Die Datenqualität ist die Achillesferse der Krankenhaus-Digitalisierung. „Trash In – Trash Out“ beschrieb der hybride Health-IT Talk Berlin Brandenburg im März 2026 im Kranken-haus-IT-Kontext offen, warum viele Digitalisierungsinitiativen hinter ihren Versprechen zurückbleiben.

Herausforderungen sind Implementierung von Qualitätsstandards, Interoperabilitäts-standards, interdisziplinäre Zusammenarbeit und Data Stewardship. Impuls vom Health-IT Talk Berlin Brandenburg im März 2026: Datenqualität ist eine Haltung. Akteure waren Stefan Zorn, imatics Health-IT Consulting GmbH, und Linda Rebstadt sowie Dr. Marcel Eillert, SVA.

Bild: Die fünf Säulen der Datenqualität © Health-IT Talk

Schlechte Eingangs- und Stammdaten ruinieren Prozessqualität, Patientensicherheit und Compliance, unabhängig davon, wie modern die eingesetzten Systeme sind. Fehlerhafte, redundante oder veraltete Daten wirken wie Sand im Getriebe aller nachgelagerten Anwendungen, von der Dienstplanung bis zur klinischen Entscheidungsunterstützung.

Sichtbar wird dies im Identity und Access Management (IAM), das auf konsistente Personen, Rollen- und Organisationsdaten angewiesen ist. Der gemeinsame Nenner: Es mangelt am Standard.Wenn HR-Systeme Namen, Kostenstellen, Beschäftigungsgrade oder Funktionsbezeichnungen uneinheitlich führen, geraten automatische Provisionierungsprozesse ins Stolpern: Konten werden zu spät angelegt, Berechtigungen nicht oder falsch vergeben, Offboardings bleiben unvollständig. Das Ergebnis sind Schatten-Identitäten, manuelle Workarounds, Sicherheitslücken und erheblicher Helpdesk-Aufwand, also ein direkter Widerspruch zu B3S-, NIS2- und Datenschutzanforderungen.

HR, als „Master of Data“, und Active Directory bilden häufig das „Golden Record“-Paar für Identitäten, sind aber in der Praxis von Medienbrüchen, historisch gewachsenen Feldern und uneinheitlichen Pflegeprozessen geprägt. Manuelle Stammdatenpflege, fehlende Pflichtfeldlogiken, inkonsistente Organisationsstrukturen oder nicht ausdefinierte Rollenmodelle führen zu Wildwuchs in Gruppen, Dubletten im Verzeichnisdienst und unklaren Verantwortlichkeiten für Berechtigungen. Hier zeigt sich: Datenqualität ist keine rein technische, sondern primär organisatorische Fragestellung.

Organisatorische Hebel

Organisatorische Hebel sind: klare Rollen- und Prozessverantwortung (RACI), verbindliche Datenqualitätsregeln, Schulung der Erfassenden sowie ein gelebtes „Data Owner“-Konzept in HR, Pflege, Medizin und Verwaltung. Technische Hebel ergänzen dies durch Identity-Governance-Tools, Validierungsregeln, Workflows für Genehmigungen, Rezertifizierungen, Dublettenprüfung und automatisierte Lebenszyklusprozesse von Eintritt bis Austritt. Interoperabilitätsstandards wie HL7, FHIR oder standardisierte Rollen- und Berufsbezeichnungen helfen, Begriffe und Strukturen zwischen Systemen zu harmonisieren, ersetzen aber keine Governance.

Zur Verankerung im Alltag sollte ein schlankes Data-Governance-Setup etabliert werden: Benennung von Data Ownern in Fachbereichen, regelmäßige Reportings zu Datenqualitäts-KPIs und ein definierter Eskalationspfad bei Abweichungen. Schulungen und kurze, prozessorientierte Leitfäden helfen, dass Dokumentation und Stammdatenpflege nicht als „lästige Zusatzaufgabe“, sondern als integraler Bestandteil von Behandlung und Administration verstanden werden. Erfolgsentscheidend bei höherer Datenqualität ist, Verbesserungen sichtbar zu machen, etwa weniger Rückfragen, weniger Korrekturläufe, schnellere Prozesse.

Verantwortlichkeit von Vorstand und Klinikleitung

Data Governance bildet den Rahmen, in dem Richtlinien, Kennzahlen und Verantwortlichkeiten für Datenqualität festgelegt und überwacht werden. Essenziell ist eine interdisziplinäre Zusammenarbeit von IT, HR, Datenschutz, Informationssicherheit und klinischen Vertretungen: Nur gemeinsam lässt sich definieren, welche Identitäts- und Organisationsattribute kritisch sind, wie sie geführt werden und wer bei Abweichungen handelt. Verantwortlichkeit bedeutet dabei, dass Vorstand und Klinikleitung Datenqualität ausdrücklich als Managementaufgabe verstehen, nicht als Detailproblem der IT. 

Datenqualität ist eine Haltung

Konkrete Fallbeispiele wie die Health Data Platform, Service der BIH Core Unit Research IT bzw. des Datenintegrationszentrums der Charité, zeigen, welche Qualitätsaspekte automatisiert geprüft werden können und wo domänenspezifisches Wissen notwendig ist, um technische Lösungen wirksam einzubetten. Die Charité Health Data Platform (HDP) ist eine zentrale Forschungsinfrastruktur, die Routinedaten aus der Krankenversorgung sicher für Forschungszwecke aufbereitet. Sie dient der Digitalisierungsstrategie 2030, bietet über das „Virtual Research Environment“ (VRE) Zugang zu Daten und nutzt dafür einen „Health Data Lake“.

Hohe Datenqualität ist nur durch das Zusammenspiel aus Technologie und Fachkompetenz nachhaltig zu erreichen. Datenqualität ist kein Projekt. Es ist kein Sprint. Es ist eine Haltung.

Foto: Stefan Zorn, imatics Health-IT Consulting GmbH, Moderator: Datenqualität aus der Perspektive Identity- und Access Management (IAM)

 - neues Bild anfordern -  

Foto: Linda Rebstadt, Big Data Engineer, SVA System: Wenn die Qualität von Gesundheitsdaten über den Erfolg von Lösungen entscheidet (online zugeschaltet)

Dr. Marcel Eillert, Data Science Architect, SVA System, Trash In - Trash Out: Datenqualität als Achillesferse der Digitalisierung

Quelle:© Health-IT Talk, Wolf-Dietrich Lorenz

Bildmaterial: © Health-IT Talk