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).
Zusammenfassung:
Diese Machbarkeitsstudie wurde am Hasso-Plattner-Institut in Potsdam durchgeführt. Sie sollte alltägliche Lebensumstände nachstellen. Die Umgebung bestand aus Küche, Bad, Hauptraum (besser Wohnzimmer?) und Fluren und wurde designt, um das Sammeln von hochaufgelösten, multimodalen Sensordaten zu unterstützen.
Die Hauptsession dauerte ungefähr eine Stunde, der Gesamtaufwand für Teilnehmende (inklusive Vorbereitung und Nachbereitung) betrug ungefähr 2 Stunden. Während der einstündigen Aufzeichnung waren die Teilnehmenden allein im Wohnlabor, um den Hawthorne-Effekt zu verringern und ein realistisches Alltagssetting zu schaffen. Teilnehmende waren angewiesen, alltägliche Tätigkeiten durchzuführen wie Lesen, Kochen oder Arbeiten am Laptop, wodurch NULL-Daten als Baseline erfasst wurden.
Gleichzeitig wurden sie gefragt, eine feste Anzahl von simulierten compulsive-like Tätigkeiten, nämlich Hände waschen, den Tisch putzen, eine Tür überprüfen zu selbstgewählten Zeiten während der Session auszuführen. Das jeweilige Verhalten wurde auf zwei verschiedene Arten durchgeführt, wodurch Routinemuster und zwangshafte Muster repräsentiert wurden.
