Swiss Medical Informatics - SMI 54

SMI 54

SGMI • SSIM • SSMI

SGMI SSIM SSMI

Schweizerische Gesellschaft für Medizinische Informatik Société suisse d’informatique médicale Società svizzera d’informatica medica Swiss Society for Medical Informatics

Swiss Medical Informatics

19. Wissenschaftliche Jahresversammlung Innsbruck, 26. bis 30. September 2004 19es journées annuelles de la SSIM Innsbruck, du 26 au 30 septembre 2004

Schwabe AG Verlag · Basel

Swiss Medical Informatics Table of contents

SGMI SSIM SSMI

Table of contents

2

Editorial (C. Lovis)

3

Das Projekt NURSING data in der Schweiz (S. Stark, S. Hölzer, A. Berthou)

6

Enriching content-based image retrieval with multilingual search terms (H. Müller, P. Ruch, A. Geissbühler)

12

Wie können Ambiguitäten bei der automatisierten Diagnosekodierung aufgelöst werden?

(H. R. Straub, N. Frei, C. Perger, A. Ulrich)

14

Die Integration der elektronischen Leistungserfassung nach TARMED in das Klinikinformationssystem KISIM (M. Uesbeck, M. Berger, J. Blaser)

18

Kombination von elektronischer Verordnung und elektronischer Medikamentendistribution im Spital (M. Oertle, E. Hufschmid, B. Lanker)

22

News from the Editorial Board

23

Outline of a surveillance service for drug prescription (C. Eikemeier, R. Grüter, W. Fierz)

27

Use of an innovative technology and Markov models to record and analyze the triage procedure in an emergency centre (C. Despont-Gros, R. Landau, O. Rutschmann, C. Lovis)

30

Best papers and posters, A new web site for our society

SMI 2005; No 54

1

SGMI SSIM SSMI

Swiss Medical Informatics Editorial

Editorial

C. Lovis

Correspondence: C. Lovis University Hospitals of Geneva Service of Medical InformaticsComputerized Patient Record (CPR) Group24, Rue Micheli-du-Crest CH-1211 Geneva 14 E-mail: christian.lovis@hcuge.ch

2

This 54th issue of the Swiss Medical Informatics is devoted to our annual scientific meeting, held in Innsbruck in fall 2004. This conference has been organized jointly with the German and Austrian associations for medical informatics, biometry, and clinical documentation under the hospices of the “Private Universität für Medizinische Informatik und Technik Tirol” (UMIT) and Prof. Dr. Reinhold Haux. This first joint meeting is a strong signal for a new collaborative era between our associations, as stated by their respective presidents, Prof. Dr. Walter Lehmacher for the German association, Prof. Dr. Bernhard Tilg for the Austrian association and Dr. Martin Denz for the Swiss Society for Medical Informatics.

The papers presented in this issue are a selection from the Swiss contribution to this conference. They illustrate the wide area of skills available in the domain of medical informatics in our country. Eikemeier, et al., in their paper entitled “Outline of a Surveillance Service for Drug Prescription”, present an original approach to build a distributed and collaborative peer-to-peer network of knowledge for computerized patient order entry (CPOE).

CPOE is one of the important challenges faced by medical informatics, and this is especially true when speaking about the up-to-date knowledge needed to bring timely and useful decision support at the point of care. Securing the whole drug prescription process, from prescription to distribution to the final patient delivery, is a complex process involving many actors. One of these steps is the drug preparation for distribution, which is a lot allocation for each patient. Oertle, et al., in their paper “Kombination von elektronischer Verordnung und elektronischer Medikamentendistribution im Spital: Qualitäts- und Prozessoptimierung bei der Medikation”, address this topic and discuss how an automated drug distribution system can be linked with a computerized patient record. They also show the effect of such an integrated system on both costs and safety.

From drug to care, involving nurses at all stages of care is becoming important, emphasizing the need for structured care documentation. This highlights the work pursued since years within the Nursing data project in Switzerland. Stark, et al., in their paper entitled “Pflegeinforma-

tionssysteme: Das Projekt NURSING data in der Schweiz”, present the current state of this project and stress its importance for public health in Switzerland. Classifications and nomenclatures are progressively involving all parts of the patient record and it is increasingly important to be able to acquire such data within the clinical activities. Uesbeck, et al., present a strong and pertinent integration of gaining clinical and technical interventions for billing using TarMed directly in the clinical record in their paper “Die Integration der elektronischen Leistungserfassung nach TARMED in das Klinikinformationssystem KISIM”. The future use of Diagnostic-Related Groups encoding for inpatient billing is reinforcing the need for a complete and correct encoding of diagnosis and procedures of patients. This is a complex task that cannot be easily accomplished by clinicians not used to the utilization of classifications and their rules. Straub, et al., in their paper “Wie können Ambiguitäten bei der automatisierten Diagnosekodierung aufgelöst werden?”, discuss some original semantic approach to sustain the development of tools helping the automatic encoding of freetext. The move from data to information and finally knowledge cannot be reserved to text only and multimedia information processing will become a major challenge in the coming years within life sciences. Muller, et al., in their paper “Enriching content-based image retrieval with multi-lingual search terms”, consider the combination of images content-based retrieval techniques and natural language processing to query large image database for clinical information. Finally, DespontGros, et al. present the use of the digital pen and paper technology to indirectly understand and analyze how triage nurses perform in emergency room in their paper entitled “Use of an innovative technology and Markov models to record and analyze the triage procedure in an emergency center”.

I would like to express all my congratulations to the Swiss participants at this conference, for the quality of their contributions. It is an important sign to our neighbours, contributing to show the quality of our research and our ability to bring this research towards care providers and industry, helping finally to improve patient care and outcome.

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Pflegeinformationssysteme

Pflegeinformationssysteme: Das Projekt NURSING data in der Schweiz S. Stark, S. Hölzer, A. Berthou

Einleitung In der Schweiz wurden im stationären Bereich sowie in der ärztlichen Versorgung mit dem Inkrafttreten der Bundesgesetze (Bundesstatistikgesetz 1992, Bundesgesetz über die Krankenversicherung 1994, Bundesgesetz über den Datenschutz 1992) die Weichen für eine nationale Gesundheitsstatistik gestellt. Seit 1998 erfolgen die obligatorischen Datenerhebungen im Rahmen der Gesundheitsstatistik schweizweit einheitlich und stellen somit ein wichtiges gesundheitsstatistisches Instrument dar.

Im ausserärztlichen Bereich der Gesundheitsversorgung, welcher vor allem den Pflegebereich betrifft, werden bislang noch keine standardisierten, flächendeckenden Daten erhoben.

Bis heute gibt es weder auf internationaler noch auf nationaler Ebene eine einheitliche und anerkannte Klassifikation, mit der die Tätigkeit der Pflege inhaltlich wiedergegeben werden kann. Die Folge ist, dass die vorhandenen Pflegedaten nicht ins Gesundheitsinformationssystem integriert werden können. Die Pflege ist jedoch quantitativ der bedeutendste Leistungserbringer im Gesundheitswesen.

Mit dieser Problematik ist die Schweiz jedoch nicht allein konfrontiert. Vor dem Hintergrund, dass die Tendenz zur Verlagerung vom Akut- in den Langzeitpflegebereich sowie vom stationären in den ambulanten Pflegebereich weiter anhält, sind viele Länder bestrebt, ein geeignetes Informationssystem zur Erfassung aussagekräftiger Daten bereitzustellen bzw. zu erarbeiten.

Korrespondenz: Stefanie Stark H+ Die Spitäler der Schweiz Lorrainestrasse 4A Postfach 302 CH-3000 Bern 11 E-Mail: stefanie.stark@hplus.ch Internet: www.hplus.ch

SMI 2005; No 54

Ziele Das Konzept zur Entwicklung eines schweizerischen Pflegeinformationssystems (NURSING data) wurde bereits in den Jahren 1998–2000 im Auftrag des Bundesamtes für Statistik sowie von Verbänden

und Vereinigungen im Gesundheitsbereich erarbeitet. NURSING data ist ein gesamtschweizerisches Projekt zur Vervollständigung und Standardisierung von Informationen der Gesundheits- und Krankenpflege.

Hauptziel dieses Projektes ist die Erarbeitung eines Pflegeinformationssystems, welches die Erhebung von Pflegedaten in den drei Bereichen der Gesundheitsversorgung (Hauspflege, Pflegeheime und Spitalpflege) abdeckt. Zudem müssen bei der Entwicklung sowohl die verschiedenen Fachdisziplinen als auch die vier Sprachregionen der Schweiz berücksichtigt werden. Der Kompatibilität zu den Gesundheitsstatistiken des Bundes, dem ambulanten Tarif (TARMED) und den Arbeiten im Zusammenhang mit der Einführung eines pauschalierenden stationären Entgeltsystems und der internationalen Vergleichbarkeit muss hierbei ebenfalls Rechnung getragen werden. Ein weiteres Ziel dieses Projektes ist selbstverständlich auch die Begleitung bei der Einführung und Umsetzung der Projektarbeiten in der Praxis.

Das Projekt NURSING data will vorrangig – die Vergleichbarkeit der Daten sicherstellen: Die gegenwärtig durch das Pflegepersonal erhobenen Daten sind umfangreich; sie werden für ganz verschiedene Zwecke verwendet. Da die Erhebungssysteme und -formate sich je nach Institution unterscheiden, sind Analysen von landesweit erhobenen Daten jedoch sehr selten. Der wichtigste Beitrag von NURSING data besteht in diesem Bereich darin, ein standardisiertes Format der für das CH-NMDS festzuhaltenden Daten vorzuschlagen.

– die bestehenden statistischen Erhebungen ergänzen: NURSING data soll jene Pflegedaten identifizieren und definieren, die noch nicht routinemässig erhoben werden, die aber für die Bildung der national anerkannten stati-

3

SGMI SSIM SSMI

Swiss Medical Informatics Pflegeinformationssysteme

stischen Deskriptoren und Indikatoren eine Voraussetzung sind und von den Projektpartnern als nützlich erachtet werden.

Vorgehen, Material und Methode

integriert werden können. Diese Lösung setzte voraus, dass innerhalb des Pflegeberufes (drei verschiedene Pflegekulturen, verschiedene Pflegebereiche) ein nationaler Konsens über zwei grundsätzliche Elemente der Pflegeklassifikationen entstehen konnte, und zwar in bezug auf

Zur Standardisierung von pflegerelevanten Informationen sind in diesem Projekt zwei Teilprojekte von wesentlicher Bedeutung.

– den Inhalt: Welche Begriffsinhalte sollen festgehalten werden, um die Pflege in der Schweiz zutreffend zu beschreiben?

In einem Teilprojekt wird von den Projektverantwortlichen eine Definition des sogenannten Nursing Minimum Data Sets (CH-NMDS) vereinbart. Es enthält ein unerlässliches Minimum an Daten, welche zukünftig auch in die schweizerischen Gesundheitsstatistiken integriert werden sollen. Dieses Datenset enthält die kleinstmögliche Anzahl an Variablen, die zur Beschreibung der pflegerischen Tätigkeit im Rahmen von statistischen Erhebungen notwendig ist. Unter anderem werden in diesem Datenset folgende Variablen erhoben: der Ort, an dem die Pflege stattfindet, die Pflegeepisode, Angaben zum Patienten und die pflegerelevantesten Pflegephänomene (Pflegediagnosen) und Pflegeinterventionen.

Es ist grundlegend, dass NURSING data für das CH-NMDS nur Daten erhebt, die nötig und brauchbar sind. Das Projekt sieht vor, in erster Linie mit Daten zu arbeiten, die bereits durch die Bundesstatistik und durch die in den Institutionen implementierten Pflegeinformationssysteme erfasst werden. Hinzu kommen noch Daten, welche noch nicht routinemässig auf nationaler Ebene erhoben werden.

In einem weiteren Teilprojekt befassen sich Vertreter/innen aus den verschiedenen Sprachregionen mit der Erarbeitung einer einheitlichen Pflegefachsprache, den sogenannten Referenzklassifikationen mit deren Kernelementen: Pflegephänomene und Pflegeinterventionen.

Mit den von NURSING data durchgeführten Arbeiten wurde zwischen Juni 2001 und Juni 2004 nach einer Lösung gesucht, die ans Bestehende anknüpft und zugleich zur Entstehung von qualitativ hochstehenden Klassifikationen führt. Die neugeschaffenen Referenzklassifikationen sollen ins schweizerische Pflegeinformationssystem

4

– die Form: Wie sind diese Begriffsinhalte zu formulieren und zu strukturieren?

Dabei richteten sich die parallel geführten Arbeiten auf die Auswahl der Schlüsselbegriffe «Pflegephänomen» und «Pflegeintervention», auf ihre Definition und auf die verschiedenen Werte dieser beiden wichtigsten Variablen des CH-NMDS bei der Festlegung und Formulierung galt es darauf zu achten, dass diese Listen der Pflegephänomene und -interventionen sowohl für alle Sprachregionen als auch für die verschiedenen Pflegebereiche Geltung haben.

Zudem ergab sich aus der Erfordernis, die verschiedenen bestehenden Systeme mit den beiden Referenzklassifikationen abgleichen zu können, die Notwendigkeit, die Listen mit den Begriffsinhalten einheitlich zu strukturieren. So wurde der inhaltliche Aufbau von verschiedenen nationalen und internationalen Nomenklaturen eingehend studiert. Die neuste Struktur der WHOKlassifikationen, die Internationale Klassifikation der Funktionsfähigkeit, Behinderung und Gesundheit (ICF)1, erwies sich als überzeugendste Lösung. Sie zeichnet sich dadurch aus, dass sie zugleich hierarchisch und multiaxial konzipiert ist2. Sie ermöglicht die Verwendung verschiedener Aggregationsstufen und gibt für den Wechsel von einer zur anderen Stufe die notwendigen Regeln vor.

Nach Vorbereitungsarbeiten in regionalen Arbeitsgruppen wurden die Klassifikationen gebildet und in verschiedenen Schritten durch zwei aufeinanderfolgende Delphipanels und eine Reihe von Tests geprüft und dementsprechend angepasst3.

Zur Validierung dieser beiden Klassifikationen beteiligen sich zur Zeit verschiedene Institutionen an einem Test. Sein Ziel ist es, die Akzeptanz, Anwendbarkeit, Gültigkeit und Zuverlässigkeit zu überprüfen.

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Pflegeinformationssysteme

Ergebnisse Die Projektpartner sind in einem Plenum und einer Steuerungsgruppe organisiert, deren Vorstellungen und Ansätze sich unterscheiden (Sichtweisen der Kantone: Transparenz der Pflegekosten als Grundlage bei gesundheitspolitischen Entscheiden / Kostenträger: Transparenz im Gesundheitswesen, Entscheidungsgrundlage insbesondere im Tarifwesen / Leistungserbringer: Benchmarking und Grundlage für strategische Entscheidungen / Pflegekräfte: Datenbasis für Pflegewissenschaft und Forschung).

Vorliegende Ergebnisse des Projektes werden zusammengefasst, und es wird aufgezeigt, welche Daten des Pflegeinformationssystems in welchem Umfang für die Krankenhäuser relevant und verwertbar sind. Zudem werden auch Ansätze zur möglichen Integration von Pflegedaten in einem fallpauschalierenden Vergütungssystem aufgezeigt.

Die Generierung eines «Datenfriedhofes» muss unbedingt vermieden werden, und Redundanzen, bedingt durch Mehrfacherfassungen, müssen verhindert werden!

Literatur – Website Projekt NURSING data, URL: http:// www.isesuisse.ch/nursingdata (Stand 11.2004).

1 vgl. Website: www3.who.ch/icf (englisch, französisch usw.), für die deutsche Fassung: www.dimdi.de/de/klassi/ICF/index.html.

2 vgl. Website NURSING data, die Präsentationen von H. Straub und A. Rossi-Mori (www.isesuisse/nursingdata/commun/exposes/ 010907_berne/intro-photo.htm).

3 vgl. Bericht Test I, Website NURSING data www.isesuisse.ch/nursingdata.

Diskussion/Schlussfolgerung Als Projektpartner von NURSING data geht es H+ Die Spitäler der Schweiz als Verband der Krankenhäuser in der Schweiz primär um die Voraussetzungen für ein besseres Spitalmanagement. Weiterhin könnte durch die Arbeiten im Rahmen von NURSING data eine Datenbasis geschaffen werden, die für die Aus- und Weiterbildung, für gesundheitspolitische Entscheidungen und evtl. für eine Entgeltung der Pflege genutzt werden kann. Nichtsdestotrotz muss der Aufwand für derartige Datenerhebungen kritisch analysiert und mit dem zu erwartenden Nutzen in Einklang gebracht werden. Des weiteren sollten bereits standardisierte Beschreibungen und Kodierungen von Krankheitsbildern (besonders jene Begleiterkrankungen, die pflegerelevant und aufwandssteigernd sind) ebenfalls nutzbar gemacht werden, denn nur durch die kombinierte Betrachtung von ärztlichen, pflegerischen und technischen Leistungen kann der Aufwand für die Datenerhebungen möglichst gering gehalten werden.

Ein weiteres Anliegen von H+ Die Spitäler der Schweiz ist, dass die Daten, welche im Rahmen dieses Projektes zukünftig erhoben werden, möglichst vielen zugänglich gemacht werden, denn vor allem für die Pflegeforschung stellt die Auswertung von Pflegedaten ein wichtiges Instrument dar.

SMI 2005; No 54

5

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

Enriching content-based image retrieval with multilingual search terms H. MĂźller, P. Ruch,

gift/

A. GeissbĂźhler

Summary Content-based visual image retrieval is a research domain with the goal to allow efficient access to the large amount of visual information that is being produced in medical institutions. Currently, visual retrieval is most often strictly separated from textual information extraction and retrieval in medical records. The complementary nature of the two methods by contrast invites to use the two together in an integrated fashion. We use a visual retrieval system (medGIFT) and a textual search engine powered with biomedical terminological resources (easyIR) together on a data set presented at the imageCLEF image retrieval competition. Both systems are available free of charge as open source. The dataset is also publicly available to make results reproducible and comparable. Results show that a simple combination of visual and textual features for retrieval improves performance significantly for fully automatic retrieval as well as for runs with manual relevance feedback. The currently applied techniques are fairly simple combinations and better results can be expected when optimizing the combined weighting based on learning data. Visual and textual features should be used together for information retrieval whenever they are both available to allow optimal access to varied data sources.

Keywords

Correspondence: Service of Medical Informatics University and University Hospitals of Geneva, 24, rue Micheli-du-Crest CH-1211 Geneva 14 E-mail: henning.mueller@sim.hcuge. chInternet: www.sim.hcuge.ch/med-

6

Medical image retrieval, Multilingual search, Multimodal information retrieval, Crossmedia indexing, Content-based data access.

Introduction The rising amount of digitally produced images and other visual/audiovisual docu-

ments such as signal curves and videos in medical departments creates a need to develop new tools to manage these data.

The radiology department of the university hospitals of Geneva alone produces currently (2004) more than 20,000 images per day. Connections of other departments such as cardiology, hematology and pathology to the PACS are planned and will continue to augment the amount of data produced.

Standard access methods to these visual data are most often limited to access by numerical patient identification. Sometimes, search by textual keywords from the radiology report [1] or electronic patient record is possible. Content-based image retrieval (CBIR), on the other hand, allows browsing and searching in large image collections based on visual features that are automatically extracted from images and consequently cheap to produce [2]. Content-based image retrieval has been one of the most active research areas in computer vision over the last ten years with hundreds of systems being developed. The use in the medical domain has been proposed for almost ten years and important clinical benefits are expected [3–5]. Still, content-based access is rarely used in clinical practice as the paradigm of using positive and negative example images to formulate queries is not straightforward and users will need to get used to it. First applications are expected for access to medical teaching files [6] where retrieval quality is not critical but where a user is interested in browsing large collections. The final goal of content-based image retrieval is the use as a diagnostic aid. An example for such a possible use as a diagnostic aid is shown in figure 1, where based on a query image, other visually similar cases are found to provide evidence for or against a certain diagnosis.

Such functionalities can be beneficial in modern information systems to use the images up to their full potential. For fields such as case-based reasoning [7] or evi-

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

dence-based medicine [8], there is a need for finding similar medical cases. When one or several image(s) are available for diagnostics, an image retrieval system can deliver pointers to similar cases that might lead to a correct diagnosis. In pathology, dermatology, or for high resolution CTs of the lung, the diagnosis depends strongly on texture and colour/grey level properties of the images. Thus, medically similar cases are cases with visually similar images that can be found by CBIR. Few active research projects in medical image retrieval exist such as IRMA (Image Retrieval in Medical Applications1 [9]), ASSERT [10] and medGIFT 2 [6]. In a first

Figure 1. Based on an example query image, visually similar other images are found in a database based on automatically extracted visual features.

test, as a tool for diagnostic aid, ASSERT has shown to improve the diagnostic quality significantly [11], especially among radiologists not being specialized in chest CTs. Although retrieval quality is sufficient for many tasks and automatic extraction of visual features is convenient, there is still a semantic gap between the low-level visual features (textures, colours, shapes) automatically extracted and the high-level concepts that users normally search for (tumour, abnormal tissue). Only in narrow domains, higher-level features and automatic segmentations can be used to extract higher-level visual image features.

Most of the stored cases including images are not unconnected in a medical context but do contain a radiology report or textual data from the patient record attached to them. These data can further on be used to improve the retrieval quality and allow semantic retrieval through automatic query expansion (QE) even when the initial query

SMI 2005; No 54

only contains images and no or little text.

Natural language processing and information extraction from medical texts are two other very active domains of research.

Often, UMLS concepts or MeSH terms are tried to be extracted from texts and show good results [12]. Still, there is currently no connection of visual retrieval projects and textual medical information retrieval.

Sometimes the use is proposed [13]. The complementary nature of text and visual image features for retrieval promises good combined results. Most current systems only try to classify the images based on their visual content into known classes [9]. In the non-medical domain, several articles describe connections between visual and textual characteristics for retrieval. Usually, well-constructed annotations with few words [14] or captions of newspapers for images [15] are used.

Radiology reports and teaching files that the images are attached to have other problems.

Often, the quality of the text is mediocre.

The texts are often not produced for being searched by keywords afterwards. Spelling errors, various and differing abbreviations and non-standardized coding hinder efficient retrieval [12]. In our case database system casimage3, [16], we also have the problem of having English and French descriptions mixed, as well as several empty case notes (~7%). For our tests, we index this casimage database that contains a total of 9,000 images of 2,000 medical cases used in the imageCLEF image retrieval competition. ImageCLEF 4 [17] started in 2003, and in 2004 a medical image retrieval task was added. Although current tasks do not reflect a real medical target, the goal is to augment the difficulty of tasks successively and create medically relevant tasks within the next one or two years. The methodology is based on evaluation standards well known and accepted of text retrieval conferences such as TREC5 (Text Retrieval Conference).

Goal of imageCLEF 2004 was to motivate research groups to combine visual and textual features. Based on this goal, medical query topics were 26 images without annotation. A total of 18 groups participated in the image retrieval competition, 11 in the

7

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

medical task. Our medgift/easyIR system presented the best performance in the medical task of all participants in 2004.

Methods Both retrieval systems used in our approach are available as open source. medGIFT is based on the GNU Image Finding Tool (GIFT 6). EasyIR can also be downloaded7. easyIR Before actually indexing the texts, several steps are needed to pre-process the data.

XML tags were removed from the documents as well as the unimportant fields of the annotation such as the name of the medical doctor who included the case, etc.

This information is able to improve retrieval quality, as the same medical doctor will add cases of the same anatomic region but is not our retrieval goal.

As reports can contain both French and English written parts, boundary detection of language segments and storage in separate indexes would have been best. Considering the lack of time, we decided to index the casimage collection using a unique index.

We used the Porter’s stemmer for English and a modified version of Savoy’s conflation tool for French. Depending on the index, a list of stop words was used, 544 items

Table 1.Weighting

indexing.

8

schemes used for the

for English, 792 for French. We also use a biomedical thesaurus, which has proven its effectiveness in the context of other evaluation campaigns [18]. For English, 120,000

string variants were extracted from UMLS8, while the French thesaurus contains about 6,000 entries [19]. Both resources were merged for the experiments. Our submitted runs were produced using the English index without specific translation. All documents are indexed as full text using a “bag of words” approach. Queries are single case reports pre-treated in the same way or several reports simply pasted together as a single text. A well-known weighting schema, atc. ltn [20], was selected a priori for our experiments showing good feedback performance (table 1). medGIFT As image retrieval framework we use medGIFT [6]. The system uses several techniques from text retrieval applied to images and their visual features such as inverted files and frequency-based feature weights based on standard tf.idf (term frequency, inverse document frequency) [20]. Features (or words) that are rare in the collection are weighted higher than frequent features.

Relevance feedback (positive and negative) is possible with as many input images as needed. A web-based user interface (figure 2) allows easy querying and a connection to the radiology teaching file.

Visual features used for retrieval include a colour histogram intersection as well as local colour blocks at different scales and locations (by dividing the image symmetrically into four subregions, repeating this four times for each subblock, figure 3). As texture features, we use the responses of Gabor filters in various scales and directions in the form of a histogram (globally) and locally, in fixed image regions.

The histogram features are compared via a histogram intersection while the block features use a tf.idf weighting. The four feature groups are evaluated separately and then normalized. This normalization before combination is necessary to avoid that frequent features dominate the result. To avoid common problems appear with too much negative feedback, we weight positive and negative parts of a query separately and combine them afterwards, so-called Rocchio feedback [21].

Combination of results from the

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

or not. Another query with the N images plus the initial query image was performed visually with the results equally being normalized. Afterwards we can simply combine the two normalized values as follows: The main question is now how to weight the visual and the textual parts in this combination. Optimal weighting depends on the task and the ground truth. In our case, relevance was defined as an image being created with the same modality, same anatomic region, same viewing direction, and, depending on the case, same radiological protocol. This puts more stress on the visual similarity, which means that the visual part of the score has to be weighted higher. Due to a lack of training data and expert opinion to optimize the weighting, we use three different settings: 75%, 80% and 90% for the visual component.

Results Figure 2. Screenshot

of the medGIFT web interface.

two systems Both retrieval systems are separate entities.

For connecting the two, perl scripts are combining the results. After an initial query (an image only) with the visual system, the

Retrieval results show that the quality using textual and visual features combined is superior to either one of the technologies alone.

Images with bad or missing annotation can still be found due to a high visual similarity and text terms add semantics and reduce the rate of false positives. The lead measure for imageCLEF as for other benchmarks is mean average precision (MAP). Precision is defined as follows: Precision = Number of relevant images retrieved / Number of all images retrieved Mean average precision is the average precision at the points where relevant images are retrieved. MAP gives a good overview of system performance. Other measures such as precision vs. recall graphs are as well available for all participating systems.

Figure 3. An image is subdivided into blocks of varying size and scale for feature extraction.

first N = 1, 3 images are used to expand the query to text. The text of the cases of these images was simply combined and submitted to easyIR. The results from easyIR are normalized by the case with the highest score to have a result within [0;1]. The text scores are based on the case and not the image. We achieve a list of images by simply expanding the textual score of a case to all images that are part of this case, whether visually similar

scoretotal =

SMI 2005; No 54

Ă—scorevisual +

Ă—scoretextual

The best visual system is a system from the University of Aachen (MAP = 0.3858) using manually set weightings. The best automatic visual medGIFT run received a score of MAP = 0.3757, thus slightly lower. The best automatic run using text and image information is our system (MAP = 0.4020) leading in front of the next best system in the competition from the State University New York (MAP = 0.3858).

When using relevance feedback medGIFT is the best visual and the best visual/textual

9

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

system in the competition. The visual feedback result is at MAP = 0.4469.

The best visual/textual feedback run is at MAP = 0.4847. Weighting the visual part differently strong shows that a relatively high weighting of the visual part (90%) leads to best results whereas only 75% leads to worst results. The optimum is expected to be in between 80% and 90% for the visual part. These results show that the medGIFT/easyIR combination delivers the best results in the competition and it also shows that combinations of visual and textual combinations lead to best results whether for automatic or manual feedback runs. Although the text quality is not optimal, the retrieval results improved strongly.

Discussion and conclusions Although the imageCLEF benchmark is still several steps away from medically relevant retrieval tasks, it managed to activate 18 research groups and thus a large community of visual retrieval researchers. This shows that there is a strong need for standardized datasets, tasks and evaluations. Clearly, the tasks will need to be oriented more towards real user needs in the future.

Our evaluation of medGIFT shows that the system is among the best in the competition.

Especially when using relevance feedback the system delivers the best results. For automatic queries as well as for manual feedback the optimal results were received when combining visual and textual cues for retrieval.

This underlines that both, visual and textual features should be used together whenever the two are available. Currently they are most often used in completely separate ways.

Collections, not only in the medical domain, are getting increasingly multimodal containing free text, numerical values as well as signals, images and also videos. All these data need to be used together in an integrated fashion for information retrieval and for allowing optimal access to large data collections. Our current teaching file already contains more than 60,000 images of more than 12,000 cases and is growing steadily.

Such new search forms and multimodal interaction paradigms also need to be evaluated based on real data. Currently used tasks are not really medically relevant but it is important to develop these benchmarks

10

towards medically relevant tasks. Currently, these techniques are not used in clinical practice but it is important to develop models for their use. We are currently organizing a user survey among people using images in the hospital and the way that these users currently search for and organize images. Standardized evaluation is extremely important in this context and comparisons of techniques even more to identify promising research directions.

References 1 Le Bozec C, Zapletal E, Jaulent MC, Heudes D, Degoulet P. Towards content-based image retrieval in HIS-integrated PACS. Proceedings of the Annual Symposium of the American Society for Medical Informatics (AMIA), pp. 477-81, Los Angeles, CA, USA, November 2000.

2 Smeulders AWM, Worring M, Santini S, Gupta A, Jain R. Content-based image retrieval at the end of the early years. IEEE Transactions on Pattern Analysis and Machine Intelligence 2000;22:1349-80.

3 Müller H, Michoux N, Bandon D, Geissbuhler A. A review of content-based image retrieval applications – clinical benefits and future directions. Int J Med Informatics 2004;73:1-23.

4 Tagare HD, Jaffe C, Duncan J. Medical image data bases: A content-based retrieval approach. J Am Med Informatics Association 1997;43:184-98.

5 Lowe HJ, Antipov I, Hersh W, Smith CA. Towards knowledge-based retrieval of medical images. The role of semantic indexing, image content representation and knowledge-based retrieval. Proceedings AMIA Symposium 1998;882-6.

6 Müller H, Rosset A, Vallée JP, Geissbühler A. Integrating content-based visual access methods into a medical case database.

Proceedings of MIE 2003, St. Malo, France, May 2003.

7 Abidi SSA, Manickam S. Leveraging XMLbased medical records to extract experimental clinical knowledge – an automated approach to generate cases for medical case-based reasoning systems. Int J Med Informatics 2002;68:187-203.

8 Bui AAT, Taira RK, Dioniso JD, Aberle DR, El-Saden S, Kangarloo H. Evidence-based radiology – requirements for electronic access. Academic Radiology 2002;9:662-9.

9 Keysers D, Dahmen J, Ney H, Wein BB, Lehmann TM. A statistical framework for model-based image retrieval in medical applications. J Electronic Imaging 2003;121: 59-68.

10 Shyu CR, Brodley CE, Kak AC, Kosaka A, Aisen AM, Broderick LS. ASSERT: A physician-in-the-loop content-based retrievalsystem for HRCT image databases.

Computer Vision and Image Understanding

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Image Retrieval

1999;75:111-32.

11 Aisen AM, Broderick LS, Winer-Muram H, Brodley CE, Kak AC, Pavlopoulou C, Dy J, Shyu CR, Marchiori A. Automated storage and retrieval of thin-section CT images to assist diagnosis: system description and preliminary assessment, Radiology 2003;228:265-70.

12 Ruch P, Baud R, Geissbühler A. Evaluating and reducing the effect of data corruption when applying bag of words approaches to medical records. Int J Med Informatics 2002;67:75-83.

13 Orphanoudakis S, Chronaki C, Vamvaka D. I2C net: Content-based similarity search in geographically distributed repositories of medical images. Computerized Medical Imaging and Graphics 1996;20:193-207.

14 Sclaroff S, La Cascia M, Sethi S. Unifying textual and visual cues for content-based image retrieval on the world wide web. Computer Vision and Image Understanding 1999;75:86-98.

15 Westerveld T. Image retrieval: content versus context. Content-based multimedia information access. RIAO 2000;276-84. Paris, France.

16 Rosset A, Müller H, Martins M, Dfouni N, Vallée JP, Ratib O. Casimage project – a digital teaching files authoring environment. J. Thoracic Imaging 2004;19:1-6.

17 P. Clough, M. Sanderson, H. Müller. A proposal for the CLEF cross language image retrieval track (imageCLEF).

Proceedings of the Challenge of Image and Video Retrieval (CIVR 2004). Springer Lecture Notes in Computer Science. Dublin: Springer; 2004.

18 Ruch P, Chichester C, Cohen G, Coray G, Ehrler F, Ghorbel H, Müller H, Pallotta V. Report on the TREC 2003 Experiment: Genomic Track, TREC 2003, Gaitherburg, USA, 2004.

19 Zweigenbaum P, Baud R, Burgun A, Namer F, Jarrousse E, Grabar N, Ruch P, Le Duff F, Thirion B, Darmoni S. UMLF: A Unified Medical Lexicon for French. Proc AMIA Symp, Washington, DC, USA, 2003.

20 Salton G, Buckley C. Term weighting approaches in automatic text retrieval. Information Processing and Management 1998;24:513-23.

1 www.irma-project.org/ 21 Rocchio JJ. Relevance feedback in information retrieval. The Smart Retrieval System, Experiments in Automatic 2 www.sim.hcuge.ch/medgift/ Document Processing, Prentice Hall, 313-323, 1971.

3 www.casimage.com/

4 http://ir.shef.ac.uk/imageclef2004/

Die Mitgliedschaft bei der Schweizerischen Gesellschaft für Medizinische Informatik beinhaltet folgende Dienstleistungen:

Beitritt zur SGMI

• das Abonnement der Zeitschrift «Swiss Medical Informatics» (Publikationsorgan der SGMI) • reduzierte Gebühren an der Jahresversammlung der SGMI • das «Yearbook of Medical Informatics» der IMIA Anmeldung als Kollektivmitglied Jahresbeitrag sFr. 400.– Name

als Einzelmitglied Jahresbeitrag sFr. 120.–

in Ausbildung Jahresbeitrag sFr. 60.–

Vorname

Anrede Institution Adresse PLZ/Ort Postfach

Land

Telefon

Fax

E-Mail Einsenden an: Sekretariat SGMI-SSIM, Dählhölzliweg 3, Postfach 229, 3000 Bern 6

SMI 2005; No 54

11

SGMI SSIM SSMI

Swiss Medical Informatics Automatisierte Diagnosekodierungen

Wie können Ambiguitäten bei der automatisierten Diagnosekodierung aufgelöst werden?

H. R. Strauba, N. Freib,

Einleitung

C: Mehrdeutiger semantischer Typ

C. Pergera, A. Ulricha

Die automatisierte Diagnosekodierung stellt es sich zur Aufgabe, aus Texten möglichst ohne weitere Eingriffe direkt zum richtigen Kode (ICD-10) zu gelangen. Das Ziel wird durch verschiedene Aspekte erschwert – z.B. durch die Tatsache, dass eine Diagnose oft mehrere Kodes gleichzeitig erfordert, und durch die «kombinatorische Explosion», die es verunmöglicht, Listen anzulegen, die zu jedem Kode alle denkbaren Texte bereithalten. Eine besondere Herausforderung stellen Ambiguitäten dar, Diagnosewörter, die je nach Kontext verschiedene Bedeutung haben können.

Das Wort «Blase» kann sowohl ein Organ (Harnblase/Gallenblase) wie ein Symptom (Hautblase) meinen. Diese Art Ambiguität ist häufiger, als man denkt. So kann z.B. ein «Verschluss» ein pathologisches Geschehen sein (im weitesten Sinn eine Diagnose) oder auch ein ärztlicher Eingriff (eine Prozedur).

a Semfinder AG, Kreuzlingen b Fachhochschule St. Gallen

Beispiele Ambiguitäten sind häufiger, als man erwartet. Auf folgende Kategorien sei speziell hingewiesen: A: Abkürzungen Im Klinikalltag werden oft Buchstabentriplets wie HWI (Harnwegsinfekt/Hinterwandinfarkt) oder SVT (Sinusvenenthrombose/supraventrikuläre Tachykardie) verwendet, die je nach Fachgebiet ihre klare Bedeutung haben, allein aber mehrdeutig sind.

B: Übertragene Bedeutungen

Korrespondenz: H. R. Straub Semfinder AG Hauptstrasse 23 CH-8280 Kreuzlingen E-Mail: straub@semfinder.com

12

Anatomisch ist «Kopf» genauso wie «Arm» oder «Rumpf» ein Körperteil und somit im Kontext der medizinischen Diagnosen klar einzuordnen. Allerdings ist der Ausdruck «Kopf» auch in der Anatomie des Armes (Kopf des Humerus) und des Rumpfes (Kopf des Pankreas) vorzufinden. Solche übertragenen Wortbedeutungen – ähnliches gilt für Hals (Cervix), Korpus und Fuss – dürfen ein Computerprogramm nicht auf falsche Fährten führen.

D: Gleicher semantischer Typ mit unterschiedlicher Bedeutung je nach Kontext Eine «AV-Fistel» kann pathologisch sein (angeboren, erworben, traumatisch, postoperativ) oder bewusst angelegt (Dialyseshunt). Obwohl es sich immer um dasselbe handelt – nämlich um einen Kurzschluss zwischen Arterie und Vene –, ist die Bedeutung verschieden, sowohl medizinisch wie bezüglich Kodierung.

E: Gleicher Begriff mit unterschiedlicher Kodierung je nach Attributen Eine «Appendizitis» kann mit unterschiedlichen Kodes belegt werden, je nach Vorhandensein und Art der Komplikationen.

Die Mehrdeutigkeit bezieht sich somit nicht auf das Wort und seine Bedeutung, sondern auf die Konsequenz bezüglich der Kodierung. Interessanterweise kommt es in der Programmierung der Wissensbasis gar nicht darauf an, ob ein mehrdeutiges Wort vorliegt oder ob ein eindeutiges Wort nicht selber genügend Informationen mitbringt für eine eindeutige Verschlüsselung. In beiden Fällen muss aus dem Kontext zusätzliche Information eingeholt werden – und es stellt sich die Frage, wo und wie. Diese wollen wir hier beantworten.

Lösung Im Prinzip muss die automatisierte Kodierung soviel aus dem eingegebenen Text

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Automatisierte Diagnosekodierungen

extrahieren wie möglich. Wenn die Ambiguität auch dann noch nicht aufgelöst werden kann, muss das Programm dem Anwender eine möglichst gezielte Frage stellen.

So kann aus der Eingabe «HWI mit E. coli» die Ambiguität bei «HWI» eindeutig aufgelöst werden, denn die Kolibakterien charakterisieren die Diagnose als Infekt und nicht als Infarkt. Ebenso ist bei einem «HWI mit VHF» das Vorhofflimmern (VHF) ein so starker Hinweis auf das kardiale Geschehen, dass ein Harnwegsinfekt auszuschliessen und ein Hinterwandinfarkt anzunehmen ist.

In beiden Fällen stellt sich die Frage, wie die Schlussregeln (Inferenzen) möglichst einfach im Regelpool der Wissensbasis abgebildet werden können. Wie können wir mit möglichst wenig Regeln möglichst viele potentielle Eingaben desambiguieren?

Entscheidend ist, dass wir bei der Desambiguierung die Schlüsselinformation möglichst direkt abfragen können. Bei «HWI mit E. coli» ist die Schlüsselinformation diejenige, dass es sich um einen Erreger handelt.

Umgekehrt ist beim «VHF» die ungenannte, aber implizite Information «Herz» die Schlüsselinformation, die bei «HWI mit VHF» entscheidet. Wir müssen also dafür sorgen, dass die impliziten Informationen «Erreger» aus «E. coli» und «Herz» aus «VHF» bei der Interpretation automatisch und klar abrufbar entstehen.

Ein genuin semantisches System kann die beiden Schlüsselinformationen einfach und direkt für Abfragen zur Verfügung stellen.

Die Ambiguität kann dadurch mit wenigen Regeln für sehr viele Fälle gelöst werden, und dem Anwender werden für die Kodierung keine zusätzlichen Fragen gestellt.

Umgekehrt kann das System aber auch feststellen, in welchen Fällen es nicht über genügend Information für die Kodierung verfügt. Auch eine solche Konstellation kann nur semantisch, d.h. unter inhaltlicher Interpretation des gesamten verfügbaren Eingabetextes, entschieden werden. Falls eine Frage an den Kodierer notwendig wird, kann das System – wiederum mit semantischen Methoden – die Frage zielgerichtet stellen.

SMI 2005; No 54

Ergebnisse und Diskussion Ambiguitäten sind bei der Erschliessung natürlichsprachlicher Texte sehr häufig.

Da bei der Auflösung der Ambiguitäten implizites Wissen eine Rolle spielt, sind rein stringvergleichende Methoden (Thesauren, Morpheme) nicht wirkungsvoll einsetzbar.

Wahrscheinlichkeitsbasierte Methoden wären vorstellbar, sind in Anbetracht der Komplexität der Fälle aber schwer zu handhaben und unsicher zu kontrollieren. Mit dem Einsatz einer genuin semantischen Methode hingegen (Begriffsmoleküle [1]) können die Regeln für die Auflösung der Ambiguität sehr einfach und direkt dargestellt werden.

Dies ist nur möglich, weil das den Begriffsmolekülen zugrundeliegende Datenmodell eine komplexe Modellierung erlaubt. Mit einfachen hierarchischen oder multidimensionalen Ontologien (SNOMED) könnten die komplexen Sachverhalte nur sehr umständlich formuliert werden. Neben dem Datenmodell spielt auch das optische Erscheinungsbild, die Notation der Regeln, eine grosse Rolle. Weil die Wissensbasis für die Diagnosekodierung sehr umfangreich ist und die Regeln auf eine verschachtelte Art ineinandergreifen, ist es nötig, die Regeln einfach lesbar darzustellen. Die Begriffsmoleküle, die auf die einfache Darstellung und die schnelle Lesbarkeit komplexer Zusammenhänge hin konzipiert wurden, ermöglichen es, auch die sehr ausgedehnte Wissensbasis für die ICD-10-Diagnosekodierung durchschaubar, wartbar und erweiterbar zu halten – gerade auch bei komplizierten Aufgaben wie der automatisierten Auflösung von Ambiguitäten.

Literatur 1 Straub HR. Das interpretierende System.

Wortverständnis und Begriffsrepräsentation in Mensch und Maschine. Wolfertswil: Z/I/M-Verlag; 2001.

13

SGMI SSIM SSMI

Swiss Medical Informatics Integration von TARMED

Die Integration der elektronischen Leistungserfassung nach TARMED in das Klinikinformationssystem KISIM M. Uesbecka, M. Bergerb,

ch

J. Blasera a Abteilung für Klinikinformationssysteme, Zentrale Informatik, Universitätsspital Zürich b CISTEC AG, Zürich

Korrespondenz: Mechthild Uesbeck Abteilung für Klinikinformationssysteme Zentrale Informatik Universitätsspital Zürich CH-8091 Zürich

Einleitung Seit dem 1. Januar 2004 gilt in der Schweiz im ambulanten Bereich der neue Einzelleistungstarif TARMED, der rund 4600 Positionen und ein hinterlegtes Regelwerk von etwa 30 000 Regeln umfasst. Durch diesen neuen gesamtschweizerisch gültigen Tarif kann in Zukunft die einheitliche Bewertung ärztlicher sowie nichtärztlicher Leistungen und somit auch die einheitliche Rechnungsstellung durch die Leistungserbringer sichergestellt werden [1–3]. TARMED löst im Universitätsspital Zürich (USZ) die bisherige Poliklinikpauschale von Fr. 140.– pro Patient und Tag ab und erfordert eine detaillierte Erfassung aller erbrachten ärztlichen und technischen Leistungen. Jährlich werden im USZ bei mehr als 150 000 Patienten nahezu 400 000 ambulante Konsultationen durchgeführt. Die TARMED-Einführung entspricht somit einem «big bang» nicht nur für die Finanz- und Informatikbereiche, sondern insbesondere auch für die Ärzte, die nun jährlich mehr als 1 Million Einzelleistungen online zu dokumentieren haben.

Am Beispiel des Klinikinformationssystems KISIM des USZ soll gezeigt werden, wie TARMED sinnvoll und effizient in den Klinikalltag integriert werden konnte. Anforderungen und Umsetzung der in KISIM realisierten Leistungserfassung werden vorgestellt und der Verlauf der Einführung diskutiert. Eine im März 2004 durchgeführte Datenerhebung belegt, dass die Leistungserfassung mittels KISIM in der Regel mit einem geringen zeitlichen Aufwand und effizient eingebunden in den Klinikalltag bewerkstelligt werden kann.

Situation vor Einführung der Einzelleistungserfassung

Seit 1995 ist im USZ das Klinikinformationssystem KISIM im Einsatz [4]. KISIM erlaubt den benutzerspezifischen Zugriff auf die Krankenakten sämtlicher USZ-Patienten, die Erstellung vielfältiger, auch klinikspezifischer ärztlicher und pflegerischer Berichte, die elektronische Verordnung von radiologischen und Laboruntersuchungen, von nichtärztlichen Therapien, Medikamenten usw. sowie die Darstellung von Laborbefunden und Radiologiebildern.

Schnittstellen zum administrativen System der Patienten- und Finanzverwaltung, zum Radiologie- und zum Laborinformationssystem erlauben die unmittelbare und konsistente Darstellung der meisten patientenrelevanten Daten. KISIM wird im 24-Stunden-Betrieb von etwa 4300 – zeitgleich von bis zu 1000 – Personen aus den Bereichen Pflege, Ärzteschaft und Administration genutzt.

Anforderungen an die elektronische Leistungserfassung mittels KISIM Von der Spitalleitung des USZ wurde entschieden, die Leistungserfassung in den Kliniken direkt am Ort der Erbringung durch die beteiligten Mitarbeiter selbst vornehmen zu lassen, vollständig, tagfertig, mit guter Qualität und möglichst geringem zeitlichem Aufwand [5]. Die Anforderung, die dadurch an das KISIM gestellt wurde, bestand somit vor allem in der Bereitstellung eines Erfassungstools, welches einen übersichtlichen Zugang zu den für die jeweilige Klinik erforderlichen Stammdaten aus der Gesamtmenge der Tarifleistungen, der etwa 21 000 Materialien, sowie etwa 15 000 Medikamente ermöglichen sollte.

Eine Qualitäts- und Quantitätskontrolle der erfassten Sitzungen je Erfasser und Klinik sollte sowohl auf seiten des KISIMs als auch der Patientenadministration und -abrech-

E-Mail: mechthild.uesbeck@usz.

14

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Integration von TARMED

nung möglich sein.

Umsetzung der elektronischen Leistungserfassung

Abbildung 1. KISIM-Modul

zur Verwaltung von Erfassungsspektren.

im KISIM Aufgrund der oben beschriebenen Anforderungen wurden im KISIM Module implementiert, welche zur Administration des Erfassungsprozesses, zur eigentlichen Leistungserfassung sowie zum Controlling eingesetzt werden: Ein Modul wird von den TARMED-Verantwortlichen einer jeden Klinik zur Generierung und Pflege von sog.

«Erfassungsspektren» verwendet (Abb. 1).

In diesen lassen sich behandlungsspezifisch Einzelleistungen, Materialien und Medikamente derart gruppieren, dass in den meisten Fällen ein Mausklick, gegebenenfalls mit der zusätzlichen Angabe eines Parameterwertes, zur Erfassung einer kompletten Sitzung ausreichend ist.

Das zweite Modul dient der eigentlichen Leistungserfassung und wurde direkt in die elektronische Patientenakte integriert (Abb. 2). Es greift benutzerabhängig auf die spezifisch gebildeten Spektren einer Klinik zu und ermöglicht dadurch eine schnelle und effiziente Sitzungserfassung. Unmittelbar vor Abspeichern einer erfassten Sitzung gibt ein Regelvalidator detailliert Rückmeldung über die Korrektheit der erfassten Leistungen und ermöglicht gegebenenfalls eine sofortige Sitzungskorrektur [5].

Beim dritten Modul handelt es sich um ein Controllingtool, welches den TARMEDVerantwortlichen einer Klinik direkte Kontrollmöglichkeiten in bezug auf die quantitative Erfassung in ihrer Klinik bietet. Neben einer aktuellen Tagesliste aller Patienten einer Klinik, für die noch keine Leistungen erfasst wurden, existieren weitere Abfragemöglichkeiten, bei denen beispielsweise jeder Leistungserfasser in einer Übersicht direkt die Leistungen der von ihm behandelten Patienten überprüfen kann.

Neugeschaffene Schnittstellen zwischen administrativem System (SAP) und KISIM sorgen für die Synchronisation aller Leistungsstämme (Tarife, Materialien, Medikamente) bzw. erlauben die Übermittlung erfasster Sitzungsdaten an die Patientenadministration, um dort die sitzungsübergreifende Leistungsvalidierung pro Patient, vor Abbildung 2. KISIM-Modul

SMI 2005; No 54

zur Leistungserfassung.

15

SGMI SSIM SSMI

Swiss Medical Informatics Integration von TARMED

allem aber die Rechnungsstellung an die Versicherer durchführen zu können.

Einführung und Ermittlung erster statistischer Kennzahlen Nach Abschluss der Implementierung, der Bildung aller klinikspezifischen Erfassungsspektren sowie der Schulung des Klinikpersonals und einer Ende 2003 in fünf Kliniken des USZ durchgeführten Pilotphase konnte fristgerecht im Januar 2004 die TARMED-Leistungserfassung spitalweit gestartet werden. Statt eines sintflutartigen Andrangs auf das anfänglich rund um die Uhr besetzte Service-Helpdesk betrafen

Zur Quantifizierung des ärztlichen Erfassungsaufwands wurde 12 Wochen nach TARMED-Einführung an drei aufeinanderfolgenden Wochentagen eine Datenerhebung mittels elektronischen Monitorings durchgeführt. Registriert wurde die Zeitdauer der Bearbeitung, d.h. die Differenz zwischen Formulareröffnung und Abspeicherung. Dabei zeigte sich, dass bei den in dieser Zeit registrierten 6300 Konsultationen die Leistungserbringer zu 50% die Erfassungsformulare in <20 Sek. bearbeitet hatten, zu 75% innerhalb von <35 Sek. Die x-Achse in Abbildung 3 zeigt die jeweils benötigten Erfassungszeiten, die y-Achse die Häufigkeit der Sitzungen mit diesen jeweils registrierten Zeiten. Diese Ergebnisse liessen sich durch eine zweite Untersuchung bestätigen, während deren elf Ärzte aus fünf Polikliniken die aufgewendete Zeit zur TARMED-Erfassung bei 92 Sitzungen von Hand notierten. Abbildung 4 beinhaltet die graphische Aufbereitung dieser Untersuchung. Der Erfassungsaufwand ist somit relativ gering, auch im Vergleich zum Betrag der dadurch verrechneten Konsultationskosten, die im Mittel >Fr. 100.– betrugen.

Diskussion

Abbildung 3. Häufigkeit

Abbildung 4. Von

verschiedener Erfassungszeiten in 6300 Sitzungen.

Hand gemessene Erfassungszeiten von 11 Ärzten in 92

Sitzungen.

Anfragen vor allen Dingen organisatorische Abläufe wie beispielsweise die ambulante Patientenaufnahme, seltener dagegen die eigentliche Leistungserfassung. Auch schien der zeitliche Aufwand für die Erfassung pro ambulanten Patienten weitaus geringer als befürchtet auszufallen.

16

Trotz der erfolgreichen Etablierung der elektronischen Leistungserfassung für ambulante Patienten im KISIM besteht im USZ weiterer Handlungsbedarf: Auf technischer Seite erfolgt derzeit beispielsweise ein Ausbau des Controllingtools sowie der Routinen zur Pflege aller Stammdaten. Die zum 1. Januar 2005 beginnende stationäre Leistungserfassung zu Händen der Kostenträgerrechnung sowie die Umsetzung der neuen Taxordnung erfordert darüber hinaus weitere Anpassungen der bestehenden Schnittstellen und Routinen [7].

Pendent ist auch eine detaillierte Untersuchung der quantitativen und qualitativen Vollständigkeit der tarifkonformen Erfassung aller abrechenbaren Einzelleistungen durch die Kliniken. Hier ist es erforderlich, die im Spital mit der Erfassung betrauten Personen entsprechend zu motivieren, auch wenn im Unterschied zur eigenen Arztpraxis der direkt ersichtliche persönliche Nutzen

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Integration von TARMED

aus einer maximalen Ausschöpfung der Verrechnungsmöglichkeiten für den einzelnen nicht gegeben ist.

Schlussfolgerung

Kennzahlen liess sich die Hypothese, dass die Erfassung pro Patient und Erfasser in der Regel mit einem akzeptablen zeitlichen Aufwand und ohne wesentliche Beeinträchtigung des Klinikalltags zu bewerkstelligen ist, belegen.

Die informatikgestützte Leistungserfassung nach TARMED durch das behandelnde Personal konnte am USZ erfolgreich umgesetzt werden. Am Beispiel erster konkreter Literatur 1 Vogt U. «Forum Gesundheitspolitik». Primary Care 2001;1:699-700.

2 Brunner HH. TARMED-Info. Bericht Nr. 9. Schweiz Ärztezeitung 2002;83(51/52):2815-7.

3 Haefeli A, Brunner H. TARMED-Info, Bericht Nr. 18. Schweiz Ärztezeitung 2004;85(10):501.

4 Blaser J, Köchli V, Vergères P, Berger M. Zeitgewinn durch Einsatz klinischer Informationssysteme?

Jahrestagung Schweizerische Gesellschaft für Medizinische Informatik, Mai 2000, Lausanne.

5 Vonderschmitt D. Tarmed ist nicht aufzuhalten – eine Chance für das USZ. PULS Zeitung USZ, 3/03.

6 www.tarmed.net/sumex1_en.html.

7 www.fischer-zim.ch/studien/KH-Kosten-Traeger-Rechnung-9605-Info.htm.

La qualité de membre inclut les services suivantes: • l’abonnement pour notre journal «Swiss Medical Informatics» • une réduction des frais d’inscription pour nos journées annuelles • le «Yearbook of Medical Informatics» de l’IMIA

Adhésion à la SSIM

Inscription membre collectif cot. annuelle sFr. 400.– Nom

membre individuel cot. annuelle sFr. 120.–

étudiant cot. annuelle sFr. 60.–

Prénom

Appellation Institution Adresse NPA/Ville Case postale

Pays

Tél.

Fax

E-mail Envoyer à: Secrétariat SGMI-SSIM, Dählhölzliweg 3, case postale 229, 3000 Berne 6

SMI 2005; No 54

17

SGMI SSIM SSMI

Swiss Medical Informatics Elektronische Verordnung und Medikamentendistribution

Kombination von elektronischer Verordnung und elektronischer Medikamentendistribution im Spital: Qualitäts- und Prozessoptimierung bei der Medikation M. Oertlea, E. Hufschmidb,

Einleitung

B. Lankerb

Die Medikation ist die häufigste Intervention im Gesundheitswesen überhaupt.

Zudem nimmt die Komplexität – und damit die Fehleranfälligkeit – dieses Prozesses laufend zu. Kaum jemand ist heute in der Lage, bei einer durchschnittlichen Medikamentenliste alle Indikationen, Kontraindikationen, Nebenwirkungen und v.a.

Interaktionen zu benennen, die Kontrolle mit herkömmlichen Mitteln scheitert. Im Spital nimmt die Komplexität noch zu, dies v.a. weil die Zahl der verabreichten Medikamente höher ist als in der Praxis, viele Personen im Medikationsprozess involviert sind, oft ein notfallmässiger Zugriff auf Medikamente nötig ist, nicht selten Substanzen gemischt werden oder gemischt verabreicht werden und nicht zuletzt die Patienten in einem überdurchschnittlich schlechten Allgemeinzustand sind und entsprechend eine geringere Fehlertoleranz aufweisen.

a Abteilung für Innere Medizin & Medizininformatik, Spital Thun b Spitalapotheke, Spital Thun Korrespondenz:

Korrespondenz: Dr. med. Marc Oertle Spital Thun-Simmental AG Krankenhausstrasse 12 CH-3600 Thun E-Mail: marc.oertle@spitalthun.ch

18

Von allen Komplikationen (adverse events AE), die ein hospitalisierter Patient erleiden kann, bilden die medikamentösen Komplikationen (adverse drug events ADE) den prozentuell grössten Anteil (etwa 20%) [1].

In diesen medikamentösen Komplikationen sind z.T. unvorhersehbare und nicht vermeidbare Nebenwirkungen (adverse drug reaction ADR) ebenso enthalten wie Medikationsfehler (medication errors ME), welche definitionsgemäss auf einer fehlbaren Handlung in Planung oder Ausführung der Medikation gründen. Man geht davon aus, dass heutzutage zwischen 2,5 und 5% der hospitalisierten Patienten einen Medikationsfehler erleiden und dass sich 2,4–3% dieser Medikationsfehler auch wirklich schädigend auswirken (d.h., es kommt zu vielen «near misses») [2].

Die elektronische Abbildung des Medikationsprozesses in einem Kliniksystem hat deshalb aus mehreren Gründen einen hohen Stellenwert. Obwohl die elektronische Ver-

ordnung (Computerized Physician Order Entry CPOE) wohl das effektivste Instrument zur Reduktion von Medikationsfehlern darstellt [3] und schon seit Jahren verfügbar ist, wird sie weder in den USA noch in Europa in der Mehrzahl der Spitäler praktiziert [4]. Noch weniger Erfahrungen bestehen insbesondere in Europa mit der automatisierten Medikamentenbereitstellung, obwohl einzelne Studien auch hier eine Reduktion von Medikationsfehlern [5, 6] aufzeigen und entsprechende Systeme in den USA verbreitet im Einsatz stehen.

An unserer 210-Betten-Klinik wurde ab 2002 auf einer Pilotstation die elektronische Verordnung an ein automatisiertes Medikamentendistributionssystem gekoppelt, welches im Jahr zuvor (2001) stand-alone eingeführt wurde. Die Erfahrungen beim Aufbau und mehr als zweijährigen Betrieb des Systems werden beschrieben.

Methoden Basierend auf den Möglichkeiten des kommerziellen Klinikinformationssytems KIS (Phoenix™, Parametrix Solutions AG, Schweiz), wurde die elektronische ärztliche Verordnung auf einer chirurgischen 28Betten-Station unserer Akutklinik eingeführt; mittlerweile sind drei medizinische und zwei chirurgische Stationen ebenfalls identisch ausgerüstet (insgesamt etwa 110 Betten). Die Verordnung basiert auf für das Spital definierten Medikamentenstammdaten, die wiederum auf dem national gültigen Pharmacode basieren. Dieser Medikamentencode bildet die Grundlage für Lagerbewirtschaftung (Apotheke und Abteilung), Verordnung, Bereitstellung und Abrechnung. Die stationsweite Verfügbarkeit der Verordnungsdaten wurde über eine Funk-LAN sichergestellt (3Com™, 128bit-Verschlüsselung [SSIL pro Etage, Power over Ethernet, 802.11b[/g] Standard).

Begleitend wurde das zuvor eigenständig laufende automatisierte Medikamenten-

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Elektronische Verordnung und Medikamentendistribution

distributionssystem AMDS (Pyxis™, Cardinal Health, CA USA) mittels Middleware und HL-7-Schnittstelle konnektiert.

Das AMDS besteht aus mehreren Elementen und ermöglicht die kontrollierte, computergesteuerte Entnahme von Medikamenten aus entsprechend befüllten Behältern. Medikamente werden dabei in einem

nete Medikamente (z.B. Notfallsituation) können mit entsprechender Legitimation jederzeit zusätzlich entnommen werden und generieren beim jeweiligen Patienten automatisch eine entsprechende Verordnung im KIS, zu welcher der Arzt zwingend Stellung nehmen muss bezüglich weiteren Prozedere.

Vor der Einführung der elektronischen Verordnung wurde anhand von 942 konsekutiven schriftlichen Verordnungen die Verordnungsqualität analysiert. Die Arbeitszeiten der beteiligten Personalgruppen wurden durch externe, unabhängige Pharmazeuten untersucht; begleitend wurden die Mitarbeiter mittels Fragebogen über Zufriedenheit, Akzeptanz, subjektive und objektive Einschätzung der aktuellen Situation vor und nach der Einführung des Systems befragt.

Eine Kostenanalyse der verbrauchten Medikamente wurde über einen Zeitraum von 3 Jahren verglichen mit früheren Erhebungen derselben Abteilung sowie mit anderen chirurgischen Abteilungen des Spitals mit ähnlichem Patientengut.

Abbildung 1. Standardeinrichtung

mit einer Medstation 2000 (inkl.

Bedienungsterminal), Auxiliary (Zusatz zur Basiseinheit mit Platz für etwa 200 weitere Medikamente), elektronisch gesichertem Kühlschrank und dem sogenannten Tower (links im Bild) für grossvolumige Packungen/ Medikamente.

aufwendigen, qualitativ hochstehenden Prozess barcodekontrolliert in chipversehene Behälter abgefüllt. Es handelt sich dabei nicht um ein Unit-Dose-System. Die ganze Medikamentenlogistik übernimmt die Apotheke, das Pflegepersonal ist nicht mehr mit dem Bewirtschaften einer «Abteilungsapotheke» beschäftigt. Die Entnahme von Medikamenten aus dem «elektronischen Medikamentenschrank» erfolgt über die Bedienung eines Touchscreen-Terminals.

Auf diese Art werden aktuell zwischen 350 und 420 unterschiedliche Medikamente auf einer Station zur Verfügung gestellt (inklusive elektronisch gesicherten Kühlschranks).

Die bidirektionale Schnittstelle dient zur Speisung des AMDS mit administrativen Patientendaten, Verordnungsdaten, Zusatzinformationen zur Verordnung (z.B. Allergien aus der ärztlichen Dokumentation), der Rückmeldung von entnommenen Medikamentendosen ins Kliniksystem und zur Abrechnung. Das KIS dient als Mastersystem für die Verordnung. Alle aktuell gültigen Verordnungen eines bestimmten Patienten sind dabei potentiell aus dem AMDS abrufbar und die Medikamente entsprechend bereitstellbar. Nicht verord-

SMI 2005; No 54

Ergebnisse Vor Einführung der CPOE wurden von 942 konsekutiven schriftlichen Verordnungen 177 (18,8%) als ungenau und 10 (1%) als falsch analysiert. Die grosse Mehrheit (78/177) der ungenauen Verordnungen basierte auf fehlenden Angaben über die Einheit oder Konzentration eines verordneten Medikamentes. Bei den falschen Verordnungen waren falsche Indikationen, bekannte Allergien und falsche galenische Formen die häufigsten Ursachen. Insbesondere die ungenauen Verordnungen bilden natürlich per se keine Medikationsfehler, in diesen Verordnungen liegt jedoch das Potential, ADEs zu provozieren.

Die Medikamentenkosten der Pilotstation sanken um 4% im ersten Jahr (gegenüber 12% Senkung bei allen anderen Stationen) und um 18% im zweiten Jahr (gegenüber einer Steigerung von 13% bei allen anderen Stationen). Die Medikamentenkosten pro Patient sanken auf der Testabteilung im Zweijahresdurchschnitt um Fr. 47.– pro Patient (Fr. 242.– [2000] vs. Fr. 195.– [2002]), was einer Kostenreduktion von Fr. 62 000.– für die Testabteilung entspricht (1320 hospitalisierte Patienten pro Jahr auf

19

Swiss Medical Informatics Elektronische Verordnung und Medikamentendistribution

dieser Abteilung) [7].

Der Zeitaufwand pro Tag in bezug auf die

Abbildung 2. Beispiel

einer Schublade, die mit Cubies (Computerized Unit Based Inventory Exchange) ausgerüstet ist. Die Schubladen werden stochastisch mit den Cubies befüllt, die einzelnen Cubies sind chipkontrolliert und öffnen sich nur bei der entsprechend gewählten Medikation.

Medikation reduzierte sich für das Pflegepersonal erheblich: Rückfragen wegen ungenauer oder nicht lesbarer Verordnungen entfielen ebenso wie eine Bewirtschaftung der Stationsapotheke. Hingegen stieg aus erklärlichen Gründen der Zeitaufwand für das Personal der Apotheke [8].

Die Zufriedenheit und Akzeptanz beim ärztlichen und pflegerischen Personal war gross; auch das Pharmaziepersonal erlebte die Umstellung als qualitative und auch arbeitstechnische Verbesserung.

Diskussion Im Medikationsprozess gibt es viele Teilprozesse, die einer qualitativen Optimierung zugänglich sind. Die häufigsten Fehler im spitalinternen Medikationsprozess ereignen sich bei der Verordnung per se (39–49%) und bei der Verabreichung der Medikamente (26–38%), während Bereitstellungs- und Dokumentationsfehler in je 11–13% vorkommen [9]. Selbstverständlich ereignen sich auch Medikationsfehler oder -komplikationen ausserhalb des Spitals, eine demnächst publizierte Schweizer Kohortenstudie kommt zum Schluss, dass etwa 4,4% der Einweisungen in ein Spital aufgrund von medikamentösen Komplikationen oder Fehlern erfolgen [10]. Im weiteren soll nur der spitalinterne Teil berücksichtigt wer-

20

SGMI SSIM SSMI

den. Lösungsansätze zur Verbesserung der Fehlerrate bieten neben der elektronischen Verordnung unter anderem auch die verbesserte Präsentation von Medikamenteninformationen, Interaktionsprüfungen, zentrale Zubereitung, z.B. von Zytostatika oder Infusionen, automatisierte Medikamentendistribution, die kontrollierte Abgabe von Einzeldosen (Unit-Dose-Systeme) und z.B. auch barcodekontrollierte Medikamentenabgaben. Ziel eines optimalen Medikationsprozesses müsste im Sinne eines «closed medication loop» die Kombination von elektronischer Identifizierung von Patient und Medikament, elektronisch unterstützter Verordnung, elektronisch kontrollierter Bereitstellung und Zubereitung, elektronisch bestätigter Abgabe sowie elektronischer Abrechnung und Nachbestellung sein.

Das bei uns getestete Kombinationssystem von elektronischer Verordnung und elektronisch kontrollierter, automatisierter Medikamentendistribution führt zu einer potentiellen Fehlerreduktion in drei der anfälligsten Teilprozesse der Medikationskette (Verordnung, Bereitstellung und Dokumentation).

Die Vorteile der CPOE wurden bereits mehrfach erwähnt. Die Einführung der elektronischen Verordnung in einem Akutspital gestaltete sich – nach Überwindung der bekannten Vorbehalte aus ärztlicher Sicht – einigermassen problemarm. Allerdings muss auch klar darauf hingewiesen werden, dass die Aufbereitung der Medikamentenstammdaten aufwendig ist, die im Einsatz stehende Software bezüglich Verordnung noch nicht alle Alltagsanforderungen abzudecken vermag, entsprechend Flexibilität und Schulung für die einheitliche Verordnungsart unabdingbar waren und weiterhin falsche Verordnungen möglich sind (z.B. Wahl eines falschen Medikaments).

Durch die zwingende Vorgabe von Verordnungseinheit und die Defaulteinstellung der Verabreichungsart sowie durch den definierten Medikamentenstamm und die klar leserliche Verordnung wird aber ein deutlicher Qualitätssprung erreicht, der demnächst auch statistisch ausgewertet wird. Ein in Echtzeit (während des Verordnungsprozesses) stattfindender Interaktionscheck, ein Check bezüglich Dosisadaptation (Niereninsuffizienz), ein diagnosebezogener Check oder ein Vorschlag für Standarddosierungen

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Elektronische Verordnung und Medikamentendistribution

stehen momentan aus softwaretechnischen Gründen nicht zur Verfügung, werden aber die Qualität der Verordnung nochmals verbessern. Die Interaktionen werden aktuell aus dem KIS heraus über das Internet abgefragt, allerdings erst nach erfolgter Verordnung. Verordnungssets stehen zurzeit nur für Reservemedikamente routinemässig zur Verfügung.

Auf seiten der automatisierten Distribution konnte in einer Versuchsanordnung gezeigt werden, dass insbesondere die Fehlerrate bei der Auswahl des falschen Medikamentes und bei der fehlenden Bereitstellung (omission) eines verordneten Medikamentes signifikant reduziert werden konnte [11].

Diesbezüglich haben wir keine eigenen Daten erhoben. Das vorhandene System muss klar von einem Unit-Dose-System abgegrenzt werden, die Zusammenstellung der Medikation erfolgt auch nicht zentral in der Apotheke, sondern vor Ort auf der Station. Im Gegensatz zu einem Unit-DoseSystem besteht bei der bei uns eingeführten Lösung der Nachteil, dass theoretisch zahlenmässig von der verordneten Dosis abwei-

chende Einheiten entnommen werden können; auf der anderen Seite besteht der Vorteil der Unabhängigkeit von der Apotheke als zentraler Zubereitungsstelle und – nicht unerheblich – ein stets gesicherter Zugriff auf Medikamente, auch in Notfallsituationen (wo keine elektronische Verordnung nötig ist, ein Fehlgriff aber dennoch durch den gesicherten Zugriff fast vollständig verunmöglicht wird).

Auf Kostenseite scheint sich eine eindrückliche Reduktion der Medikamentenkosten abzuzeichnen, die wir in erster Linie auf die verbesserte Verordnungsqualität, das Einhalten der hausintern verfügbaren Medikamente und die lückenlose Dokumentation bzw. Abrechnung der verabreichten Medikamente zurückführen. Nicht unrelevant im heutigen sozioökonomischen Umfeld der Spitäler, kann auch die Arbeitlast des Pflegepersonals im Bereich des Medikationsprozesses deutlich reduziert werden, allerdings zu Lasten von erhöhtem Arbeitsaufwand seitens der Apotheke und der IT. Auch wenn keine definitive Evidence besteht, dass das Vermeiden potentieller

Fehlerart #

Ungenaue Verordnungen

Falsche Verordnungen

[n = 177* (18,8%)]

[n = 10* (1%)]

Fehlende galenische Form

34

Fehlende Einheit oder Konzentration

78

Einzeldosis nicht klar (nur Gesamtdosis/d)

36

Gesamtdosis pro Tag nicht klar

48

Intervall nicht definiert (1x/d vs. mehrmals/d)

14

Verabreichungsart nicht klar

11

Verordnung sistiert: was passiert mit heutiger Dosis?

32

Nicht lesbar Handelsname nicht klar

2

Falsches Medikament verordnet Falsche galenische Form

1

Bekannte Allergie

1

Falsche Indikation

2

Total

253

6

Tabelle 1. Ursachenanalyse für unvollständige/ungenaue oder fehlerhafte handschrifliche Verordnungen: 942 konsekutive Verordnungen, davon 177 ungenaue und 10 falsche Verordnungen. # Eine Verordnung kann mehrere Gründe aufweisen, weshalb sie mangel- oder fehlerhaft ist, deshalb übersteigt die Summe der Fehlerursachen die reine Anzahl Verordnungen. * n = Total Anzahl mangel- oder fehlerhafter Verordnungen aus insgesamt 939 Verordnungen (= totale analysierte Summe)

SMI 2005; No 54

21

Swiss Medical Informatics Elektronische Verordnung und Medikamentendistribution

Medikationsfehler zu einer erniedrigten Mortalität oder Morbidität hospitalisierter Patienten führt, scheint es doch vernünftig anzunehmen, dass die Reduktion der Fehlerrate im Medikationsprozess auch zu einer Reduktion derjenigen Fehler führt, die einen klinischen Impact haben.

Die Akzeptanz des Systems bei der am direktesten involvierten Berufsgruppe (Pflege) ist sehr hoch, Umfragen zeigen insbesondere die Wertschätzung der korrekten und eindeutigen Verordnung (elektronisch) und des sicheren Zugangs zu Medikamenten. Durch die automatische Benach-

SGMI SSIM SSMI

richtigung der Apotheke beim Erreichen definierter Mindestbestände kommt es bei 2(–3) geplanten Auffüllungen der Stationseinheit pro Woche kaum je zu Engpässen bei der Verfügbarkeit von Medikamenten.

Das im Einsatz stehende System bewährt sich in unserem Umfeld eines Akutspitals und kann im lebhaften Alltag komplikationslos betrieben werden. Ob die Kostenreduktion in den folgenden Jahren bestätigt wird und ob sich die vermutete Reduktion von Fehlern im Medikationsprozess positiv auf Mortalität/Hospitalisationsdauer und

auf die Kosten, die durch Medikationsfehler ausgelöst werden, auswirken, muss noch gezeigt werden.

Literatur 1 Linda TK, Janet MC, Molla SD. To Err Is Human: Building a Safer Health System. 1st edition.

National Academy Press; 2000.

2 Leape LL, Brennan TA, Laird NM, et al. The nature of adverse events in hospitalized patients.

N Engl J Med 1991;324:377-84.

3 Bates D, Teich J, Lee J, Seger D, et al. The impact of computerized physician order entry on medication error prevention. JAMIA 1999;6:313-21.

4 Santell JP, Hicks RW, McMeekin J, Cousins DD. Medication errors: experience of the United States Pharmacopeia (USP) MED MARX reporting system. J Clin Pharmacol 2003;43(7):760-7.

5 Borel J, Rascati K. Effect of automated, nursing unit-based drug-dispensing device on medication errors. Am J Health Syst Pharm 1995;52:1875-9.

6 Schwarz H, Brodowy B. Implementation and evaluation of an automated dispensing system. Am J Health Syst Pharm 1995;52:823-8.

7 Hufschmid E, Oertle M, Lanker B. Potential benefits of an automated medication distribution system combined with computerized physician order entry. Eur J Hosp Pharm 2003;6:26-30.

8 Lanz C. Pilotprojekt: Medikamentenmanagement System Galenica im Regionalspital Thun. Oct 2001;1-23.

9 Mekhjian HS, Kumar FR, Kuehn L, Bentley TD, Teater P, Thomas A, et al. Immediate benefits realized following implementation of physician.

10 Hardmeier B, Braunschweig S, Cavallaro M, Roos M, Pauli C, Giger M, et al. Adverse drug events caused by medication errors in medical inpatients. Swiss Med Wkly 2004;124(45/46):664-70.

11 Bonnabry P, Du Pasquier C, Riberdy L, Garnerin P, Chopard P. Impact of a Computerized Medica-

News from the Editorial Board For more than a year now, the Editorial Board of the SMI consists of three editors of whom one is editor in chief. During the first year, Rolf Grütter hold this function.

He fulfilled this task with great enthusiasm and much diligence. We want to thank him very much for his exertion dedicated to our journal.

22

Beginning with this issue of SMI, Ulrich Woermann takes over the role of editor in chief. During his term, the topics of Open Source Software and E-Learning will be presented and discussed in the SMI. Next fall, it will be Christian Lovis’ term to be editor in chief of SMI.

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Surveillance Service for Drug Prescripton

Outline of a surveillance service for drug prescription C. Eikemeiera, R. Grüterb,

Introduction

reasons why double examinations occur.

W. Fierzc

The missing integration of data in different areas of the healthcare domain is reason for a significant number of drug interactions and side effects [1–5]. At least a significant reduction of the number of serious adverse events (SAE) is demanded because of ethical and also because of economical reasons.

In conclusion, one approach to meet with the above-mentioned requirements (to counter information glut, to keep the existing data infrastructure, help to benefit from additional information) is to use the VETO! principle [19]. VETO! is a reactive group decision support system that checks if a decision of one member of the community complies with the knowledge of other community members. A prescription of a medication triggers a surveillance process (fig. 1 [1]) that checks as much information of the distributed patient record as possible and comments on the physician’s decision.

a DIMSA Working Group, Department of Mathematics and Informatics, University of Bremen, Germany b University of St. Gallen, Switzerland c LogoLab AG, Zurich, Switzerland

The need for information exchange between the healthcare providers is evident [6]. Different regional and even national projects implement and evaluate solutions to implement an electronic patient record. They include card-based solutions, peer-to-peer networks and even server-centric solutions [7–13, cf. SMI 52]. In only few projects the complete patient record is directly made accessible. There is always a chance that parts of the patient data remain hidden.

Thus, treatment or medication surveillance can only report problems unimpeachable: if a problem is reported, it will be there. But in general, the negation is not true.

Additionally, providing the patient data to the physician does not automatically result in a higher medical treatment quality [14].

The healthcare provider needs some kind of decision support by an automatic system to cope with the amount of data. The use of a clinical decision support system results in improved care [15].

Overview and basic idea

E-mail of corresponding author: cei@tzi.de

SMI 2005; No 54

The surveillance of medical treatment decisions based on a consolidated data pool (e.g. in a hospital setting) can be carried out automatically [16–18]. It is similar to checking the adherence to clinical guidelines and both systems can be combined. But today data often is not yet concentrated; often each physician keeps his own data repository. Currently accessing the patient record demands to manually request each single part of the record. This is impractical and among the

The VETO! principle exploits the ideas from peer-to-peer systems to collect the data but uses a central Clearinghouse to evaluate it. Data is encrypted throughout the whole process except for the evaluation in the Clearinghouse. A hash code (HC) identifies groups of patients and therefore prevents from unveiling the true patient identity. Other physicians only will see the HC uncoded, the actual data (A, B1, B2 in fig. 1) is encrypted. The identity of the physicians can be obscured likewise by using known P2P techniques [20]. The other physicians add their contributions to all patients that match the HC and send these (now filled) messages to the Clearinghouse (fig. 1 [2, 3]).

The Clearinghouse employs rules and basic facts and explores possible risks in the treatment (fig. 1 [4]). In case of predicted problems, a message is sent back to the initiating physician (fig. 1 [5]). Because the Clearinghouse is the only point where the data is uncovered, only this special entity needs additional means for data protection. It is anticipated that the Clearinghouse is run by a governmental or “neutral” organization like FDA, BfArM or Swissmedic. They are already involved in the control of drugs and issue new official drugrelated announcements and maintain the related expert knowledge.

23

SGMI SSIM SSMI

Swiss Medical Informatics Surveillance Service for Drug Prescripton

Important parts revisited: the P2P like network and the Clearinghouse When a prescription is issued the demand for additional relevant information is spread in the network in a P2P way [21]. Even if the surveillance system is using beneficial characteristics of P2P systems, it significantly differs from traditional P2P systems like Napster or Gnutella [22]. The use of

Figure 1 Overview

of the VETO! system. the central Clearinghouse in the processing phase violates P2P definitions (“direct exchange of messages between the nodes”).

But the phase when the query is spread differs significantly from traditional clientserver systems and is similar to characteristics of P2P systems.

The reasoning system in the Clearinghouse is to be maintained by experts that define “Gold Standards” based on current research.

These rules are dynamically adapted to new findings and as the computation is done in real time, only up-to-date knowledge is used.

Providing a central entity for processing the queries demands for a powerful IT system at the Clearinghouse. But it prevents from the burden to update the functional logic in all IT systems of the physicians. This would be necessary if in a true P2P manner the collected data has to be evaluated at the peer that initiated the question.

24

Providing a central entity that monitors the data traffic seems to be favourable from an economical and juridical point of view as the access to the data can be controlled by the Clearinghouse.

Security aspects As this system deals with patient data, data safety is of high importance. Neither the issuing physician is allowed to see pieces of data that do not origin from himself, nor may other providers that add information (e.g. old prescriptions) to the message see any other data of the patient. Only the CH is able to uncover all data and check the message content. Today’s security software libraries provide public key infrastructure mechanisms, means to encrypt data and offer the ability to build hash keys to avoid data fraud [23]. It is a predominantly political/legal question how the transmission of medical data has to be secured.

Perhaps current legal restrictions have to be reconsidered to match the public needs but not to restrict the possibilities of healthcare telematics too much.

The architecture of the VETO! system offers full anonymity of the patient identification. This is achieved by assigning a patient to a group of patients (having a common group hash key) and collecting all data of that group upon a query. Hence the provider of additional data does not know if his contribution really matches the patient in the query. Not until the identities in the two parts of the message are uncovered in the Clearinghouse, two completely different parts can be linked together.

The data is collected in a message container that consists of three parts: the hash key (readable), the query data (encrypted) and at a later stage the additional data (encrypted).

The first part of the security system is the building of a hash key from the patient’s metadata. For example the first, last character of the name and the month (numerical value) of the date of birth can be used: -MR10- if Miller is the name and October is data of birth. The encrypted name and the intended prescription form the query data. They are encrypted with the public key of the Clearinghouse. Together with

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Surveillance Service for Drug Prescripton

the unencrypted hash code this message is spread around to all peers in the network.

Their IT systems automatically check for all patients with the same hash key. It is intended that this will also include Maier, also born in October. Therefore the provider of the additional data cannot be sure that the information will match in the end. He sends the received data together with his contributions to the Clearinghouse. There the two encrypted parts of the message are decrypted and it is checked if the different parts belong together. If this is the case, the expert knowledge rules are applied and a possible problematic outcome is issued to the initiating physician.

The Clearinghouse has a special role: for not creating a bottleneck the performance has to meet an average demand for processing power. Examples like eBay.com or google.com show that it is possible to build and manage such systems.

Implementation issues One basic problem is the embedding into the information systems of the healthcare providers. Some kind of a general purpose adapter (hardware/software) will become the interface between the telematics network and the local information system. These adapter systems (e.g. called “connector”) link the platform services to the concrete data in the healthcare information systems (commonly based on HL/7). HL/7 medication orders directly point to relevant information. Rules of guideline applications written in the Arden syntax can be linked with HL/7 data by using the GELLO language [24]. The implementation of surveillance systems based on local data already offered the solution. This is not specific to the VETO! approach.

Another problem is error handling to cope with typos. The VETO! can partly deal with such errors. The expert knowledge rules issue a VETO! warning if a medication with a similar name exists and seems to be more appropriate in the current situation. The physician then can reconsider the prescription.

SMI 2005; No 54

Possible barriers A key requirement for the VETO! system is the availability of structured electronic patient data with the providers. This requirement will be gradually fulfilled over time, with drug data probably being at the forefront of this development. In fact, as soon as a provider is prepared to use an online drug ordering system he will very likely store the ordering event in the electronic patient record in a structured way and thereby providing the bases for being successfully addressed by other members of the P2P system. However, for other clinical data like SAE a similar incentive for structuring – if not demanded by legal requirements – is less likely. Information might be hidden in free-text entries to the patient records.

Furthermore, even when data are well structured, there might be semantic barriers that make the task of the Clearinghouse difficult to fulfil. It would be important then, that the Clearinghouse provides a commonly used vocabulary of drug names, dosage schemes, and if possible also for SAEs and laboratory data. MedDRA is one currently followed approach [25].

Another possible problem is related to the anonymity of the providers. Since the physician has to rely his decision in case of a warning coming from the Clearinghouse on foreign information, he might well want to know where the information is coming from. If transparency of the source of information is required, the Clearinghouse can provide this information. The advantages of anonymity and the trustworthiness of information have to be balanced.

Results and discussion The presented concept is base for an efficient system to avoid serious adverse events in drug prescription. All pieces of the patient record will remain where they were created. This is one of the main advantages of this system compared to others. The Clearinghouse approach allows keeping the data encrypted as long as possible. The used hash key mechanism protects the original data from being exploited. They remain encrypted until being processed in the Clearinghouse.

25

SGMI SSIM SSMI

Swiss Medical Informatics Surveillance Service for Drug Prescripton

Introduction in real life is evolutionary, that means, it can start on a regional test project and will improve the more providers are connected and the more structured data is fed into the system. Further optimisations allow tuning the base concept. The usage of a patient healthcare card [10] will simplify the overall system and enhance the matching performance. The VETO! system will benefit from a unique patient ID. The clinical expert knowledge can be taken from existing databases. Only the adaptation to the concrete usable form is needed.

Open questions for the introduction most likely stem from an economical and political point of view: the question of incentives to participate. As mentioned earlier a huge group of patients will benefit from the introduction of such system. So there

is an ethical obligation to use the better system. Life and health insurances will also get monetary advantages and will likely pay for the better treatment quality even if it is hardly possible to measure the concrete effects. The introduction of an online surveillance system itself can be forced by official authorities. It needs to be discussed how to deal with ignorance against VETO! warnings.

This system could lead to a new high quality service that has not been realized before even if the underlying problems already are known for a longer time and the solution were generally available. It is remarkable that exploiting the benefits of peer-to-peer systems leads to such simple, yet powerful solution.

Literature 1 Stieler W. Elektronische Gesundheitskarte soll eine Milliarde einsparen. Heise Newsticker, 2004-03-22.

2 Lazarou J, Pomeranz B, Corey P. Incidence of adverse drug reactions in hospitalized patients. JAMA 1998;279:1200-5.

3 Wiffen P, Gill M, Edwards J, Moore A. Adverse drug reactions in hospital patients. Bandolier extra/evidence-based health care, June 2002. www.ebandolier.com (accessed 2004/09/04).

4 Lutterrotti N. Wenn Arzneimittel mehr schaden als nützen. NZZ 17.11.2004, 269.

5 Gurwitz J, Field T, Harrold L, et al. Incidence and preventability of adverse drug events among older persons in the ambulatory setting. JAMA 2003;289:1107-16.

6 Kohler C. Der Austausch von Daten zwischen Informatiksystemen in Spitälern. Swiss Med Inform 2001;47:32-3.

7 Homepage La Carta sanitaria. www.retesan.ch (accessed on 2004/11/22).

8 Pesenti P. Pilotprojekt zur elektronischen Patientenakte (Pilot project on the electronic patient card). NZZ, 30.9.2004.

9 Homepage Healthcare Card project Germany. www.dimdi.de/de/ehealth/karte/ (accessed on 2004/11/13).

10 Bales S. Welche Möglichkeiten bringt die neue elektronische Gesundheitskarte den Patienten? www.dimdi.de/de/ehealth/karte (accessed on 2004/03/10).

11 Homepage HealthcareCard Schleswig-Holstein (North Germany). www.gesundheitskarte-sh.de/ (accessed on 2004/11/23).

12 Balises 6 – Le réseau communautaire d’informatique médical (RCIM) du système de santé genevois: le réseau é-toile, 2002. www.geneve.ch/balises/doc/balises6.pdf.

13 NHS – Patient Record Project. www.nhsia.nhs.uk/erdip/pages/default.asp (accessed on 2004/11/15).

14 Schiff G, Klass D, Peterson J, Shah G, Bates D. Linking laboratory and pharmacy. Arch Intern Med 2003;163:893-900.

15 Johnston M, Langton K, Haynes R, Mathieu A. Effects of computer-based clinical decision systems on clinician performance and patient outcome. Ann Intern Med 1994;120:135-42.

16 Greenes R, Sordo M, Zaccagnini D. Design of a Standards-based External Rules Engine for Decision Support in a Variety of Application Contexts: Report of a Feasibility Study at Partners HealthCare System. Proc MedInfo 2004, AMIA (Print/CD-ROM).

17 Davenport T, Glaser J. Just-in-Time Delivery Comes to Knowledge Management. Harvard Business Review. Reprint R0207H, 2002.

18 Bates W, Evans S, Murff H, et al. Detecting adverse events using information technology. J Am Med Inform Assoc 2003;10: 115-28.

19 VETO Homepage. www.veto.ch.vu.

20 Clarke I, Miller S, Hong T, et al. Protecting free expression online with Freenet. IEEE Internet Computing 2002;6:40-9.

21 Eikemeier C. Introducing P2P in healthcare. Swiss Med Inform 2003;51:6-9.

22 Oram A. Peer-to-Peer – Harnessing the Power of Disruptive Technologies. O’Reilly; 2001.

23 Gutmann P. Crypto Tutorial. www.cs.auckland.ac.nz/~pgut001/tutorial (2004/03/25).

24 Sordo M, Ogunyemi O, Boxwala A, Greenes R. Software Specifications for GELLO: An Object-Oriented Expression Language for Clinical Decision Support. Technical Report (DSG-TR-2003-02), Decision Support Group, B&W Hospital, Harvard Medical School, Boston, 2003.

25 Health Canada, Medical Dictionary for Regulatory Activities (MedDRA). www.hc-sc.gc.ca/hpfb-dgpsa/tpd-dpt/fact_meddra_e.pdf (accessed on 2004/10/13).

26

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Triage Procedure

Use of an innovative technology and Markov models to record and analyze the triage procedure in an emergency centre C. Despont-Grosa,

CH-1211 Geneva 14

R. Landaub, O. Rutschmannc, J. Simonc, C. Lovisa Hôpitaux Universitaires de Genève a Service d’Informatique Médicale b Service d’Anesthésiologie c Centre d’accueil et des urgences

Introduction During this last thirty years, emergency centres have known an increasing number of consultations [1]. Therefore, health proficiencies have searched measures to decrease blocking. One answer proposed is a triage process to state care priority based on emergency level and seriousness of cases [2].

The triage function is assumed by experimented nurses formed to perform such activity. The triage is an evaluating of the emergency level based on a short collection of information about the consultation’s motive, constants and observations [2].

To perform this task, triage nurses (IAO for Infirmière d’Accueil et d’Orientation) need a working tool. In the University Hospital of Geneva (HUG), this tool is a paper-based two-sided page. The front side contains fields about anamnesis and the backside a list of motive code for consultation with possible emergency levels. This paper is used as a transmission support but also as a working paper to state about the main problem presented by the patient, the emergency level and the orientation in accord with the actual service flow. The life cycle of the paper ends when the patient is taken for active care. Between the step of an orientation choice and the active care, the triage form is often completed with observations, new constants, etc.

Correspondence: Dr C. Despont-Gros Hôpitaux Universitaires de Genève

SMI 2005; No 54

The tool has been constructed to answer staff ’s needs, based on other similar researches and on their experiments. Since its introduction in 1997, the triage form has evolved. However, the concrete use of this tool has never been systematically described.

Such kind of process in this context is really difficult to observe and record.

During the trial of a new technology in ER, which is able to record meta-information

about handwriting processes, we have proposed to record components of the triage procedure. The digital pen technology is a real innovative tool that opens new perspectives for all semi-structured data acquisition.

This technology allows nearly real-time digitalization of texts written on paper-based forms. In addition, the pen stores additional information like timing information and succession of fields included in the process.

Method During writing process, the digital pen records with a camera dynamic information (movements, timing, etc.) using a unique pattern printed on the form with the standard layout of the document for localization.

When the pen is connected to computer, data is transmitted. An Application Service Handler (ASH) deployed on the server gets information and treats it to store under different formats. For ER centre 3 formats were chosen: 1. high quality JPEG pictures of the whole forms; 2. SVG files on which a batch afterward adds animation skills; 3. storage of information about all written strokes in a Oracle database including for each stroke: a. unique identification of the pattern (also used for identifying pictures), b. absolute stroke start time in [ms] and stroke end time, c. identification of the field of the form in which the stroke has been written.

At the end of the trial period in ER the treatments of stored information started. All processing have been made using JAVA to access and treat picture content and database records.

27

SGMI SSIM SSMI

Swiss Medical Informatics Triage Procedure

Batch treatments concern the three stored formats. For JPEG pictures, the most important treatment concerns the merge of picture representing strokes written on the form and the layout of the form itself.

This treatment performed using JAI library simplify lecture of content for physician and nurses. All SVG files have been treated to add animation skills. Such adding is useful to visualize a specific process and to access to previous information when data is corrected. Finally database was accessed to extract information about timing and components of the process in terms of fields completed.

Among all questions asked by professionals, the first is to extract, if existing, the generic path followed by nurses through the form to perform a triage. Such question could be answered by extracting for all forms the sequences of fields completed and finding a meaningful representation to synthesize this data. Two approaches have been used. The first one is histograms of accessing fields at different step. A new â&#x20AC;&#x153;stepâ&#x20AC;? starts when users access to a field, which is different from the previous one. There is no direct information about transition but if histograms show few dominant fields at each step, a path tendency could be built. In contrast, if histograms show a fair distribution in each field after some steps no consensus in the process can be extracted.

The second approach uses Markov models for describing evolution of processes over time. At every instant t the model M is in one state. The quantity pAB indicated on each transition between states denotes the conditional probability that at step t+1 M will be in state B given it was observed in state A at step t [3]. As we do not know what is more meaningful for medical practice between considering past of future transitions, the two models have been made to describe the process: a graph with output transitions and one with input transitions.

Input transitions have nearly the same meaning that output transitions described before: pAB denotes the conditional probability that at step tâ&#x20AC;&#x201C;1 M was in state A given it is observed in state B at step t. The models used in this work have an order of 1. Each state of the model matches with a field, or a combination of fields, in the triage form.

28

After description of the problem with complete Markov models, it appears that some grouping together could be more eloquent.

After defining meaningful grouping, a second processing was performed to extract new graphs.

Multiple criteria can be added to explore different aspects of the problem (for example: only sequences till the triage condition is reached or power n of transition matrix).

Variations about this theme are multiple and interactions with clinician define which investigations are required.

Result Results presented here concern only technical results and extractions obtained without medical interpretation of the processes.

Practice behind these results will be treated by medical staff.

During the seven days trial of the technology in ER, 1183 entries were recorded by IAO. Among them, 954 forms have been digitalized with a completeness rate of 87%. To limit the error in the extracted sequences, only forms containing a motive of admission, an emergency level and an orientation have been used to build Markov models. These fields are considered by professionals as the triage conclusion and 907 forms reach this criterion.

The histograms of different steps are meaningful for the three first steps, but afterward distribution is quite fair between fields. It seems that no unique path is followed by nurses and that individual practice has more weight. For this reason the preference was given for the Markov models approach.

The first graphs sketched were as complete as information available has allowed.

Because of no teaching process about how to use the pen, triage nurses have used it as if it was a standard pen. We observed a lot of writing out of bounds (approximately 20% of forms concerned) and strokes crossing multiple fields. Hopefully, strokes covering multiple fields are recorded twice in database with the same start time and the same end time. Thus a possible criterion to determine a new step is to remove these strokes during extraction of sequences.

Despite this treatment, some fields know a lot of oscillations between them. It appears

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics Triage Procedure

that these fields are generally not clearly distinguished in clinical practice. Because we do not work with content, and in accord with medical staff, grouping together has been made to avoid oscillation transitions and to make the graphs more readable and interpretable. From the 56 initial fields (30 are constants and 11 for pain scale) we keep nine fields and add a start state and an end state.

Figure 1. Minimum

of output transitions.

75%

The graphs presented in figure 1 concern output transitions. The complete sequences have been used to build transition matrix without stop criteria such as “orientation defined”. It highlights that the triage process includes three main entry points (97% of all entry transitions), with one dominant: general information about date, hour, and is the patient alone or not. However, there is no consensus for end transitions. There

is no dominant path through the triage form and some state are not reached by the most important transitions (among the 75% indicated). Among transitions between states during the process, some transitions encounter a high agreement between nurses like transition from admission motive code (Code Motif ) to emergency level (Degrés urgence).

In addition, states in the model have been arranged as they appear on the triage form, showing spatial displacements on the triage forms. Such layout allows detection of design impairments of forms. It provides arguments for need of redesign or arguments to back up choices made.

Discussion This kind of model highlights the complexity of the triage procedure and creates a lot of new questions among professionals like in the 75% of transitions none goes to “Constants” state, how are related constants and triage criterion, etc. As explained in the methods section a lot of grouping and filter criteria can be implemented to focus on these questions and provide clinician data to explore their procedures.

Among actual existing tools, the digital pen technology seems really natural and non invasive to record handwriting processes of data acquisition. Completed with observations, information collected provides a particularly good view of a complex procedure without heavy intervention.

References 1 Roux L. Infirmier d’accueil et d’orientation. In: Es L & C (eds.). Urgence 2004; 2003; Paris; 2003. p. 587-93.

2 Divorne L. Démarche de tri: outils de tri existants. In: Es L & C (eds.). Urgences 2004; 2003; Paris; 2003. p. 595-602.

3 Jarvis JP, Shier DR. Graph Theoretic Analysis of Finite Markov Chains. In: Shier DR, Wallenius KT (eds.). Applied Mathematical Modeling: A Multidisciplinary Approach. Boca Raton: CRC Press; 1999. p. 271-89.

SMI 2005; No 54

29

Swiss Medical Informatics

30

SGMI SSIM SSMI

SMI 2005; No 54

SGMI SSIM SSMI

Swiss Medical Informatics NEWS

The two best papers and the two best posters of the annual scientific meeting Martin Denz and Judith Wagner had the opportunity to reward the best Swiss contributions to the joint meeting with the German and Austrian associations for medical informatics, biometry, and clinical documentation in Innsbruck on behalf of our association. The two best papers have been “Informatikkonzept und Methoden zur telemedizinischen Patienten-Betreuung mit mobilen Endgeräten” by Dominique Brodbeck (Institute for Interdisciplinary Information Technology, Olten), Roland Gasser (Medgate AG), Juerg Luthiger (Institute for Interdisciplinary Information Technology, Olten), and Serge Reichlin (Medgate AG, Basel) and “Use of a new technology and Markov models to record and analyze the

triage procedure in an emergency centre”

by Christelle Despont-Gros, Olivier Rutschmann, Josette Simon and Christian Lovis (Hôpitaux Universitaire de Genève, Geneva). The two prices for the best posters have been given to Dragan Bosancic (Uniresearch AG, Nottwil), Benno Sauter (Schweizer Paraplegiker-Zentrum, Nottwil), for their poster entitled “IMIS: ein integriertes Management-Informationssystem für das Spital” and Paul Fabry, Christian Lovis, Henning Müller (Service d’Informatique Médicale, Hôpitaux Universitaires de Genève, Geneva) for their poster entitled “A clinical problems terminology in French: extraction from free text sentences”.

A new web site for our society After long years, in which the existing web site of our society with their static HTML pages served well, the committee decided to switch to a web site with dynamic content and additional features. With this change, the function of web administrator was passed from Ulrich Woermann to Benno Sauter. It was obvious to choose a Content Management System (CMS) on the base of Open Source (OS). The number of available OS-CMS is impressive.

Many different features were integrated into the new system. One is the online job market, where already in the first month two offers were posted. A new section is “Education” (Ausbildung). Here, courses and books on Medical informatics are listed. It is planned to add as a new feature online questionnaires and online testing. Step by step, the other sections will be adapted and appear in the new design.

SMI 2005; No 54

A specially protected area will be provided for the working groups. There the groups can set up forums and document repositories. Members of our society who want to form working groups or collaborate on projects with different institutions are invited to contact the web administrator (benno.sauter@paranet.ch) to make use of this infrastructure.

Thanks to the new CMS, it will be easier to provide the pages in different languages.

The new site will only bear an added value if it will be visited and used regularly. Therefore, all members are called to participate in the new construction and further development of our web site. Feedback of any kind is always welcome.

31

SGMI SSIM SSMI

Swiss Medical Informatics

nächste Ausgabe: April 2005 prochaine édition: avril 2005

Events

Die nächste Ausgabe des Swiss Medical Informatics erscheint im April 2005 und behandelt folgendes Thema: • «Open Source Software in Healthcare»

La prochaine édition du Swiss Medical Informatics paraîtra en avril 2005 et traitera le sujet suivant: • «Open Source Software in Healthcare»

EFMI Special Topic Conference 2005: “Health and Medical Informatics Applications – Educational Aspects” March 19–20, 2005 Location: Faculty of Nursing, National and Kapodistrian University of Athens, Athens, Greece Web site: http://ghia.nurs.uoa.gr/efmistc2005/

CAD – 7th International Workshop on Computer-Aided Diagnosis June 22–25, 2005 Location: ICC Berlin, Berlin, Germany Web site: http://www.cars-int.org

CARS 2005 – Computer Assisted Radiology and Surgery 19th International Congress and Exhibition June 22–25, 2005 Location: ICC Berlin, Berlin, Germany Web site: http://www.cars-int.org Impressum Publikationsorgan der Schweizerischen Gesellschaft für Medizinische Informatik Organe de publication de la Société suisse d’informatique médicale Herausgeber / Editeur SGMI, Schweizerische Gesellschaft für Medizinische Informatik Dählhölzliweg 3 Postfach 229 CH-3000 Bern 6 Tel. 031 350 44 99 Fax 031 350 44 98 E-Mail: admin@sgmi-ssim.ch Internet: http://www.sgmi-ssim.ch/ Vorstand der SGMI / Comité de la SSIM Judith Wagner, Martin Denz, Felix Heer, Benno Sauter, André Assimacopoulos, Ulrich Woermann, Christian Lovis, Antoine Geissbühler Chefredaktor / Rédacteur en chef Ulrich Woermann Redaktion / Rédaction Rolf Grütter, Christian Lovis, Ulrich Woermann

Medical Informatics Europe 2005 August 28–September 1, 2005 Location: University of Geneva Unimail, Geneva, Switzerland Web site: http://www.MIE2005.net

Redaktionsadresse / Adresse de rédaction Ulrich Woermann Abteilung für Unterrichtsmedien AUM Universität Bern Inselspital 38 CH-3010 Bern E-Mail: woermann@aum.unibe.ch

Druck und Versand / Impression et distribution Druckerei Schwabe AG Farnsburgerstrasse 8 CH-4132 Muttenz Tel. 061 467 85 85 Fax 061 467 85 86 E-Mail: druckerei@schwabe.ch

Layout / Mise en page Jürg Hirsiger Abteilung für Unterrichtsmedien AUM Universität Bern Inselspital 38 CH-3010 Bern

Inserate / Régie des annonces Schwabe AG Chantal Schneeberger Frankfurtstrasse 14, Postfach 340, CH-4008 Basel Tel. 061 333 11 07 Fax 061 333 11 06 E-Mail: c.schneeberger@schwabe.ch

Autorenrichtlinien / Directives pour les auteurs http://www.sgmi-ssim.ch/smi/index.htm Verlag / Editions Schwabe AG Steinentorstrasse 13 CH-4010 Basel Betreuung im Verlag: Dr. Markus Trutmann Tel. 061 467 85 55 Fax 061 467 85 56 E-Mail: mtrutmann@emh.ch

Abonnemente / Abonnements Sekretariat der SGMI, c/o VSAO, Dählhölzliweg 3, Postfach 229, CH-3000 Bern 6 Tel. 031 350 44 99 Fax 031 350 44 98 E-Mail: admin@sgmi-ssim.ch Abonnementspreis / Prix d’abonnement CHF 40.– (zuzüglich Porto / port en plus) Einzelnummer / Exemplaire unique CHF 15.– (zuzüglich Porto / port en plus) ISSN 1660-0436 erscheint 3mal jährlich paraît 3 fois par an

32

SMI 2005; No 54