bei einer üblichen Sicherheitsüberprüfung übersehen werden. Insbesondere kann eine Einrichtung des Gesundheitswesens, die sich bei der Bildanalyse auf generative KI stützt, unverschlüsselte Bilder an ein Cloud-Modell übermitteln, wodurch Risiken entstehen, mit denen herkömmliche Sicherheitskontrollen für elektronische Patientenakten nicht rechnen. Darüber hinaus können Modelle auch Trainingsdaten offenlegen und damit die Privatsphäre beeinträchtigen. ## Was unterschätzen Einrichtungen des Gesundheitswesens häufig in Bezug auf die Big-Data-Sicherheit im Gesundheitswesen? Organisationen im Gesundheitswesen unterschätzen häufig die Tatsache, dass die Aggregation von Datenteilen mit geringem Risiko hochsensible zusammengesetzte Datensätze ergeben kann. Darüber hinaus kann eine Analyseinfrastruktur, die außerhalb formeller IT-Sicherheitsrichtlinien genutzt wird, unsichtbare Sicherheitslücken schaffen. Schließlich können Daten, wenn Daten-Teams anonymisierte Daten mit anderen verfügbaren Datenquellen kombinieren, wieder identifiziert werden. ### Warum kann die Kombination mehrerer Datensätze aus dem Gesundheitswesen unbeabsichtigt geschützte Gesundheitsdaten offenlegen? Wenn Datensätze mit Diagnosecodes und Postleitzahlen isoliert betrachtet werden, scheinen sie ausreichend anonymisiert zu sein. Werden sie jedoch mit anderen Datensätzen zusammengeführt, die Angaben zu Alter und Behandlungsterminen enthalten, lassen sich einzelne Patienten identifizieren. Dadurch entsteht im Gesundheitswesen ein Risiko der Re-Identifizierung. Gesundheitsdatenplattformen, die verschiedene Datenquellen wie Genom- und Verhaltensdaten nutzen, erhöhen das genannte Risiko mit jedem hinzugefügten Datenelement. Denn Datenschutzteams bewerten das Datenschutzrisiko pro Datenquelle. Sie bewerten jedoch nicht das Re-Identifizierungsrisiko der zusammengeführten Datensätze. ### Wie erhöht die Schattenanalyse-Infrastruktur unbemerkt das Risiko von Datenschutzverletzungen? [Schattenanalyse](https://www.researchgate.net/publication/354477921_Shadow_Analytics) ist eine Datenanalyse, die von Geschäftsabteilungen eigenständig und ohne Kontrolle durch offizielle IT- und Analyseabteilungen durchgeführt wird. Schattenanalysen – darunter Tabellenkalkulationen, persönlicher Cloud-Speicher und lokal gehostete Forschungsdatenbanken, die außerhalb offizieller IT-Kanäle aufgebaut wurden – finden außerhalb der Sicherheitsüberwachung, der Zugriffsverwaltung und der Audit-Protokollierung statt. Eine große Anzahl von Datenschutzverletzungen betrifft Schattendaten. Die Identifizierung dieser Verletzungen erfordert mehr Zeit als bei solchen, die ausschließlich verwaltete, inventarisierte Daten betreffen. Im Gesundheitswesen geht „Shadow Analytics“ oft mit legitimen klinischen und Forschungsbedürfnissen einher, beispielsweise wenn eine Abteilung ihr Dashboard zur Qualitätsverbesserung erstellt oder ein Forscher einen Datensatz aus praktischen Gründen auf seinen privaten Laptop exportiert. Und Sicherheitsteams erkennen erst, was vor sich geht, wenn eine Untersuchung des Datenlecks dies aufdeckt. ### Warum verlieren Gesundheitsdienstleister die Fähigkeit, die Bewegung sensibler medizinischer Daten zu überwachen? Moderne Gesundheitsdaten fließen von der elektronischen Patientenakte (EHR) in Data-Warehouses, Analyseplattformen, KI-Trainingspipelines, Forschungsexporte und Systeme von Drittanbietern. Viele Organisationen im Gesundheitswesen erfassen den Datenfluss nicht umfassend in Echtzeit. So übermittelte beispielsweise [der Kaiser Foundation Health Plan versehentlich Daten von fast 13,4 Millionen Personen](https://www.hipaajournal.com/kaiser-permanente-website-tracker-breach-affects-13-4-million-individuals/) an Google, Microsoft und X über Web-Tracking-Technologien, die auf seinen Websites eingebunden waren. Der Datenfluss erfolgte über Jahre hinweg, ohne dass dies aus Sicht der Sicherheit oder der Compliance erkennbar war. Eine freiwillige interne Untersuchung deckte dies auf. ### Inwiefern kann die Analyse von Gesundheitsdaten auch ohne direkte Identifikatoren Risiken für den Datenschutz und die Datensicherheit bergen? Ergebnisse der Datenerhebung und -analyse, wie beispielsweise Risikobewertungen und Vorhersagemodelle, enthalten sensible Informationen über Patienten, selbst wenn die zugrunde liegenden Daten ohne Namen und Identifikatoren vorliegen. So gibt beispielsweise ein Vorhersagemodell, das darauf trainiert wurde, risikoreiche Patientenergebnisse – etwa im Zusammenhang mit einer Schwangerschaft – zu identifizieren, durch seine Ausgabedaten den Status der Person preis, auch wenn kein Name genannt wird. Verhaltens- und Standortdaten, die über Wearables, mobile Geräte und Gesundheits-Apps übertragen werden, bergen das Risiko einer Re-Identifizierung. Da Bewegungsmuster und Zeitangaben für jede Person charakteristisch sind, ist eine Re-Identifizierung äußerst einfach. ## Welche technischen Kontrollmaßnahmen schützen Gesundheitsdaten und die Privatsphäre von Patienten am besten? Datenverschlüsselung, starke Authentifizierung, eine Zero-Trust-Sicherheitsstrategie, Tokenisierung, sicheres API-Design, Netzwerksegmentierung und ein strenges Datenzugriffsmanagement schützen Big-Data-Systeme im Gesundheitswesen vor Cyberangriffen. Sie sollten jedoch gemeinsam wirken, um erfolgreich zu sein. Warum? Jede Sicherheitstechnik ist für einen bestimmten Punkt im Datenlebenszyklus entwickelt worden. ### Wie können Datenverschlüsselung, Authentifizierung und Zero-Trust das Risiko von Datenschutzverletzungen im Gesundheitswesen verringern? Die Verschlüsselung im Ruhezustand und während der Übertragung verhindert, dass gehackte oder übertragene Daten ohne spezielle Entschlüsselungsschlüssel nutzbar sind. Der Advanced Encryption Standard (AES-256) ist der anerkannte Maßstab für die Verschlüsselung von Gesundheitsdaten im Ruhezustand. Er umfasst Datenbankinhalte, Sicherungskopien und tragbare Speichermedien und bietet die kryptografische Stärke, die der HIPAA-konforme Datenschutz erfordert. HIPAA steht für „Health Insurance Portability and Accountability Act“ und schreibt vor, dass Gesundheitsdienstleister und Unternehmen geschützte Informationen ausschließlich an den Patienten weitergeben dürfen. Eine starke Authentifizierung, wie beispielsweise die Multi-Faktor-Authentifizierung, stellt sicher, dass nur berechtigte Personen, Dienste und Anwendungen mit den entsprechenden Berechtigungen auf Unternehmensressourcen zugreifen können. Sie schließt den Angriffsvektor auf Basis von Anmeldedaten. Zero Trust ermöglicht es, für jede Verbindung zwischen Benutzern, Geräten, Anwendungen und Daten spezifische Sicherheitsrichtlinien umzusetzen. Somit vertraut das System niemandem und keinem System allein aufgrund seines Standorts im Netzwerk. Dieses Sicherheitskonzept überprüft jeden Zugriff unabhängig. ### Wann sollten Tokenisierung oder Pseudonymisierung anstelle von Anonymisierung verwendet werden? Die Tokenisierung hilft dabei, sensible Informationen in Token umzuwandeln – einen nicht sensiblen digitalen Ersatz, der auf das Original zurückverfolgt werden kann. [Pseudonymisierung](https://docs.cloud.google.com/sensitive-data-protection/docs/pseudonymization) ist eine Anonymisierungstechnik, die Organisationen einsetzen, um sensible Informationen durch kryptografisch generierte Token zu ersetzen. Tokenisierung und Pseudonymisierung sollten zur Re-Identifizierung oder erneuten Verknüpfung von Datensätzen verwendet werden, wenn eine klinische Nachverfolgung, Längsschnittforschung oder eine behördliche Prüfung erforderlich ist. Dadurch werden solche Daten für Analyseteams geeignet, die klinische Datensätze über einen längeren Zeitraum hinweg verfolgen. Bei der [Anonymisierung](https://www.edps.europa.eu/system/files/2021-04/21-04-27_aepd-edps_anonymisation_en_5.pdf) werden Daten, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen, oder personenbezogene Daten so in anonyme Informationen umgewandelt, dass die betroffene Person nicht mehr identifizierbar ist. Organisationen im Gesundheitswesen ignorieren die Anonymisierung in der Regel, was dem Datenschutz schadet, den diese Technik eigentlich gewährleisten soll. ### Wie können sichere APIs und Segmentierung die Gesundheitsversorgung und die Sicherheit der Patientenversorgung verbessern? Beim API-Design geht es um den Entscheidungsprozess, den eine Anwendungsprogrammierschnittstelle nutzt, um Daten bereitzustellen, und auf dessen Grundlage sie für Nutzer und Entwickler funktioniert. Ein sicheres API-Design ermöglicht es Datenaustauschsystemen in Einrichtungen des Gesundheitswesens, Authentifizierung, Ratenbegrenzung und den Zugriff nach dem Prinzip der geringsten Berechtigungen zu nutzen, um Patienteninformationen zu schützen. [Secure Sockets Layer (SSL)](https://csrc.nist.gov/glossary/term/secure_sockets_layer) sorgt für verschlüsselte Kommunikationskanäle zwischen Gesundheitssystemen. Dadurch vermeiden Einrichtungen des Gesundheitswesens Vorfälle, bei denen sich APIs unkontrolliert über verschiedene Teams hinweg vermehren. Und dies ist eines der größten Probleme hinsichtlich der Datensicherheit im Gesundheitswesen, da der Informationsaustausch systemübergreifend innerhalb von Organisationen zunimmt. Bei der Netzwerksegmentierung geht es darum, das Netzwerk in kleinere Teile, sogenannte Segmente, zu unterteilen, um die Sicherheit zu erhöhen, die Leistung zu verbessern und Compliance-Anforderungen durch kontrollierte Kommunikation zwischen Infrastruktur und Anwendungen zu erfüllen. Insbesondere verhindert ein ordnungsgemäß segmentiertes Systemdesign, dass sich eine Sicherheitsverletzung in einer Forschungs- und Analyseumgebung automatisch auf klinische Produktionssysteme ausbreitet oder umgekehrt. Sichere APIs und Netzwerksegmentierung helfen Unternehmen im Gesundheitswesen dabei, Daten sicher auszutauschen, ohne die Qualität der Versorgung oder die Koordination der Patientenversorgung zu beeinträchtigen, und verhindern, dass sich Sicherheits- und Datenschutzprobleme über die Systeme innerhalb der Organisationen ausbreiten. ### Welche Rolle spielt das Datenzugriffsmanagement beim Schutz von Patientenakten und elektronischen Gesundheitsakten? Das Datenzugriffsmanagement ist ein Bereich des Datenmanagements, der festlegt, wer unter welchen Bedingungen und für wie lange auf welche Daten zugreifen darf. Diese Sicherheitsmaßnahme ist jedoch nur so stark wie die zugrunde liegenden Managemententscheidungen. Diese Art der Sicherheitszugriffskontrolle hilft Organisationen im Gesundheitswesen dabei, Datenintegrität und -sicherheit durch Richtlinien, Standards und Verfahren zu gewährleisten, auf die sich Organisationen bei der Datenerfassung, der Festlegung von Datenhoheit sowie der Speicherung, Verarbeitung und Nutzung von Daten stützen. Beispielsweise eignen sich rollenbasierte und attributbasierte Zugriffskontrollmodelle gut für den individuellen Zugriff auf elektronische Patientenakten. In Analyseumgebungen funktionieren sie jedoch oft nicht, da dort Zugriffsanfragen von automatisierten Pipelines, Modellen des maschinellen Lernens und Forschungsteams gesendet werden, deren Zugriffsbedürfnisse nicht in klinische Rollen passen. Um beispielsweise ein Sicherheitszugriffsmanagement anzuwenden, müssen Organisationen im Gesundheitswesen den Zugriff regelmäßig überprüfen und ein dokumentiertes Audit durchführen, aus dem hervorgeht, welche Abfragen sich auf welche Patienteninformationen beziehen. Untersuchungen und Audits zur Einhaltung gesetzlicher Vorschriften stützen sich auf diese Beweisgrundlage. ## Warum verändert Big Data im Gesundheitswesen die Auswirkungen von Datenschutzverletzungen grundlegend? Big Data im Gesundheitswesen verändert die Auswirkungen von Datenschutzverletzungen, denn wenn eine einzelne klinische Akte offengelegt wird, hat dies erhebliche Auswirkungen auf die Krankengeschichte eines einzelnen Patienten. Wird jedoch ein zentraler Health-Data-Lake kompromittiert, sind damit aggregierte Datensätze aus mehreren Jahren im gesamten System betroffen – was dramatische Folgen hat. ### Warum kann ein einziger Datenverstoß jahrelange Patientendaten, Krankenakten und elektronische Gesundheitsakten offenlegen? Ein auf Big Data basierendes Gesundheitssystem speichert historische Daten für langfristige und tiefgehende Analysen. Daher legen Datenverstöße die gesamten Informationen zur Patientenerfahrung mit einer jahrzehntelangen Historie offen. Diese Verstöße können Millionen von Menschen betreffen. Jede Akte enthält in der Regel kumulierte Diagnosen sowie die Medikamenten- und Behandlungshistorie. Bei Verstößen gegen Betriebssysteme werden in der Regel nur aktuelle Transaktionsdaten offengelegt. ### Inwiefern verstärken zentralisierte Datenpools im Gesundheitswesen die Schwere von Angriffen? Zentralisierte Gesundheitsdaten erhöhen das Angriffsrisiko, da ein einzelner Datenpool eine große Anzahl von Patientenakten an einem Ort enthält. Anstatt diese Datensätze einzeln anzugreifen, zielen Hacker auf die Quelle ab und dringen sofort in diese ein. Und so kommt es zu datengesteuerten Mega-Datenschutzverletzungen im Gesundheitswesen, bei denen Millionen von Patienten betroffen sind. Konkret stehen viele der Mega-Datenschutzverletzungen in den Jahren 2024 und 2025 im Zusammenhang mit der Architektur zentralisierter Datensysteme und nicht mit einzelnen Systemen, in die Angreifer eindringen. **Zentralisierte Datenpools im Gesundheitswesen: Vor- und Nachteile** | Vorteile | Nachteile | | --- | --- | | Bessere Analysen: Einheitliche Patientendaten ermöglichen es Organisationen, diese Informationen erfolgreich zu analysieren und wertvolle Erkenntnisse im Gesundheitsbereich zu gewinnen – was bei fragmentierten Datensätzen nicht der Fall ist. | Größere Auswirkungen bei Datenschutzverletzungen: Eine einzige Datenschutzverletzung legt die jahrelange Krankengeschichte der gesamten Patientengruppe offen. | | KI-Training: Große Datensätze dienen als präzise und klinisch zuverlässige Quelle für Modelle des maschinellen Lernens. | Aufwändigeres Datenmanagement: Zugriffskontrollen, Aufbewahrungsrichtlinien und Audits werden mit zunehmendem Umfang komplexer. | | Schnellere Berichterstellung: Zentralisierte Daten beschleunigen die Berichterstellung, indem sie Verzögerungen beseitigen, die für mehrere voneinander getrennte Quellsysteme typisch sind. | Erhöhte Anfälligkeit der Infrastruktur: Zentralisierte Daten stellen für raffinierte Angreifer ein hochwertiges Einzelziel dar. | | Verbesserte Versorgungskoordination: Für alle Versorgungsteams zugängliche Patientenakten reduzieren doppelte Untersuchungen und Diagnosefehler. | Regulatorische Komplexität: Ein einziger Data Lake mit Daten aus verschiedenen Versorgungsbereichen muss die Anforderungen von HIPAA, den einzelstaatlichen Gesetzen sowie die Verpflichtungen der Datenschutz-Grundverordnung (DSGVO) erfüllen. Die DSGVO stellt das umfassende Datenschutzgesetz der Europäischen Union dar. | | Betriebliche Effizienz: Eine einzige, regulierte Plattform sorgt für ein effizientes Datenmanagement. | Wiederherstellungszeit: Die Wiederherstellung eines zentralisierten Datenpools nach einem Ransomware-Angriff dauert deutlich länger als die Wiederherstellung eines einzelnen Systems aus einem Backup. | ### Warum sind Krankenakten und Verhaltensdaten für Angreifer so wertvoll? Krankenakten enthalten die beständigsten und umfassendsten personenbezogenen Daten, darunter finanzielle Identifikationsmerkmale, Versicherungsdaten, Diagnosen sowie Verhaltens- und Genomdaten. Diese Informationen sind dauerhaft und können nicht wie eine Kreditkarte gesperrt werden. Da Patientenakten über Jahre hinweg ihren Wert behalten, sind sie für Angreifer weiterhin äußerst wertvoll. Infolgedessen werden sie zu einer Quelle für [Erpressung](https://www.justia.com/criminal/offenses/white-collar-crimes/blackmail/?__cf_chl_f_tk=K_HwXQD.gRphvtZQmgtlJ2iYNZob1n3UYxBeoWgAuxk-1783445245-1.0.1.1-uTRUdSzNwaVo49Urp26tfKlVy6K1CWRY.0NNBb.E9_E) und [Identitätsdiebstahl](https://www.investopedia.com/terms/i/identitytheft.asp) sowie für lang andauernde Betrugsmaschen, wie beispielsweise die Einreichung von Erstattungsanträgen für Behandlungen, Labortests oder hochpreisige Verschreibungen. Verhaltensdaten, darunter Informationen aus elektronischen medizinischen Technologien, Wearables und Gesundheits-Apps, führen zu einer enormen Datenmenge, was bei Finanzdaten nicht der Fall ist. ### Wie können Angreifer Gesundheits- und medizinische Daten für Betrug, Erpressung und gezielte Angriffe ausnutzen? Krankenakten haben für Hacker keinen einfachen Wiederverkaufswert, wie dies bei Finanzdaten der Fall ist. Gestohlene medizinische Informationen ermöglichen es Hackern, betrügerische Versicherungsansprüche geltend zu machen, betrügerische Rezepte zu erlangen und die Krankenakte eines Patienten durch einen betrügerischen Eintrag – beispielsweise ein gestohlenes Passwort – zu verfälschen. Ausgeklügelte Ransomware-Gruppen extrahieren ständig Daten vor der Verschlüsselung, um eine sekundäre Bedrohung zu schaffen, die es ermöglicht, sensible Informationen zu stehlen und eine Zahlung zu fordern, um diese geheim zu halten. Die durchschnittlichen [Ransomware-Forderungen im Gesundheitswesen](https://www.beckershospitalreview.com/healthcare-information-technology/cybersecurity/healthcare-ransomware-demands-average-18-2m-7-notes/) gegenüber Organisationen belaufen sich auf 18,2 Millionen US-Dollar. ## Warum sind herkömmliche Sicherheitstools in Big-Data-Umgebungen des Gesundheitswesens oft unwirksam? Herkömmliche Sicherheitssoftware, wie Firewalls und [Identitäts- und Zugriffsmanagement-Tools (IAM)](https://www.microsoft.com/en-us/security/business/security-101/what-is-identity-access-management-iam) , überwachen bekannte Datenverkehrsmuster. Zudem sind sie nicht für die hohen Datenvolumina, die hohen Übertragungsgeschwindigkeiten, die Verschlüsselung und die unterschiedlichen Datenformate ausgelegt, die für moderne Analyseumgebungen im Gesundheitswesen typisch sind. IAM ist ein Cybersicherheits-Framework, das den richtigen Benutzern und Systemen den angemessenen Zugriff auf digitale Ressourcen ermöglicht. Deshalb zeigen sie in Big-Data-Infrastrukturen ohne gesundheitsspezifische Optimierung nur unzureichende Leistung. ### Warum haben viele Sicherheitsplattformen Schwierigkeiten, Datensätze aus dem Gesundheitswesen in großem Maßstab zu analysieren? Sicherheitsplattformen überwachen Transaktionssysteme, sodass das Volumen und die Geschwindigkeit der Daten, die durch die Datenverarbeitungssysteme im Gesundheitswesen fließen, für sie überwältigend sind. Zu diesen Daten gehören Informationen wie Datensätze aus Batch-Ladungen in Data-Warehouses und klinische Echtzeit-Datenströme. Herkömmliche SIEM-Plattformen (Security Information and Event Management) wie Microsoft Sentinel und IBM QRadar können diese Informationen ohne umfangreiche, gesundheitsspezifische Anpassungen nicht verarbeiten. SIEM ist eine Sicherheitslösung, die es Organisationen ermöglicht, potenzielle Sicherheitsbedrohungen und Schwachstellen zu erkennen und zu verhindern, bevor diese den Geschäftsbetrieb stören können. Daher können Organisationen Datenströme nicht vollständig überwachen oder verhindern, dass echte Bedrohungen im Rauschen untergehen. Infolgedessen haben diese Plattformen Schwierigkeiten, die Erkennung von Malware präzise zu optimieren. Diese Plattformen ermöglichen es, potenzielle Sicherheitsbedrohungen und Schwachstellen zu erkennen und zu beheben, bevor sie den Geschäftsbetrieb stören. ### Inwiefern beeinträchtigt verschlüsselter Datenverkehr im Gesundheitswesen die Erkennungstransparenz? Verschlüsselte Gesundheitsdaten sind vor dem Abfangen geschützt. Allerdings verhindert die Verschlüsselung, dass herkömmliche netzwerkbasierte Erkennungstools, die den Datenverkehr inhaltlich überprüfen, betrügerische Aktivitäten aufdecken können. Da Organisationen im Gesundheitswesen die Verschlüsselung des Datenverkehrs zunehmend ausweiten, haben Sicherheitsteams weniger Transparenz. Dabei stützen sich die Erkennungsmethoden auf Signatur- und Inhaltsprüfungen. Infolgedessen sehen sich Organisationen mit einem echten architektonischen Spannungsfeld konfrontiert. Konkret wird die Verschlüsselung nicht nur eingesetzt, um Daten vor dem Abfangen zu schützen, sondern auch, um zu verhindern, dass Sicherheitstools die durch das Netzwerk fließenden Daten erkennen. Daher sollten sich Methoden zur Verhaltenserkennung und zur metadatenbasierten Erkennung von jenen Methoden unterscheiden, die eine Entschlüsselung des Dateninhalts erfordern. ### Warum führt die Datenerfassung im Gesundheitswesen zu abnormalen Verhaltens-Baselines für Big-Data-Tools? Tools zur Erkennung von Verhaltensanomalien erstellen eine Baseline normaler Aktivitäten und kennzeichnen betrügerische Aktivitäten. Der Zugriff auf Gesundheitsdaten ist jedoch mit Unregelmäßigkeiten verbunden, die bei der Erkennung normaler Aktivitäten Verwirrung stiften. Beispielsweise kann ein Forschungsanalyst eine Abfrage für eine einmalige Studie durchführen oder ein Datenwissenschaftler einen ungewöhnlich großen Batch-Export für das Modelltraining ausführen. In solchen Fällen erzeugen diese Tools, die für Unternehmens-IT-Umgebungen mit einheitlicheren und vorhersehbareren Zugriffsmustern konzipiert sind, Fehlalarme oder übersehen echte Anomalien sogar gänzlich. ### Wie schaffen es Organisationen im Gesundheitswesen, ein Gleichgewicht zwischen Überwachung, Datenzugriff und Patientendatenschutz herzustellen? Organisationen im Gesundheitswesen schaffen ein Gleichgewicht zwischen Überwachung, Datenzugriff sowie Patientenerfahrung und -datenschutz, indem sie die Arbeitsabläufe im Gesundheitswesen berücksichtigen. Die Überwachungsmodelle berücksichtigen sowohl legitime, weitreichende Zugriffsmuster im Rahmen genehmigter Forschungs- und Analysevorhaben als auch tatsächlich anomale Muster, die mit Sicherheitsverletzungen oder Missbrauch in Verbindung stehen. Sicherheitsteams sowie die Teams aus den Bereichen Klinik, Forschung und Analytik arbeiten eng zusammen, um eine angemessene Überwachung zu gewährleisten, die operative Muster erkennt, anstatt von allgemeinen Annahmen auszugehen. Schließlich müssen auch detaillierte Aufzeichnungen darüber, welche Personen auf bestimmte Patientendaten zugreifen, die von Protokollierungs- und Überwachungssystemen erfasst werden, als sensible Daten geschützt werden. Warum? Weil Audit-Protokolle aufzeigen, welche Datensätze bei einem Angriff am wertvollsten sind. ## Wie sollten Organisationen im Gesundheitswesen Cloud-, Analyse- und Drittanbieter-Ökosysteme sichern? Organisationen im Gesundheitswesen sollten das [Modell der geteilten Verantwortung](https://www.techtarget.com/searchcloudcomputing/definition/shared-responsibility-model) klar verstehen, um festzulegen, wer für die Sicherheit zuständig ist, und die Sicherheit von Anbietern vor der Gewährung des Zugriffs gründlich bewerten. Zudem ist es unerlässlich, geregelte Ansätze für den Datenaustausch zwischen Einrichtungen anzuwenden. In der Praxis wenden viele Organisationen im Gesundheitswesen die genannten Vorgaben jedoch uneinheitlich an, was Cyberangreifern Angriffsmöglichkeiten eröffnet. ### Welche Risiken im Zusammenhang mit der geteilten Verantwortung bestehen bei in der Cloud gehosteten Analysen im Gesundheitswesen? Organisationen im Gesundheitswesen tragen die Verantwortung für die Sicherung von Daten, Konfigurationen und Zugriffskontrollen innerhalb der Cloud-Infrastruktur. Diese Verantwortung wird jedoch häufig missverstanden, was zu Sicherheitsverletzungen führt, die durch Fehlkonfigurationen auf Kundenseite verursacht werden. Ein Versagen des Cloud-Anbieters ist nicht die Hauptursache für solche Sicherheitsverletzungen. Ein Beispiel hierfür ist die [Sicherheitsverletzung bei Blue Shield of California](https://www.hipaajournal.com/blue-shield-of-california-google-ads-data-breach/) . Die Datenpanne mit 5,5 Millionen Datensätzen beim Yale New Haven Health System wurde durch eine fehlerhafte Konfiguration von Google Analytics verursacht. Die Cloud-Plattform selbst wurde nicht kompromittiert. Vielmehr führte die Konfiguration der Organisation dazu, dass geschützte Gesundheitsdaten offengelegt wurden. Daher müssen Organisationen im Gesundheitswesen, die Cloud-Analysen nutzen, die Verwaltung als sicherheitskritische Funktion konfigurieren und regelmäßig überwachen. ### Wie sollten Organisationen im Gesundheitswesen die Sicherheitslage eines Anbieters bewerten? Organisationen im Gesundheitswesen sollten die Sicherheitslage eines Anbieters bewerten, indem sie dessen tatsächliche Praktiken im Umgang mit Daten prüfen. Konkret sollten Organisationen festlegen, welche Kategorien zu bewerten sind, welche Daten gespeichert werden sollen, welche Zugriffsrechte intern geregelt werden müssen, auf welche Prozesse sie sich bei einer solchen Bewertung stützen, sowie den Zeitplan des Anbieters für die Benachrichtigung bei Datenschutzverletzungen und dessen Reaktion auf Vorfälle ermitteln. Heutzutage arbeiten die meisten Organisationen mit Drittanbietern zusammen, die selbst von Datenschutzverletzungen betroffen sind. Daher stellt sich die Frage, ob das Systemdesign eines Anbieters eine Bedrohung einschränken und verhindern kann. Daher ist es unerlässlich, die Risiken von Anbietern während der gesamten Geschäftsbeziehung regelmäßig zu bewerten. Es reicht nicht aus, diese Risiken nur während der anfänglichen Einbindung zu bewerten. ### Wie können Gesundheitsdienstleister den institutionsübergreifenden Austausch von Gesundheitsdaten sichern? Um den institutionsübergreifenden Datenaustausch zu sichern, sollten Organisationen Datenaustauschprotokolle mit integrierter Authentifizierung und Verschlüsselung sowie Datenminimierung standardisieren. Auf diese Weise können sie konkrete Anwendungsfälle für gemeinsam genutzte Daten identifizieren. So lässt sich auch klar definieren, wie die empfangende Einrichtung die Daten nutzen, weitergeben und aufbewahren darf. Die fehlende Validierung von SSL-Zertifikaten und die nicht erzwungene Verwendung aktueller TLS-Versionen (Transport Layer Security) an allen Endpunkten des institutionsübergreifenden Datenaustauschs sind Konfigurationsfehler, die dazu führen, dass veraltete SSL-Protokollversionen weiterhin aktiv bleiben. TLS ist das Sicherheitsprotokoll, das über das Internet gesendete Daten verschlüsselt. Diese Faktoren wurden als Mitursachen für mehrere Datenpannen im Zusammenhang mit der Interoperabilität im Gesundheitswesen identifiziert. [Fast Healthcare Interoperability Resources (FHIR)](https://ecqi.healthit.gov/fhir/about) sind Webstandards, die es medizinischen Softwaresystemen ermöglichen, elektronische Patientenakten sicher und schnell auszutauschen. Sie bilden die technische Grundlage, doch dies reicht für den Datenschutz im Gesundheitswesen nicht aus. Organisationen müssen zudem Sicherheitsmanagement-Rahmenwerke einsetzen, um festzulegen, welche Datenelemente im Rahmen welcher Vereinbarungen zum Datenaustausch weitergegeben werden dürfen. Auf diese Weise wissen die empfangenden Einrichtungen, welche Sicherheitsstandards sie befolgen und welche Anforderungen sie erfüllen müssen. Andernfalls können informelle Vereinbarungen zum Datenaustausch zwischen Einrichtungen die Ursache für die schwerwiegendsten Datenverstöße der letzten Zeit sein. ### Wie kann Bacula Systems Organisationen im Gesundheitswesen dabei unterstützen, die Sicherheit von Big Data in medizinischen Umgebungen zu gewährleisten? [Bacula Systems](https://www.baculasystems.com/de/) erfüllt die Anforderungen an Datensicherung und Wiederherstellung von Organisationen mit hohem Cybersicherheitsbewusstsein, die Big Data im Gesundheitswesen nutzen – einem Bereich, in dem diese Datenmengen sowohl an Umfang als auch an Komplexität zunehmen. Die Lösung wurde entwickelt, um die Risiken zu mindern, die damit verbunden sind, dass ein Ausfall der Datensicherung bei der Wiederherstellung nach einem Ransomware-Angriff umso gefährlicher wird, je größer und zentralisierter die Datenumgebung ist. Die Lösungen von Bacula Systems unterstützen die für Big-Data-Umgebungen im Gesundheitswesen typische gemischte, hochvolumige Infrastruktur. Bacula bietet die folgenden Funktionen: - Sicherung: Sicherung über alle wichtigen Datenbankplattformen hinweg, die Datenlagern und Analysespeichern zugrunde liegen. - Unveränderlicher Speicher: Air-Gapped und unveränderliche Sicherungskopien, die auch dann geschützt bleiben, wenn die Produktionszugangsdaten vollständig kompromittiert wurden. - Verschlüsselung: AES-256-Verschlüsselung, eine symmetrische Verschlüsselung, die Daten sowohl im Ruhezustand als auch während der Übertragung schützt. Damit wird der HIPAA-konforme Schutz auf die Backup-Ebene ausgeweitet, anstatt diese als nachträglichen Einfall zu behandeln. AES-256 wird sowohl auf Daten im Ruhezustand als auch auf Daten während der Übertragung angewendet. Dies stellt sicher, dass Backup-Repositorys, in denen aggregierte Gesundheitsdaten gespeichert sind, denselben kryptografischen Schutzstandard erfüllen, der für primäre klinische Systeme vorgeschrieben ist. - Skalierbarkeit: Dank des skalierbaren Systemdesigns von Bacula Systems und der granularen Verwaltung von Aufbewahrungsrichtlinien können Organisationen im Gesundheitswesen Daten über alle Datenmengen hinweg konsistent schützen – im Gegensatz zu herkömmlichen Backup-Tools. Denn herkömmliche Tools sind für den Schutz einzelner Systeme entwickelt worden. - Wiederherstellung: Das Backup von Bacula bietet Organisationen die bewährte Wiederherstellungsfähigkeit, die sie so dringend benötigen. Dadurch kann die Dateninfrastruktur in Organisationen des Gesundheitswesens sicher sein, dass eine Wiederherstellung innerhalb klinisch akzeptabler Zeiträume erfolgt, anstatt während einer akuten Krise mit Backup-Ausfällen konfrontiert zu sein. ## FAQ ### Warum erhöhen Fusionen im Gesundheitswesen die Sicherheits- und Datenschutzrisiken im Zusammenhang mit Big Data drastisch? Wenn zuvor getrennte Datenumgebungen zu einem einzigen Systemdesign zusammengeführt werden, liegt der Fokus in der Regel auf der geschäftlichen Integration statt auf der Sicherheitsbereitschaft. Wenn also unterschiedliche EHR-Plattformen, Analysetools, Sicherheitsreifegrade und Zugriffsverwaltungsmodelle zusammengeführt werden, erhält die fusionierte Organisation in der Regel die schwächere Sicherheitslage mit weniger ausgereiften Kontrollmechanismen. Infolgedessen entsteht ein größerer, wertvollerer Datensatz, der zu einem „attraktiven“ Ziel für Cyberangreifer wird. Wenn Daten während der Integration migriert werden, fließen große Mengen an Patientendaten zwischen den Systemen hin und her. Dies geschieht in der Regel über temporäre Schnittstellen und mit erweiterten Zugriffsrechten. Die Sicherheits- und Datenschutzprobleme sowie -risiken im Zusammenhang mit Big Data nehmen während dieser Prozesse aufgrund des umfassenden Zugriffs, der eingeschränkten Überwachung und des Zeitdrucks zu. ### Können Big-Data-Plattformen im Gesundheitswesen die Compliance-Anforderungen erfüllen, wenn Patientendaten für das Training von KI wiederverwendet werden? Ob Big-Data-Plattformen die gesetzlichen Vorschriften einhalten können, wenn Patientendaten für das Training von KI wiederverwendet werden, hängt von der Rechtsgrundlage für die Daten ab. Konkret hängt es davon ab, ob die Daten ursprünglich erhoben wurden und ob die Rechtsgrundlage die sekundäre Nutzung für das Training von KI abdeckt. Gemäß HIPAA erfordern bestimmte Verwendungen von [anonymisierten Daten](https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html) keine zusätzliche Einwilligung der Patienten. Die Anonymisierung muss jedoch bestimmte [Safe-Harbor- oder Expert-Determination-Standards](https://pmc.ncbi.nlm.nih.gov/articles/PMC4267471/) der [Privacy Rule](https://www.hhs.gov/hipaa/for-professionals/privacy/laws-regulations/index.html) erfüllen. Beispielsweise müssen 18 spezifische Identifikatoren aus den Daten entfernt werden. Zudem muss ein qualifizierter Experte gültige statistische und wissenschaftliche Prinzipien für die Datenanalyse anwenden. Und der Experte muss dokumentieren, dass es nahezu unwahrscheinlich ist, dass jemand die Person wieder identifizieren könnte. Der sicherste Weg besteht darin, KI-Trainingsdaten mit derselben Strenge im Sicherheitsmanagement zu behandeln, die auch bei anderen sekundären Verwendungen von PHI angewendet wird. Konkret bezieht sich dies auf eine dokumentierte Einwilligung oder eine qualifizierte Anonymisierung. Organisationen sollten nicht davon ausgehen, dass KI-Anwendungsfälle nicht unter die standardmäßigen HIPAA-Verpflichtungen fallen. ### Warum verlieren Organisationen im Gesundheitswesen die Fähigkeit, sensible Daten zu überwachen, sobald Analyseinitiativen an Umfang zunehmen? Organisationen im Gesundheitswesen verlieren die Fähigkeit, sensible Daten zu überwachen, sobald Analyseinitiativen an Umfang zunehmen, da die Datenverwaltungsprozesse der wachsenden Informationsmenge nicht mehr ausreichend nachkommen können. Ehemals gut verwaltete Datenquellen vermehren sich zu Dutzenden von kopierten Datensätzen, die über Cloud-Speicher, lokale Analysten-Arbeitsplätze und Zwischenverarbeitungssysteme verteilt sind. Und jedes dieser Datenelemente wird zu einem potenziellen Ziel für Hacker, da es keine Datenverwaltung gibt, die die Überwachung dieser Daten gewährleisten könnte. Die mangelnde Überwachungsfähigkeit stellt eine anhaltende strukturelle Herausforderung dar, die sich mit zunehmender Reife und dem wachsenden Umfang der Analytik beschleunigt. Um diese Herausforderung zu bewältigen, sollten Organisationen im Gesundheitswesen kontinuierlich daran arbeiten, ihre Tools zur Datenermittlung und -inventarisierung auf dem neuesten Stand zu halten. Über den Autor [https://www.linkedin.com/in/rob-morrison-3aa443/](https://www.linkedin.com/in/rob-morrison-3aa443/) Rob Morrison ist der Marketingdirektor bei Bacula Systems. Er begann seine IT-Marketing-Karriere bei Silicon Graphics in der Schweiz, wo er fast 10 Jahre lang in verschiedenen Marketing-Management-Positionen sehr erfolgreich war. In den folgenden 10 Jahren hatte Rob Morrison auch verschiedene Marketing-Management-Positionen bei JBoss, Red Hat und Pentaho inne und sorgte für das Wachstum der Marktanteile dieser bekannten Unternehmen. Er ist Absolvent der Plymouth University und hat einen Honours-Abschluss in Digital Media and Communications und ein Overseas Studies Program absolviert. *Verwandte Beiträge* [https://www.baculasystems.com/de/blogs/magnetband-datensicherung/](https://www.baculasystems.com/de/blogs/magnetband-datensicherung/) [Wie führt man ein Magnetband Datensicherung durch? Magnetband Datensicherung Software Lösungen.](https://www.baculasystems.com/de/blogs/magnetband-datensicherung/) April 15, 2025 [https://www.baculasystems.com/de/blogs/bare-metal-backup-sicherung/](https://www.baculasystems.com/de/blogs/bare-metal-backup-sicherung/) [Bare Metal Backup und Recovery: Definition und Typen](https://www.baculasystems.com/de/blogs/bare-metal-backup-sicherung/) Oktober 2, 2024 [https://www.baculasystems.com/de/blog/unternehmen-backup-software/](https://www.baculasystems.com/de/blog/unternehmen-backup-software/) [Wie wählt man die beste Backup Software für Unternehmen im Jahr 2025? Die besten Datensicherungslösungen für Unternehmen.](https://www.baculasystems.com/de/blog/unternehmen-backup-software/) August 2, 2025 [https://www.baculasystems.com/de/blogs/mongodb-sicherung-wiederherstellen/](https://www.baculasystems.com/de/blogs/mongodb-sicherung-wiederherstellen/) [Vollständige Anleitung zur Sicherung und Wiederherstellung von MongoDB-Datenbanken](https://www.baculasystems.com/de/blogs/mongodb-sicherung-wiederherstellen/) März 16, 2026 [https://www.baculasystems.com/de/blogs/backup-strategie-unternehmen/](https://www.baculasystems.com/de/blogs/backup-strategie-unternehmen/) [Die Backup Strategie von Unternehmen. Die Datensicherungsstrategie für Unternehmen.](https://www.baculasystems.com/de/blogs/backup-strategie-unternehmen/) Februar 22, 2024 [https://www.baculasystems.com/de/blogs/cybersicherheit-im-gesundheitswesen-herausforderungen-fur-krankenhauser/](https://www.baculasystems.com/de/blogs/cybersicherheit-im-gesundheitswesen-herausforderungen-fur-krankenhauser/) [Herausforderungen im Bereich der Informationssicherheit im Gesundheitswesen in modernen Krankenhäusern und Gesundheitssystemen](https://www.baculasystems.com/de/blogs/cybersicherheit-im-gesundheitswesen-herausforderungen-fur-krankenhauser/) Juli 1, 2026