Swiss Medical Informatics

SMI 64 SGMI

Schweizerische Gesellschaft für Medizinische Informatik

SSIM

Société suisse d'informatique médicale Società svizzera d'informatica medicale

SSMI

Swiss Society for Medical Informatics

Inhalt/Content/Contenu Editorial

Impact des technologies de l’information sur la production hospitalière

Apport du Data Mining pour prédire la facture de patients hospitalisés

Und es lohnt sich doch … Einführung eines PACS am UniversitätsSpital Zürich

A framework for diagnosis of interstitial lung diseases in HRCT: the TALISMAN project

How a clinical information system can support life science research

Auf dem Weg zur prozessorientierten Patientenidentifikation

Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns

DebugIT for patient safety – the fight against emergent microbial diseases using multimedia data mining of heterogeneous clinical data

Das volle Programm: Aufwand und Ertrag einer WTO-Ausschreibung für ein elektronisches Patientendossier

Der Patient im Mittelpunkt der Information – kontextbezogene Navigation in einer EPA

Le mot du nouveau président

Grussadresse des neuen Präsidenten

Events

Schwerpunktthema:

21. Jahresversammlung in Siders – Der Patient im Mittelpunkt der Information – Chancen und Risiken Thème pricipal:

21ièmes Journées Annuelles à Sierre – Le patient au centre de l’information – chances et opportunités

SGMI/SSIM-News: Swiss eHealth Summit im Stade de Suisse in Bern, 26./27. August 2008 Swiss eHealth Summit au Stade de Suisse à Berne, 26 et 27 août 2008

SMI 2008: Nº 64

Table of contents Inhaltsverzeichnis Table des matières 2

Editorial

Impact des technologies de l’information sur la production hospitalière

Apport du Data Mining pour prédire la facture de patients hospitalisés

Und es lohnt sich doch … Einführung eines PACS am UniversitätsSpital Zürich

A framework for diagnosis of interstitial lung diseases in HRCT: the TALISMAN project

How a clinical information system can support life science research

Auf dem Weg zur prozessorientierten Patientenidentifikation

Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns

DebugIT for patient safety – the fight against emergent microbial diseases using multimedia data mining of heterogeneous clinical data

Das volle Programm: Aufwand und Ertrag einer WTO-Ausschreibung für ein elektronisches Patientendossier

Der Patient im Mittelpunkt der Information – kontextbezogene Navigation in einer EPA

Le mot du nouveau président

Grussadresse des neuen Präsidenten

Events

The patient at the centre of informatics

Editorial

Henning Müller, Eusebio Passaretti

Prof. Dr. Henning Müller University of Applied Sciences Sierre & University and Hospitals of Geneva Business Information Systems Institute HES-SO Valais, TechnoArk 3 3960 Sierre, Switzerland henning.mueller@hevs.ch Eusebio Passaretti Direktionsstab Universitätsspital Basel Hebelstrasse 2 4031 Basel epassaretti@uhbs.ch

This special issue of Swiss Medical Informatics (SMI No 64) brings together the best articles submitted to the 21st Congress of the Swiss Society for Medical Informatics (SGMI-SSIM). The congress took place in Sierre (Valais) at the University of Applied Sciences Western Switzerland (HES SO) from 5–6 June 2008, and featured 4 invited presentations, 19 oral scientific presentations and 6 scientific posters. In total, 27 papers were submitted and reviewed by the scientific programme committee on the basis of novelty of approach and technical quality of presentation. From this evaluation process the best eight papers were selected for the present special issue covering a wide range of subjects from the field of medical informatics. Two other papers were added for their practical interest to SGMI-SSIM members, bringing the total up to ten papers. Two articles deal with financial analysis of hospital data [1, 2] and two with image management and storage [3, 4], partly in the context of diagnostic aid. The patient record is traditionally well represented at these conferences, from access models for research [5] to patient identification [6]. Finally, two articles on specific diseases or disease categories are presented [7, 8]. The articles additionally selected describe practical approaches, one to the choice of an integrated electronic patient record at the Inselspital Berne [9], and the other on context-navigated search inside a clinical patient record [10]. In the first article [1] Rodolphe Meyer describes an extensive analysis of data on hospitals to define models measuring the impact of particular information and communication technologies on hospital productivity. This paper also received the award for the best scientific contribution to the conference. Alexandre Gnaegi [2] then describes a project on data mining within attributes of a hospital’s data warehouse in order to estimate income for released but not fully coded patients. The goal is to estimate the income for cases that have left the hospital within a reporting period but have not been fully coded. Off-the-shelf data mining tools have markedly increased the precision of such estimations for the Valais hospital network. Mechthild Uesback [3] describes the introduc-

tion of a PACS in Zürich University Hospital from 2004–2007. The results were major space savings and financial gains, with optimisation of workflows engendering a more productive work environment. Adrien Depeursinge then presents a diagnostic aid tool for emergency radiology [4] in the diagnosis of interstitial lung diseases. The tool analyses the texture of the lung tissue in CT images to classify it into healthy and several abnormal tissues. Clinical data are also taken into account since age or environmental factors can significantly change the lung texture properties. Jimison Iavindrasana’s article [5] reports on a framework for data access to a life clinical record with all its security constraints. The context is the EU project AneurIST whose aim is to improve the treatment and understanding of cerebral aneurysms. Tobias Mettler [6] then presents an approach to patient identification and tracking in a processoriented manner. A global view of the identification process across organisations focused on the patient can significantly improve identification. Marc Oertle [7] describes another diagnostic aid tool which targets patients with chronic heart failure and implements evidence-based medicine using information and communication technologies. The goal is standardisation of the care process to reduce variability in treatment. Christina Lovis [8] then outlines another European Union-funded project also targeting a particular group of diseases: nosocomial infections. The goal of this project is to develop new ways of fighting antibiotic resistances of bacteria by analysing large amounts of routine clinical data. The outcome of this project is expected to be IT-biotics, IT technology to fight bacteria. Oliver Handgrätiger [9] describes, in the setting of the Inselspital Bern, the process of selecting a new electronic patient record covering all medical specialties and partners in the hospital, and outlines the criteria for selecting a particular solution. The effort to obtain each criterion with its discriminative power is then described. This practical and detailed approach should be useful for other hospitals as well. In the last article of this issue, Ela Bielecki [10] presents Solothurn hospital’s project for

SMI 2008: Nº 64

improved navigation of a single patient’s data. A context-oriented approach presents a comprehensive overview of patient data and reduces time spent on searching in the patient record. Overall, the 21st Annual Congress of the Swiss Society for Medical Informatics offered a high quality scientific programme and prompted lively discussion among the participants. eHealth

is an important factor in Switzerland and Europe, and will most probably remain it for years to come in a medical field in the process of major change. Most larger hospitals have now become more or less fully digital, and this process will become equally important for small hospitals and medical practices.

References 1 Meyer R. Impact des technologies de l’information sur la production hospitalière. Swiss Medical Informatics 2008; No 64:4–8. 2 Gnaegi A, Giotta M, Bonvin R. Apport du Data Mining pour prédire la facture de patients hospitalisés. Swiss Medical Informatics 2008; No 64:9–12. 3 Uesbeck M, Naef R, Marincek B. Und es lohnt sich doch … Einführung eines PACS am UniversitätsSpital Zürich. Swiss Medical Informatics 2008; No 64:13–16. 4 Depeursinge A, Iavindrasana J, Andriambololoniaina H, Poletti P-A, Platon A, Geissbuhler A, Müller H. A framework for diagnosis of interstitial lung diseases in HRCT: the TALISMAN project. Swiss Medical Informatics 2008; No 64:17–20. 5 Iavindrasana J, Depeursinge A, Meyer R, Spahni S, Geissbuhler A, Müller H. How a clinical information system can support life science research. Swiss Medical Informatics. Swiss Medical Informatics 2008; No 64:21–24. 6 Mettler T, Rohner P. Auf dem Weg zur prozessorientierten Patientenidentifikation. Swiss Medical Informatics 2008; No 64:25–28. 7 Oertle M. Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns: Fallstudie bei Patienten mit chronischer Herzinsuffizienz. Swiss Medical Informatics 2008; No 64:29–31. 8 Lovis C, Müller H, Colaert D, Stroetmann VN. DebugIT for patient safety – the fight against emergent microbial diseases using multimedia data mining of heterogeneous clinical data. Swiss Medical Informatics 2008; No 64:32–35. 9 Handgrätinger H, Diele J, Voellmy D. Das volle Programm: Aufwand und Ertrag einer WTO-Ausschreibung für ein elektronisches Patientendossier. Swiss Medical Informatics 2008; No 64:36–40. 10 Ela Bielecki, Der Patient im Mittelpunkt der Information – Kontext-bezogene Navigation in einer EPA. Swiss Medical Informatics 2008; No 64:41–43.

Le patient au centre de l’information

Impact des technologies de l’information sur la production hospitalière Rodolphe Meyer

Summary

Hôpitaux Universitaires de Genève, Service d’Informatique Médicale, Genève 14

Quantification of the added value of information technologies (IT) in the health sector is a major issue for decision-makers and health care professionals. This paper reports the application of an economic production function in hospitals to different integration levels of their clinical information systems (CIS). The study concerns 17 university hospitals within Paris (France) which were followed from 1998 to 2005. Using an extended Cobb-Douglas production function, yearly incomes (Y) were correlated with three inputs: capital (K), labour (L) and IT expenses (T). The results indicate that incomes are significantly and positively associated with the three input variables with elasticity coefficients that appear to be in the range of values found in the secondary and tertiary sectors (a, b, g of 0.81, 0.17, and 0.09). The IT elasticity coefficient (g) is higher in the subgroup of 6 hospitals which integrated, or started to integrate, a complete CIS within the study period, than in the 11 reference hospitals. In a general production function, hospital costs appear to be positively linked to the level of IT expenses, capital and labour. Calculations in two subgroups of French hospitals subdivided according to the scale of IT integration seem to indicate that the more the clinical information system is integrated, the more its influence is positive in hospital production. The results of this first survey are sufficiently encouraging to warrant an attempt to refine them (better granularity), spread them in time (over a longer period), and extend them to Swiss hospitals.

Introduction

Rodolphe Meyer Hôpitaux Universitaires de Genève Service d’Informatique Médicale Rue Micheli-du-Crest 24 1211 Genève 14 rodolphe.meyer@ sim.hcuge.ch

Voilà maintenant plus de trente ans que l’informatique et les technologies de la communication numérique ont fait leur apparition dans nos hôpitaux [1, 2]. D’implémentation et d’acception lente, l’installation de ces outils bénéficie en 2008 d’un effet d’accélération. La mise en place d’un dossier médical personnel informatisé incite de façon active à la modernisation des structures hospitalières existantes et favorise, dans les établissements qui s’équipent, la prise en compte de plus en plus détaillée de leurs dépenses et l’optimisation de leur processus de facturation des prestations de soins. L’informatisation de l’hôpital de demain, loin d’être une fatalité, est deve-

nue un enjeu stratégique et économique que certains décideurs éclairés avaient déjà perçu depuis plusieurs années [3]. Mais ce nouvel outil, pour efficace et incontournable qu’il soit, représente une ligne de dépense budgétaire importante, qui n’a pas encore apporté la preuve de sa rentabilité. Le retour sur investissement des technologies de l’information et de la communication numérique (TIC ou IT) est loin d’être prouvé dans tous les secteurs et particulièrement dans celui de la santé. En 2006, la Suisse a dépensé 11,6% de son produit intérieur brut (PIB) dans le secteur de la santé [4], ce qui la place au deuxième rang mondial derrière les Etats-Unis. Devant ces chiffres, il convient de se demander si l’informatique hospitalière participe positivement à la croissance ou à la productivité des systèmes de soin au regard des financements qu’elle nécessite. Les règles de justification des investissements de production en santé tendent actuellement à devenir les mêmes que celles appliquées dans les autres secteurs, c’est-à-dire fondées sur des critères de rentabilité issus d’une analyse coûts-bénéfices. Ces analyses sont délicates car les méthodes standard d’évaluation économique (basées sur la somme des cash-flows actualisés) s’appliquent mal au cas des investissements informatiques actuels [5]. Les raisons sont multiples: les bénéfices sont disséminés, et parfois intangibles, tandis que les coûts, et notamment les coûts d’intégration, demeurent difficiles à chiffrer [6, 7]. Il est presque impossible de mesurer l’impact financier positif de la fiabilisation d’un système de prescription alors qu’il est clair que les erreurs de prescriptions, responsables d’une grande partie de la iatrogénie médicale, engendrent un surcoût évident [8]. Lorsque l’on sait que cette association d’éléments tangibles et intangibles contribue de façon déterminante au succès d’une organisation comme un hôpital, il est essentiel d’obtenir dès maintenant des moyens de mesure du retour sur investissement direct des TIC constituant un premier pas vers une analyse plus complète de ces éléments [9–11]. En considérant maintenant les technologies de l’information et de la communication comme un facteur de production dans un hôpital, il devient envisageable d’en mesurer l’influence, et donc la valeur, par l’utilisation des techniques économétriques employées par les statisticiens, les informaticiens et les analystes du monde de l’économie et de la finance [12, 13].

SMI 2008: Nº 64

Objectifs Montrer que l’on peut utiliser les fonctions économétriques classiquement manipulées en macro- et microéconomie sur des données d’activité hospitalière. Calculer l’influence des investissements en technologies de l’information dans la production hospitalière. Comparer les coefficients d’élasticité des facteurs expliquant la production hospitalière dans plusieurs groupes d’hôpitaux séparés sur des critères de niveau d’intégration des technologies d’information. Utiliser les données calculées pour prédire les futurs résultats de production des hôpitaux en fonction des différents investissements réalisés. Améliorer la gouvernance des SIH.

Matériels et méthodes Fonction de production

Comme évoqué précédemment, nous avons voulu utiliser dans cette étude une fonction de production couramment employée en économie. La forme générale de cette fonction (la fonction de Cobb-Douglas) retient deux facteurs de production (inputs): le capital (K) et le travail (L), pour expliquer la croissance Y (output). Ce qui donne: Y = A × Ka × Lb (avec l’hypothèse a+b = 1 ou b = (1–a) et Y = la production; A = coefficient constant dépendant des unités de mesure employées, nommé «résidu de Solow», correspondant à une part dite d’amélioration de l’efficacité des facteurs de production, en d’autres termes rattachée au progrès technique; K = capital; a = élasticité de la production au capital; L = travail; b = élasticité de la production au travail.) La fonction ainsi spécifiée fut posée pour la première fois en 1928 et régulièrement vérifiée économétriquement par la suite [14]. De cette fonction mathématique, on peut tirer deux

Figure 1.

Fonction de production étendue (avec élasticité de substitution constante: a + b + g = 1).

concepts économiques qui permettent d’interpréter les vérifications statistiques: l’élasticité de la production aux facteurs et la notion de progrès technique. La prise en compte, dans l’explication de la croissance, du progrès technique et de différentes autres variables a été motivée par les résultats d’études empiriques faisant apparaître que la fonction Cobb-Douglas ne permettait pas d’expliquer la croissance par les seules quantités de facteurs de production. C’est ce que Robert Solow, prix Nobel d’économie, a appelé le «résidu» [15, 16]. Le progrès technique et les dépenses d’éducation sont les deux principales variables susceptibles d’expliquer le résidu de la croissance. La productivité des facteurs (A), possède donc une valeur mesurant l’état de la technologie à un moment donné; sa progression dans le temps donnant une idée du progrès technique au sens large [17, 18]. En partant du modèle initial de la fonction de Cobb-Douglas, nous avons instancié une nouvelle fonction par ajout d’une variable T, individualisant les technologies de l’information et de la communication. L’élasticité de substitution étant toujours considérée constante, nous obtenons (fig. 2): Y = A × Ka × Lb × Tg T va permettre d’isoler la part TIC du résidu de Solow. L’intérêt d’améliorer la fonction de production classique réside dans le fait que la nouvelle variable possède son propre coefficient d’élasticité qui nous permettra d’estimer son importance proportionnelle dans les résultats de la production globale et donc l’impact des TIC dans cette production.

Dix-sept hôpitaux de l’Assistance publique – Hôpitaux de Paris Les premières données hospitalières utilisées pour ce travail sont françaises et proviennent du siège de l’Assistance publique – Hôpitaux de Paris (AP-HP). Elles s’étendent sur une période de huit années allant de 1998 à 2005. N’ont été retenues que les structures de volume important (plus de 350 lits), réalisant principalement (>75%) une activité MCO (médecine, chirurgie, obstétrique). Nous avons ainsi analysé dix-sept établissements sur huit années, ce qui nous donne un total de cent trente-six observations complètes (tab. 1). Les dix-sept hôpitaux de l’étude ont d’abord été étudiés de façon globale puis séparés en deux groupes distincts correspondant à leur niveau d’intégration informatique. Tous les hôpitaux possèdent à l’heure actuelle des parcs informatiques hétérogènes mais importants. Six établissements ont implémenté des systèmes d’information hospitaliers (SIH) intégrés permettant une

Le patient au centre de l’information

Tableau 1. Résultats avec une fonction de production classique. Valeur

Ecart-type

t statistique

1,7429

0,0691

25,220

<0,0001

0,1690

0,0404

4,1839

<0,0001

0,8309

0,0404

20,570

<0,0001

R2: 0,9507

Durbin-Watson: 1,5215

gestion électronique horizontale des informations des patients; ils sont répartis dans le groupe 2 [19, 20]. Onze hôpitaux sans système intégré sont répartis dans le groupe 1. Gardons en mémoire que ces structures possèdent souvent des systèmes d’information mais qu’ils sont hétérogènes (d’organisation verticale non intégrée).

Résultats

A = Solow, a = capital, b = travail

Fonction de Cobb-Douglass à l’AP-HP (n = 17) Tableau 2. Etudes dans d’autres pays mais tous secteurs économiques confondus. Pays(1)

Période(1)

a(2)

b(2)

a + b(2)

Italie

1922–1984

0,28

0,72

1,00

Canada

1870–1988

0,38

0,62

1,00

Royaume-Uni

1989–1996

0,23

0,77

1,00

Etats-Unis

1899–1996

0,25

0,75

1,00

France

1974–1996

0,26

0,74

1,00

(1) données des études [21–23] (2) = coef. d’élasticité du capital = coef. d’élasticité du travail

Tableau 3. Résultats avec la fonction étendue. Valeur

Ecart-type

t statistique

0,8146

0,0430 1

8,935

0,0300

0,1686

0,0509

3,3086

<0,0001

0,7657

0,0555

13,791

0,0216

0,0853

0,0361

2,3643

0,0094

R2: 0,9701

Durbin-Watson: 1,5772

A = Solow, a = capital, b = travail, g = IT

Fonction étendue aux TIC

Tableau 4. Comparaison des deux groupes. Groupe 1 (n = 11) – pas de CIS intégré Valeur

Ecart-type

t statistique

0,5985

0,0747

8,0052

0,0052

0,1703

0,0501

3,4019

0,0010

0,7853

0,0559

14,029

<0,0001

0,0723

0,0292

2,4759

0,0082

R2: 0,9698

Durbin-Watson: 1,7361

Groupe 2 (n = 6) – CIS intégré Valeur

Ecart-type

t statistique

1,1891

0,0634

18,762

0,0057

0,1619

0,0763

2,1218

0,0005

0,7441

0,0837

8,8837

<0,0001

0,1033

0,0533

1,9369

0,0083

R2: 0,9174

Nous avions posé en première hypothèse que la fonction de production de Cobb-Douglas était adaptable au monde hospitalier. Ceci sous-entend l’adaptation d’une formule traditionnellement macroéconomique vers la microéconomie mais aussi son utilisation dans un secteur sans volonté de productivité concurrentielle. La validité de notre postulat a été confirmée par le comportement de la fonction lors des calculs. Les résultats sont présentés dans le tableau 1. Le coefficient d’élasticité du capital est de 0,169; celui du travail est de 0,83. Le résidu de Solow est à 1,74. Les coefficients A, a, b, sont très significatifs (p <0,0001) avec un coefficient R2 de 0,95. Le tableau 2 nous donne des éléments de référence et de comparaison en présentant les coefficients d’élasticité calculés dans différents pays pour les secteurs secondaires et tertiaires principalement. Nous voyons que le coefficient d’élasticité du capital (a) en France est en moyenne de 0,26 (0,17 dans notre étude) et que celui du travail (b) est en moyenne en France de 0,74 (0,86 dans notre étude).

Durbin-Watson: 1,6822

A = Solow, a = élasticité du capital, b = élasticité du travail, g = élasticité de IT

Les calculs effectués avec la fonction étendue comprenant K, L, T, sur les dix-sept hôpitaux sélectionnés, nous donnent les résultats présentés dans le tableau 3. Le coefficient d’élasticité du capital est de 0,168; celui du travail est de 0,76. Le coefficient d’élasticité des technologies de l’information est de 0,085 (p <0,01). Le résidu de Solow diminue de moitié, passant de 1,74 à 0,81. Les valeurs du p et du R2 montrent que les valeurs calculées sont très significatives. La statistique de Durbin-Watson reste comprise entre 1,51 et 2. La valeur du R2 passe de 0,95 à 0,97 pour les calculs effectués avec la fonction étendue.

Comparaison des deux groupes d’hôpitaux La séparation des hôpitaux en deux groupes nous permet de réévaluer les coefficients d’élasticité de chacun des deux groupes. Nous observons des variations importantes de la répartition des coef-

SMI 2008: Nº 64

ficients du travail (b) et des technologies de l’information (g). La valeur comparée de g dans le groupe 2 est presque une fois et demi supérieure (0,1033 contre 0,0723) à celle du groupe 1 dans l’explication de la production. Par ailleurs, le résidu de Solow du groupe 2 prend une valeur deux fois supérieure à celle du groupe 1 (1,1891 contre 0,5985). Le coefficient d’élasticité du capital (a) reste presque inchangé dans les deux groupes (0,1703 pour le groupe 1 contre 0,1619 pour le groupe 2). Les valeurs du p et du R2 montrent que les valeurs calculées restent très significatives. La statistique de Durbin-Watson reste comprise entre 1,51 et 2 (tab. 4)

Coefficient d’élasticité des TIC – évolution chronologique Lorsqu’on examine l’évolution chronologique des coefficients d’élasticité des TIC dans les deux groupes (fig. 2), nous constatons une différence de niveau existant dès 1998 (0,0479 pour le groupe 1 contre 0,0579 pour le groupe 2). L’augmentation des coefficients est superposable jusqu’en 2003. A partir de cette date, nous constatons que l’écart se creuse en faveur du groupe 2. En 2005, le coefficient du groupe 1 est à 0,0723 vs 0,1033 pour le groupe 2.

Figure 2

Evolution du coefficient des TIC (g ) au cours du temps.

Conclusions et perspectives Dans ce travail, nous avons montré qu’une équation mathématique (plus communément appelée fonction de production), initialement posée pour l’analyse macroéconomique puis étendue à l’analyse microéconomique, était utilisable pour l’étude de données d’activité hospitalière. Le perfectionnement de cette fonction de production, par l’adjonction d’une variable supplémentaire représentant la valeur des investissements

matériels et humains des TIC, améliore l’interprétation des valeurs des coefficients d’élasticité des facteurs de production (inputs). L’observation de ces valeurs nous a montré que les investissements en technologie de l’information apportent de la valeur et participent de façon positive à la production et à la productivité des hôpitaux de l’AP-HP. La séparation des hôpitaux en deux groupes, basée sur un critère de niveau d’intégration des SIH, a confirmé des différences de niveau que la fonction de production tend à attribuer aux TIC. Les TIC sont des produits composites constitués de matériel, de logiciels, de compétences, de systèmes intégrés, de support opérationnel et d’infrastructures. Nous pensons qu’une part de causalité des différences notables observées dans la production des établissements est à rechercher dans trois domaines principaux: le niveau d’intégration des TIC, la qualité du codage en découlant, et les changements des pratiques d’organisation et de travail liées aux TIC. Ces conclusions, obtenues à partir des hôpitaux universitaires parisiens ayant principalement une activité MCO, pourraient être comparées à une étude portant sur la totalité des établissements de l’AP-HP; pour ensuite permettre de lancer des études similaires sur les hôpitaux nationaux, les neufs hôpitaux d’instruction des armées (HIA) français et les hôpitaux européens majeurs, tels que l’hôpital universitaire de Genève (HUG) ou celui de Bruxelles (AZ-VUB). L’utilisation de techniques validées par les économistes du monde entier pour notre travail a retourné des résultats intéressants. Face à cet aspect initial positif de notre démarche, nous pensons qu’il faudrait compléter les conclusions de ce mémoire par des analyses supplémentaires en utilisant, par exemple, des techniques complémentaires d’économétrie du type «multi adaptative regression spline» [24, 25] ou encore d’analyses de frontières stochastiques [26]. Cela permettrait la mise en évidence des liens unissant les fluctuations des variables entre elles; mais aussi la recherche des limites au delà desquelles elles n’ont plus d’influence ou n’entraînent plus leurs voisines. Par ailleurs, une granularité plus fine des inputs, l’introduction d’une variable qualitative et d’un paramètre intégrant la part d’inefficacité des systèmes de production pourraient aussi être examinées [27]. Par ailleurs, la prise en compte de l’impact financier du décalage temporel lié aux délais de déploiement sera nécessaire [28]. Enfin, une série de test utilisant les propriétés mathématiques de la fonction pour prédire les résultats de production l’année suivante est prévue. Ce travail représente une première étape dans l’établissement d’un système intégré de mesures

Le patient au centre de l’information

des éléments tangibles et intangibles concourant aux résultats d’activité des hôpitaux. Ces résultats doivent être à la fois observés, mesurés mais aussi partagés, critiqués et ressentis. Ils constituent ensemble la mesure de la vraie valeur du système de soin proposé aux assurés sociaux. Cette

volonté de quantification juste et durable s’inscrit très concrètement dans la démarche actuelle de la recherche d’éléments de décision et de pilotage de la gouvernance générale et plus particulièrement de celle des technologies de l’information et de la communication [29].

Références 1 Van de Velde R, Degoulet P. Clinical informations systems, a component based approach. New-York: Spinger-Verlag; 2001. p. 1–14. 2 Tan J. E-Health Care information systems. San Francisco: Jossey-Bass; 2005. p. 14–6. 3 Geissbuhler A, Lovis C, Spahni S, Appel RD, Ratib O, et al. A humanist’s legacy in medical informatics: visions and accomplishments of Pr Jean-Raoul Scherrer. Methods Inf Med. 2002;41:237–42. 4 OECD Health Database. 2007. 5 Arlotto P. Return on investment: maximizing the value of healthcare information technology. Chicago: HIMSS; 2003. p. 5–9. 6 Menachemi N, Brooks R. Exploring the return on investment associated with health information technologies. Report to the state of Florida, february 2005. 7 Bomsel O, Diop S. Défendre l’investissement informatique. Revue des Ingénieurs. 2002; 401. 8 Kohn LT, Corrigan JM, Donaldson MS, eds. To Err Is Human: Building a Safer HealthSystem. Institute of Medicine, Washington DC: National Academy Press; 1999. 9 Brynjolfsson E, Hitt L, Yang S. Intangible assets: Computers and organizational capital. MIT Sloan school papers, october 2002. 10 Hitt L, Brynjolfsson E. Creating value and destroying profit? Three measures of information technology’s contributions. MIT Sloan school papers, december 1994. 11 Kaushal R, et al. Return on investment for a computerized physician order entry system. J Am Med Inform Assoc. 2006;13:261–6. 12 Brynjolfsson E. The productivity paradox of information technology: Review and assessment. MIT Sloan school papers, december 1991. 13 Greene W. Econométrie. Pearson éducation France. 2005; pp. 7–10, 19–38, 484–7. 14 Cobb C.W, Douglas P.H. A Theory of Production. American Economic Review. 1928;18(1):139–65. 15 Solow RM. A contribution to the theory of economic growth. The Quarterly Journal of Economics. 1956; LXX, 65–94. 16 Solow RM. Technical change and the aggregate production function. The Review of Economics and Statistics. 1957;39(3):312–20. 17 Brown M. The Theory and Empirical Analysis of Production. New York: Columbia University Press, 1967; 16–22. 18 Labini PS. Why the interpretation of Cobb-Douglas production function must be radically changed. Structural change and economic dynamics. 1995;6:485–504. 19 Degoulet P, et al. The HEGP component-based clinical information system. Int J Med Inform. 2003;69(2-3):115–26. 20 Rudnichi A, et al. La prescription biologique informatisée avec P.C.S à l’hôpital Robert Debré, in: Informatique et Santé. Paris: Springer-Verlag France; 1989, 1. p. 182–90. 21 Bernier B, Simon Y. Initiation à la macroéconomie. Paris: Dunod; 2001. p. 507–47. 22 McGuckin RH, Stiroh K. Computers and productivity: are aggregation effects important? The Conference Board: economic program working paper series, august 2000. 23 Caroli E, Van Reenen J. Skill-biased organizational change? Evidence from a panel of British and French establishments. The Quarterly Journal of Economics. November 2001. 24 Osei-Brison KM, Ko M. Exploring the relationship between information technology investments and firm performance using regression splines analysis. Information & management. 2004;42:1–13. 25 Osei-Brison KM, Ko M. The productivity impact of information technology in the healthcare industry: an empirical study using a regression spline-based approach. Information & Software Technology. 2004;46:65–73. 26 Lin T, Shao B. The business value of information technology and inputs substitution: the productivity paradox revisited. Decision Support Systems. Article in Press. 2005. 27 Beard N, Elo K, Hitt LM, Housman MG, Mansfield G. Information technology and hospital performance: An econometric analysis of costs and quality. [Online] PricewaterhouseCoopers: http://www.pwc.com/healthcare, 2007. 28 Kaushal R, Jha AK, Franz C, Glaser J, Shetty KD. Return on investment for a computerized physician order entry system. J Am Med Inform Assoc. 2006, 3 (13):365–7. 29 Georgel F. IT gouvernance: maîtrise d’un système d’information. Paris: Dunod; 2005. p. 95–105.

SMI 2008: Nº 64

Apport du Data Mining pour prédire la facture de patients hospitalisés Alex Gnaegi, Mathieu Giotta, René Bonvin

Dr Alex Gnaegi Département d’informatique médicale et administrative Institut Central des Hôpitaux Valaisans Av. Grand-Champsec 86 CH-1950 Sion alex.gnaegi@ichv.ch

Summary The aim of this study is to assess the contribution of data mining technology in a medico-administrative context, i.e. to estimate the billing amount of a hospitalisation immediately on the patient’s discharge, without having to wait for codification of diagnoses and procedures. The algorithms, decision trees and neural networks for this purpose have been tested. We conclude that from simple administrative data it is possible to estimate the amount of the bill with a coefficient of determination R2 close to 0.9. The three most crucial variables in the model are length of stay, type of case (i.e. medical specialty) and age. Only outlier cases, namely very expensive stays, remain difficult to estimate. This study opens the door to a wider use of data mining technologies in medicine, e.g. by trying to predict clinical situations at risk of complications.

L’objectif de ce travail est d’évaluer l’apport des techniques de Data Mining dans un contexte médico-administratif, à savoir estimer le montant d’une facture d’un patient hospitalisé dès sa sortie à partir des informations disponibles dans les systèmes opérationnels. Une comparaison avec la méthode actuelle basée sur les types de cas est également prévue.

Méthodes Logiciel utilisé

Le logiciel utilisé pour l’analyse de données de type Data Mining est Microsoft SQL Server 2005 Analyses Services (SSAS) car disponible sans coût supplémentaire au sein de notre département. Il intègre plusieurs algorithmes de Data Mining comme les arbres de décisions, les clusters, les réseaux bayésiens ou les réseaux neuronaux.

Objectifs

Source des données

Lors des périodes de bouclement comptable, il importe de pouvoir valoriser rapidement et facilement les dossiers terminés mais non facturés. Si la facturation est basée sur une classification de type DRG (Diagnosis Related Groups), comme c’est le cas dans les hôpitaux du Réseau Santé Valais (RSV) pour les hospitalisations en chambre commune, il est nécessaire de disposer des diagnostics et des interventions effectuées durant l’hospitalisation en plus de variables administratives avant de pouvoir calculer le montant de la facture. Or la codification des diagnostics n’est parfois terminée, pour de multiples raisons, que plusieurs semaines après la sortie du patient et de ce fait il est extrêmement difficile de provisionner au plus juste les recettes correspondantes. Actuellement, les comptables provisionnent les montants non facturés sur la base du montant facturable moyen par type de cas. On dénombre une trentaine de type de cas qui correspondent en général au service médical qui a pris en charge de manière prépondérante le patient, comme par exemple la chirurgie maxillofaciale, la gynécologie ou la médecine. Le type de cas est dès lors connu à la sortie du patient.

Les données ont été extraites du système d’information administratif [1] basé sur le logiciel Opale d’Ordi-Conseils SA. Dans celui-ci se trouvent toutes les données relatives à l’administration du patient: date d’entrée et date de sortie de l’hôpital, durée de séjour, montant facturé, prestations, etc. C’est également dans ce système que se trouvent les codes diagnostiques et de traitements selon les nomenclatures ICD-10 et respectivement ICD-9-CM qui déterminent ensuite le code APDRG (All Patients Diagnosis Related Groups). Chaque code APDRG dispose d’un cost weight (CW), dont la valeur est ensuite multipliée par une constante pour obtenir le montant total de la facture du séjour hospitalier. Les données employées dans le cadre de cette étude proviennent de séjours hospitaliers somatiques des années 2006 et 2007 en chambre commune facturés selon les APDRG. Pour 2007, seuls les cas facturés au moment de l’étude (fin 2007) ont été intégrés dans l’analyse. La liste des variables potentiellement utiles figure dans le tableau 1. Celles-ci ont été regroupées en catégories.

Le patient au centre de l’information

Procédures

La démarche suivie est classique pour des projets de Data Mining: définition du problème, préparation des données, création du modèle, exploration du modèle et validation du modèle [2]. Pour la préparation des données de test, nous avons extrait aléatoirement 160 cas pour l’année 2006 et 160 autres cas pour l’année 2007 parmi les 27 000 cas des données d’apprentissage. Les 160 cas sont répartis ainsi: 80 cas par centre hospitalier (Haut-Valais comprenant les hôpitaux de Brigue et Viège et Valais central comprenant

les hôpitaux de Sierre, centre valaisan de pneumologie de Montana, Sion et Martigny). Parmi ces 80 cas, 40 sont extraits des inliers [3] et des 40 cas restant, 20 proviennent des low-outliers alors que les derniers 20 cas sont des high-outliers. La répartition par centre hospitalier permet, par exemple, d’évaluer si des différences de codage ou de lourdeur de cas peuvent être remarquées. La répartition par inliers/outliers permet de simuler le fait que les cas non codés à la fin d’une période sont à 50% des cas inliers et 50% des cas outliers. Le pourcentage d’outliers a été fortement augmenté par rapport à la réalité, mais est

Tableau 1. Variables utilisées pour la définition des modèles d’analyse. Nom de la variable

Catégorie

Remarques

Type d’admission

Données administratives

7 codes différents

Mode d’entrée

Variables d’entrée

24 codes différents

Provenance

Variables d’entrée

84 codes différents

Décision d’envoi

Variables d’entrée

8 codes différents

Genre d’admission

Variables d’entrée

9 codes différents

Mode de sortie

Variables de sortie

35 codes différents

Destination

Variables de sortie

87 codes différents

Prise en charge après la sortie

Variables de sortie

9 codes différents

Sexe

Données administratives

2 codes différents

Résidence1

Variables d’entrée

5 codes différents

Age à l’entrée

Données administratives

Calculé

Type de cas

Données administratives

49 codes différents

Classe

Données administratives

8 codes différents

Type de patient

Données administratives

31 codes différents

Tarif

Données administratives

44 codes différents

Type de taxe

Données administratives

39 codes différents

Groupe de classe

Données administratives

3 codes différents

Division

Variables sur le service

35 codes différents

Service

Variables sur le service

114 codes différents

Unité

Variables sur le service

77 codes différents

Données sur le médecin

169 codes différents

Médecin traitant2 Spécialité du médecin traitant

Données sur le médecin

29 codes différents

Genre de médecin traitant2

Données sur le médecin

12 codes différents

Durée de séjour

Données administratives

Calculé

Durée de séjour nette

Données administratives

Calculé

Liste des prestations TARMED

Prestations TARMED

4770 codes différents

Points de prestation TARMED

Prestations TARMED

Calculé

Valeur des prestations TARMED

Prestations TARMED

Calculé

Heures de soins intensifs

Données administratives

Calculé

Remarques: 1 résidence correspond à une zone de résidence du patient 2 médecin traitant correspond au médecin chef hospitalier responsable du patient.

SMI 2008: Nº 64

justifié car ce sont ces cas qui doivent être estimés au plus proche en raison des montants prévisibles très élevés. Parmi les différents algorithmes proposés par SSAS, seuls les algorithmes «Microsoft Decision Trees» et «Microsoft Neural Network» sont retenus car la variable à prédire est de type continu. Plusieurs modèles combinant l’un ou l’autre des deux algorithmes susmentionnés avec plusieurs variables d’entrée sont testés. Les comparaisons s’effectuent sur les montants facturables estimés par les différents modèles des 160 cas de test par rapport: a) aux montants facturables réels et b) à la méthode basée sur les types de cas appelée ci-après «méthode RSV». La performance des modèles est évaluée par le R2 (= coefficient de détermination) des droites de régression linéaire. Trente-cinq modèles différents avec l’algorithme des arbres de décisions ont été construits. Les variables des modèles avec un R2 >0,8 ont été reprises pour construire des modèles avec l’algorithme des réseaux neuronaux.

Résultats Les performances des quatre meilleurs modèles (R2 >0,8) basés sur les arbres de décisions et les quatre modèles correspondants basés sur les réseaux neuronaux figurent dans le tableau 2. En l’occurrence, le meilleur modèle (Test_025_04_MDT) s’appuie sur l’algorithme des arbres de décision et ne nécessite que des variables faciles à collecter. Il obtient un R2 de 0,86 alors que la méthode RSV obtient seulement un R2 de 0,04. Tandis que le montant

total des factures réelles est de 1502 618.65 francs, le modèle estime le montant total à 1440 071.73 francs, soit une différence de –4,2%, à comparer au montant total de 1116259.01 francs obtenu par la méthode RSV (différence –34,6%). D’autres modèles sous-estiment un peu moins le montant total (en particulier le modèle Test_023_MDT avec une différence de –2,7%), mais par contre ne bénéficient pas de la même robustesse. La figure 1 présente les différences relatives entre le meilleur modèle de Data Mining et la méthode RSV en rapport avec les résultats attendus pour les 160 cas de tests. Les cas sont regroupés en ordre croissant du pourcentage de différence par tranche de 20% entre 100% et plus de différence sous-estimée vs 100% et plus de différence surestimées. Le graphique permet ainsi de vérifier que les résultats du modèle Data Mining sont bien distribués de manière normale avec une moyenne la plus proche de 0%. Au contraire, la méthode RSV fournit des résultats inhomogènes avec une forte proportion de cas sous-estimés de 100% et plus. Sans surprise, les trois variables en entrée qui ont le plus grand poids dans l’algorithme basé sur les arbres de décision sont la durée de séjour, le type de cas et l’âge à l’entrée. Par contre, les prestations médicales TARMED n’apportent pas d’informations utiles aux modèles de Data Mining probablement en raison du grand nombre de prestations différentes. Tous les modèles sous-estiment le montant total facturable possiblement en raison des cas extrêmes qui ne peuvent faire l’objet d’une simulation.

Tableau 2. Liste des meilleurs modèles. Modèle

Algorithme

R2 obtenu

Variables utilisées

Test_023_MDT

Arbres de décision

0,8368

Données administratives

Test_023_MNN

Réseaux neuronaux

0,7827

Données administratives

Test_024_04_MDT

Arbres de décision

0,8572

Données administratives + variables entrées + variables sorties + spécialité du médecin

Test_024_04_MNN

Réseaux neuronaux

0,7515

Données administratives + variables entrées + variables sorties + spécialité du médecin

Test_025_04_MDT

Arbres de décision

0,8611

Données administratives + variables entrées + spécialité du médecin

Test_025_04_MNN

Réseaux neuronaux

0,7676

Données administratives + variables entrées + spécialité du médecin

Test_026_04_MDT

Arbres de décision

0,8437

Données administratives + spécialité du médecin

Test_026_04_MNN

Réseaux neuronaux

0,7668

Données administratives + spécialité du médecin

Le patient au centre de l’information

Conclusion Cette étude illustre d’une part que les technologies de Data Mining sont désormais aisées à mettre en œuvre et d’autre part, elle montre que l’issue «médico-économique» d’un séjour hospitalier peut facilement être estimé avec les outils de Data Mining grâce à de simples données administratives. On peut dès lors espérer une utilisation plus large de ces technologies pour estimer cette fois-ci l’issue «médicale» d’un séjour comme par exemple le pronostic vital ou les complications éventuelles.

Figure 1

Différence relative entre les montants estimés et réels par tranche de 20%. Références 1 Gnaegi A. ICHV – Application Infoval [Internet]. Applications Infoval. [cité 2008 Mar 30 ] Available from: http://www.ichv.ch/default.asp?contentID=775 2 Tang Z, MacLennan J. Data Mining with SQL Server 2005. Indianapolis: Wiley; 2005. 3 Schenker L. TAR APDRG 2006 Principes et règles de financement et de facturation par APDRG [Internet]. 2006 Jan; [cité 2008 Mar 28] Available from: http://www.apdrgsuisse.ch/public/fr/o_tar_apdrg_2006-f2.pdf

SMI 2008: Nº 64

Und es lohnt sich doch … Einführung eines PACS am UniversitätsSpital Zürich

M. Uesbeck, R. Naef, B. Marincek

Summary From 2004 to 2007 the University Hospital of Zurich (USZ) implemented a hospitalwide picture archiving and communication system (PACS). The system offers all the functionality required by the radiology departments, such as viewing of radiological images, advanced image processing, diagnostic findings, management of daily clinical reporting and rapid image distribution to the USZ’s 42 clinical institutes. It also forms the basis for complete digitalisation of intersectoral communication with other hospitals. Digital archiving of images results in enormous space savings, since its has become possible to release conventional archives (rooms with many kilometers of shelves full of film material) step by step for other purposes. Moreover, spending on film material has been reduced by nearly 2 million Swiss francs per year. The most important advantage of the PACS installed for the entire organisation lies in far-reaching optimisation of most medical and administrative workflows in the Department of Radiology and the 42 USZ clinical institutes. For example, no film material needs to be physically distributed, reclaimed or desperately searched for any longer. Radiological findings can be dictated directly into the RIS-PACS desktop by digital speech recognition and distributed within minutes via the hospital-wide KIS, thus reducing the the clinicians’ average wait for a diagnosis from days to hours. Economically the workflow optimisations have made it possible to cut labour costs and relocate nine employees inside and outside the USZ. Consequently, all USZ employees involved in the radiological processes described above benefit greatly from the introduction of PACS and – last but not least – so do the patients.

Einleitung Korrespondenz: Dr. rer. nat. M. Uesbeck Universitätsspital Zürich Zentrale Informatik Physikstrasse 4 8091 Zürich

Bis 2004 existierte am UniversitätsSpital Zürich keine digitale Bildbewirtschaftung. Monatlich wurden für durchschnittlich 170 000 Schweizer Franken Filme gedruckt, die einerseits zur Befundung durch den Radiologen und für radiologische und klinische Rapporte und Fallbespre-

chungen benötigt wurden, andererseits der zuweisenden Klinik und gegebenenfalls in Kopie externen Zuweisenden zur Verfügung gestellt wurden. Mehr als vier Archivmitarbeiter waren allein mit der Beschaffung, Vervielfältigung, Versendung und Archivierung von Röntgenfilmen beschäftigt. Der Pflegedienst aller Kliniken musste oftmals Stunden nach vermissten Filmtüten suchen. Nachdem die Filme gedruckt und dem Radiologen zugestellt worden waren, befundete dieser sie vor einem der zahlreich vorhandenen Lichtkästen. Die diktierten Befunde wurden im Schreibbüro geschrieben, nochmals vom Radiologen korrigiert und nach der Finalisierung ausgedruckt, unterschrieben und in Kopie per Hauspost der zuweisenden Klinik oder dem externen Zuweiser zugestellt. Gegebenenfalls vergingen zwischen Erstellung des Befundes und Einsicht durch den Kliniker mehrere Tage. Mit Einführung eines PACS zur digitalen Bildbewirtschaftung und eines durchgängig elektronischen Gesamtworkflows zwischen HIS, KIS, RIS und PACS konnten diese Defizite nahezu vollständig eliminiert werden. Neben enormen Einsparungen im Bereich Raum, Personal und Material konnte vor allem eine diagnostische Qualitätssteigerung, ein effizienterer Arbeitsablauf für das medizinische Personal, sowie eine Verringerung der Strahlenbelastung der Patienten durch Wegfall unnötiger Wiederholungsaufnahmen erreicht werden.

Zielsetzungen Mit der Realisierung eines PACS sollte den wachsenden Defiziten in Bezug auf Verfügbarkeit und zeitgerechter Übermittlung radiologischen Bildmaterials und in Bezug auf die erforderliche Langzeitarchivierung von alten Daten entgegengewirkt werden. Es sollten Qualität und Effizienz in der Radiologie und im gesamten Spital gesteigert und den Zuweisern verbesserte Leistungen geboten werden. Dies sollte den behandelnden Ärztinnen und Ärzten eine Konzentration auf ihre Kernkompetenzen, schnellere Diagnosen und damit effizientere Therapien zum Wohle des Patienten ermöglichen. Der Pflegedienst sollte vom lästigen Filmesuchen

Der Patient im Mittelpunkt der Information

entlastet werden. Um grundsätzlich alle digitalen Bilder für alle Kliniken zugänglich zu machen, sollte ein spitalweit gültiger Archivierungsstandard durchgesetzt werden. Die sehr ressourcenintensive Filmwirtschaft (Archivräume, Filmmaterial, Geräte, Archivpersonal), die sich durch den jährlichen Zuwachs an Untersuchungen ständig verschärft, sollte aufgehoben und durch eine wirtschaftliche digitale Bildspeicherung ersetzt werden. Durch Etablierung eines elektronischen Gesamtworkflows zwischen HIS, KIS, RIS und PACS mit Durchgängigkeit administrativer Patienten- und eindeutiger Bilddaten sollte eine Verbesserung der Arbeits- und Datenqualität erreicht werden. Die Ablösung der konventionellen Filmwirtschaft durch ein PACS sollte kostenneutral erfolgen.

Material und Methoden Im Rahmen eines Vorprojekts, das im Jahr 2003 durchgeführt worden war, konnte die Eignung des Agfa-PACS «Impax» für die Belange und Bedürfnisse des USZ und der beteiligten Partnerspitäler nachgewiesen werden. Im Hauptprojekt wurden anschliessend aufgrund der monatlich er-

Abbildung 1. PACS-Servertopologie USZ.

zeugten Datenmengen, der vorhandenen Anzahl und Typen von Modalitäten, der befundenden Radiologen und des Zugriffs auf die Daten aus sämtlichen 42 Kliniken des USZ gemeinsam mit der Fa. Agfa Healthcare das Gesamtsystem konzipiert und in Betrieb genommen. Abbildung 1 zeigt die aktuelle Servertopologie. Das System ist an ein SAN mit derzeit 30 TB angeschlossen. Die in Kopie verfügbaren Daten für die klinischen Zugriffe liegen auf acht TB Extraspeicher. Auf diese Weise sind beide Applikationen nahezu unabhängig voneinander zu betreiben. Für die Archivierung wird eine Tape Library der Firma «QStar» eingesetzt. Hier werden pro Woche ein Primary und ein Mirror Tape à 200 GB beschrieben. In regelmässigen Abständen werden die beschriebenen Primary und Mirror Tapes durch unbeschriebene Tapes ersetzt und in räumlich getrennten Safes aufbewahrt. Die Radiologie wurde mit Befundstationen, jeweils bestehend aus einer XP-PC-Workstation und drei Bildschirmen, ausgestattet. Die Kliniken greifen über Standard-PCs und das spitalweit installierte KIS auf die verlustfrei komprimierten jpg-Daten der von ihnen behandelten

SMI 2008: Nº 64

Patienten zu. Je nach Bedarf (Operationsräume, Rheumatologie, Frauenheilkunde) wurden Spezialmonitore beschafft. Durch Einführung des PACS konnten vormals vorhandene Lücken im elektronischen Gesamtworkflow, d.h. von der Untersuchungsanforderung durch eine Klinik bis zur Befundrückmeldung, vollständig digitalisiert werden. Dazu wurden neue Schnittstellen zwischen dem KIS, RIS, PACS und HIS implementiert. Abbildung 2 zeigt die wesentlichen Schritte des Gesamtablaufs.

Zur Unterstützung der intersektoralen Kommunikation wurde einerseits die Software «MedicalConnector» der Fa. H-Net (für den Austausch mit derzeit zwölf anderen Spitälern der Schweiz) installiert, andererseits die Software «DocX» der Fa. MediData (für den direkten Bilddatenversand an die SUVA). Abbildung 3 zeigt eine Übersicht. Zur Unterstützung der Auftragserteilung für einen Bilddatenimport und -export durch die Kliniken, des Managements und der Ausführung dieser Aufträge durch die Radiologie wurde darüber hinaus das webbasierte System «HERMES» implementiert. Dieses dient ausserdem auch der Ermittlung statistischer Werte des USZ-Datenaustausches mit externen Partnern.

Resultate Inzwischen ist das entwickelte Gesamtsystem flächendeckend und rund um die Uhr in Betrieb. Den Radiologen stehen für die Befundung 60 entsprechende Workstations zur Verfügung. Die Kliniker erhalten Minuten nach der Bilderzeugung und -speicherung in der Radiologie via KIS Zugriff auf die Bilddaten und auf den Textbefund (sobald dieser von Seiten Radiologie via RIS freigegeben wurde). Die Gesamtsystemverfügbarkeit beträgt 98,8% und wird rund um die Uhr an 365 Tagen durch ein spezielles Helpdesk-Team des USZ, im Hintergrund durch die Supportorganisation der Fa. AGFA Healthcare, des weiteren unterstützt durch einen Überwachungsserver, sichergestellt. Abbildung 2. Workflow KIS, RIS, Modalität, PACS.

Abbildung 3. Intersektorale Kommunikation.

Die oben aufgelisteten Ziele konnten vollumfänglich erreicht werden. Nach einigen technischen Schwierigkeiten zu Beginn sind inzwischen sowohl die Radiologen, als auch die Kliniker mit den neuen Abläufen und der eingesetzten PACSSoftware zur Befundung und Betrachtung hochzufrieden und profitieren von den inzwischen weitaus effektiveren Arbeitsabläufen. Seit Inbetriebnahme konnten insgesamt 400 Stellenprozent im ärztlichen Bereich, 200 Stellenprozent im pflegerischen Bereich, sowie etwas mehr als 300 Stellenprozent beim Archivpersonal eingespart bzw. anderweitig eingesetzt werden. Aufgrund des Wegfalls des Filmdrucks können ausserdem inzwischen jährlich allein zwei Millionen Schweizer Franken an Filmmaterialkosten zuzüglich der Einsparungen durch abgebaute Filmdrucker eingespart werden. Zwischenzeitlich wurden darüber hinaus mehrere Archivräume aufgelöst und anderweitig verwendet. Aktuell beispielsweise für die Installation des neuen Siemens CTs «Somatom Definition AS» bzw. des zugehörigen Befundraums.

Der Patient im Mittelpunkt der Information

Für das Bildmanagement aller nichtradiologischen Kliniken wird derzeit am USZ im Rahmen des Projekts VISUS («Video- and Image System Universitätsspital») ein parallel betriebenes Bildverwaltungs- und -archivierungssystem eingeführt, das sich um die Speicherung und Verteilung sämtlicher weiterer Medientypen kümmert. Die klinische Bildverteilung erfolgt in gleicher Weise wie beim PACS, so dass der Kliniker Untersuchungen jeglicher Art über das KIS in Auftrag geben und ebenfalls via KIS in gleicher Weise auf die resultierenden Daten beider Systeme zugreifen kann.

Diskussion Die im vorangegangenen Kapitel dargelegten Zahlen und Fakten belegen, dass die Einführung eines PACS zur digitalen Röntgenfilmbewirtschaftung für ein Haus der Grössenordnung des UniversitätsSpitals Zürich in jeder Beziehung lohnenswert ist. Dies sowohl in qualitativer, als auch in wirtschaftlicher Hinsicht.

Im konkreten Fall steht diesen Resultaten ein relativ langer Gesamtprojektzeitraum von nahezu vier Jahren mit einem interdisziplinären Projektteam der verschiedenen Informatik-, Radiologieund Klinikbereiche gegenüber. Die Investition betrug gut sechs Millionen Schweizer Franken, hinzu kommt ein geschätzter jährlicher Betriebsaufwand von rund 400 000 Schweizer Franken. Aufgrund der hohen Einsparungen wird nichtsdestotrotz der Break-Even bereits nach etwa fünf Jahren erwartet. Ungeachtet all dieser positiven Wirtschaftsfaktoren soll nicht vergessen werden, dass bei Initiierung des Projekts nicht primär die Kostenersparnis im Vordergrund stand, sondern die Optimierung der medizinischen Arbeitsabläufe, die Verbesserung der Arbeitsbedingungen für das USZ-Personal und (trotz steigendem Kostendruck bei gleichzeitig wachsenden Untersuchungszahlen) die Sicherstellung der hohen Qualität bei der Patientenversorgung.

Auch die Einführung neuer Mitarbeiter ... ... in Ihrem Haus ist mit easyLEARN® nachhaltiger und effizienter als bisherige Lösungen. Die computerunterstützte Lösung nimmt sich dieser aufwendigen doch unerlässlichen Aufgabe an. Mehr dazu erfahren Sie hier:

www.sdnag.com/health

SDN AG easyLEARN 8912 Obfelden info@sdnag.com Tel. 043 322 72 00

SMI 2008: Nº 64

A framework for diagnosis of interstitial lung diseases in HRCT: the TALISMAN project Adrien Depeursingea, Jimison Iavindrasanaa, Herizo Andriambololoniainaa, PierreAlexandre Polettib, Alexandra Platonb, Antoine Geissbuhlera, Henning Müllera,c a

Service of Medical Informatics, Geneva University Hospitals and University of Geneva (HUG),

Switzerland Service of Emergency Radiology, HUG, Switzerland c Business Information Systems, University of Applied Sciences, Sierre, Switzerland

Summary In this paper we describe the goals and the latest outcomes of the TALISMAN project, the purpose of which is to furnish image-based diagnostic assistance for interstitial lung diseases (ILDs) with secondary data integration. Prototypes of the computer tools are implemented. High correct classification rates of lung tissue regions in high-resolution computed tomography (HRCT), based on a high-quality dataset built from clinical routine, suggests that computerised analysis of HRCT images with integration of the clinical context is ready to be used for computer-aided diagnosis of ILDs. As future tasks, implementation of multimodal retrieval of ILD cases and clinical evaluation of the software are planned to meet clinical needs.

Introduction

Correspondence: Adrien Depeursinge Geneva University Hospitals and University of Geneva, Service of Medical Informatics 24, rue Micheli-du-Crest, CH-1211 Geneva 14, Switzerland adrien.depeursinge@sim. hcuge.ch http://www.sim.hcuge.ch/ medgift/

Interstitial lung diseases (ILDs) are a heterogeneous group of some 150 diseases, many forms of which are rare and thus fall largely outside the experience of many radiologists. Hence differential diagnosis of ILDs is considered difficult [1]. ILDs are often diagnosed on a collaborative basis between clinicians, radiologists and pathologists. Images play an important role and patients may not require surgical lung biopsy if the clinical and radiographic impression is consistent with safe diagnosis of ILDs [2]. The first imaging procedure used is the chest radiograph, because of its low cost and weak radiation dose. It also provides a rapid overview of the whole chest. Where chest x–ray does not carry enough elements to finalise the diagnosis, high-resolution computed tomography (HRCT) provides an accurate assessment of lung tissue patterns [3]. Original three-dimensional HRCT data avoid superposition of anatomical organs and provide an accurate assessment of the pattern and distribution of lung tissue. It is becoming an increasingly important method for the diagnosis of diffuse pulmonary parenchymal diseases. However, interpreting HRCT images of the chest showing patterns associated with ILDs is timeconsuming and requires experience. Correct interpretation of the three-dimensional form

requires significant reading time, effort and experience [4]. Moreover, the context is fundamental for correct interpretation: healthy tissue, for example, may have different visual aspects depending on the patient’s age or smoking history. Computerised HRCT analysis with integration of the clinical context can provide rapid and invaluable information for emergency radiologists and other non-chest specialists [5, 6]. The computer-aided detection (CAD) system should be used as first reader to improve the radiologist’s productivity and reduce reading fatigue [7, 8]. One approach to building image-based computerised diagnostic aid for ILDs is to imitate the radiologists’ human vision system. The latter can be schematised into two main parts. First, the eyes act as captors to extract relevant features from the observed scene [9]. The cerebral cortex then takes decisions based on the preprocessed information provided by the eyes and visual cortex as input, as well as the clinical context of the observed radiological image and the knowledge and experience of the radiologist. In pattern recognition, these two tasks can be respectively identified as visual feature extraction (involving image processing) and supervised machine learning for decision-making (ie classification of image regions). This paper details the latest outcomes of the TALISMAN (Texture Analysis of Lung ImageS for Medical diagnostic AssistaNce) project, whose purpose is to provide image-based diagnostic assistance for ILDs with secondary data integration.

Methods The methods of building the image-based diagnostic aid tool consist of several connected subtasks. A first step was to specify the scope of the diagnostic aid tool, determined by the selected subset of interstitial lung diseases included in the study. In collaboration with the pneumology and emergency radiology departments of the University Hospitals of Geneva (HUG), 15 diseases described as the most frequent causes of lung parenchymal disorders were selected. In relation to these 15 diseases, a library of annotated pulmonary CT cases with clinical data integration

The patient at the centre of informatics

was created (see Section 3.2). Sections 3.3 and 3.4 detail the steps for detection and classification of lung tissue patterns in HRCT data, with integration of the clinical context of the image series.

Results Global description

Since ILDs comprise more than 150 illnesses of interstitial lung tissue which in most cases are comorbid, building a computerised system to provide a final diagnosis with high precision is not conceivable. A computerised diagnostic aid built on content-based image retrieval (CBIR), along with secondary data integration such as the relevant clinical parameters related to ILDs, can provide less experienced radiologists and nonchest experts with rapid and invaluable information. The information system provides results in two steps (see fig. 1). First, the suspicious (abnormal) patterns in the new, non-interpreted HRCT are automatically detected and highlighted with a proposed tentative class of lung tissue disorders. The relevant patterns along with secondary data (ie age, smoking history, laboratory tests, etc) can then be used as query for automatic retrieval of similar cases from an associated multimedia database of typical HRCT scans accompanied by the patientâ&#x20AC;&#x2122;s corresponding clinical parameters [8]. The radiologist must regard the system as a second opinion in addition to the experience gained with similar cases for the purpose of differential diagnosis.

This differs radically from automated diagnosis aimed at replacing radiologists by computers [4]. A first prototype of a DICOM viewer for the detection and classification of image regions in HRCT data is implemented in Java (see fig. 2). The radiologist can browse the three-dimensional stack of images and delineate regions of interest (ROIs) in pulmonary tissue to be classified. Screenshots of the web-based prototype interface for the retrieval of cases in the multimedia library of ILD cases are shown in figure 3. Multimedia library of ILD cases

Building a high-quality multimedia database is an essential step in implementing a computerised diagnostic aid for ILDs, HRCT image series from control cases being required to train and test algorithms for detection and classification of image regions. Moreover, the database provides well-documented cases for content-based and multimodal retrieval of similar cases. The library itself can also be used for teaching purposes. Building of the database of cases was organised as follows: taking each of the 15 most frequent pathologies as a basis, the 99 most discriminative clinical parameters for differential diagnosis were kept. With the approval of the ethics commission, cases with HRCT images linked to one of the 15 ILDs were retrospectively collected in the database. To establish ground truth for lung tissue classification, experienced radiologists delineated typical pathological regions in HRCT scans using custom-built software. The image series to be annotated were selected from cases with certified diagnoses and with slice thickness no larger than 1 mm without contrast medium. After 20 months of acquisition, 103 cases were captured (with a goal of 150 by the end of the project), a mean 65% of the clinical parameters were filled for each case and 1,163 ROIs were drawn, constituting six classes of well represented lung tissue, including healthy tissue. Image processing: visual feature extraction

Figure 1. Global block diagram of the diagnostic aid system for ILDs. The user can

submit an unknown HRCT image for analysis and then retrieve visually and/or clinically similar cases from the multimedia database.

To extract measures from HRCT images as discriminating features for classification of lung tissue, several image processing steps are performed. Image texture features are used as the taxonomy used by radiologists to interpret patterns in HRCT images, often relating to texture properties. Two feature groups were used. First, pixel values are characterised using grey-level histograms. Full resolution (12-bit grey values) HRCT images contain values in Hounsfield

SMI 2008: Nº 64

Units (H.U.) in the interval [-1500; 1500]. These values correspond unequivocally to densities of the anatomical organs and thus allow identification of lung tissue components. Secondly, the spatial organisation of the pixels is studied through the coefficients of isotropic polyharmonic B-spline wavelet frames using a quincunx subsampling scheme. [11, 12 for more detail].

Supervised machine learning: contextual image analysis

Classification algorithms are required to find the boundaries between the distinct classes of lung tissue represented in the feature space. Five common classifier families with optimised parameters were compared for their ability to categorise six lung tissue patterns [13]. Using a solid methodology for training and testing the classifiers, support vector machines (SVMs) with isotropic polyharmonic B-spline wavelet frames allowed a mean of 94.3% correct matches of 843 ROIs among the six lung tissue classes with high classspecific precision. The effect of the integrating the clinical context of HRCT images on tissue classification is studied in [14]. Along with appropriate selection of relevant clinical parameters, contextual image analysis allowed significant improvements in classification performances compared to a purely visually-based categorisation. Integration of the clinical parameters in the feature vector must be performed with caution, since bad synergies between visual and clinical attributes may occur.

Discussion and conclusions

Figure 2. A screenshot of the DICOM viewer for the classification of image regions.

A high-quality multimedia database of ILD cases is now available to train and test the classification and retrieval algorithms as well as for teaching purposes. However, although containing ROIs of healthy tissue, it does not yet include healthy cases with a full set of “healthy” clinical parameters, as is required in order to establish “normality” of the values. The pattern recognition task is challenging, being partly based on the radiologists’ experience. Nevertheless, the high rate of correct prediction of the lung tissue classes and the improvements made by integration of the images’ clinical context suggest that the visual feature set with optimised SVMs is ready to be used for computer-aided diagnosis of ILDs. Classification accuracy values are trustworthy for further usage in clinical routine, since the six classes of lung tissue pattern tested are realistically distributed and make it possible to diagnose a wide variety of ILDs [3]. Future work

Figure 3. Web-based interface for the retrieval of ILD cases in the multimedia database.

As future work the collection of ILD cases at the HUG (Hôpitaux Universitaires de Genève) will continue in order to increase the statistical validity of our evaluation results. The goal is to have at least 150 fully annotated cases with images and normal/abnormal ROIs marked by the end

The patient at the centre of informatics

of the project. More investigations are required to integrate the clinical context of HRCT images for the classification of ROIs, to avoid bad synergies between clinical and visual attributes. A next step is to implement multimodal retrieval of the ILD cases, along with three-dimensional characterisation of textures to allow for automatic detection of pathological tissues in the entire HRCT volume. Finally, improvement and clinical evaluation of the user interface are planned for optimal adaptation of the computer tools in clinical routine.

Acknowledgements

This work was supported by the Swiss National Science Foundation (FNS) with grant 200020– 118638/1, the equalisation fund of Geneva University Hospitals and the University of Geneva (grant 05-9-II) and a grant from the Swiss Confederation for the work of Dr. Herizo Andriambololoniaina.

References 1 King TE. Approach to the adult with interstitial lung disease, Uptodate, August 2004. 2 Flaherty KR, King TE, Ganesh Raghu J, Lynch III JP, Colby TV, Travis WD, et al. Idiopathic interstitial pneumonia: What is the effect of a multidisciplinary approach to diagnosis? Am Resp Crit Care Med. 2004;170:904–10. 3 Stark P. High resolution computed tomography of the lungs, Uptodate, September 2007. 4 Doi K. Current status and future potential of computer-aided diagnosis in medical imaging. Br J Radiol. 2005;78: 3–19. 5 Aisen AM, Broderick LS, Winer-Muram H, Brodley CE, Kak AC, Pavlopoulou C, et al. Automated storage and retrieval of thin-section CT images to assist diagnosis: System description and preliminary assessment. Radiology. 2003;228:265–70. 6 Shyu CR, Brodley C, Kak A, Kosaka A. ASSERT: A Physician-in-the-loop content-based retrieval system for HRCT image databases. Computer Vision and Image Understanding 1999;75(1-2):111–32. 7 Nishikawa RM. Current status and future directions of computer-aided diagnosis in mammography. Comput Med Imaging Graph. 2007;31:224–35. 8 Müller H, Michoux N, Bandon D, Geissbuhler A. A review of content-based image retrieval systems in medicine – clinical benefits and future directions. Int J Med Inform. 2004;73:1–23. 9 Biedermann I. Recognition-by-components: A theory of human image understanding. Psychol Rev. 1987;94(No 2):115–47. 10 Sasso G, Marsiglia HR, Pigatto F, Basilicata A, Gargiulo M, Abate AF, et al. A visual query-by-example image database for chest CT images: Potential role as a decision and educational support tool for radiologists. J Digit Imaging. 2005;18:78–84. 11 Depeursinge A, Sage D, Hidki A, Platon A, Poletti P-A, Unser M, Müller H. Lung tissue classification using wavelet frames, in Engineering in Medicine and Biology Society, 2007, EMBS 2007, 29th Annual International Conference of the IEEE, (Lyon, France), August 2007. 12 Depeursinge A, Van De Ville D, Unser M, Müller H. Lung tissue analysis using isotropic polyharmonic B-spline wavelets, submitted to Medical Image Computing and Computer-Assisted Intervention – MICCAI 2008. 13 Depeursinge A, Iavindrasana J, Hidki A, Cohen G, Geissbuhler A, Platon A, et al. A classification framework for lung tissue categorization. In SPIE Medical Imaging, San Diego, CA, USA, February 2008 – to appear. 14 Depeursinge A, Iavindrasana J, Cohen G, Platon A, Poletti P-A, Müller H. Lung tissue classification in HRCT data integrating the clinical context, in 21st IEEE Symposium on Computer-Based Medical Systems, CBMS 2008, Jyväskylä, Finland, June 2008 – to appear.

SMI 2008: Nº 64

How a clinical information system can support life science research Jimison Iavindrasanaa, Adrien Depeursingea, Rodolphe Meyera, Stéphane Spahnia, Antoine Geissbuhlera, Henning Müllera,b Service of Medical Informatics, University and Hospitals of Geneva (HUG), Switzerland b Business Information Systems, University of Applied Sciences Sierre,

Switzerland http://www.aneurist.org 2 http://www.ogsadai.org.uk 1

Summary Management of the cerebral aneurysm can be improved by establishing an IT infrastructure capable of integrating all available knowledge related to the disease. This paper presents the infrastructure implemented at the University Hospital of Geneva to support the @neurIST project. The infrastructure permits sharing of patient data stored in the clinical information system for secondary use and integration of the results derived. The requirements, basic functionalities and security aspect relating to patient privacy and clinical information system security are presented. Its main advantages are reusability, scalability and lower maintenance cost while safeguarding patient privacy and clinical information system security.

Introduction

Jimison Iavindrasana University Hospitals of Geneva 21, rue Micheli-du-Crest CH-1211 Genève jimison.iavindrasana@ sim.houge.ch

With the wider availability of modern imaging solutions it is possible to diagnose more and more unruptured cerebral aneurysms. Their rupture has fatal and disabling consequences with high societal costs, but the incidence of rupture is low. Recent decades have brought impressive developments in various domains such as determination of the associated risk factors, imaging, rupture prediction based on haemodynamic simulations and treatment of this complex disease. Current knowledge of cerebral aneurysm spans length scales from molecular, through cellular, to tissue, organ and patient representations. However, current management of the disease is based on very limited information such as the size and localisation of the aneurysm. Information technology can contribute valuably to improving research on cerebral aneurysms and their management, by integrating all exploitable information and computational services. The goal of the @neurIST1 project is to provide a new IT infrastructure to manage, integrate and interrogate the data related to the disease. The @neurIST is an Information Society Technologies (IST) Integrated Project funded as part of the European Commission’s (EC) Sixth Framework Programme. Five pilot clinical centres are participating in the @neurIST project and are acting as patient

recruiters and clinical data providers. Multi-institutional data collection furnishes a statistically significant number of cases in a shorter time period, while making it possible to incorporate a more diverse study population and reduce the bias induced by any individual researcher. The electronic patient record is used as initial data input and the data can be used for more than the treatment of a single patient. In a multi-institutional prospective research setting, the participating patients’ electronic medical records can be anonymised and exported on a centralised repository as in [1] or stored at each site in an anonymised form as in [2, 3]. In the second case, the data are stored in a repository disconnected from the hospital information system. In the first model the basic research results are also stored on the central repository. In the second the research results are stored where they were produced; a mediation program links all data sources according to the end-user query. The second architectural solution provides more flexibility with respect to data management, each data producer being responsible for the maintenance of the distributed data source. However, evaluation of the effectiveness of a new therapy or disease management tool takes place inside each clinical centre. To reduce the cost of data management inside the clinical centre and provide researchers with real time data, the clinical information system (CIS) can be used as a data repository for both clinical management of the patient and for research. In this way each participating patient’s electronic medical record is not duplicated in a specific data repository and all research results related to a patient are directly stored in the clinical information system. Later this involves other issues concerning patient data privacy and confidentiality, as the patient data leaves the control and protection-sphere of medical secrecy and the security of the hospital information system itself. A first architectural design was proposed in [4] to deal with access to data stored in a CIS for secondary use. In this paper we present the requirements and basic functionalities of first implementation of the architectural solution chosen by the University Hospital of Geneva for

The patient at the centre of informatics

data management in the @neurIST project (section 2 and 3). Patient data security and the hospital information system are also discussed (section 4).

Method The implementation described in this paper was designed in compliance with legal and technical constraints and based on use case scenarios proposed by the end users.

Architecture requirements The architecture described in this paper provides two functional cycles: 1) share clinical data produced in the clinical centre with their potential users, ie the researchers and/or external computation services; 2) store back research results related to participating patients. Four main requirements guided the design of the architecture: data categorisation, patient identification, data integration and data communication and security. In the @neurIST project two categories of data are produced: clinical and research data. The CIS is used only to store the first category and research data related to one patient. However, the latter may be voluminous (such as simulation files) and only the metadata serving to reproduce the result may be stored back in the CIS. Moreover, other voluminous research data are produced during the experimental process and are not reproducible without the necessary materials. These results are stored where they were produced but can be linked with the patient data by means of a strong identification mechanism. As a patient has the right to access his electronic health record, the derived data produced by researchers should be identified by other means than the clinical patient identifier. Further, the patient’s identifiable personal information should be removed or reduced to the minimum required before secondary use. This means that all data leaving the clinical context should be depersonalised and that a mechanism to map the two identities should exist (one-to-one relationship). Data integration is defined as the problem of combining data residing at different sources and providing the user with a unified view of these data [5]. In a data integration problem, all data sources are hidden to the end user and viewed as a single data source; the data representation is also unified so that the provenance of the data cannot be identified. As the primary data are collected inside the clinical centre, they are

coded with the local terminological system. Normalisation of the data, ie their conversion into an agreed and unified format, is done on-the-fly when the data leave the hospital boundary. Denormalisation is also carried out in the same process. Within the @neurIST project, GRID and Service-Oriented Architecture (SOA) were chosen as the underlying technologies of the whole IT infrastructure [6]. The elements of the architecture are composed of a set of web services compatible with GRID technology. A detailed description of the security aspect is provided in section 4.

Basic functionalities of the implementation The architecture implemented to support the @neurIST project has three layers (see fig. 1): the public data service located in the hospital’s demilitarized zone (DMZ), the private data service located in the hospital’s intranet and the CIS located in the hospital’s intranet as the data source. The mechanism for querying data stored in the CIS is presented in the following paragraphs. The public data service is the entry point to the data stored in the CIS. It is located in the hospital’s DMZ and thus accessible from open networks such as the Internet. It authenticates the user or the application querying the database and all transactions are monitored and logged. A hospital information system is a closed one and the public data service cannot communicate directly with the CIS. It instead queues all authenticated and authorised incoming queries in a repository. This component is based on the GRID middleware OGSA-DAI2. The private data service is responsible for recovering all queued incoming queries located in the DMZ. Received queries are transformed to reflect the internal data structure and representation (mediation and de-normalisation) and sent to the CIS. A novel feature of the current architecture is the private data service’s ability to mediate the reception of data generated outside the hospital for incorporation into the CIS – a process which mandates the ability to re-identify the patient. Thus a query may be either a request for data or a notification that data is available for integration. The private data service has two important resources for these steps: the translation rules for the normalisation and de-normalisation service and the ID database which also contains the patient’s consent preferences. This

SMI 2008: Nº 64

unauthorised users (which may, for unverified results, include the clinicians and/or patients) until reasons and methods for release are favourably reviewed by the internal project ethics committee. These accesses are subject to both the clinical centre’s policy and the patient’s decision on whether they agree or not to the return of health research relevant results.

Security and privacy

Figure 1. Access to @neurIST data stored in the clinical information system.

The CIS maintains and manages personal medical records in a digital format, containing the first instance information relating to its subjects’ current and historical health, medical conditions and medical tests. Various measures are taken to protect not only the privacy and confidentiality of patients participating in the project but also for the security of the whole hospital infrastructure. Pseudonymisation

Figure 2. Pseudonymisation system of outgoing data.

latter policy is required to control access to the patient’s data: only the @neurIST data related to patients registered in the ID database can be queried. The patient data returned by the CIS (query results) are depersonalised and pseudonymised on-the-fly by the private data service. The query results are also filtered by this component. When the results are normalised – ie transformed into an agreed representation – they are written down in a result repository located in the DMZ and can be retrieved by the client. A further access policy consideration is that derived data are not viewable or accessible by

Motivated by the need to store back derived data into the CIS (ie to re-identify the patient), the pseudonymisation procedure was preferred instead of anonymisation of patient data for secondary use. The pseudonymisation procedure is split into two steps, as shown in figure 2. In the first step, all information permitting direct identification of the patient in structured, and unstructured data such as images are removed or reduced to the minimum required to carry out the research. This step is called depersonalisation and data minimisation. In the second step a pseudonym is generated from the patient ID and attached to the depersonalised data, and is reversible to re-identify the patient. The re-identification of the patient from the pseudonym is necessary for query management but is also needed by the ethics committee to recontact the patient when an important finding is obtained from research. It is important to notice that the pseudonym generated is specific for a participant recruited and followed up at a single clinical centre. Access control

Even if the data accessible through the infrastructure does not permit direct identification of the patient, it should be protected against unauthorised access. Generally, clinical centres have their own security, access right management and privacy protection policy according to the role of the user [7]. However, these security models are designed for local use and should be combined

The patient at the centre of informatics

with distributed security models to authenticate and authorise external users. Within a security domain all the security is concentrated and placed under the responsibility of this domain. Between different security domains the chosen approach is to designate, in each domain, a security entity (Security Token Service), which will be in charge of issuing and verifying short-term security tokens with the entities of the other security domains. Accessing an operational CIS may also affect its operational status if the query itself raises a security issue. Incoming queries are analysed to prevent such incidents and only valid queries are executed on the CIS. Access control is also strengthened by control of outgoing results and can be considered complementary to privacy protection. Such filtering technologies can assist in preventing unintentional disclosure of personal identifying information due to problems such as unidentified flaws in the depersonalisation component. A policy for statistical queries may, for example, reject result sets which contain less than four entries to be exposed to the requesting user. Logging and monitoring

Another important component in the architecture is the logging and monitoring of external requests to the public data service and onwards to the CIS. Even if the CIS has a logging and

monitoring mechanism, it is imperative that all queries to retrieve or store data are logged and monitored, in order to identify and intervene in potential misuse of the system. This process is managed at the public data service level.

Discussion and conclusion In this paper we proposed the first implementation of an infrastructure for better management of the cerebral aneurysm. The infrastructure serves to share clinical data acquired inside the hospital and integrate derived data produced by researchers. The main advantage of the implementation is its reusability, scalability and lower maintenance cost. Most of the implementation is generic and can be adapted for other disease management. Patient security and privacy and CIS security have been discussed. Implementation of an infrastructure of this kind requires open access to the CIS from the technical and political point of view. The next step is integration of the infrastructure into the whole @neurIST IT infrastructure. Acknowledgements

This work was generated in the framework of the @neurIST Integrated Project, which is cofinanced by the European Commission through the contract no. IST-027703.

References 1 EM Kerkri, Quantin C, Grison T, Allaert FA, Tchounikine A, Yetongnon K. A virtual intranet and datawarehousing for healthcare co-operation. Medinfo. 2001;10:23–7. 2 Astakhov V, Gupta A, Santini S, Grethe JS. Data Integration in the Biomedical Informatics Research Network (BIRN). In: Ludäscher B, and Raschid L, eds. Second International Workshop, Data Integration in Life Sciences. San Diego. Proceedings. Lecture Notes in Computer Science 2005;3615:317–20. 3 Saltz J, Oster S, Hastings S, Langella S, Kurc T, Sanchez W, et al. ca-Grid: design and implementation of the core architecture of the cancer biomedical informatics Grid. Bioinformatics. 2006;22(15):1910–6. 4 Iavindrasana J, Depeursinge A, Ruch P, Spahni S, Geissbuhler A, Müller H. Design of a decentralized reusable research database architecture to support data acquisition in large research projects. Medinfo. 2007;12:325–9. 5 Hernandez T, Kambhampati S. Integration of biological sources: current systems and challenges ahead, ACM SIGMOD Record 2004;33(3):51–60. 6 Arbona A, Benkner S, Engelbrecht G, Fingberg J, Hofmann M, Kumpf K, et al. A service-oriented grid infrastructure for biomedical data and compute services. IEEE Trans Nanobioscience. 2007;6(2):136–41. 7 Lovis C, Spahni S, Cassoni-Schoellhammer N, Geissbuhler A. Comprehensive management of the access to a component-based healthcare information system. Stud Health Technol Inform. 2006; 124:251–6.

SMI 2008: Nº 64

Auf dem Weg zur prozessorientierten Patientenidentifikation Tobias Mettler, Peter Rohner

Summary In health care as in other industries, ICT solutions have evolved over many years. As a result, the present-day information system landscape is, in the majority of cases, heterogeneous and user-unfriendly in actual practice. Intra-organisational as well as cross-organisational identification of patients often constitutes a major issue. Although a wide range of technological resources are currently available, most implementations fail because of the missing orientation towards the patient’s needs. For this reason the present contribution sets out to discuss, on the basis of the patient process, the essential requirements for integrated patient identification throughout the health care system.

Einleitung

Korrespondenz: Tobias Mettler Kompetenzzentrum Health Network Engineering Universität St. Gallen Lehrstuhl Prof. Dr. Robert Winter Müller-Friedberg-Strasse 8 CH-9000 St. Gallen tobias.mettler@unisg.ch Dr. Peter Rohner Kompetenzzentrum Health Network Engineering Universität St. Gallen Lehrstuhl Prof. Dr. Robert Winter Müller-Friedberg-Strasse 8 CH-9000 St. Gallen peter.rohner@unisg.ch

Die zunehmende Digitalisierung eröffnet durch Dokumentation und Distribution von Informationen neue Möglichkeiten in der Gesundheitsversorgung. Während aus der Sicht des Patienten das Vorhandensein einer weitreichenden allgemeinen medizinischen Informationsbasis zu einer stärkeren Partizipation in der therapeutischen Entscheidungsfindung (Patient-Empowerment) führt [1], erfordert die fortschreitende Digitalisierung aus der Sicht des Leistungserbringers ein zunehmendes Verständnis für IKT-Lösungen und ein gewisses Mass an Vernetzungsfähigkeit, also die Befähigung, sich möglichst rasch und mit geringen Kosten mit anderen Akteuren des Gesundheitswesens verbinden zu können [2]. Im Hinblick auf die Digitalisierung patientenbezogener Informationen steigen mit der zunehmemden Anzahl der unterschiedlich strukturierten Trägermedien (z.B. elektronische Patientenakten oder eine durch den Patienten oder durch Dritte geführte elektronische Gesundheitsakte) und verwendeter IKT-Lösungen, demzufolge steigender Fragmentierung, auch die Kosten für die Bereitstellung und Wartung von Schnittstellen. Mit der zunehmenden Anzahl Schnittstellen und ohne ein für alle Akteure des Gesundheitswesens zentral verwaltetes Patientenregister [3], gewinnt auch das Problem der eindeutigen Patientenidentifikation an Bedeutung [4].

In den USA sterben jährlich bis zu 98 000 Menschen an Fehlern während ihres Spitalaufenthalts. 13% aller Fehler bei chirurgischen Eingriffen und 67% bei Bluttransfusionen sind auf eine fehlerhafte Patientenidentifikation zurückzuführen [5]. Studien aus England und Australien haben ergeben, dass zwischen 12% und 16% aller Klinikpatienten bei ihrer Behandlung «ein unerwünschtes Ereignis widerfährt» [6]. Die Folgen aufgrund von Verwechslungen von Patienten und damit zusammenhängenden Fehlbehandlungen und Fehlmedikationen sind gravierend. Die Hauptursachen liegen häufig in der mangelhaften Kommunikation, fehlendem Teamwork, aber oftmals auch an der ungenügenden Überprüfung der Identität des Patienten [7] und am fehlenden Vertrauen in entsprechende IKT-Lösungen [8].

Patientenidentifikation als Teilgebiet des Identitätsmanagements Das Identitätsmanagement (IDM) beschäftigt sich mit dem Prozess zur Identifikation einer Einheit (Person, Gruppe, Organisation, Geräte usw.), den Informationen, die für die Identifikation einer Einheit innerhalb einer bestimmten Situation erforderlich sind (z.B. Benutzer- oder Patientenidentifikatoren) und der notwendigen Infrastruktur für die Abwicklung des Identifikationsprozesses und für die sichere Verwaltung der unterschiedlichen Identitäten. Grundsätzlich unterscheidet man zwischen «Identity Management System» (IMS) und «Identity Management Application» (IMA): «We define the term Identity Management System as an infrastructure, in which Identity Management Applications as components are co-ordinated. Identity Management Applications are tools for individuals to manage their socially relevant communications, which can be installed, configured and operated at the user’s and/or a server’s side». [9]. Ein universeller Rahmen, der die relevanten Aspekte des IDM vorschreibt, wird zurzeit durch die «International Organization for Standardization» (ISO) in der Norm ISO/IEC 24760 «A Framework for Identity Management» erarbeitet [10]. Ergänzend dazu sind die notwendigen

Der Patient im Mittelpunkt der Information

branchenspezifischen Rollen [11] und das Management der Beziehungen der einzelnen Identitäten [12] ebenfalls Gegenstand der aktuellen Standardisierungsbestrebungen. Aus der Sicht des Gesundheitswesens besteht das IDM folglich aus einer Vielzahl von Prozessen, Rollen und Applikationen, wobei die Patientenidentifikation lediglich einen kleinen Teil des ganzen IDM adressiert (Abb. 1). Unter dem Begriff «Patientenidentifikation» wird der Prozess verstanden, die angegebenen Identifikationsdaten eineindeutig einem Interaktionspartner (in diesem Falle einem Patienten) zuordnen zu können [13]. Eng mit dem Prozess der Identifizierung sind die Authentifizierung, die Überprüfung der Identität eines Kommunikationspartners und die Authentisierung, der Nachweises der eigenen Identität verbunden [8].

Prozessorientierung in der Patientenidentifikation Betrachtet man einen typischen Prozessverlauf eines Patienten, so stellt man fest, dass zwei unterschiedliche Identifikationsszenarien existieren (Abb. 2). Der Identifikationsprozess kann sowohl intern, d.h. innerhalb desselben Leistungserbringers (bspw. bei der Verlegung von der Notfallstation zur Chirurgie), als auch organisationsübergreifend, d.h. zwischen unterschiedlichen Leistungserbringern (bspw. bei der Verlegung vom Spital in eine Rehaklinik) zur Anwendung kommen. Des Weiteren können zwei unterschiedliche Ereignisse («Events») unterschieden werden. Einerseits gilt es die Erstidentifikation eines Patienten sicherzustellen, d.h. die Identifizierung eines Patienten, der bisher noch nicht vom Leistungserbringer behandelt wurde (bspw. Identifikation eines verunfallten Touristen), andererseits muss auch eine erneute Identifikation von bestehenden Patienten funktionieren (bspw. Patient kommt zur Nachbehandlung ins Spital). Eine ganzheitliche Betrachtung legt deshalb nahe, dass das Gesamtproblem in die nachfolgenden vier Handlungsfelder gegliedert werden kann (Abb. 3).

Szenarien Lösungsansätze für die organisationsinterne Patientenidentifikation

Durch den Einsatz von Radio-Frequenz-Identifikationssystemen (RFID), die heute in der Industrie in den verschiedensten Bereichen bereits intensiv genutzt werden [14], können Fehler bei

der organisationsinternen Patientenidentifikation minimiert werden. Dank der automatischen Übertragung der erfassten Identifikationsmerkmale kann der Patientenpfad aufgezeichnet und mit klinischen Sollpfaden verglichen werden, was erheblich zur Qualitätssicherung beiträgt [15]. Bei einem (erneuten) Aufenthalt des Patienten im selben Spital kann ein umfassendes Bild der Krankengeschichte den gesamten Patientenprozess, von der Aufnahme bis zur Entlassung, wesentlich beschleunigen und gleichzeitig Kosten, beispielsweise durch die Vermeidung einer wiederholten Befundaufnahme, minimieren. Deshalb sollte der Abgleich mit bestehenden Patientenrecords innerhalb einer Organisation eine besondere Bedeutung erhalten. Dies lässt sich beispielsweise mittels eines «Enterprise Master Patient Indexes» (EMPI) lösen. Bei Aufnahme des Patienten werden seine persönlichen Merkmale (Name, Geburtsdatum usw.) und allenfalls weitere Angaben (z.B. Versichertennummer) mit dem EMPI abgeglichen. Dieser anwendungsübergreifende Index, sorgt dafür, dass sämtliche in den unterschiedlichen Systemen verwendete Patientenidentifikatoren genau einem Patienten zugeordnet werden können. Eine zentrale Schnittstelle stellt den Datenaustausch mit den anderen klinischen und administrativen Informationssystemen des Spitals sicher. Da der Aufbau eines EMPI komplex und mit einem hohen Aufwand verbunden ist, wird oftmals ein dezentrales Matchingverfahren bevorzugt [16]. Dabei wird die Authentifizierung lokal, durch eine entsprechende Erweiterung in der jeweiligen Applikation (PACS, Laborsystem usw.) durchgeführt. Damit lassen sich frühere Daten des Patienten im gleichen System oder aus anderen Systemen mit den aktuellen Daten vergleichen. Ein entscheidender Nachteil ist, dass dadurch ein ganzheitliches Bild der Krankengeschichte fehlt, da nur die im entsprechenden System befindlichen Daten miteinander verglichen werden können. Lösungsansätze für die organisationsübergreifende Patientenidentifikation

Ein weit schwierigeres Unterfangen ist die organisationsübergreifende Identifikation von Patienten in einem Gesundheitssystem. Während der Prozess der organisationsinternen Patientenidentifikation relativ überschaubar ist (meistens begrenzt auf die Anzahl involvierter Abteilungen), kann in einem Gesundheitssystem oftmals nicht a priori gesagt werden, wer alles Zugriff auf Patientendaten erhalten soll. Auch ist aufgrund

SMI 2008: Nº 64

Abbildung 1

Aspekte des Identitätsmanagements im Gesundheitswesen.

der Inkompatibilität unterschiedlicher organisationsinterner Lösungen (bspw. zwei unterschiedlich aufgebaute EMPI) die Durchgängigkeit des Prozesses stark gefährdet. Eine wesentliche Anforderung an die organisationsübergreifende Patientenidentifikation ist deshalb die Festlegung und Sicherstellung, dass die richtigen Informationen den richtigen Personen zur Benutzung eineindeutig zugeordnet sowie termingerecht zur Verfügung stehen, sofern dazu eine rechtliche Grundlage besteht. Aufgrund der Eigenheiten der unterschiedlichen nationalen Gesundheitssysteme, ist ein zentralistischer Ansatz, wie er beispielsweise in Grossbritannien praktiziert wird, nicht in jedem Fall realisierbar. Aus diesem Grund müssen Ansätze entwickelt werden, welche die eineindeutige Identifikation des Patienten auf mehreren (Kompetenz-)Ebenen sicherstellen können. Projekte mit wegweisenden Charakter sind auf internationaler Ebene die Europäische Versichtertenkarte [17], auf nationaler Ebene der «National Health Index» aus Neuseeland [18], auf regionaler Ebene das «Healthnet» von British Columbia [19] und auf lokaler Ebener das Modellprojekt5 [20].

Zusammenfassung und Ausblick Abbildung 2

Wichtige «Berührungspunkte» im Patientenprozess.

Abbildung 3

Handlungsfelder einer ganzheitlichen Patientenidentifikation.

In diesem Beitrag wurde dargelegt, dass aufgrund der bestehenden heterogenen Systemlandschaft und der fortschreitenden Digitalisierung von Informationen neue Möglichkeiten in der Gesundheitsversorgung entstehen. Im Zuge dieser Veränderung steigen auch die Anforderungen, den Patienten während seines gesamten Patientenprozesses eineindeutig identifizieren zu können. Um eine durchgängige Identifizierung sicherzustellen, müssen deshalb sowohl die unterschiedlichen Szenarien als auch die auslösenden Ereignisse des Identifizierungsprozesses betrachtet werden. Dies kann anhand der vier identifizierten Handlungsfelder geschehen. Des Weiteren werden erste Lösungsansätze gezeigt, wie die organisationsinterne und organisationsübergreifende Patientenidentifikation gemeistert werden kann. In den weiteren Forschungsaktivitäten gilt es, die Systematik durch konkrete Handlungsempfehlungen zu verfeinern, sowie die vorgeschlagenen Lösungsstrategien (zumindest teilweise) zu implementieren und zu evaluieren.

Der Patient im Mittelpunkt der Information

Literatur 1 Schmid M, Wang J. Der Patient der Zukunft: Das Arzt-Patienten-Verhältnis im Umbruch. Schweizerische Ärztezeitung 2003;84:2133–5. 2 Mettler T, Rohner P, Winter R. Factors Influencing Networkability in the Health Care Sector – Derivation and Empirical Validation. In: Bath P, Albright K, Norris T, Hrsg. Proceedings of the 12th International Symposium on Health Information Management Research. Sheffield: University of Sheffield Centre for Health Information Management Research; 2007;51–62. 3 www.sundhed.dk (letzter Abruf am 14.4.2008). 4 Büchi M. Kernaspekte eines integrierten Informationsmanagements. Schweizerische Ärztezeitung 2002;83:2029–30. 5 Joint Commission International Center for Patient Safety. Technology in Patient Safety: Using Identification Bands to Reduce Patient Identification Errors. Joint Commission Perspectives on Patient Safety 2005;5:1–10. 6 Stoellger P. Qualität als das Andere der Quantität: Wie bildet sich «Sinn für Qualität»? PrimaryCare. 2005;5:979–82. 7 Chassin MR, Becher EC. The Wrong Patient. Ann Intern Med. 2002;136:826–33. 8 www.nahit.org (letzter Abruf am 14.4.2008). 9 Independent Centre for Privacy Protection et al. Identity Management Systems (IMS): Identification and Comparison Study. Seville: Joint Research Centre Seville; 2004. 10 ISO/IEC NP 24760: Information Technology – Security Techniques – A Framework for Identity Management. 11 ISO TS 21298: Functional and Structural Roles. 12 ISO TS 22600: Privilege Management and Access Control. 13 www.bsi.bund.de (letzter Abruf am 14.4.2008). 14 Fleisch E. RFID als erster Schritt der Integration von realer und virtueller Welt. In: Eberspächer J, von Reden W, Hrsg. Umhegt oder abhängig? Der Mensch in einer digitalen Umgebung. Berlin: Springer; 2005. 15 Kern C, Conrad W. Einsatz von RFID zur Qualitätssicherung und Kostenreduktion bei der Erfassung und Verarbeitung von Blutproben. In: Löffler M, Winter A, Hrsg. Tagungsband der GMDS 2006. Leipzig: GMDS; 2006. 16 Lenson CM. Building a Successful Enterprise Master Patient Index: A Case Study. Topics in Health Information Management 1998; 19:66-71. 17 www.ec.europa.eu (letzter Abruf am 14.4.2008). 18 www.pacifichealthsummit.org (letzter Abruf am 25.3.2008). 19 www.healthnet.hnet.bc.ca (letzter Abruf am 14.4.2008). 20 www.telemedizin-loebau-zittau.de (letzter Abruf am 14.4.2008).

SMI 2008: Nº 64

Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns Fallstudie bei Patienten mit chronischer Herzinsuffizienz

Marc Oertle

Summary Improvement of patient safety and reduction of variability in clinical care are cornerstones of current quality enhancement programmes in healthcare. If patient outcomes are to be improved, it is crucial to translate the results of evidence-based knowledge into practice. For chronic diseases such as chronic heart failure (CHF), evidence-based treatment guidelines have existed for years. It is well known that physicians’ adherence to these guidelines is 50–60% at best. The reasons for this nonadherence are not well understood, although some publications report barriers to adherence. Most of these barriers are rooted in physicians’ attitudes, e.g. lack of awareness and lack of familiarity with current guidelines. Since information and communication technologies (ICT) are widely seen as a powerful tool for countering variability in healthcare, systems should be available to support physicians in their decision-making. Designing such systems requires a thorough understanding of current clinical practice. Preliminary results of a mixed-method case study in patients with chronic heart failure report adherence rates and the reasoning behind them in a Swiss primary and secondary acute care hospital.

Einleitung

Korrespondenz: Dr. med. Marc Oertle Leitender Arzt Medizin & MedizinInformatik Spital STS AG Krankenhausstrasse 12 CH-3600 Thun marc.oertle@spitalstsag.ch

Die Bevölkerung – und deshalb natürlich auch die Patientinnen und die Patienten – werden in der Schweiz immer älter. Mit zunehmendem Alter steigt die Rate von Patienten, die polymorbid (d.h. mehrere chronische Krankheiten gleichzeitig aufweisen) sind. Alter und Polymorbidität führen zum vermehrten Einsatz von Medikamenten und theoretisch auch zu einer gleichzeitigen Befolgung von mehreren Behandlungsrichtlinien. Da sowohl Politik als auch Versicherer nur mit einem vereinfachten Abbild des Gesundheitswesens (losgelöst vom Individuellen) arbeiten, basieren Einschätzungen und Abrechnungsmodelle oft auf Qualitäts- oder Performanceparame-

ter. Diese wiederum können sich nicht am Individuum, sondern lediglich an publizierten Behandlungsrichtlinien («best clinical practice», «practice guidelines») orientieren. Nun herrscht nicht nur zwischen der Leistung des Arztes in Bezug zur Richtlinie, sondern auch zwischen den Forschungsresultaten und dem Behandlungskonzept von realen Alltagspatienten eine zuweilen grosse Diskrepanz. Die Frage stellt sich damit, wie gut überhaupt die erlassenen Richtlinien durchschnittlich befolgt werden können. Diese Frage stellen sich nicht Politiker und Versicherer, sondern vor allem die mit dem individuellen Patienten konfrontierten Ärztinnen und Ärzte. Insbesondere in sogenannten Pay-for-performance-Programmen [3–5], die v.a. aus den USA bekannt sind, werden unter Umständen Behandlungen nur bezahlt, wenn die Behandlungsrichtlinien vollständig eingehalten werden. Dass dies zwar potentiell zu einer Qualitätsverbesserung, aber auch zu einer Überversorgung führen kann, scheint augenfällig. Die vorliegende Fallstudie ist als gemischt qualitativ-quantitative Methode angelegt und beschreibt die Behandlungsqualität bei Patienten mit chronischer Herzinsuffizienz.

Methoden Die Studie wird am Spital Thun (Spital STS AG), einem Akutspital mit Primär- und Sekundärversorgung, durchgeführt. Basierend auf den Daten der elektronischen Verordnung («computerized provider order entry», CPOE) wird während insgesamt 24 Monaten das Verordnungsverhalten bei Patienten mit chronischer Herzinsuffizienz im vorhandenen Data-Warehouse analysiert. Eingeschlossen werden alle Patienten, die durch das professionelle Kodierteam mit den ICD-10 Codes I 11.0, I 13.0, 13.2, I15.0 und I 15.9 kodiert wurden. Das Verordnungsverhalten wird in Relation zu den von der europäischen kardiologischen Gesellschaft ESC erlassenen Richtlinien zur Behandlung der chronischen Herzinsuffizienz gestellt. Parallel zu dieser retrospektiven Analyse werden alle Patienten, die zwischen Juli und Dezember 2007 hospitalisiert wurden und eine chronische

Der Patient im Mittelpunkt der Information

Herzinsuffizienz aufweisen, mittels semantischer Interpretation identifiziert und die behandelnden Ärzte über das therapeutische Regime prospektiv befragt. Die Ergebnisse der quantitativen Data-Warehouse-Analyse und der qualitativen Datengewinnung mittels semistrukturierten Interviews werden zusammen ausgewertet und mit publizierten Werten für die Richtlinientreue in der Behandlung der chronischen Herzinsuffizienz anhand des Guideline-Adherence-Index (GAI) verglichen.

Resultate Zwischen Januar 2006 und Dezember 2007 werden insgesamt 348 Patienten mit einer chronischen Herzinsuffizienz identifiziert. 50 davon fallen in die Studienperiode, in der die qualitative Analyse mittels Interviews durchgeführt wird. Die Patienten sind durchschnittlich 83 ± 10 Jahre alt, 51% sind Männer, 49% sind Frauen. Die durchschnittliche Anzahl von Hauptdiagnosen ist 6 ± 2. 43% der Patienten werden mit eine ACE-Hemmer, 30% mit einem Angiotensin-II-Rezeptor Antagonist, 54% mit einem Betablocker, 42% mit einem Aldosteron-Antagonisten und 24% mit Digoxin behandelt. Ohne Korrekturen aus klinischen oder patientenorientierten Gründen werden 60% der Patienten in vollständiger Übereinstimmung mit den Behandlungsrichtlinien therapiert («Guideline-Adherence-Index» (GAI) ist 0,6). Werden klinische Faktoren (wie z.B. eine

Abbildung 1. Anhand der gemischt quantitativ-qualitativ erhobenen Daten kann

der «Guideline-Adherence-Index» (GAI) für die Richtlinientreue bei der Behandlung von 50 konsekutiven Patienten mit einer chronischen Herzinsuffizienz errechnet werden. Die alleinige quantitative Analyse ergibt einen GAI von 0,6 (d.h. 60% der Patienten werden anhand der Richtlinien behandelt). Werden klinische Faktoren (z.B. Nierenfunktion) und weitere patienten-abhängige Restriktionen mit einbezogen, erhöht sich die Richtlinien-Treue auf 90%. In 10% der Fälle werden Fehler oder Unterlassungen in der Therapie registriert.

relevante Einschränkung der Nierenfunktion) in die Berechnung mit einbezogen, erhöht sich die Rate der formal korrekt therapierten Patienten auf 80% (GAI-korrigiert = 0,8). Anhand der durchgeführten semistrukturierten Interviews bei insgesamt 50 Patienten kann ausgesagt werden, dass in weiteren 10% der Fälle relevante klinische Gründe vorliegen, weshalb eine höhere Richtlinientreue nicht möglich ist (GAIkorrigiert = 0,9). In weiteren 10% der Fälle sind Fehler im Behandlungsregime oder Unterlassungen (sog. «errors of omission») Schuld an der fehlenden optimalen Betreuung; das Gesamtbild der globalen Richtlinientreue und deren Ursache wird in Abbildung 1 wiedergegeben.

Diskussion Die Qualität der medizinischen Betreuung kann wohl am besten durch die Konsistenz der Behandlung mit dem aktuellen medizinischen Wissen beurteilt werden. Die heutigen Grundlagen bilden dabei die Ergebnisse der EBM, oft aufgrund von randomisierten kontrollierten Studien und Metaanalysen. Der theoretische Rahmen zur Beurteilung und Einschätzung medizinischen Handelns wäre damit gegeben. Bekanntermassen besteht zwischen dieser theoretischen Behandlungsart und der im realen Alltag praktizierten Behandlung eine unter Umständen beträchtliche Kluft. Politiker und Versicherer orten primär im Versagen der «health professionals», insbesondere der Ärzte [6], die Gründe für die fehlende Richtlinientreue und versuchen unter anderem mit sogenannten Pay-for-performance-Systemen, eine bessere Ausrichtung an vorhandener Evidenz und damit eine hoffentlich bessere Behandlungsqualität zu erreichen. Die vorliegende gemischt qualitativ und quantitativ durchgeführte Fallstudie bei Patienten mit chronischer Herzinsuffizienz zeigt mehrere Punkte auf. Erstens kann in der Tat eine globale Richtlinientreue von lediglich 60% festgestellt werden. Ohne Rücksicht auf Begleiterkrankungen oder weitere die Therapieoptionen limitierende Faktoren kann somit bestenfalls von einer moderaten Behandlungsqualität gesprochen werden. Bereits in der quantitativen Analyse kann aber anhand von objektiven klinischen Gründen (zum Beispiel einer schweren Niereninsuffizienz) ausgesagt werden, dass von den geforderten Medikamenten zur Behandlung einer Herzinsuffizienz bei einem entsprechenden Patienten lediglich Teile der theoretisch indizierten Therapie angewandt werden können. Durch diese objektiven Korrekturgründe wird die

SMI 2008: Nº 64

initiale Richtlinientreue von 60% auf 80% erhöht! Werden dann im Zuge der qualitativen Analyse noch individuelle, patientenorientierte Gegebenheiten berücksichtigt, erhöht sich die Richtlinientreue auf 90%. In lediglich 10% der Fälle werden Behandlungsunterlassungen oder Fehler festgestellt. Die vorliegende Arbeit zeigt, dass eine rein quantitative Analyse, beispielsweise von Verordnungsverhalten (oft als einzige Möglichkeit durch Politiker und Versicherer durchgeführt), nicht genügt, um die Behandlungsqualität genügend einschätzen zu können. Lediglich interinstitutionelle Vergleiche bei ähnlichem Patientengut hätten eine gewisse Aussagekraft. Klinische patientenorientierte Faktoren (allen vorab die Begleiterkrankungen und deren Auswirkungen und Behandlungen) führen zu relevanten Einschränkungen in den therapeutischen Optionen und werden bei rein quantitativer Analyse fälschlicherweise als fehlende Richtlinientreue interpretiert. Im Zeitalter von E-Health müssen auch die hieraus zu ziehenden Schlussfolgerungen betrachtet werden. Aus zahlreich publizierten Studien wissen wir, dass die Implementierung von Entscheidungsunterstützungssystemen (sog. «decision-support systems») nur funktioniert,

wenn die Lösung nahtlos in die klinischen Arbeitsabläufe integriert ist, der Komplexität der Behandlung angepasst ist und die Ärzte nicht mit unnötigen Warnungen und Nachfragen in ihrem Arbeitsablauf stört. Für die Entscheidungsunterstützung bei der Therapie von chronischen Erkrankungen – wie hier am Beispiel der chronischen Herzinsuffizienz gezeigt – muss das System entsprechend nicht nur die medizinischtherapeutischen Grundlagen kennen. Es muss zudem über alle nötigen Basisinformationen in strukturierter Form verfügen und sowohl offensichtliche wie auch nur indirekt erkennbare Ausschlussgründe für eine bestimmte Behandlung erkennen und erst dann intervenieren. Die institutionsübergreifende Therapie von chronisch kranken Patienten macht diese Aufgabe anforderungsreich, da natürlich verschiedenste Ärztinnen und Ärzte in die Betreuung und Entscheidungsfindung involviert sind. Die Messlatte für eine gute Implementierung von Entscheidungsunterstützungssystemen liegt hoch. Grundlage, um überhaupt ein gutes System konstruieren zu können, ist in jedem Fall ein profundes Verständnis der Entscheidungsfindung. Dies wiederum ist nicht alleine mit der Analyse von quantitativen Daten realisierbar.

Literatur 1 Adherence to guidelines is a predictor of outcome in chronic heart failure: the MAHLER survey. Komajda M, Lapuerta P, Hermans N, Gonzalez-Juanatey JR, van Veldhuisen DJ, Erdmann E, et al. Eur Heart J. 2005;26(16):1653–9. 2 Adherence to heart failure quality-of-care indicators in US hospitals: analysis of the ADHERE Registry.Fonarow GC, Yancy CW, Heywood JT. Arch Intern Med. 2005;165(13):1469–77. 3 Performance measures and outcomes for patients hospitalized with heart failure. Shishehbor MH, Litaker D. JAMA. 2007;297(14):1547; author reply 8–9. 4 Paying physicians for high-quality care.Epstein AM, Lee TH, Hamel MB. N Engl J Med. 2004;350(4):406–10. 5 Pay for Performance or Compliance? A Second Opinion on Medicare Reimbursement Dolinar R, Leininger SL. The Medicare Value Purchasing Act of 2005. The Heritage Foundation 2005. 6 Why don’t physicians follow clinical practice guidelines? A framework for improvement.Cabana MD, Rand CS, Powe NR, Wu AW, Wilson MH, Abboud PA, et al. JAMA. 1999;282(15):1458–65. Weitere Literatur beim Autor

The patient at the centre of informatics

DebugIT for patient safety – the fight against emergent microbial diseases using multimedia data mining of heterogeneous clinical data Christian Lovisa, Henning Müllerb, Dirk Colaertc, Veli N. Stroetmannd a

University Hospitals of Geneva, Switzerland

HES-SO, University of Applied Sciences Western Switzerland, Sierre

Agfa HealthCare, Belgium

Empirica GmbH, Germany for the DebugIT consortium

Summary The debugIT project is a large-scale integrating project funded as part of the 7th EU Framework Programme (FP7). The main objectives of the project are to build IT tools designed to have significant impacts on the monitoring and control of infectious diseases and antimicrobial resistances in Europe; this will be done by building a technical and semantic infrastructure able to a) share heterogeneous clinical data sets from different hospitals in different countries, with different languages and legislations; b) analyse large amounts of this clinical data with advanced multimedia data mining; c) apply the knowledge obtained for clinical decisions and outcome monitoring. The concepts and architecture underlying this project are discussed.

Introduction

Christian Lovis Service of Medical Informatics University Hospitals of Geneva christian.lovis@ hcuge.ch

Building a safer and more efficient care system has become the most shared goal of all actors involved in healthcare. From the historical perspective there has been, in the last 25 years, an impressive shift towards awareness of the impact of errors in medicine. In the early nineties research papers and reports were published on patient safety, incident reporting and initial order-entry systems, chiefly originating from academic settings. At approximately the same time the first reports of the US Institute of Medicine (IOM) on computerised patient record systems stressed the potential of ICT-based solutions in improving the quality of care [1]. Ten years later, by the end of the nineties, a famous report of the IOM called attention to the wide prevalence of errors in healthcare [2]. While medical errors are under the spotlight, (re-)emerging infectious diseases are becoming major challenges. Most important among are them the rapid development of antimicrobial resistances [3], the spread of nosocomial and other infections [4], inadequate care and lack of appropriate tools to guide the care system faced with these new emergent problems [5]. The issues surrounding infectious diseases are closely interrelated and have immediate and important

effects on safety, quality of care and efficiency. In half a century of antibiotic use, new challenges have emerged: rapid emergence of resistances among pathogens, and misuse and overuse of antibiotics. Antimicrobial resistance means escalating healthcare costs, increased morbidity and mortality and the (re-)emergence of potentially untreatable pathogens.

The project Dedicated to infectious diseases, the DebugIT (Detecting and Eliminating Bacteria UsinG Information Technology) project aims to 1) detect patient safety-related patterns and trends, 2) acquire new knowledge and 3) use this for better quality healthcare. A consortium of eleven partners has been built to gather scientific competencies in all the domains involved, as well as to ensure access to specific information from more than 2 million clinical records. Table 1. Consortium Belgium

Agfa HealthCare

Bulgaria

GAMA/SOFIA Ltd.

Czech Republic

IZIP – Internetový Prˇistup Ke Zdravotním Informacím Pacienta

France

Institut National de la Santé et de la Recherche Médicale (with European Hospital Georges Pompidou)

Germany

empirica GmbH

Germany

University Medical Center Freiburg

Greece

Technological Educational Institute of Lamia

Sweden

Linköping University

Switzerland

University Hospital Geneva

Switzerland

University of Geneva, Computer Science Department

United Kingdom

University College London

The project has strong clinical leadership provided by a Clinical Advisory Board and a Scientific Advisory Board involving European

SMI 2008: Nº 64

and American experts from the infectiology and scientific domains. Outcomes and benefits will be measured in clinical and socioeconomic terms. Results will be integrated into clinical information systems (CIS) of participating European hospitals, industry and their clients, and become available globally through a European or global disease control centre/public authority, also as an open source solution. Advanced ICT applications and innovations concern the virtualisation of the clinical data repository through ontology and terminology binding and mediation, advanced data mining techniques, the use of machine reasoning related to real, point-of-care patient data, as well as consolidation of all these techniques in a comprehensive but open framework. Output will be applicable to other clinical fields. The concept developed as the foundation for the DebugIT project addresses all of these issues in an operational manner with the ultimate goal of developing a new, highly advanced and preeminent tool aimed at producing a new and efficient weapon for the war against infectious pathogens across all health system actors and levels. The overall project outcome will not only be a theoretical work and proof of concept, but also a practical implementation of a highly improved and advanced computerised system in the field of infectious disease treatment and antibiotics usage. This application, which – due to its generic conceptual base – should be easily expandable and adaptable to other similar medical application fields, will initially be evaluated by the participating project partners, but should be made publicly available to other healthcare organisations soon after.

languages, information models and legislations, via advanced and commonly agreed data models (minimal data sets), standards and mapping algorithms. Learn: Advanced data mining techniques on multimodal, multisource, structured and unstructured data will detect patterns relevant for patient safety and the treatment of infectious diseases, such as resistance of bacteria, adverse events and operational practices. This will result in new knowledge and new evidence for existing knowledge. Store knowledge: This knowledge will be stored, visualised, validated and aggregated together with preexisting medical and biological knowledge (guidelines, regulations) to achieve a consolidated view on the knowledge needed, to be applied in the next step. Apply: Software tools will be integrated into the available clinical and public health information systems. Decision support tools will apply the knowledge generated and help the clinician to provide clinical care (choice, dose and administration of antibiotics, for example). The knowledge will also be used to monitor ongoing care activities and even predict future outcome, to provide additional feedback both on the individual patient and at cohort level. This will allow healthcare providers and decision makers to take appropriate action at various level of the healthcare system, including point-of-care, management or policy, and subsequently influence the future development of our health systems. By integration into existing CIS it will be possible to record activities and results and thus ensure that the necessary data are generated for a subsequent cycle.

The conceptual framework

Technology and architecture

The conceptual framework of this project is an ever-continuing iterative cycle, implementing the principle of translational medicine and true evidence-based medicine (EBM). Translational medicine links medical research and clinical care by providing research with clinical data and the results of the research – the medical knowledge – as input for clinical care. While medical research often focuses on prospective and tightly controlled studies, retrospective studies with access to huge amounts of data, merely waiting to be analysed, are a welcome addition to clinical research. The framework can be broken down into several distinct steps: Collect data: Clinical data will be collected and aggregated across different hospitals, countries,

To achieve its goals the DebugIT project will make extensive use of clinical and operational information originating from running clinical information systems (CIS) across the EU, building a virtualised, fully integrated clinical data repository (CDR). The CDR will feature transparent access to the original CIS and provide data aggregations in local stores. The CDR is specifically tailored for knowledge discovery, featuring ethically sound, transparent access to data at or from the original CIS and/or collection and aggregation of data in a local data store. Multimodal data mining (MDM) will have a strong focus on new fields of research doing mining on distributed storage, using highly

The patient at the centre of informatics

advanced new text, image and structured data mining on individual patients as well as on populations. New knowledge will be fed into a medical knowledge repository (MKR) and mixed with domain knowledge derived from external sources (guidelines and scientific evidence). Innovative and user-friendly knowledge representation paradigms will be developed to enable not only

knowledge engineers but also clinicians to use the repository. After validation this knowledge will be used by a decision support module (DSM) and monitoring tool in the clinical environment to present and report on patient safety issues, both at population and patient level for direct care. Coordination and steering of both the analysis and the care process will be done by a high-performance and versatile reasoning engine.

Privacy Close attention is paid to privacy concerns, taking into account the various legal and ethical requirements to be met. Privacy is thus made a central part of the project by design, using a virtualised data repository without dealing directly with the original data. Identification elements provided by the clinical data repositories can be carried all along the process, blindly, to allow the original clinical information system to feed back decision support without the need for patient identification.

Conclusion

Figure 1. The conceptual framework.

Figure 2. Overview of the project.

The DebugIT project is focused on using large existing and heterogeneous clinical datasets covering hundreds of thousands of patients from several clinical information systems in different European countries. DebugIt proposes to build an interoperability platform to populate a relevant dataset on the infectious domain, to achieve a very large shared virtualised clinical repository allowing knowledge-driven data mining. This â&#x20AC;&#x153;semantic miningâ&#x20AC;? will be based on innovative methodologies to deal with the characteristics of real-world clinical data. A knowledge repository will drive the data mining and serve as a storehouse for the results. Finally, a decision support engine will exploit the aggregated knowledge to loop back to the real world. To achieve this system, several aspects will need to reach the frontiers of current state-of-the-art and beyond. Two strategies can be chosen for this. The first is to invent something radically new. The second involves using all existing knowledge and methods, putting them together and trying to build on this base. For most of its research, the second strategy is the one chosen in this project because operational results for clinical information systems must be available and sustain the DebugIT outcomes after the end of the project.

SMI 2008: Nº 64

To meet these requirements, the project has been organized according to architectural componentbased considerations: – Interoperability platform (IOP); – Clinical data repository (CDR); – Multimodal data mining (MDM); – Medical knowledge repository and associated knowledge authoring tool (MDR) – Decision support and monitoring engine (DSM); – Clinical applications.

This scientific and technical framework, associated with access to large amounts of clinical databases and led by experts in the medical field, will represent a serious advance in building a large IT infrastructure aimed at creating new knowledge in the field of monitoring, surveillance and efficient measures to fight infectious diseases.

References 1 IOM. The computer-based patient record: An essential technology for health care. Institute of Medicine report. 1991, revised 1997. 2 Medicine Io. To Err is Human. Building a safer Health System. In: Kohn LT, Corrigan JM, Donaldson MS, editors.; 1999: National Academy Press; 1999. p. 300. 3 Frazee BW. Update on emerging infections: news from the Centers for Disease Control and Prevention. Severe methicillin-resistant Staphylococcus aureus community-acquired pneumonia associated with influenza – Louisiana and Georgia, December 2006–January 2007. Ann Emerg Med. 2007;50(5):612–6. 4 O’Brien J A, Lahue BJ, Caro JJ, Davidson DM. The Emerging Infectious Challenge of Clostridium difficile-Associated Disease in Massachusetts Hospitals: Clinical and Economic Consequences. Infect Control Hosp Epidemiol. 2007;28(11):1219–27. 5 McAlonan GM, Lee AM, Cheung V, Cheung C, Tsang KW, Sham PC, et al. Immediate and sustained psychological impact of an emerging infectious disease outbreak on health care workers. Can J Psychiatry. 2007;52(4):241–7. 6 Vanhaecht K, Sermeus W, Tuerlinckx G, Witters I, Vandenneucker H, Bellemans J. Development of a clinical pathway for total knee arthroplasty and the effect on length of stay and in-hospital functional outcome. Acta Orthop Belg. 2005;71(4):439–44. 7 Coffey RJ, Richards JS, Remmert CS, LeRoy SS, Schoville RR, Baldwin PJ. An introduction to critical paths. Qual Manag Health Care. 2005;14(1):46–55. 8 Liesmons I. The added value of a process oriented hospital information system supporting integrated patient care. Stud Health Technol Inform. 2004;110:1–8. 9 De Bleser L, Depreitere R, De Waele K, Vanhaecht K, Vlayen J, Sermeus W. Defining pathways. J Nurs Manag. 2006;14(7):553–63. 10 Vanhaecht K, De Witte K, Depreitere R, Sermeus W. Clinical pathway audit tools: a systematic review. J Nurs Manag. 2006;14(7):529–37. 11 JBoss. Java business process management jBPM. http://www.jbosscom/fr/products/jbpm. 2007. 12 Dy SM, Garg P, Nyberg D, Dawson PB, Pronovost PJ, Morlock L, et al. Critical pathway effectiveness: assessing the impact of patient, hospital care, and pathway characteristics using qualitative comparative analysis. Health Serv Res. 2005;40(2):499–516. 13 Kent P, Chalmers Y. A decade on: has the use of integrated care pathways made a difference in Lanarkshire? J Nurs Manag. 2006;14(7):508–20.

Der Patient im Mittelpunkt der Information

Das volle Programm: Aufwand und Ertrag einer WTOAusschreibung für ein elektronisches Patientendossier Oliver Handgrätinger, Jens Diele, Daniel Voellmy Inselspital Bern

Korrespondenz: Oliver Handgrätinger Inselspital, Universitätsspital Bern 3010 Bern oliver.handgraetinger@ insel.ch

Summary In 2007, a two-phase evaluation of an integrated electronic patient record was performed at Inselspital, Bern University Hospital. The goal was to devise a system to allow hospitalwide documentation and management of all medical and therapeutic data, activities and services. In the first phase of the procedure – a prequalification under WTO rules – the basic performance of the tenderers had to be determined. Five vendors were selected to submit tenders. The products were then evaluated in six assessment steps: Evaluation of the criteria list, product demonstration, hands-on testing, demonstration of a user-defined clinical standard process, technical experts’ review, reference site visits, costs. This paper reviews the effort involved in the individual assessments related to the accuracy of the evaluation’s final result. The best effort-benefit ratio was achieved by the clinical standard process, demonstrated by the tenderers in a real-life scenario. Evaluation of the criteria list was least effective, the criteria list being nevertheless an important basis for the other assessment steps.

äusserst korrekt, transparent und unter maximal möglicher Beteiligung der Betroffenen durchgeführt werden sollte. Das so neu benannte Projekt «integriertes Patientendossier Inselspital (i-pdos)» wurde von den vorgesetzten Behörden, dem Management und den betroffenen Kliniken von Beginn weg mit grossem Wohlwollen aufgenommen und unterstützt.

Zielsetzungen Ziel der Ausschreibung war zunächst, einen von allen Seiten akzeptierbaren Produktentscheid zu fällen. Nach Einschätzung der Projektleitung leitete sich daraus als weiteres Ziel die Vermeidung von Risiken ab. Es waren insbesondere Firmenrisiken, Produktrisiken und Risiken im Evaluationsprozess zu minimieren. Daher standen in der Schweiz etablierte Firmen, ausgereifte, d.h. teilweise etwas ältere Produkte und eine offene Informationspolitik im Vordergrund. Die Projektziele wurden als fünf gut merkbare Begriffspaare formuliert: Behandlungsinformationen verfügbar machen, Wissen vernetzen, Zeit sparen, Integrität schützen, Informationen gewinnen.

Einleitung

Methoden

Das Inselspital tat sich bisher schwer mit der Beschaffung eines spitalweiten Klinikinformationssystems. Zwei Beschaffungsvorhaben im Jahr 2000 und 2003 endeten jeweils mit Einsprüchen oder Einspruchsdrohungen unterlegener Firmen. Um einer erneuten Pattsituation vorzubeugen, setzte die im Jahr 2006 eingesetzte Projektleitung neue Rahmenbedingungen für eine erneute Evaluation. Zunächst wurde der Auftrag geklärt: während zuvor jeweils von der Beschaffung eines «KIS» mit vieldeutiger Semantik gesprochen wurde, erfolgte als erste Massnahme die Festlegung der ausschliesslichen Verwendung des Begriffs «Patientendossier». Weiter wurde das Projekt als «integrativ» positioniert und allen Beteiligten signalisiert, dass bestehende Teillösungen nicht forciert abgelöst, sondern integriert werden sollten. Drittens wurde festgelegt, dass die Evaluation formal

Im Einklang mit der 2006 erneuerten Informatikstrategie des Hauses wurde PRINCE2 als Projektmethodik festgelegt. Typisch für eine Projektorganisation nach PRINCE2 ist ein kleiner Lenkungsausschuss mit einer personellen Verbindung zur Unternehmensleitung. Unterstützend wirkte eine «Projektsicherung» mit User-Board, Lieferanten-Board und «Business Assurance», wobei als «Lieferanten» zunächst spitaleigene Informatikspezialisten und Vertreter des Outsourcingpartners berücksichtigt wurden. Der vierköpfige Lenkungsausschuss wurde durch die Spitalleitung gewählt, die rund 30 Personen in den Projektboards wurden durch den Lenkungsausschuss auf Vorschlag der Projektleitung bestimmt. Zusätzlich wurden alle Kliniken dazu aufgefordert, je mindestens zwei Ansprechpartner zu benennen. Der mit der Evaluation befasste und zu einzelnen Events persönlich eingeladene Personenkreis umfasste

SMI 2008: Nº 64

insgesamt rund 280 Personen. Der Entscheid, eine klassische selektive (d.h. zweistufige) GATT/WTO-Ausschreibung nach der kantonalen Submissionsverordnung durchzuführen, wurde nicht zuletzt zur Vermeidung unnötiger Projektrisiken im Lenkungsausschuss gefällt. In der Präqualifikation wurden die Anbieter auf ihre wirtschaftliche und fachliche Leistungsfähigkeit hin beurteilt. Im Vorfeld der Ausschreibung wurde durch den Lenkungsausschuss festgelegt, dass genau fünf Anbieter zur zweiten Ausschreibungsphase zugelassen würden. Die Basis der ersten Ausschreibungsphase bildete eine Kriterienliste mit acht Ausschlusskriterien, 29 auswertbaren Eignungskriterien sowie zwölf Nachweiskriterien. Die Eignungskriterien bezogen sich auf die Unternehmensausrichtung, die wirtschaftliche bzw. fachliche Leistungsfähigkeit und die formelle Akzeptanz. Die Gewichtungen wurden an einem Workshop des Lenkungsausschusses mit Paarvergleichen nach Schreiber [1] interaktiv erarbeitet, in den Projektboards vernehmlasst und durch den Lenkungsausschuss fixiert. Zuschlagsrunde

Die zweite Ausschreibungsphase wurde in sieben Evaluationsschritte unterteilt. Das Ziel der Unterteilung war die Schaffung einer breiten Basis für die Bewertung der Produkte, welche auf einem Anforderungskatalog aufbaute, aber mit fünf Verifikations-Events ergänzt wurde. Die einzelnen Evaluationsschritte wurden gewichtet (Tab. 1) und auf insgesamt 10 000 Punkte verteilt. Die Gewichtungen wurden den Anbietern gegenüber offengelegt. Tabelle 1

Evaluationsschritte und deren Gewichtung. Evaluationsschritt Auswertung der Antworten auf den Anforderungskatalog Kurzpräsentationen Anbieter

Erreichbare Punktzahl 2 500 200

Hands-on-Woche

1 000

Demonstration eines Musterprozesses

1 000

Technik-Reviews

1 000

Referenzbesuche

1 800

Kosten

2 500

Total

10 000

Anforderungskatalog

Die Basis für die Zuschlagsrunde bildete ein Pflichtenheft mit Anforderungskatalog, der die produktspezifischen Anforderungen enthielt. Der Entwurf des Anforderungskatalogs wurde bei den 280 internen Ansprechpartnern vernehmlasst und ergänzt. Von rund 1400 Anforderungen wurden nur jene 348 Fragen in den Anforderungskatalog aufgenommen, die genügend selektiv schienen, also die voraussichtlich «schwierigen» Fragen. Als Antwortkategorien wurden sechs Möglichkeiten («A+» bis «E»), mit linearer Abstufung des erreichbaren Punktwerts, vorgegeben. «A+» bedeutet, dass die Anforderung produktiv im Einsatz ist und dass Referenzinstallationen jederzeit unangekündigt angefragt oder besucht werden können. «A» bedeutet, dass eine Referenzinstallation in Einführung ist und unangemeldet besucht werden kann. «B» bedeutet, dass die Anforderung verfügbar ist, aber ohne Angabe einer Referenzinstallation. «C» heisst, dass die Anforderung Teil des Releaseplanes bis 2010 ist. «D» heisst Entwicklung gegen ein zu deklarierendes Zusatzentgelt, und «E» bedeutet, dass die Anforderung nicht entwickelt wird. Um einer zu optimistischen Beantwortung der Fragen vorzubeugen, wurde eine stichprobenartige Kontrolle der Kriterien im Rahmen der Hands-on-Woche angekündigt und eine Strafe in Form eines Abzugs von 100 Punkten pro entdeckte Fehldeklaration angedroht. Die Frist zur Einreichung der Offerten inklusive Beantwortung des Anforderungskatalogs betrug sieben Wochen. Anbieterkurzpräsentation

Im zweiten Evaluationsschritt erhielten die Anbieter in einer vorher ausgelosten Reihenfolge die Gelegenheit, sich und das Produkt in einer 45-minütigen Präsentation vorzustellen. Die Veranstaltung war für alle am Projekt beteiligten 280 Ansprechpartner zugänglich. Mit Hilfe von Fragebögen nahmen die anwesenden Vertreter eine allgemeine Beurteilung des jeweiligen Anbieters und des zugehörigen Produkts vor. Die Teilnehmer wurden verpflichtet, jeweils eine Begründung zu formulieren, wenn sie bei einer Frage nicht das Punktemaximum vergaben. Hands-on-Woche

Für einen Zeitraum von sechs Tagen installierten die fünf Anbieter in separaten Räumlichkeiten am Inselspital jeweils ein Demosystem mit zwei Arbeitsplätzen. Alle 280 Ansprechpartner waren

Der Patient im Mittelpunkt der Information

angehalten, die einzelnen Systeme in Bezug auf die Bedienbarkeit und den Funktionsumfang anhand von Fragebögen zu beurteilen. Demonstration eines Musterprozesses

Parallel zur Hands-on-Veranstaltung wurden die einzelnen Anbieter zur Präsentation eines vorgängig definierten Musterprozesses angehalten. Der Musterprozess umfasste verschiedene typische klinische Vorgänge, die in 138 bewertbare Einzelschritte unterteilt worden waren. In 90 Minuten sollte die Leistungsfähigkeit der Applikation im Hinblick auf diese Anforderungen demonstriert werden. Die Beurteilung des Musterprozesses wurde von Mitgliedern des User-Boards und dem Projektteam (durchschnittlich ungefähr neun Personen) vorgenommen. Es wurden dabei das vollständige Umsetzen der Anforderung und die Usability der präsentierten Lösungsschritte bewertet. Pro Prüfpunkt wurde ein Mittelwert aus den gültigen Fragebögen errechnet. Prüfpunkte, die der Anbieter nicht demonstrierte oder aus Zeitgründen nicht mehr demonstrieren konnte, wurden mit null Punkten bewertet. Technik-Review

Ebenfalls während der Hands-on-Veranstaltung erfolgte eine Vertiefung der technischen Aspekte der einzelnen Systeme. In 90-minütigen Hearings wurden dem Anbieter gezielt Fragen zu seiner technischen Konzeption und strategischen Ausrichtung gestellt. Es wurden insbesondere unklare oder auffällige Antworten aus dem vorgängig schriftlich beantworteten Fragenkatalog zur Technik-Review thematisiert. Aus den mündlichen Antworten leitete das Prüfgremium eine Neubewertung der jeweiligen Antwort ab (Mittelwertbildung). Das Prüfgremium setzte sich aus insgesamt sieben Personen, die der Informatik des Inselspitals und des Outsourcingpartners angehörten, zusammen. Für den Themenschwerpunkt «Userverwaltung und Datenschutz» wurde das Gremium durch eine externe Beratung ergänzt. Das Performanceverhalten wurde praktisch anhand von Messungen beurteilt. Verschiedene Parameter, wie der Umgang mit Datenpaketen und die Reaktionszeiten bei definierten Arbeitsschritten (z.B.: Login, Erstellung von Stationslisten), wurden gemessen. Ebenfalls einbezogen wurde das Verhalten der Systeme bei Netzwerkunterbrüchen.

Referenzbesuch

Alle Anbieter wurden bereits während der Präqualifikation gebeten, Spitäler, die für Referenzbesuche und für weitere Verifikationen in Betracht kommen, zu benennen. Die zu besuchenden Spitäler sollten sich im Produktivbetrieb befinden, bereits einen fortgeschrittenen Helvetisierungsgrad erreicht haben und idealerweise von der Grösse und Komplexität mit dem Inselspital vergleichbar sein. In Abstimmung mit den Anbietern wurden die Referenzbesuche in den Spitälern durch ein sechsköpfiges Besuchsteam aus Vertretern verschiedener Bereiche, Disziplinen und Hierarchiestufen wahrgenommen. Firmenvertreter waren an den Referenzbesuchen nicht erwünscht. Als Bewertungsgrundlage diente ein Fragebogen, der mit Hilfe von 28 Einzelfragen die vier Aspekte Benutzerzufriedenheit, Funktionalitätsprüfung im Echtbetrieb, Support-, Einführungs- und Wartungserfahrung und Performance und Stabilität bewertete. Kosten

Die Kostenbetrachtung setzte sich im Wesentlichen aus drei Einflussfaktoren zusammen. Der erste Faktor enthielt sämtliche Kosten auf Anbieterseite für Softwarelizenzen, Schnittstellenrealisierungen, Projektdienstleistungen und Applikationssupport. Diese wurden der jeweiligen Offerte entnommen. Aus dem vom Anbieter ausgearbeiteten Systemvorschlag wurde der zweite Kostenfaktor abgeleitet: der Outsourcingpartner errechnete die Totalkosten für Anschaffung und Betrieb der vorgeschlagenen Systemkomponenten über einen Zeithorizont von fünf Jahren. Als dritter Teil der Kostenberechnung wurden die in vier Kategorien (Projektleiter, Projektmitarbeiter, Programmierer, Wartungstechniker) anzugebenden Personalkostensätze, hochgerechnet auf jeweils 25 Tage, addiert. Die so resultierenden Gesamtkosten wurden mit einer einfachen Division (Kosten Angebot N/günstigstes Angebot) in den Gesamtscore einberechnet.

Resultate Präqualifikation

Nach der Publikation der Ausschreibung wurden die Präqualifikationsunterlagen von 36 Firmen angefordert. Neun Firmen reichten ihre Bewerbung zeitgerecht ein. Die erzielten Gesamtpunktzahlen bewegten sich in einem Bereich zwischen 19 und 97 Punkten bei maximal 100

SMI 2008: Nº 64

erreichbaren Punkten. Der Abstand zwischen dem letzten qualifizierten Bewerber (Rang fünf ) und dem ersten nichtqualifizierten Bewerber (Rang sechs) betrug elf Punkte. Zuschlagsrunde

Der Anforderungskatalog differenzierte die Anbieter nur in geringer Weise. Die Anbieter beantworteten die 348 Fragen mit durchschnittlich 76% in der Kategorie A+, 3% in der Kategorie A, 4% in der Kategorie B, 9% in der Kategorie C, 2% Kategorie D und 5% in der Kategorie E. Der Abstand vom Bestplatzierten mit 94 Prozent Erreichungsgrad zum Zweitplatzierten betrug fünf Prozent und zum Drittplatzierten acht Prozent. Der fünftplatzierte Anbieter erzielte immer noch 74 Prozent der erreichbaren 2500 Punkte. An den Anbieterpräsentationen verfolgten pro Tag ungefähr 80 Personen die Präsentationen. 70 gültige Fragebögen wurden abgegeben. Es wurden durchschnittlich vier Anbieter pro Beteiligten bewertet. Bei dem mit insgesamt 200 Punkten relativ niedrig gewichteten Event bewegten sich die Anbieter in einem Range zwischen 60 und 79 Prozent. Die Anbieterkurzpräsentation war das einzige Kriterium, bei dem der spätere erstplatzierte Anbieter auf den zweiten Rang verwiesen wurde. An der Hands-On-Woche nahmen etwa 120 Personen teil. 80 gültige Fragebogen wurden abgegeben. Die Diskriminierungskraft war relativ gering: rund 20 Prozentpunkte lagen zwischen dem Erst- und dem Letztplatzierten. Der Musterprozess diskriminierte von allen

Abbildung 1. Verteilung der Evaluationsergebnisse.

Evaluationsevents am drittstärksten. Bei der Absolvierung des Musterprozesses durch die Produktspezialisten des Anbieters konnten erhebliche Unterschiede in der Bedienbarkeit, der Funktionalität der Applikationen und dem vom Anbieter im Hinblick auf die Bewertungsveranstaltung geleisteten Engagement abgeleitet werden. Der Erreichungsgrad bei der mit insgesamt 1000 Punkten bewerteten Prüfung bewegte sich zwischen 85 und 45 Prozent. Der Abstand zwischen den drei Erstplatzierten betrug jeweils sieben Prozent. Die Technik-Review diskriminierte die Anbieter am viertbesten. Der Abstand vom Erst- zum Letztplatzierten betrug 36%. Innerhalb der Technik-Reviews hatte das Performanceverhalten (Messung von Datenpakten) die grösste Spreizungswirkung. So erreichte der Fünftplatzierte nur einen Drittel der Punkte des Bestplatzierten. Die Referenzbesuche diskriminierten am zweitstärksten. Der Unterschied zwischen dem Erstplatzierten mit einem Erreichungsgrad von 83% (1486 Punkte) und dem Letztplatzierten betrug 41% (762 Punkte). Die Bewertungsbögen enthielten vier Themenbereiche, in dem der Bereich Benutzerzufriedenheit die grössten Differenzen auswies, gefolgt vom Bereich Einführung, Support und Wartung mit einem prozentualen Unterschied vom Erst- zum Letztplatzierten. Abbildung 1 zeigt die Verteilung der Evaluationsergebnisse. Die Linien in den weissen Balken repräsentieren jeweils die erreichten Werte des Fünft-, Viert-, Dritt-, Zweit- und Erstplatzierten im jeweiligen Event. Die stärkste Diskriminierungskraft wies die Auswertung der Kosten auf, gefolgt von den Referenzbesuchen und dem Musterprozess. Am schwächsten diskriminierte die Auswertung der Antworten auf den Anforderungskatalog, obwohl die Fragen bewusst kritisch formuliert waren. Es fällt auf, dass die firmenseitigen Antworten auf den Anforderungskatalog generell positiver ausfielen als die Bewertung der Evaluationsteams in den Verifikationsevents. Die resultierenden Punkteabstände im Endresultat betrugen ausnahmslos über fünf Prozent und waren damit relativ gross. Alle Resultate wurden in einem Evaluationsbericht zusammengefasst und allen internen Ansprechpartnern in einer Plenarveranstaltung präsentiert. Die interne Akzeptanz der Ergebnisse war gut. Die beteiligten Firmen erhielten einen Auszug mit einer detaillierten Aufstellung ihrer eigenen Resultate. Zwei der vier unterlegenen Firmen nutzten einen zusätzlichen Informationstermin, alle Firmen akzeptierten schliesslich das Ergebnis.

Der Patient im Mittelpunkt der Information

Diskussion

dem Schlussresultat und eine geringe Diskriminierungskraft gegenüber. Das beste Nutzen-Aufwand-Verhältnis wies der Musterprozess auf: gute Übereinstimmung mit dem Schlussresultat, grosse Diskriminierungskraft, mittelgrosser Aufwand. Neben den aus der Bewertungsskala ableitbaren eindeutigen Punktwerten konnten aus den Kommentaren zu den vom Maximum abweichenden Punktwerten wertvolle Einschätzungen aus Anwendersicht gewonnen werden. Man könnte noch weiter gehen und die «weichen Faktoren» ganz in den Vordergrund stellen. Eine publikumswirksame Evaluation kann ein wichtiger Bestandteil eines erfolgreichen Projektmarketings sein. Aufgrund individueller Rückmeldungen konnte im vorliegenden Fall vermutet werden, dass durch die reibungslos abgewickelte Evaluation das Vertrauen in das Projekt klar gestiegen ist.

Der Aufwand für eine zweistufige GATT/WTOEvaluation ist gross: während neun Monaten waren zwei bis drei Mitarbeitende des Projektteams praktisch voll beschäftigt, auf Firmenseite kann ebenfalls ein grosser Aufwand vermutet werden. Es stellt sich die Frage, ob ein solcher Aufwand gerechtfertig ist. Zur Annäherung an diese Frage wurde eine einfache Bewertung der Events vorgenommen: Der Grad der Übereinstimmung der Events mit dem Schlussresultat (gemessen am Rang) und die Diskriminierungskraft (gemessen als Spannweite in Prozent zwischen dem Erst- und dem Letztplatzierten) wurden zum Nutzen zusammengefasst und dem geschätzten Aufwand für das Event gegenübergestellt (Tab. 2). Die Auswertung des Anforderungskatalogs schnitt dabei am schlechtesten ab: Einem mittelgrossen Aufwand steht eine mässig gute Übereinstimmung mit

Tabelle 2. Bewertung der einzelnen Evaluationsevents. «+» oder «++» bedeutet, dass das Angebot einen

Angebot 4

Angebot 5

Nutzen zu Aufwand

Angebot 3

Musterprozess

gut

gross

mittel

günstig

Anbieterkurzpräsentation

schlecht

gering

klein

mittel

Aufwand

Angebot 2

Diskriminierungskraft

Angebot 1

Evaluationsschritt Event

Übereinstimmung

oder zwei Ränge zu positiv bewertet wurde im Vergleich zum Schlussrang. «=» bedeutet, dass der im Event resultierende Rang genau dem Schlussrang entsprach. Aufwändige Events ergaben in der Regel eine bessere Übereinstimmung als leicht durchzuführende Events. Das beste Nutzen/Aufwand-Verhältnis wies der Musterprozess auf.

Technikreview

mittel

gross

mittel

Referenzbesuche

mittel

gross

mittel

Kosten

mittel

gross

mittel

Hands-On-Woche

gut

gering

gross

mittel

Anforderungskatalog

mittel

gering

mittel

schlecht

Referenzen 1 Schreiber J. Beschaffung von Informatikmitteln. Bern/Stuttgart: Paul Haupt 2003. 2 Verordnung über das öffentliche Beschaffungswesen (ÖBV): ttp://www.sta.be.ch/belex/d/7/731_21.html.

SMI 2008: Nº 64

Der Patient im Mittelpunkt der Information – kontextbezogene Navigation in einer EPA Ela Bielecki

Summary

Zielsetzung

The patient as information centre – contextnavigated search in the CPR (computerised patient record) To support existing patient and case data with appropriate images and laboratory findings, and thus provide doctors with a global view on all patient and case data, a unitary concept of “medical cockpit” has been created and implemented at Solothurner Spitäler AG. The context-navigator is a new important feature of the medical cockpit, answering the following questions: how does the doctor rapidly and effectively arrive at the patient and case data required for the case he is currently on? How to eliminate laborious searching and time-consuming scrolling through a vast data base? How to obtain a total overview in which reports, medical treatments, findings, basic data, treatment authorisations concerning a case and/or a patient have been recorded and stored? What medication has been prescribed and what cases have been assigned to the patient? How can a global, unitary overview of all exististing patient data be rendered possible?

Mit dem Ziel, alle relevanten Informationen in Bezug auf einen «Fall» auf einer «Sicht» (Bildschirmseite) darzustellen, wurde die Kontextnavigation oder Kontextsuche entwickelt und eingesetzt. Künftig sollen die in der EPA erfassten Behandlungsdaten, Befunde spezialisierter Umsysteme, wie die digitalen Röntgenbilder (PACS) und medizinische Laborbefunde oder, kurz gesagt, alle relevanten Informationen zu dem «Fall» auf einmal ersichtlich und auf Wunsch abrufbar sein. Der Arzt soll effizient und auf die Fallinformationen, die er in seinem aktuellen Arbeitskontext benötigt, zugreifen können. Die Kontextsuche dient dazu, einen Zugang zu kontextspezifischen Fall- und Patienteninformationen zu ermöglichen (Abb. 2).

Problemstellung In den 27 Kliniken der Solothurner Spitäler AG werden über 27000 Fälle pro Jahr behandelt. Jede Klinik beinhaltet mehrere Stationen, in denen zwischen 10 und 30 Patienten hospitalisiert werden können. Behandlungseinheit: Fall

Korrespondenz: Ela Bielecki Dipl. Ing./MAS MedInf. Projektleiterin soH Informatik Solothurner Spitäler AG Schöngrünstrasse 42 4500 Solothurn ebielecki_ias@spital.ktso.ch

Der stationäre Aufenthalt eines Patienten, auch als «Fall» bezeichnet, dauert vom Spitaleintritt bis zum Spitalaustritt und stellt eine Behandlungseinheit dar. Bei der näheren Analyse des Falles stellt man fest, dass dies ein willkürlich gewählter Ausschnitt aus dem gesamten Behandlungsverlauf ist. Da es sich dabei um eine organisatorische Abgrenzung handelt, wird er auch als «administrativer Fall» bezeichnet. Pro «Fall» entstehen während eines stationären Aufenthaltes 25 bis 40 Formulare, Dokumente oder Dateien, die den Inhalt der Patientenakte bzw. EPA (elektronischen Patientenakte) darstellen (Abb. 1).

Methoden Alle abgelegten und archivierten Dokumente werden mit Metadaten (Eigenschaften eines Objektes) versehen und gespeichert. Ein Metadatenwebservice nimmt die Rolle eines «Behälters» ein, in dem die Metadaten gesammelt werden. Dazu wird der Standard RDF (Ressource Description Framework) eingesetzt. Soll ein «Fall» mit dem Kontextnavigator graphisch dargestellt werden, sucht der Metadatenwebservice alle der FID (Fall-Identifikationsnummer) und PID (Patienten-Identifikationsnummer) zugehörenden Metadaten und stellt die entsprechenden Dokumente grafisch nach dem vorgelegten Schema vor (Abb.2).

Verwendete Standards RDF (Ressource Description Framework): www.wikipedia.org/wiki/Resource_Description_Framework Technologie / Umsetzung: Metadatenwebservice Grafische Aufbereitung mit WPF (.NET 3.0) Die grafische Darstellung .NET 3.0 und WPF Clientsanforderungen: .NET 3.0.

Der Patient im Mittelpunkt der Information

Resultat

Abbildung 1. Administrativer Fall. Stammdaten und die Teildokumentation

(25 bis 40 Formulare) in einer EPA.

Der Kontextnavigator stellt die relevanten Informationen als «sternförmigen Navigationsraum» grafisch dar. Der Patient steht im Zentrum. Um ihn herum sind astförmig die relevanten Falldaten angegliedert. Gegliedert sind sie nach Aufenthalt, Zuständigkeit, Befunde, History, Verordnung und Dokumentation. So kann man alle zu dem Fall vorhandenen Dateien und Informationen auf einmal sehen und schnell das Relevante auswählen. Wird von einem aktuellen Kontextobjekt, beispielsweise «Patient», auf ein anderes Kontextobjekt gewechselt, wird das Objekt ins Zentrum rücken und es werden die Kontextinformationen dieses Astes angezeigt. Wurde der Austrittsbericht ausgewählt, so erscheint auf dem Bildschirm das angeforderte Dokument (Abb.3). Abbildung 4 zeigt ein mit der Kontextsuche gefundenes Dokument. Je nach Kontext können im Zentrum das Zimmer, die Abteilung oder die Befunde stehen.

Diskussion Ziel der Kontextsuche ist es, den Informationszugriff auf die Krankheitsbilder, Behandlungsdokumentationen, Rezepten, Diagnosen und Personaldaten zu beschleunigen und der Ärztin bzw. dem Arzt die notwendigen Angaben zur Entscheidungsfindung bereit zu stellen. Referenzen Abbildung 2. Kontextsuche. Im Kontext des «Falles» alle in EPA vorhandenen

Patienteninformationen.

1 Leiner F, Gaus W, Haux R, Knaup P, Pfeiffer KP. Medizinische Dokumentation. Stuttgart, New York: Schattauer 2003. 2 Greenhalgh T. Einführung in die EvidenceBased Medicine. Bern: Huber 2003.

Abbildung 3. Kontextsuche. Dokumente werden angezeigt und können mit einem

«Klick» ausgewählt und als PDF-Datei angezeigt werden.

SMI 2008: Nº 64

Abbildung 4. Kontextsuche. Das ausgewählte Dokument wird abgerufen und

angezeigt.

Glossar Webservice: Ein Webservices ist ein Dienst, der mit Hilfe von XML auf der Basis von Internetnetzwerkprotokollen (http, TCP/IP) erbracht wird und XML-basierte Standards verwendet, um Daten miteinander auszutauschen. Er bietet eine Schnittstelle für Softwareoperationen über ein Netzwerk (z.B. Internet) an, das mittels nachrichtenbasiertes Extensible Markup Language (XML)-Datentransfers aufrufbar ist (z.B. SOAP). WPF: Die «Windows Presentation Foundation» (WPF), auch bekannt unter dem früheren Codenamen «Avalon», ist eine neue Präsentationsprogrammierschnittstelle (API) für Microsoft Windows (www.wikipedia.org/wiki/Windows_Presentation_Foundation). SOA: Serviceorientierte Architektur (SOA) ist ein Systemarchitekturkonzept, das unternehmensweit eingesetzt werden kann. SOA ist ein Konzept für eine Systemarchitektur, in dem Funktionen in Form von wiederverwendbaren, technisch voneinander unabhängigen und fachlich lose gekoppelten Services implementiert werden. Metadaten: Als Metadaten oder Metainformationen bezeichnet man Daten, die Informationen über andere Daten enthalten. Bei den beschriebenen Daten handelt es sich oft um grössere Datensammlungen (Dokumente) wie Bücher, Datenbanken oder Dateien (www.wikipedia.org/wiki/Metadaten). PACS: Das «Picture Archiving and Communication System» bezeichnet in der Medizin Bildarchivierungs- und Kommunikationssysteme auf der Basis digitaler Rechner und Netzwerke. EPA: Elektronische Patientenakte. PID: Patienten Identifikationsnummer, in soH eine fortlaufende Nummer. FID: Fallidentifikationsnummer. RDF: Das «Resource Description Framework» (RDF, «System zur Beschreibung von Bezugsquellen») ist eine formale Sprache zur Bereitstellung von Metadaten im Internet. (www.wikipedia.org/wiki/Resource_Description_Framework) Net 3: Das .NET-Framework ist das Programmiermodel von Microsoft für «managed code» zum Erstellen herausragender Applikationen mit nahtloser und sicherer Kommunikation und der Möglichkeit, eine breite Vielfalt von Businessprozessen zu modellieren. Das aktuelle .NET-Framework 3.0 besteht aus .NET-Framework 2.0 zusammen mit «Windows Presentation Foundation» (WPF), «Windows Workflow Foundation» (WF), «Windows Communication Foundation» (WCF) und «Windows CardSpace» (www.msdn2.microsoft.com/de-de/netframework/default.aspx).

Le patient au centre de l’information

Le mot du nouveau Président Christian Lovis

Chères et Chers Membres, Chères et chers Amis, J’ai été élu lors de l’Assemblée Générale tenue lors de nos Journées Scientifiques de Sierre les 5 et 6 juin derniers et je tiens avant tout à vous remercier pour votre confiance et votre soutien. Ce traditionnel «Mot du Président» est d’abord pour moi l’occasion de présenter à notre Ami Eusebio Passaretti, Président sortant, toute ma reconnaissance pour l’immense travail accompli pendant ces deux années, à réorganiser notre comité et à structurer son activité. Mais un Président ne peut travailler seul. Le comité a donc aussi été renouvelé, à la suite du départ de deux de ses fidèles membres. Tout d’abord Ulrich Woermann, qui a participé au comité pendant 14 ans et s’est tout particulièrement occupé du Swiss Medical Informatics dont la qualité est reconnue. Mais aussi Benno Sauter, dont le travail immense pour la création de notre site web sera difficile à remplacer. A tous deux, j’adresse mes remerciements et je souhaite, au nom de tout le comité, plein succès. Le comité accueille donc de nouveaux membres, Christian Hay pour représenter l’industrie, Marc Oertle et Pascal Walliser qui représentent des hôpitaux et Alain Junger comme représentant des soins infirmiers. Ils viennent consolider l’équipe restante, Antoine Geissbuhler, Felix Heer, Judith Wagner et Eusebio Passaretti. Je les remercie pour le travail et leur appui! Ceci m’amène à vous annoncer deux bonnes nouvelles. Notre collègue Antoine Geissbuhler a été élu prochain président de l’International Medical Informatics Association, et je viens de prendre la fonction de secrétaire général de l’European Federation of Medical Informatics. Ceci montre le dynamisme de notre société à l’échelle internationale avec une présence très forte de la Suisse dans ces deux instances. Il convient aussi de dire quelques mots de nos Journées Scientifiques Annuelles 2008, magnifiquement organisée par le Prof Henning Muller à la HES-SO de Sierre. Un accueil digne de nos amis valaisans, un programme scientifique excellent. Malheureusement, trop peu de nos membres ont fait le déplacement et il est bien dommage de voir une telle qualité scientifique et sociale ne pas profiter mieux à notre domaine d’intérêt. Ces Journées sont aussi l’occasion de nouer des contacts et de créer un réseau. Les Journées 2009 seront organisée à Berne, en colla-

boration avec le Swiss eHealth Summit et Académie Suisse. Gageons que la participation sera plus importante et à la hauteur des défis et des enjeux du eHealth en Suisse et en Europe. Je terminerai ce mot du Président en vous proposant quelques pistes que je m’attacherai à suivre pendant mon mandat. D’une part, les positions acquises dans les sociétés internationales nous permettront d’intensifier ces collaborations, en particulier en créant des réseaux de ressources à disposition en Suisse. Ceci permettra de plus facilement accéder à des experts européens et internationaux pour adresser certains défis de notre société, que ce soit dans le cadre de la stratégie eHealth suisse, comme dans le problème des dossiers informatisés pour praticiens et les critères de qualité et de certification. Un autre point important sera de renforcer les structures de communication avec nos membres, en particulier concernant les activités du comité, et dans l’intention de créer des groupes de travail plus collaboratifs et participatifs entre le comité et les membres de notre société. Finalement, un objectif important sera de renforcer nos liens avec d’autres acteurs dans le domaine des technologies de l’information et de la santé, en particulier l’industrie, les milieux politiques et d’autres acteurs significatifs comme académie-suisse. C’est dans ce contexte que des contacts très étroits et d’ores et déjà fructueux ont été pris dans le cadre du Swiss eHealth Summit, qui tiendra sa première conférence à Berne les 26 et 27 août prochain. Réservez cette date! La liste des orateurs est déjà des plus attractives! Chères et chers Membres, je termine en vous rappelant qu’une société n’est rien sans ses membres. Nous allons vers de grands changements et défis avec la mise en place opérationnelle de la stratégie eHealth suisse. Nous avons les compétences pour jouer un rôle clé dans cette démarche. Ne gâchons pas cette opportunité, il en va aussi de l’avenir de notre pays!

SMI 2008: Nº 64

Grussadresse des neuen Präsidenten Christian Lovis1

Liebe Mitglieder der SGMI, liebe Freunde, Anlässlich der Generalversammlung, die im Rahmen unserer Wissenschaftlichen Jahresversammlung vom 5. bis 6. Juni 2008 in Siders stattgefunden hat, wurde ich zum neuen Präsidenten gewählt. Für ihr Vertrauen und Ihre Unterstützung möchte ich mich an dieser Stelle bedanken. Diese traditionelle «Grussadresse des Präsidenten» ist für mich die Gelegenheit, dem scheidenden Präsidenten und unserem Freund Eusebio Passaretti meine Dankbarkeit für seine enorme Arbeit, die er während der zwei letzten Jahre geleistet hat indem er unseren Vorstand reorganisiert und dessen Aktivitäten strukturiert hat, auszudrücken. Aber ein Präsident ist kein Einzelkämpfer. Der Vorstand wurde auch erneuert, da zwei treue Vorstandsmitglieder zurücktreten. Zuerst zu Ulrich Woermann, der dem Vorstand während 14 Jahren angehörte. Er war es, der die Website der SGMI ins Leben gerufen hat und sich später um die Umwandlung des Bulletins in die Zeitschrift Swiss Medical Informatics bemüht hat, die in der Zwischenzeit zu einer der tragenden Säulen der SGMI geworden ist. Aber auch Benno Sauter, der die enorme Arbeit auf sich genommen hat, unsere Website neu aufzusetzen, wird schwer zu ersetzen sein. Beiden möchte ich im Namen des Vorstands dafür danken und wünsche ihnen für ihre Zukunft viel Erfolg. Als neue Mitglieder des Vorstands wurden Christian Hay, Vertreter der Industrie, Marc Oertle und Pascal Walliser, Vertreter der Spitäler, und Alain Junger, Vertreter der Pflege, gewählt. Weiterhin im Vorstand sind Antoine Geissbuhler, Felix Heer, Judith Wagner und Eusebio Passaretti. Ich danke Ihnen für ihre Arbeit und Unterstützung! Jetzt komme ich dazu, Ihnen zwei gute Nachrichten zu überbringen. Unser Kollege Antoine Geissbuhler wurde zum zukünftigen Präsidenten der International Medical Informatics Association IMIA gewählt, und ich übernehme die Funktion des Generalsekretärs der European Federation of Medical Informatics. Dies zeigt die Dynamik unserer Gesellschaft an der internationalen Spitze durch die sehr starke Präsenz der Schweiz in diesen zwei Organisationen. Ich möchte auch noch ein paar Worte zu unserer Wissenschaftlichen Jahrestagung 2008 sagen, welche von Prof. Henning Müller an der HES-SO von Siders perfekt organisiert wurde. Ein für unsere Walliser Freunde würdiger Empfang, ein erstklassiges wissenschaftliches Programm. Leider haben sich nur wenige Mitglieder ins Wallis begeben und es ist sehr Schade zu sehen, dass eine solche

wissenschaftliche und soziale Qualität unserem Interessengebiet nicht mehr zugute kommt. Die Jahrestagung ist auch eine Gelegenheit, Kontakte zu knüpfen und ein Netz aufzubauen. Die Jahrestagung 2009 wird in Zusammenarbeit mit dem Swiss eHealth Summit und der Schweizer Akademie organisiert. Bemühen wir uns darum, dass die Teilnahme grösser und auf der Höhe der Herausforderungen und Probleme der eHealth der Schweiz und Europas sein wird . Ich beende diese Grussadresse des Präsidenten, indem ich Ihnen einige Themen nenne, um die ich mich während meiner Präsidentschaft besonders bemühen werde. Einerseits werden uns die erworbenen Einsitze in den internationalen Gesellschaften erlauben, diese Zusammenarbeit zu intensivieren, insbesondere indem wir ein Netz verfügbarer Ressourcen in der Schweiz schaffen. Dies erlaubt es, europäische und internationale Experten leichter zu kontaktieren, um bestimmte Herausforderungen unserer Gesellschaft anzunehmen. Sei dies im Rahmen der Schweizer eHealth-Strategie, sei dies im Rahmen des Problems der elektronischen Krankenakte für Praktiker oder der Qualitätskriterien und der Zertifizierung. Ein anderer wichtiger Punkt wird sein, die Kommunikationsstrukturen mit unseren Mitgliedern zu festigen, insbesondere was die Aktivitäten des Vorstands angeht und mit der Absicht, Arbeitsgruppen zu schaffen, bei denen zwischen dem Vorstand und den Mitgliedern mehr Zusammenarbeit und Teilnahme stattfindet. Schliesslich ist es ein wichtiges Ziel, unsere Beziehungen zu anderen Mitstreitern im Bereich der Informationstechnologie und des Gesundheitswesens, insbesondere auch mit der Industrie, den Politikern und anderen wichtigen Akteuren der Schweizer Akademie zu stärken. In diesem Umfeld wurden die sehr engen und jetzt schon fruchtbaren Kontakte mit der Leitung des Swiss eHealth Summit aufgenommen, die ihre erste Konferenz in Bern vom 26. bis 27. August abhalten wird. Reservieren Sie sich dieses Datum. Die Liste der Referenten ist sehr attraktiv. Liebe Mitglieder, ich schliesse mit der Erinnerung an Sie, dass eine Gesellschaft nichts ist ohne ihre Mitglieder. Wir gehen mit der Strategie eHealth suisse grossen Änderungen und Herausforderungen entgegen. Wir besitzen Kompetenzen, um hierbei eine Schlüsselrolle zu spielen. Verpassen wir nicht diese Gelegenheit. Es geht um die Zukunft unseres Landes. 1

Übersetzung: Ulrich Woermann

The patient at the centre of informatics

Nächste Ausgabe (November 2008): «Klinikinformationssysteme»

Prochaine édition (novembre 2008): «Systèmes d’information clinique»

Events Switzerland

World

Swiss eHealth Summit August 28th and 29th, 2008 Stade de Suisse, Bern http://www.ehealthsummit.ch/

Medicine 2.0 World Congress on Web 2.0 Applications in Health, Health Care, Medicine, and Biomedical Research September 4th and 5th, 2008 Toronto/Canada http://www.medicine20congress.com

GISEH gestion et ingénierie des systèmes hospitaliers September 4th to 6th, 2008 Ecole Polytechnique Fédérale de Lausanne http://giseh08.epfl.ch Europe

eHealth 2008 Electronic healthcare for the 21st century September 8th and 9th, 2008 City University, London, UK http://www.electronic-health.org/ MEDNET 2008 The 13th World Congress on the Internet in Medicine October 15th to 18th, 2008 Saint-Petersburg http://www.mednet2008.org/

13th International Symposium for Health Information Management Research “The Changing Face of Health Informatics and Health Information Management” October 20th to 22nd, 2008 Auckland, New Zealand http://iims.massey.ac.nz/research/iSHMIR 2008/index.html AMIA 2008 Annual Symposium Biomedical and Health Informatics – From Foundations to Applications to Policy November 8–12, 2008 Hilton Washington and Towers, Washington, DC http://www.amia.org/meetings/f08/

53. gmds-Jahrestagung 15.–19. September 2008 Haus der Wirtschaft, Stuttgart http://www.gmds2008.de/

Impressum Herausgeber / Editeur SGMI, Schweizerische Gesellschaft für Medizinische Informatik SGMI-Geschäftsstelle: Im Lehn, CH-3116 Kirchdorf BE Tel. 031 781 64 46 E-Mail: admin@sgmi-ssim.ch Vorstand der SGMI / Comité de la SSIM Christian Lovis, Präsident, président Antoine Geissbuhler, Alain Junger, Christian Hay, Felix Heer, Marc Oertle, Eusebio Passaretti, Judith Wagner, Pascal Walliser Redaktion / Rédaction Christian Lovis, Ulrich Woermann

Redaktionsadresse / Adresse de rédaction

Inserate / Régie des annonces

Dr. med. Ulrich Woermann, MME Universität Bern Institut für Medizinische Lehre IML Abteilung für Unterricht und Medien AUM Inselspital 38, CH-3010 Bern E-Mail: ulrich.woermann@iml. unibe.ch

Schwabe AG Ariane Furrer Assistentin Inserateregie Farnsburgerstrasse 8, CH-4132 Muttenz Tel. 061 467 85 88 / Fax 061 467 85 56 E-Mail: afurrer@emh.ch

Autorenrichtlinien / Directives pour les auteurs

Abonnemente / Abonnements

http://www.sgmi-ssim.ch

Schwabe AG, Verlagsauslieferung Farnsburgerstrasse 8, CH-4132 Muttenz Tel. 061 467 85 75 / Fax 061 467 85 76 E-Mail: auslieferung@schwabe.ch

Verlag / Editions Schwabe AG Steinentorstrasse 13, CH-4010 Basel Betreuung im Verlag: Dr. med. Natalie Marty Tel. 061 467 85 55 / Fax 061 467 85 56 E-Mail: n.marty@schwabe.ch

CHF 40.– (zuzüglich Porto / port en plus) Einzelnummer / Exemplaire unique CHF 15.– (zuzüglich Porto / port en plus)

Druck und Versand / Impression et distribution

ISSN 1660-0436

Druckerei Schwabe AG Farnsburgerstrasse 8, CH-4132 Muttenz Tel. 061 467 85 85 / Fax 061 467 85 86 E-Mail: druckerei@schwabe.ch

erscheint 3mal jährlich paraît 3 fois par an

Abonnementspreis / Prix d’abonnement