D4L Datapool
Open Science und Sekundärforschung voranbringen - durch Real-World Data und Real-World Evidence
Der D4L Datapool ist eine Initiative, die hochwertige, multimodale Forschungsdatensätze der wissenschaftlichen Community breit zugänglich macht.
Grundlage dafür sind erfolgreiche Partnerschaften, in denen unsere D4L Collect Lösung für digitale Studien eingesetzt wird – unter anderem im Digital Health Cluster des Hasso-Plattner-Instituts.
Open Science
Daten erschließen, Erkenntnisse fördern – mit einer Lösung, die Open Science unterstützt.
Bei Data4Life steht Open Science im Zentrum unserer Mission. Mit dem D4L Datapool stellen wir hochwertige, multimodale Datensätze bereit, die in Zusammenarbeit mit unseren Forschungspartner:innen über die D4L Collect Plattform erhoben wurden.
Als gemeinnützige HealthTech-Organisation setzen wir uns für eine transparente, inklusive und reproduzierbare Gesundheitsforschung ein. Indem wir anonymisierte, forschungsbereite Real-World-Daten erschließen, fördern wir evidenzbasierte Erkenntnisse und internationale Zusammenarbeit – und steigern den gesellschaftlichen Wert gespendeter Daten.
Zugänglichkeit
Globale Forschung beginnt mit Zugänglichkeit: Wir erschließen vielfältige, multimodale Real-World-Daten – für Forschende weltweit, unabhängig von Standort oder Ressourcen.
Reproduzierbarkeit
Reproduzierbare Forschung braucht Transparenz: Der Zugang zu den zugrunde liegenden Datensätzen erlaubt unabhängige Validierung und stärkt die Glaubwürdigkeit wissenschaftlicher Ergebnisse.
Globale Zusammenarbeit
Globale Zusammenarbeit braucht offene Daten: Wir fördern Open Science, um disziplinübergreifende und internationale Forschungsprojekte zu verbinden.
Sekundärforschung
Daten, die Forschung voranbringen – strukturiert, aussagekräftig, einsatzbereit.
Der D4L Datapool stellt ausgewählte Datensätze aus digitalen Gesundheitsstudien für die Wiederverwendung in der Sekundärforschung bereit.
Die Datensätze kombinieren selbstberichtete Informationen mit kontinuierlich erfassten, objektiven Daten aus Sensoren und Wearables – erhoben über unsere Plattform D4L Collect.
Zeit & Ressourcen sparen
Nutzen Sie vorhandene Daten statt neue zu erheben – für mehr Fokus auf Analyse, Erkenntnisgewinn und wissenschaftliche Tiefe.
Neue Fragestellungen explorieren
Nutzen Sie vorhandene Daten für neue Erkenntnisse, um Korrelationen, Trends oder Ausreißer zu identifizieren und künftige Forschung gezielt auszurichten.
Diversität als Stärke
Vielfalt nutzen – arbeiten Sie mit Daten aus einer wachsenden, heterogenen Studienpopulation über verschiedene Disziplinen und Anwendungsbereiche hinweg.
Verfügbare Datensätze
SLICE (Simulated Location-based Identification of Compulsive Events)
Die SLICE-Studie (Simulated Location-based Identification of Compulsive Events) war eine semikontrollierte Machbarkeitsstudie zur Untersuchung des Potenzials von Wearables und Indoor-Lokalisierungstechnologien zur Erkennung routinierter und repetitiver Verhaltensmuster. Die Studie umfasste eine einstündige Sitzung, in der die Teilnehmenden sowohl natürlichen als auch protokollbasierten Aktivitäten in einer semikontrollierten, mehrzimmerigen Wohnlaborumgebung nachgingen. Die Studie wurde von der Ethikkommission der Universität Potsdam genehmigt (Votum-Nr.: 38/2022).
Abstract:
Die am Hasso-Plattner-Institut (HPI) in Potsdam durchgeführte Machbarkeitsstudie war so konzipiert, dass sie reale Lebensbedingungen in einem kontrollierten Setting simuliert. Die Studioumgebung umfasste eine vollständig ausgestattete Küche, ein Badezimmer, einen Wohnraum sowie Flure und ermöglichte die hochauflösende, multimodale Erfassung von Verhaltens- und Sensordaten.
Die zentrale Sitzung hatte eine Dauer von etwa einer Stunde. Einschließlich der vorbereitenden Einrichtung und der abschließenden Nachbesprechung belief sich der Gesamtaufwand pro Teilnehmer:in auf ca. zwei Stunden. Während der Aufzeichnungsphase wurden die Proband:innen alleine im sogenannten „Living Lab“ gelassen, um externe Einflussfaktoren – insbesondere den Hawthorne-Effekt – zu minimieren und ein möglichst natürliches Verhalten zu ermöglichen.
Zur Erhebung von Baseline-Daten („Null-Aktivitäten“) wurden die Teilnehmer:innen angeleitet, sich mit alltäglichen Tätigkeiten wie Lesen, Kochen oder Arbeiten am Laptop zu beschäftigen. Darüber hinaus führten sie zu frei gewählten Zeitpunkten drei vordefinierte Aktivitäten aus, die typischerweise im Zusammenhang mit Zwangsstörungen stehen: Händewaschen, Tischwischen und Kontrollieren von Türen. Um zwischen gewohnheitsmäßigen und zwanghaften Handlungsmustern zu differenzieren, wurde jede dieser Verhaltensweisen in zwei Varianten ausgeführt – einmal routiniert und einmal übermäßig wiederholt.
