Swiss Medical Informatics - SMI 61

SMI 61

Swiss Medical Informatics

SGMI Schweizerische Gesellschaft für Medizinische Informatik

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

SSMI Swiss Society for Medical Informatics

Inhalt/Content/Contenu Editorial

2

Schwerpunktthema:

Akzeptanz und Nutzen eines integrierten Klinikinformationssystems

4

Data driven multivariate measure of data quality in patient records

7

Jubiläumskongress – 20. Jahrestagung SGMI

5 Jahre e-Medikationsprozess

12

Natural Language Processing

15

Interaktives Patientenaufklärungssystem für ausgewählte laparoskopische Operationen

18

Computersimulation als Werkzeug zur Potentialdefinition im OP-Management

21

Integration von BlutgasMesssystemen mit Klinikinformationssystem

23

Semantische Lösungen – akademischer Luxus oder Notwendigkeit im Spitalalltag?

28

From clinical narratives to ICD codes

29

Medical Cockpit

33

EBIDA – ein schweizweites Netz für den Austausch radiologischer Bilder

36

InWiM: Medizinisches Wissensmanagement in der Suva

40

Events

44

Thème principal:

Journées annuelles – 20ème anniversaire SSIM

20. Wissenschaftliche Jahrestagung Hotel Seeburg in Luzern, 21. und 22. Juni 2007 20èmes Journées scientifiques Hôtel Seeburg à Lucerne, 21 et 22 juin 2007

SMI 2007: Nº 61

1

Table of contents Inhaltsverzeichnis Table des matières

SMI 00-07

2

Editorial

4

Akzeptanz und Nutzen eines integrierten Klinikinformationssystems

7

Data driven multivariate measure of data quality in patient records

12

5 Jahre e-Medikationsprozess

15

Natural Language Processing

18

Interaktives Patientenaufklärungssystem für ausgewählte laparoskopische Operationen

21

Computersimulation als Werkzeug zur Potentialdefinition im OP-Management

23

Integration von Blutgas-Messsystemen mit Klinikinformationssystem

28

Semantische Lösungen – akademischer Luxus oder Notwendigkeit im Spitalalltag?

29

From clinical narratives to ICD codes

33

Medical Cockpit

36

EBIDA – ein schweizweites Netz für den Austausch radiologischer Bilder

40

InWiM: Medizinisches Wissensmanagement in der Suva

44

Events

SMI 2007: Nº 60

Outsourcing

2

Editorial

Christian Lovisa,

Liebe Leserinnen und Leser, b

Eusebio Passaretti , a

Vizepräsident der Schweizerischen Gesellschaft für Medizinische Informatik b Präsident der Schweizerischen Gesellschaft für Medizinische Informatik

Die Schweizerische Gesellschaft für Medizinische Informatik (SGMI) führt dieses Jahr die 20. wissenschaftliche Jahrestagung durch. An der diesjährigen Jahrestagung wird auf die Entwicklungen der vergangenen zwanzig Jahre der medizinischen Informatik in der Schweiz eingegangen. Durch die intensive und erfolgreiche Arbeit unserer Mitglieder in den vergangenen Jahren konnte die Entwicklung und Implementierung von weltweit eingesetzten Kommunikationsstandards im Gesundheitswesen massgeblich mitgestaltet und beeinflusst werden. Die SGMI war an der Erstellung der international anerkannten Website «Health on the Net» (http://www.hon.ch) massgeblich beteiligt. Sie baute mit verschiedenen nationalen und internationalen Schwesterorganisationen und insbesondere mit der «European Federation for Medical Informatics (EFMI)» und der «International Medical Informatics Association (IMIA)» ein gut funktionierendes Netzwerk auf, welches die Basis für wissenschaftliches und praktisches Know-how zu Gunsten des Schweizer Gesundheitswesens bildet. Dies sind nur einige Beispiele der SGMI-Errungenschaften der vergangenen Jahre. Unsere Mitglieder arbeiten in ihrem beruflichen Umfeld weiter an der Erforschung und Entwicklung neuer Technologien, welche die künftigen Anforderungen an die Informationsund Kommunikationstechnologie (IKT) im Schweizer Gesundheitswesen abdecken sollen.

Der Blick wird selbstverständlich nicht nur auf die Vergangenheit gerichtet. An der diesjährigen Jahrestagung sollen aktuelle und künftige Entwicklungen im Umfeld der medizinischen Informatik diskutiert werden. Dazu gehören unter anderem das Aufzeigen von Möglichkeiten zur Umsetzung der eHealth-Strategie des Bundes, die Konzeption und Implementierung der Versichertenkarte in der Schweiz, die Anforderungen und der Einsatz moderner Klinikinformationssysteme sowie die Entwicklung des Gesundheitssystems.

Insbesondere gilt es, den Einfluss von IT und medizinischer Informatik hinsichtlich einer einheitlichen patientenbezogenen Gesundheitsakte mit eingebundenen Labordaten, filmlosen/digitalen radiologischen Aufnahmen sowie integrierten Entscheidungshilfen bei der elektronischen Abwicklung von Aufträgen aufzuzeigen. Diese Aspekte sind gegenwärtig in vielen Organisationen Gegenstand von Entwicklungen. Die erweiterten Möglichkeiten wie die Wissenskoppelung

und das Datamining, die klinische Forschung, aber auch Herausforderungen wie die Verbesserung der Behandlungsqualität und der Datenschutz sind künftig Schlüsselfaktoren für Effizienz und Effektivität im Schweizerischen Gesundheitswesen. Diese Diskussion schliesst deshalb auch die nationalen und internationalen Netzwerke mitsamt ihren Entfaltungsmöglichkeiten ein, seien sie technologischen Ursprungs wie im Falle von Standards für Interoperabilität, kulturell oder ökonomisch bedingt. Mobilität über Grenzen hinweg in andere Länder und Kulturen erlaubt keine Wahlmöglichkeiten für den Weg hin zu einer gemeinsamen Gesundheitsakte.

Spitäler mit stetiger Effizienz- und Qualitätsverbesserung zu managen, wird immer schwieriger.

Es gibt jedoch Potentiale, die sehr gut mittels IT ausgeschöpft werden können. Am Schnittpunkt von Logistik und Rechnungswesen wird das Klinikinformationssystem mehr und mehr zum Eckpfeiler der medizinisch-ökonomischen Führung des Spitals. Anhand klinischer Pfade, dem strategischen Management der Mitarbeiter und formalisierten Arbeitsabläufen können Ressourcen freigesetzt werden, die sonst mit grossem Reibungsverlust verpuffen.

Die Gesundheitssysteme sehen sich an den Schnittstellen ökonomischer Einschränkungen, gesellschaftlichen Drucks und technologischer Unsicherheit kritischen Herausforderungen gegenübergestellt. Zusätzlich sind die Politiker damit konfrontiert, das Gesundheitswesen nicht nur als lokales, sondern als regionales und internationales Netzwerk und als Infrastruktur von IT zu verstehen. Integration, Interoperabilität und Interaktion sind das Hebelwerk der Chancen, um diese Herausforderungen bewältigen zu können.

Sie sind jedoch gänzlich zum Scheitern verurteilt, wenn die Vision, wie diese Veränderungen unser tägliches Leben beeinflussen können, fehlt.

Die wissenschaftliche Jahrestagung der SGMI bot in der Vergangenheit eine wichtige Plattform zur Präsentation neuer technologischer Entwicklungen, aber auch für fachliche Diskussionen unter Mitgliedern und nationalen und internationalen Experten. Diese Tradition soll an der diesjährigen wissenschaftlichen Jahrestagung weitergeführt und gebührend gefeiert werden. Zahlreiche nationale und internationale Experten werden in Vorträgen die neuesten Entwicklungen in der medizinischen Informatik aufzeigen.

SMI 2007: Nº 60

3

Editorial

Christian Lovisa Eusebio Passaretti a

Chère Lectrice, cher Lecteur, b

Vice-président de la Société Suisse d’Informatique Médicale b Président de la Société Suisse d’Informatique Médicale

La Société Suisse d’Informatique Médicale (SSIM) organise cette année la vingtième édition de ses Journées Scientifiques. A cette occasion, nous poserons un regard critique sur les réalisations accomplies ces vingt dernières années en informatique médicale en Suisse. Le travail considérable, les réalisations et les efforts soutenus des membres de notre société dans le domaine du e Health, des normes et standards d’interopérabilité, des sciences de l’information dans la santé, sont reconnus dans le monde entier. Ainsi par exemple, la SSIM fait partie des membres fondateurs de l’organisation non gouvernementale «Health on the Net Foundation (http://www.hon.ch)». Notre société a tissé des liens importants avec de nombreuses organisations nationales et internationales, comme l’«European Federation of Medical Informatics (EFMI)» ou encore l’«International Medical Informatics Association (IMIA)», établissant ainsi un réseau de compétence et de savoir-faire en matière de eHealth. Ce ne sont là que quelques unes des activités de la SSIM de ces dernières années. Nos membres sont actifs dans de multiples facettes de ces technologies, de la recherche au développement, à l’implémentation et à l’utilisation de nouvelles technologies qui doivent couvrir les exigences futures en matière de technologie des communications et d’information dans la santé en suisse.

Si ces réalisations nous permettent d’avoir une vision du futur, elles nous portent aussi à nous interroger sur le rôle de la SSIM dans le eHealth en Suisse. Ces 20èmes Journées Scientifiques seront donc l’occasion d’en débattre et d’évoquer les grands projets en cours, tels que la stratégie eHealth de la Confédération, la conception et la mise en œuvre de la carte suisse d’assuré, les exigences et nécessités liées aux systèmes d’information de santé ou encore, par exemple, aux systèmes d’informations hospitaliers. Ainsi, nous évoquerons l’influence et l’impact des technologies de l’information et de l’informatique médicale dans le cadre de la mise en place d’un résumé minimal de données, l’intégration des données de laboratoire, l’extension de l’imagerie numérique ou encore l’usage d’outils de supports d’aide à la décision lors de la prescription. Ces divers aspects sont l’objet de nombreuses réalisations ou développements à tous les niveaux organisationnels en

Suisse et dans le monde. En outre, des applications avancées, comme le couplage de connaissance, l’utilisation secondaire des données dans le cadre de la santé publique, du pilotage du système de santé, de la recherche clinique ou de l’épidémiologie sont des aspects très importants à prendre en compte pour l’amélioration de la qualité et de l’efficience du système de santé, mais également en relation avec les multiples défis soulevés, comme celui de la protection de la sphère privée. Ce débat couvre les réseaux nationaux et internationaux, en termes culturels, sociétaux, économiques, juridiques, éthiques et technologiques. En regard avec la mobilité des citoyens, il ne s’agit plus là d’une option, mais d’une nécessité.

La santé est soumise à une pression économique croissante liée aux coûts et à des exigences légitimes en matière d’amélioration de l’efficience et de la qualité. Il y a de grands potentiels exploitables et l’informatique médicale est une des réponses indiscutables à ces problématiques, à l’intersection de la logistique, de la gestion administrative et du système d’information clinique, comme pierre angulaire d’une nouvelle vision de l’industrie de la santé, en particulier dans la gestion médico-économique des hôpitaux. La mise en place des itinéraires cliniques, une gestion efficiente des ressources humaines et médicotechniques, la planification et la formalisation des processus vont dégager d’importants moyens.

Les systèmes de santé sont confrontés à des forces importantes, restrictions économiques, pression sociale, insécurité technologique et défis éthiques.

De plus, les pouvoirs publics et politiques sont face à des enjeux supra-cantonaux, supra-nationaux comme dans le cadre des infrastructures et des législations en matière de technologies de l’information. L’intégration, l’interopérabilité et l’interaction sont des opportunités et des bras de levier pour répondre à ces nouveaux défis. Toutefois, en l’absence d’une vision claire sur ces opportunités et défis et leur impact sur notre vie au quotidien, tous ces efforts seront vains. Nos Journées Scientifiques offrent une plateforme permettant la présentation de nouveaux développements conceptuels et technologiques, mais également permettant des discussions avec des professionnels de la santé et des experts nationaux et internationaux dans l’usage des technologies de l’information, sur les enjeux sociétaux et humains.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

4

Akzeptanz und Nutzen eines integrierten Klinikinformationssystems Jürg Blaser

Summary Acceptance and use of a clinical information system at the Zurich University Hospital has been evaluated using several methods. A recent study based on 2838 users answering a short online questionnaire confirmed previous positive assessments. All groups of care providers supported the vision of the highly integrated system, designed for comprehensive patient documentation as well as for multidisciplinary communication between nurses, doctors and many others involved.

Zusammenfassung Die Akzeptanz und der Nutzen des Klinikinformationssystems des UniversitätsSpitals Zürich wurde mit unterschiedlichen Methoden untersucht. Eine kürzliche Umfrage unter den Benutzenden bestätigte frühere Untersuchungen, welche positive Ergebnisse zeigten. Die repräsentative Umfrage (Antworten von 2838 Personen) dokumentiert eine hohe Akzeptanz bei allen Berufsgruppen bezüglich des realisierten Konzepts eines einheitlichen integrierten klinischen Informationssystems, das sowohl der interdisziplinären Patientendokumentation dient als auch die dienstübergreifende Kommunikation von Pflegenden, Ärzten und vielen weiteren Benutzergruppen unterstützt.

Einführung

Jürg Blaser Universitätsspital CH-8091 Zürich juerg.blaser@usz.ch

Bisher sind nur wenige Untersuchungen zur Akzeptanz und zum Nutzen von integrierten Klinikinformationssystemen oder elektronischen Krankengeschichten in Spitälern der Schweiz publiziert worden. An der Jahrestagung 2006 der Schweizerischen Gesellschaft für Medizinische Informatik berichtete A. Gnaegi über eine Befragung von 145 Personen zur Zufriedenheit der Benutzenden des elektronischen Patientendossiers in Spitälern des Wallis [1]. Im folgenden wird über entsprechende Untersuchungen am UniversitätsSpital Zürich (USZ) berichtet, insbesondere über eine kürzliche Umfrage bei 2838 Mitarbeitenden.

Das Klinikinformationssystem Kisim wurde im USZ entwickelt und wird seit 1995 produktiv

eingesetzt. Seit dem Jahre 2002 erfolgt die Weiterentwicklung des Systems im Auftrag des USZ durch die Firma Cistec AG. In zwei Umfragen wurden in den Jahren 1998 und 2000 die Akzeptanz und der Nutzen des Systems für die Ärztinnen und Ärzte der Inneren Medizin, der Thoraxchirurgie und der Neurologie abgeklärt [2]. Die AssistentInnen beurteilten die Zeiteinsparungen, welche aufgrund der Systemeinführung erzielt wurden, auf 30 bis 60 Min. pro Arbeitstag, die OberärztInnen auf 15 bis 30 Min. In einer weiteren Studie zum Rationalisierungseffekt der Systemeinführung wurden im Jahr 2002 in der Klinik für Neonatologie Effizienzund Arbeitsverschiebungen untersucht [3]. Eine Begleitperson führte dabei bei 5 Funktionsbereichen (Sekretariat sowie je 2 Assistenz- und 2 Oberärzte) vor und ein Jahr nach Systemeinführung eine Arbeitsanalyse durch. An 5 Arbeitstagen wurde jeweils in 5-Minuten-Intervallen die aktuelle Tätigkeit jeder Person je einer von 56 vordefinierten Tätigkeitskategorien zugeordnet. Zudem wurden Qualität und Quantität der Berichte vor und nach Systemeinführung verglichen. Diese Studie zeigte ebenfalls statistisch signifikante Arbeitsreduktionen aufgrund des Einsatzes von Kisim, dokumentierte aber insbesondere wesentliche und insgesamt positiv gewertete Veränderungen in den Tätigkeitskategorien der untersuchten Funktionen als Folge der Systemeinführung.

Der Einsatzbereich des Systems Kisim wurde während der 12 Jahre produktiven Betriebs sowohl bezüglich Funktionalität als auch Benutzerzahl erweitert. Mittlerweile wird das System im USZ flächendeckend eingesetzt und von mehr als 4000 Mitarbeitenden verwendet. Um eine repräsentative Aussage über den aktuellen Nutzen und die Benutzerzufriedenheit machen zu können, wurden nun alle Benutzenden des Informationssystems mittels eines Fragebogens befragt.

Methodik Im März 2006 wurde während 16 Tagen eine Online-Umfrage unter allen Benutzenden von Kisim durchgeführt. Nach dem Aufstarten des

SMI 2007: Nº 61

5

Programms wurden die Mitarbeitenden jeweils auf die Umfrage hingewiesen und gebeten, online die 17 Fragen zu Kisim auszufüllen. Die Teilnahme wurde zwar verbal als obligatorisch deklariert, technisch wurde dies jedoch nicht erzwungen, da der Hinweis auf die Umfrage weggeklickt werden konnte. Die Antworten wurden mittels Checkboxen strukturiert erfasst und konnten in 13 Bemerkungsfeldern ergänzt werden.

Resultate Während der Zeitperiode der Untersuchung benutzten 3667 Personen das System. Davon füllten 2838 Personen den Fragebogen aus, was einer Rücklaufquote von 77.4% entspricht. Von den Fragebogen wurden 2767 (97.5%) vollständig ausgefüllt, 21 zu weniger als 80%.

Die Zeitperiode zwischen dem Öffnen und Schliessen des Fragebogenformulars wurde automatisch registriert. Im Median betrug der Aufwand zur Bearbeitung des Fragebogens weniger als 7 Minuten.

Die Pflegenden stellten mit 44% die grösste Berufsgruppe unter den teilnehmenden Personen dar, gefolgt von der Ärzteschaft (26%), den Sekretariaten (8%), Physiotherapeutinnen (3%) und mehreren Dutzend weiteren Berufskategorien. Das System wird von über 80% der Antwortenden täglich genutzt, teilweise intensiv (>3 Std. pro Tag bei 39%).

Jede der gestellten Fragen wurde von den drei Personalgruppen Pflege, Ärzte/innen bzw. übrige

Teilnehmende je mehrheitlich positiv beantwortet. Die installierten Funktionalitäten bezüglich Labor, Berichtswesen, Pflegedokumentation, Leistungserfassung und Radiologiebilder wurden sehr positiv beurteilt, ebenso, wenn auch in geringerem Masse, die vorhandenen Möglichkeiten zur Kommunikation sowie die Export- und Auswertungsfunktionen. Die Fragen, ob man normalerweise flüssig und effizient arbeiten könne und Kisim einfach, intuitiv und effizient bedienbar sei, wurden zu >80% positiv, zu 15% neutral und zu <5% negativ beurteilt.

Zu den Fragen nach dem Gesamtnutzen des Systems (Abb. 1) sowie nach der persönlichen Zufriedenheit mit Kisim äusserten sich 87%, 11% resp. 2% der Antwortenden positiv, neutral resp. negativ.

Der Anteil der positiven Antworten zu den beiden Fragen bezüglich der Strategie des USZ («Ist die Strategie richtig, im USZ ein einziges, einheitliches Klinikinformationssystem einzusetzen?» bzw.

«Befindet sich das USZ mit Kisim grundsätzlich auf dem richtigen Weg?») betrug 98% bzw. 97%.

Fragen nach Bemerkungen und Anregungen («Welche Funktionen sollten ausgebaut oder überarbeitet und was generell verändert/verbessert werden?») führten zu insgesamt 4766 Kommentaren, in welchen sehr viele und vielfältige Wünsche und Bedürfnisse formuliert wurden, insbesondere bezüglich schnelleren Ausbaus, vermehrter Einbindung von Medizintechnik- und SpezialSystemen sowie weitergehender Auswertungs-, Prozess- und Entscheidungsunterstützung.

Diskussion 70 0

Anzahl Antworten

60 0 50 0 40 0 3 00 2 00 1 00 Pflegende 0

Andere Berufsgruppen + +

+

=

Ärztinnen, Ärzte -

- -

Abbildung 1. Antworten zur Frage: Wie beurteilen Sie den Gesamtnutzen, den Ihnen

KISIM bringt?

Die repräsentative Umfrage dokumentiert eine hohe Akzeptanz bei allen Berufsgruppen bezüglich des realisierten Konzepts eines einheitlichen integrierten klinischen Informationssystems, das der interdisziplinären Dokumentation dient und die dienstübergreifende Kommunikation von Pflegenden, Ärztinnen und Ärzten und vielen weiteren Benutzergruppen unterstützt.

Diese Ergebnisse bestätigen frühere Untersuchungen zum Nutzen des Systems, welche mit unterschiedlichen Methoden erhoben worden sind [2, 3].

Gleichzeitig zeigen die Wünsche nach einem raschen weiteren Ausbau und die grosse Zahl von konstruktiven Anregungen, dass es noch einiges an Zeit und Ressourcen brauchen wird, bis alle wichtigen aktuellen Ausbauwünsche realisiert werden können. Um die limitierten Ressourcen zur Weiterentwicklung den Projekten zuzuordnen, erfolgt die Priorisierung auf Antrag

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

6

einer multidisziplinären Steuergruppe durch die Spitaldirektion.

Analog zu andern Dienstleistungsbereichen ermöglicht der Einsatz moderner Informatikmittel auch im Spital die effiziente und kostengünstige Unterstützung von immer mehr Geschäfts-

prozessen. Dies führt wohl auch langfristig dazu, dass zumindest in den grösseren Spitälern die Liste dringender Pendenzen beim Ausbau klinischer Informationssysteme nicht schrumpfen wird.

Referenzen 1 Gnaegi A, Cohen P, Marey D, Rivron M, Wieser P. Satisfaction des utilisateurs du dossier patient électronique valaisan. 19. Jahrestagung Schweiz. Gesellschaft Med. Informatik, 2.5.2006, Basel.

2 Blaser J, Köchli V, Eschmann E, Dürsteler M, Mauron T. Arbeitszeiteinsparung durch Einsatz eines klinischen Informationssystems im Universitätsspital Zürich. Jahrestagung Schweiz. Gesellschaft für Medizinische Informatik 26.–28.4.2001. Kongressband S. 33–34, 2001.

3 Blaser J, Eschmann JE, Zimmermann X, Stocker M, Meier MA, Jaquemai R, Bucher HU. Effizienzsteigerungen durch Einführung eines Klinikinformationssystems. Jahrestagung Schweiz. Gesellschaft für Medizinische Informatik 28.5.03. Schweiz Med Forum. 2003;3(Suppl. 13):3.

SMI 2007: Nº 61

7

Data driven multivariate measure of data quality in patient records: applications of a novel fast filter approach Marc Wildia, Jürg Dietricha, Daniel W. Zahndb a

Institut für Datenanalyse und Prozessdesign, ZHW, Winterthur

b

Bundesamt für Gesundheit, Bern

Summary Attempts to utility- or performance-measurements in the hospitalization sector are heavily dependent on the quality of the available data.

Therefore, a robust indicator for the overall data quality is needed. We here propose a new and fast multivariate quality-check procedure that improves upon rule-based (validator software) and statistical (general linear) models. Interpretability of suspicious entries in data sets is enhanced by an asymmetric combination of particular data-dimensions. In certain circumstances the proposed multivariate data-screening may be combined favorably with simple (for example bivariate) deterministic rules.

Introduction Analysis of data quality in patient records can essentially be rule-based or data driven. In case of the Swiss inpatient statistics, rule-based plausibilisation is assured by MedPlaus software implementing the test framework defined in the official specifications [1] providing a high level of data quality despite of considerable heterogenity of data sources in the Swiss hospitals [2, 6]. In consequence, error rates are attending floor values and no data driven testing has been effectuated yet.

Data driven quality-checks of patient records are often based on “scores” which can be related to particular probability measures attributed to observations whereby “rare” observations are felt to be “suspicious”, see for example Pfeiffer [5] and Iantosca [4]. We here propose a filter procedure that generates scores based on fast asymmetric counting-algorithms that emphasize particular variables. The available data-set is described in section 2 and the new quality-check procedure is proposed in section 3. Finally, section 4 concludes by empirical comMarc Wildi Institut für Datenanalyse und Prozessdesign ZHW 8401 Winterthur marc.wildi@zhwin.ch

parisons based on human expertise in a true out-of-sample experiment.

Data The data used for this study consists of a subset of surgical cases taken from the Swiss nationwide inpatient statistic 2003. The data includes the variables principal treatment, principal diagnostic, sex, age, length of stay, state (geographical variable) and size (of hospital). Treatment- and diagnostic-variables are based on CHOP- and ICD-10-classifications respectively. They are reduced to the corresponding chapters of the classifications1. However, rule-based MedPlaus testing relies on full detail four digit coding of these variables. The whole data set consists of approximately 400’000 cases.

Fast filter Data “anomalies” can be detected by checking for simple bivariate incompatibilities (for example sex and treatment). However, overall data quality is a more complex e.g. multivariate phenomenon which cannot be handled comprehensively by simple bivariate rules. Basically, an observation is claimed to be “suspicious” if its occurrence (frequency) in the data-sample is “rare” whereby “rarity” is related to particular initial settings (“user preferences”). As an example, assume the following row is observed (table 1).

The obvious mismatch between diagnostic- and sex-variables implies that such an observation is seldom (in fact it occurs one-time). Considering all dimensions simultaneously generalizes simple bivariate rules (such as D1300- or D2200indicators of MedPlaus testing the consistency 1

This restriction is mainly due to computational limitations of statistical models which are prone to the “curse of dimensionality´.

Table 1. Simple bivariate incompatibility between sex and diagnostic variables.

Treatment

Diagnostic

Sex

Age

Stay

Frequency

08–16 surgery eyes

O00–O99 Pregnancy

man

51–70

more than 11 days

1

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

8

between sex and medical coding) or scoring methods based on particular aggregations of bivariate frequencies (such as in Pfeiffer et al [5]). However the need for some kind of causality (interpretability) relating “rarity” to “falseness” may afford additional information. For that purpose, we propose a more refined rarityconcept based on an asymmetric emphasize of particular variables. Assume that an observation Oi = (D1i, D2i ,…, Dki), based on the measurement of k variables, is partitioned into Oi = (D1i, Ti) where Ti = (D2i ,…, Dki) is called the type. In general, a type is any combination of k-1 variables. Oi is said to be conditionally rare with respect to D1i if it is rare, but Ti is frequently observed. In other words: the observation Oi becomes rare by adjoining the dimension D1 or, more precisely, by combining the realization Ti of the type with the particular realization D1i of D1. D1 is called the dependent variable. To illustrate this concept consider the following example based on the same observation but on different dependent variables: treatment (first row) and diagnostic (second row) which are highlighted in bold (table 2).

The observation occurs once in the data-set as shown in the frequency column. In the first row, the four-dimensional type defined by the variables diagnostic, sex, age and stay occurs once, as shown by the last column. Therefore, the dependent variable treatment is not informative about the rarity of the observation. However, the type defined by the variables treatment, sex, age and stay occurs frequently (131-times). Therefore, we may conclude that the particular realization of the diagnostic-variable is responsible for the exceptionally low occurrence of the observation. Evidently, in the above example the particular realization of the variable sex is suspect too.

In the general case, an observation Oi can be conditionally rare with respect to several dimensions (D1i , D2i, …, Dmi), say, which can be isolated by proceeding the above way. Formally, one can now operate with sets, subsets and opera-

tions on subsets. To illustrate this extension consider the following figure 1 (for sake of simplicity we consider three dimensions only).

Figure 1. Asymmetry of fast filter approach and operations on sub-sets.

In the first example, the type defined by “treatment and sex” or the type defined by “diagnostic and sex” are rare. Therefore, adjoining the missing diagnostic (for the first type) or treatment (for the second type) does not substantially reduce the frequency of the observation. However, the type “diagnostic and treatment” is quite frequent and adjoining the missing variable sex makes the observation rare. Therefore, the observation is “suspect” (in this case erroneous) because of the particular realization of the variable sex, indicating an error in this variable. In the second example the combinations (realizations of types) “surgery eyes” and “man” as well as “respiratory desease” and “man” are frequent.

However, adjoining the diagnostic “respiratory desease” to the first combination (type) or adjoining the treatment “surgery eyes” to the second combination (type) makes the observation rare. Therefore, the second example belongs to the intersection of diagnostic and treatment: the available information does not allow for a unique identification of the error-source.

Numerical efficiency of this approach is obtained by avoiding involving parameter-estimation (table 3).

Table 2. Conditional rarity, types and dependent variables (highlighted in bold).

“Causality”

Treatment

Diagnostic

Sex

Age

Length of Stay

Frequency

Frequency of Type

Seldom because of type

08–16 surgery eyes

O00–O99 Pregnancy

man

51– 70

more than 11 days

1

1

Type is frequent.

Rarity is due to the additional variable Diagnostic

08–16 surgery eyes

O00–O99 Pregnancy

man

51– 70

more than 11 days

1

131

SMI 2007: Nº 61

9

Performance measures and empirical comparisons

One of the main difficulties in evaluating competing automatic data-check procedures is a missing reliable multivariate benchmark. As a first proxy, we here use two simple (bivariate) rule-based benchmarks based on the indicators D1300 (diagnostic and sex incompatibility) and D2200 (treatment and sex incompatibility) as provided by MedPlaus. These have a very high recognition rate (~100%) and could be used to pre-adjust the data-set. Results are summarized in the following table (table 4).

As can be seen, the new (fast) algorithm does not perform worse than the much slower statistical model. In a critical appraisal of these results it is worth to emphasize that MedPlaus relies on fullresolution coding of treatment and diagnostic variables whereas the fast filter makes use of regrouped codes by chapters of the CHOP- and ICD-10 classifications. Based on this limited information set errors and valid data cannot always be discriminated as can be seen in Figure 2 which plots the number of coincident valid observations for each of the 106 data-errors3: so for example data-error number 60 is identical with 11 other valid observations in the data set whereas error number 106 is identical with almost 5000 valid realizations. Of course, these 106 data errors differ from valid data when measured in high-resolution codings.

Let A be the set of all alarms (suspicious observations) generated by a particular method and E be the set of (unknown) data-errors. Our comparisons are based on error-detection- and error recognition-rates. Specifically, the first one is P (A|E): the probability that an error is also an alarm. The second one is P (E|A): the probability that an alarm is also an error. By suitable initial settings, either one of these rates can be “controlled” but, clearly, both are generally antagonistic: improving either one generally worsens the other. In order to account for this trade-off we here propose two additional performance measures which account for both aspects simultaneously: the socalled sum-rate is defined by P (A 傽 E|A 艛 E) and the so-called product-rate is defined by the product of detection and recognition rates: P (A|E)·P (E|A). The first one emphasizes compromises between detection- and recognitionabilities in an additive way whereas the second one emphasizes a multiplicative relation between both components. Although a “good” method should perform “well” (at least better than pure coin tossing) with respect to sum- and productrates, a “poorer” method with a high recognition-rate can still be very useful in practice for pre-adjusting the data i.e. for preliminary error deletion (examples are provided by the D1300– and D2200-indicators of MedPlaus, see below).

In order to facilitate comparisons, we here align the alarm-rates of the individual methods on a common level. For that purpose, we adjust the fast filter and the statistical model on the D3000-indicator2 of MedPlaus which generates approximately 12’000 alarms. Therefore, initial settings for both the statistical as well as the fast filter-approaches were chosen accordingly (~12’000 alarms are generated by both of them).

2

This rule-based test emphasizes the coherency between principal treatment and the diagnoses. It is more complex and its recognition rate is far beyond 100% (see the empirical results).

3 The horizontal line with height 10 corresponds to the decision whether an observation is claimed to be rare (suspect) or not: if an observation occurs less than tentimes, then an alarm is generated. This particular (and more or less arbitrary) initial setting can be changed by the user.

Table 3. Interpretation of data-alarms by sub-set operations.

The examples in the above sub-sets correspond to the following observations: Example

Diagnostic

Treatment

Sex

Example 1

Pregnancy

Surgery female genitals

Man

Example 2

Respiratory desease

Surgery eyes

Man

Example 3

O00–O99 Pregnancy

08–16 Surgery eyes

Man

Table 4. Comparisons with simple bivariate (rule-based) indicators.

D1300/D2200 alarms

Whole data set

Detected by fast Filter

Detected by model

106

53

46

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

10

5000 1000 500 100 50 10 5 1 1

20

40

60

80

106

Figure 2. Number of coincident valid observations for each of the 106 data-errors (log-scale).

Since testing multivariate procedures with respect to (simple) bivariate error-mechanisms may be claimed to be a weakness, we here also rely on a (“multivariate”) human expertise. For that purpose, we examined the data of random samples of 200 cases picked from the whole sample (pure “coin tossing”) and from “alarms” generated by the fast filter, the statistical model and the indicator D3000 implemented in MedPlaus (the indicator accounts for possible conflicts between principal treatment and diagnostic variables). The results are summarized in the table 5.

Note that this exercise is truly “out-of-sample” since the data-quality (error/valid) was unknown before the expertise. The values in parentheses correspond to 95%-confidence-intervalls based on the Gaussian approximation of the binomial distribution. Briefly, the performance of the fast filter is similar to the MedPlaus-indicator (based on high-resolution coding) and both improve over the statistical model although the differences are not statistically significant. Also, the asymmetry induced by our filter approach (see figure 1) enables to determine more easily if an alarm is really an error or not. All methods clearly (significantly) improve over the purely random sample method in the first column.

The error detection-rate can be roughly approximated by noting that 4% (± 2.8%) of the observations in the whole sample are erroneous.

Therefore, the total amount of errors is roughly 400’000 * 4% (± 2.8%) = 16’000 (± 11200).

Since the alarm-rates of all methods were aligned on the D3000-indicator, all methods generated approximately 12’000 alarms. For the fast filter we then deduce that the detection-rate can be roughly approximated by 18.5% * 16000 (± 11200) / 12000 = 25% (± 17%)4.

Since the fast filter method is multivariate whereas the D3000-indicator is essentially bivariate we expect that both methods lead to qualitatively different alarms. The following table summarizes results based on the rate of common alarms generated simultaneously by the filter and the D3000-indicator. Specifically, we considered a random sample (size 200) of filteralarms and registered a “combined signal” if D3000 agreed (filter first, D3000 second).

Analogously, we generated a random-sample

4

Random fluctuations of the error recognition-rate of the fast filter are ignored because the main uncertainty is due to the randomness of the estimate of the coin tossing recognition rate.

Table 5. Expert rated recognition-rates in subsets of 200 cases.

Samples of 200 cases from:

Random selection

Fast filter alarms

Statistical model alarms

D3000 alarms

Subset of errors

8

37

27

36

Recognition-rate

4% (± 2.8%)

18.5% (± 5.5%)

13.5% (± 4.8%)

18% (± 5.4%)

Table 6. Recognition-rate of common alarms by D3000-indicator and by fast filter.

Common alarms filter

First filter, second D3000

First D3000, second

Number of alarms

35

35

Rated as error

17

13

Recognition-rate

49% (± 17%)

37% (± 16%)

SMI 2007: Nº 61

11

(size 200) of D3000-alarms and registered a combined alarm if the filter agreed (D3000 first, filter second). (table 6) We infer that both methods agree in approximately 35/200~18% of the cases. However, for such a common alarm the recognition rate rises from roughly 18% (last row in table 5) to 49% (when one conditions on the fast filter first) and 37% (when one conditions on D3000 first) respectively. Conditioning on the filter first makes sense because the following-up D3000check may be interpreted as a two-dimensional projection (based on high-resolution codings) of the high-dimensional (multivariate) screening of the filter. There is, of course, a side-effect since the detection rate declines from 25% to 12% (first fast filter) or 9.5% (first D3000) since 17 respectively 13 errors are detected only whereas 37 (see first row, second column in table 5) or 36 (see first row, fourth column in table 5) occur according to the expertise.

Summary and future developments Our results suggest that the rate of data-errors in a sample of surgical data from 2003 lies around 4% (± 2.8%). With respect to detection- and recognition-rates all proposed methods clearly and significantly outperform purely random alarms (“coin tossing”). The proposed fast filter method outperforms the slower statistical (multinomial) model as well as the D3000-indicator of MedPlaus despite substantial coding information loss. Unfortunately, significance of these results cannot be invoked because of limited test-sample sizes. The detection-rates of the best performers where initially set at about 25% and the corresponding recognition rates were approximately 18%. By combining the D3000-indicator with the fast filter approach the recognition-rate rises to 50% whereas the detection-rate falls to ~12%.

Clearly, the multivariate fast filter and the rulebased D3000-indicator of MedPlaus account for

different aspects of the data-quality problem since the set of common alarms (intersection) corresponds to “only” 18% of the size of the respective alarm-sets. With respect to the product-rate (product of recognition- and detection rates) the combination of fast filter (first) and D3000-indicator (second) performs best (50% * 12% = 6%) followed by the fast filter (18.5% * 25%~4.6%) and the D3000-indicator (18% * 25% = 4.5%). All outperform the pure coin tossing (4%) and the D1300/D2200-indicators (0.003%) whose purpose is clearly different (prior error deletion or data-adjustment).

With respect to the sum-rate, the fast filter performs best (~14%) followed by D3000 (~12%) and the combination of fast filter (first) and D3000 (second) with ~11%5. The inverted rankings of sum- and product-rates illustrate the importance of user-preferences when selecting a particular performance measure.

Future work with the proposed fast filter approach should focus on less aggregated codings of the important treatment and diagnostic variables. Also, in order to improve the reliability of our results, the (more or less involving) human expertise should be extended to larger random samples in order to shrink confidence intervals and to achieve statistical significance for some of our results that are not asserted yet. Finally, a more comprehensive analysis of the influence of initial settings (a-priori definitions of conditional and unconditional “rarity”) on performances could supply the user with valuable information about practical implementations of the various methods and interpretations of the respective results.

5

The measured performances are: fast filter: 3000/ (12000+12000-3000)~14%, D3000 ~12%, the combination of fast filter (first) and D3000 (second): (3000/2)/ (12000+12000*0.18-12000*0.18*0.5~ 1500/13200~11%.

References 1 BFS. Medizinische Statistik der Krankenhäuser: Plausibilisierungskonzept Version 4.0. Neuchâtel: Bundesamt für Statistik; 2004.

2 BFS. Beurteilung der Datenqualität in der Medizinischen Statistik 1998 – 2001. StatSanté 1/2004.

Neuchâtel: Bundesamt für Statistik; 2004.

3 Dietrich J, Wildi M. Probabilistische Datenvalidierung. 2007. Presentation may be requested at wia@zhwin.ch.

4 Iantosca C. Validierung medizinischer Datensätze. Diploma-thesis (conduction by M. Wildi), Institute of Data Analysis and Process Design, University of Applied Sciences, Winterthur, 2005.

5 Pfeiffer KP. Documentation, Data Quality and Continuous Observation of the Hospital Sector.

PCSE 2002. Available from: http://www.pcse.org/articles/index.asp?id = 168.

6 Zahnd DW, Gaspoz A., Freudiger S. MedPlaus – A Framework to Assure the Quality of the Swiss Nationwide Inpatient Survey. Paper presented at MIE2003. Available from: http://www.obs-vssante.ch/documents/MIE2003_ZAH0159.pdf.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

12

5 Jahre e-Medikationsprozess: vom ersten Test zum spitalweiten Data Warehouse Marc Oertle

Summary

Einleitung

Computerized physician order entry, and mostly drug order entry, is considered as a major component in the daily use of hospital information systems. Such a system is in use at the Hospital of Thun since 2002. In parallel, an electronic drug distribution system has been introduced subsequently in all wards. The combination of both systems, tightly integrated in the daily workflow, with a stepwise implementation and the highest possible interoperability, reached high acceptance. The architecture based on standardized systems and processes allowed getting not only a robust basis for clinical work, but also systematic exploitation of data. Where only opinions and quotations about prescription habits were known, facts are now available in a structured data warehouse that can help answer both clinical and economical questions.

Obwohl die Notwendigkeit von elektronischen Hilfsmitteln im Medikationsprozess in bezug auf Prozess- und insbesondere auch Qualitätsverbesserung unbestritten ist, schlagen viele Versuche fehl, die vorhandenen Lösungen im Alltag zu implementieren [1–5]. Der häufig non-lineare Arbeitsablauf im klinischen Alltag, die Vielzahl von parallel laufenden Prozessen und involvierten Personen(gruppen) führen zu einer Art «chaotischen» Umfelds. Nicht selten werden deshalb Institutionen im Gesundheitswesen mit sog. «complex adaptive systems» verglichen. Erfolgreiche Implementierungen sind deshalb oft abhängig von einer guten Kenntnis und Analyse dieses sozio-technischen Umfelds, und es können trotz den Vorteilen von elektronischen Lösungen durchaus auch fehlerhafte oder fahrlässige Einführungen von CPOE-Systemen vorgenommen werden [6–9]. Korrekt eingeführt bildet ein gut funktionierendes System eine wertvolle Datenbasis, um die bestehenden Prozesse und das existierende Verhalten von (meist) Ärzten zu analysieren. Ein Data Warehouse DWH liefert die nötigen Voraussetzungen, um diese umfangreichen Analysen vorzunehmen. Im Anschluss an diese Analysen soll versucht werden, wo nötig, in Echtzeit auf die Entscheidungen der verordnenden Ärzte Einfluss zu nehmen.

Zusammenfassung

Dr.med. Marc Oertle Leitender Arzt Medizin & Medizininformatik Krankenhausstrasse 12 3600 Thun marc.oertle@stsag.ch

Die elektronische Verordnung im allgemeinen, jene der Medikamente im speziellen wird gemeinhin als wichtiger Meilenstein in der Alltagsverwendung eines Krankenhausinformationssystems betrachtet. Im Spital Thun wurde das CPOE (Computerized Physician Order Entry)-System 2002 in Betrieb genommen. Parallel dazu wurde, initial nur auf einer Teststation und mittlerweilen flächendeckend, ein elektronisches Medikamentendistributionssystem etabliert. Die Kombination dieser Systeme konnte dank optimaler Integration in den klinischen Alltag, schrittweiser Implementierung, höchstmöglicher Interoperabilität und Flexibilität mit hoher Akzeptanz erfolgreich ausgebreitet werden. Durch den weitsichtigen Aufbau und unter Einsatz von standardisierten Systemen und Prozessen gelingt es, nicht nur eine solide Arbeitsgrundlage für das klinisch tätige Personal zu konstruieren, sondern auch systematische Auswertungen zu ermöglichen. Wo anfänglich nur globale Aussagen über das Verordnungsverhalten mit vergleichsweise einfachen Auswertungen möglich waren, liefert das in der Zwischenzeit eingeführte Data Warehouse strukturierte Auswertungen zu gezielten klinischen und auch ökonomischen Fragen.

Zielsetzungen Erfolgs- und Misserfolgsfaktoren bei der Einführung der elektronischen Abbildung des Medikationsprozesses sollen aufgeführt werden.

Die Schwierigkeiten beim Aufbau eines Data Warehouse werden erläutert und mögliche Folgen für den klinischen Alltag im Sinne von «decision support» aufgezeigt.

Material Grundlagen bilden die in unserer Spitalgruppe (4 Standorte, 270 Betten) vorkommenden Rahmenbedingungen: das Klinikinformtionssystem Phoenix® (Parametrix) dient als zentrale Dokumentationsstelle aller patientenrelevanten Daten.

Mittels HL-7-Schnittstellen sind via CPOEModul und via selbstparametrierte Module das

SMI 2007: Nº 61

13

computerunterstützte Medikamenten-Abgabesystem (Medstation3000®, Cardinal Health) und die computergestützte Produktion von Zytostatika (Cato®, Hanke&Hörner) angeschlossen.

Zur Auswertung dient ein kommerzielles Data Warehouse (HICOS®, Swisswin).

Methoden Mit Beachtung lokaler und stations-individueller Gegebenheiten und Bedürfnisse wird – mit einer globalen Sicht und unter Standardisierungen – in einem schrittweisen Ablauf und nach Konsultation der internationalen Literatur die gesamte Spitalgruppe mit dem CPOE-Modul ausgerüstet. Begleitend wird die gesamte übrige Dokumentation ebenfalls elektronisch abgewickelt und am Patientenbett mittels WLAN verfügbar gemacht. Basierend auf vorhandenen schriftlichen Chemotherapieprotokollen wird ein prozessförderndes elektronisches Abbild realisiert. Schnittstellen via HL-7 verbinden CPOE mit dem Medikamentendistributionssystem und die Chemotherapieverordnung mit Cato®. Nach Etablierung der spitalgruppenweiten Verordnung wird das vorhandene Data Warehouse auf die Auswertung klinischer Daten geprüft und eine entsprechende Cube-Programmierung in Auftrag gegeben und validiert.

Resultate Innert 2 Jahren gelingt es, unter Beachtung der in der Literatur erwähnten Erfolgs- und Misserfolgsfaktoren sowie mit starkem Gewicht lokaler Faktoren und optimaler Arbeitsabläufe, CPOE auf allen Abteilungen flächendeckend einzuführen. Wichtige Erfolgsfaktoren sind dabei die ubiquitär verfügbare Information, stringente Schulungen und Weisungen über die Verwendungsart, optimale Unterstützung der Verordner und die interdisziplinäre Dokumentation. Die publizierten Qualitätsverbesserungen in bezug auf Verordnungsfehler können bestätigt werden.

Ebenfalls gelingt eine Kostenreduktion im Sinne der optimalen Lagerhaltung, Verordnungspraxis und Verrechnungsoptimierung [10]. Die Akzeptanz beim Pflegepersonal ist nicht zuletzt aufgrund der erlebten Zeitersparnis gross, jene bei den Ärzten befriedigend bis gut. Die grösste Hürde bildet die nahtlose elektronische Verrechnung.

Erste Auswertungen der elektronischen Verordnung (semi-manuell) führen zu Erkenntnissen über signifikante Überverordnungen einzelner Medikamentengruppen [11], was mittels Tea-

ching und elektronischem «decision support» genutzt wird, um die Verordnungspraxis im Sinne der evidence based medicine EBM positiv zu beeinflussen.

Die Nutzung des vorhandenen Data-WarehouseSystems für klinische Fragestellungen in bezug auf die Verordnungsart ist möglich, aber mit einigem Aufwand verbunden. So müssen die spezifischen Gegebenheiten der MedikationsVerordnung (Start-Stop-Daten, Pausen, sequentielle Nutzung artverwander Medikamente, strukturierte Daten zur Diagnosestellung, individuelle Arten der Verordung usw.) in komplizierten Abläufen harmonisiert und auswertbar gemacht werden.

Diskussion Obwohl grundlegende positive Auswirkungen der CPOE seit Jahren dokumentiert sind, gelingt es bisher nur vergleichsweise wenigen Spitälern, eine erfolgreiche und sinnvolle Gesamtumsetzung zu realisieren. Mehrere Faktoren sind dafür verantwortlich: ungenügendes Prozess-Knowhow, schlechte Integration in die Workflows der am Primärprozess beteiligten Personen, mangelnde Softwaremöglichkeiten, mangelnde Standardisierung sind nur einige davon. Trotz einem kommerziellen Produkt mit nur beschränkt adaptierbarem CPOE-Modul kann es dennoch gelingen, eine erfolgreiche Implementierung vorzunehmen. Die Effekte werden auch Jahre nach dem Beginn durchaus positiv bewertet und sind aus dem Alltag nicht mehr wegzudenken.

Trotz frühem Einsatz von «decision support» im Sinne von Realtime-Interaktionschecks, Dosisadaptierungs-Warnungen, Allergiechecks usw. gibt es immer wieder Situationen, in denen kein genügender elektronischer Support geboten werden kann. Zeitweise kann der vergleichsweise hohe Standard der Verordnung zudem dazu führen, dass der User implizit eine gewisse «Intelligenz» des Systems annimmt und teilweise zu einer unreflektierten, «blinden» Nutzungsweise übergeht, die – wenn auch auf einem höheren Qualitätslevel als bisher – ihrerseits wieder zu neuen Fehlhandlungen verleiten kann.

In diesem Sinne ist eine permanente Schulung und Überwachung des Systems zwingend, ebenso natürlich der kontinuierliche Ausbau der Möglichkeiten.

Obwohl entscheidend, ist die Implementierung des CPOE-Systems nur der Anfang eines weiteren qualitätsfördernden Prozesses: Die Nutzung der anfallenden Datenmengen muss zwingend erfolgen und unter EBM-Hintergründen analy-

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

14

siert werden. Dazu gehört in einem ersten Schritt das Erfassen und Auswerten der spitalinternen Verordnungspraxis. Dadurch können – wenn auch in einem ersten Schritt globale – Erkenntnisse gewonnen werden, die bereits die Verordnungspraxis ändern sollten und können.

Der Aufbau eines DWH für die Beantwortung klinisch-statistischer Fragen ist kompliziert und erfordert einerseits genaues Know-how der klinischen Abläufe, aber auch der elektronischen Abbildung derselben in den existierenden Datenbanken. Wenn die Analyse im DWH erfolgreich ist, können sehr spezifische klinische Fragestellungen mit hoher Qualität und grossen Datenmengen beantwortet werden. Diese Antworten sollten ihrerseits wieder in den Verordnungsprozess einfliessen. Gekoppelt mit struktu-

rierten Informationen über die Diagnosen und Eingriffe eines Patienten (z.B. via existierende ICD-10/CHOP- oder Snomed-CT-Daten) kann wiederum «real time» Einfluss auf das Verordnungsverhalten der Ärzte genommen werden.

Mit über fünfjähriger Praxis in CPOE kann zusammenfassend festgestellt werden, dass mit aktuell kommerziell verfügbaren Lösungen mit einigem Aufwand und dennoch kostengünstig eine vollständige elektronische Abbildung des Medikationsprozesses in einer Schweizer Akutspitalgruppe mit mehreren Standorten realisiert werden kann und die Ergebnisse der Verordnungspraxis in einem DWH analysiert und in Form von «decision support» wieder in die Verordnungskette integriert werden können.

Literatur 1 Brender J, Ammenwerth E, Nykanen P, Talmon J. Factors influencing success and failure of health informatics systems – a pilot Delphi study. Methods Inf Med. 2006;45(1):125–36.

2 Aarts J, Doorewaard H, Berg M. Understanding implementation: the case of a computerized physician order entry system in a large Dutch university medical center. J Am Med Inform Assoc.

2004;11(3):207–16.

3 Leape LL, Brennan TA, Laird N, Lawthers AG, Localio AR, Barnes BA, et al. The nature of adverse events in hospitalized patients. Results of the Harvard Medical Practice Study II. N Engl J Med. 1991;324(6):377–84.

4 Bates DW, Teich JM, Lee J, Seger D, Kuperman GJ, Ma’Luf N, et al. The impact of computerized physician order entry on medication error prevention. J Am Med Inform Assoc. 1999;6(4):313–21.

5 Mekhjian HS, Kumar RR, Kuehn L, Bentley TD, Teater P, Thomas A, et al. Immediate benefits realized following implementation of physician order entry at an academic medical center. J Am Med Inform Assoc. 2002;9(5):529–39.

6 Berg M, Aarts J, van der Lei J. ICT in health care: sociotechnical approaches. Methods Inf Med. 2003;42(4):297–301.

7 Berg M. The search for synergy: interrelating medical work and patient care information systems.

Methods Inf Med. 2003;42(4):337–44.

8 Ash JS, Berg M, Coiera E. Some unintended consequences of information technology in health care: the nature of patient care information system-related errors. J Am Med Inform Assoc.

2004;11(2):104–12.

9 Han YY, Carcillo JA, Venkataraman ST, Clark RS, Watson RS, Nguyen TC, et al. Unexpected increased mortality after implementation of a commercially sold computerized physician order entry system.

Pediatrics. 2005;116(6):1506–12.

10 Oertle M, Hufschmid E, Lanker B. Kombination von elektronischer Verordnung und elektronischer Medikamentendistribution im Spital. Swiss Medical Informatics. 2005;54:18–22.

11 Oertle M, Mouton WG. Prescribing practice in a Swiss primary and secondary acute care hospital.

Swiss Med Wkly. 2006;136(47–48):769–75.

SMI 2007: Nº 61

15

Natural Language Processing: Real-time-Struktur aus Freitext im Klinikalltag?

Marc Oertle

Summary There is a long tradition to use free text to document cases in healthcare. Mostly, diagnoses are often expressed using the “Weed” principle. Yet, what is powerful to express meaning is almost not usable for decision support. Structured data such as in ICD-10 is unable to replace free text to express all clinical needs; but they provide a strong basis for real-time management support.

For example, it is only possible to assess the pertinence of drug regimen if this information is linked to a structured list of diagnoses. One of the goals of natural language processing is to extract structured information from free text.

This should allow combining both the power of expression of free text and the power of analysis of structured data. This work presents first results of a real-time implementation of a thirdpart NLP system in a daily used clinical information system.

Zusammenfassung

Dr. med. Marc Oertle Leitender Arzt Medizin & MedizinInformatik Krankenhausstrasse 12 3600 Thun marc.oertle@stsag.ch

In Schweizer Gesundheitsinstitutionen gibt es eine lange Tradition der Dokumentation im Freitext-Stil. Insbesondere die ärztlichen Diagnosen werden oft nach dem von Weed vorgeschlagenen Prinzip dokumentiert. Was geläufig und sehr informativ ist, ist kaum verwendbar, um irgendeine Art von Entscheidungsunterstützung – «decision support» – im klinischen Alltag zu bieten. Strukturierte Daten – wie z.B. ICD-10 Codes – sind zwar nicht in der Lage, die Informationsvielfalt und -vielschichtigkeit von Freitext zu ersetzen, aber sie sind in der Lage, eine solide Beurteilungs-Basis für prozessrelevante Abläufe real-time zur Verfügung zu stellen. So kann z.B. in einer elektronischen Patientenakte die aktuelle oder geplante Medikation nur sinnvoll hinterfragt werden (i.S.e. Expertensystems), wenn auf strukturierte Diagnosedaten zurückgegriffen werden kann.

Natural Language Processing NLP hat zum Ziel, in möglichst stark automatisierter Form die Freitext-Angaben in strukturierte Daten zu überführen. Damit soll einerseits die Stärke und Gewohntheit des Freitexts beibehalten werden, andererseits aber auf die strukturierte Datenform nicht verzichtet werden. Die vorliegende Arbeit

beschreibt erste Erfahrungen der Real-timeImplementierung eines kommerziellen NLP-Produktes im klinischen Alltag eines Klinikinformationssystems.

Einleitung Die Einführung des elektronischen Abbildes von Pflege- und Ärztedokumentationen bringt immer auch die Frage nach Einführung von strukturierter Datenerhebung mit sich. Was z.B. bei der Medikation sehr viel Sinn macht (definierter Lagerstamm, vorgegebene Konzentrationen und galenische Formen usw.) und bei den Allergien meist relativ einfach durchführbar ist, stösst bei der klassischen Problem- oder Diagnoseliste insbesondere internistischer Patienten an Grenzen. Jede Abbildung von Freitext in einem Klassifikations- oder Taxonomiesystem bringt per definitionem einen gewissen Informationsverlust mit sich. Zudem hat sich mit dem über Jahrzehnte bewährten Weed-Schema [1] eine Art der Problemlistenführung etabliert, die weit entfernt von strukturierter Datenerfassung liegt. Als Besonderheit des hospitalisierten Patienten kommt noch dazu, dass sich die anfänglichen beschriebenen Probleme durch den fortlaufenden Work-up, die Differentialdiagnostik und Diagnostik erst noch zu den finalen Problemen entwickeln müssen. Aus diesen und vielen weiteren Gründen hat sich in der Schweiz bisher fast nirgends eine flächendeckende Bewegung hin zu rein strukturierter Datenerfassung (structured data entry SDE) ergeben.

Da die Klinik-Informations-Systeme immer mehr Teile der (interdisziplinären ) Prozesse im Spital abbilden und zunehmend Möglichkeiten für den sinnvollen Einsatz von «decision support» – z.B. im Medikationsprozess – bestehen, ist das Vorhandensein von strukturierten Daten schon während der Hospitalisation unumgänglich (meist wird aktuell durch ein Kodierteam eine ICD-Kodierung nach Spitalaustritt vorgenommen, was für die Prozesssteuerung der Hospitalisation selbst natürlich keinen Mehrwert darstellt).

Natural-Language-Processing-Tools ermöglichen die Gewinnung von strukturierten Daten aus Freitext. Mehrere kommerzielle Produkte sind

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

16

basierend auf unterschiedlichen Mechanismen in der Lage, durch eine bestimmte Sprachanalyse eine nach den geltenden Kodierrichtlinien korrekte Struktur (z.B. ICD-10-Codes) zu erstellen.

Damit stellt sich die Frage, ob diese SoftwareKomponenten mit einer Einbindung in die existierende Dokumentation in der Lage wären, zeitnah und ohne (wesentlichen) Mehraufwand valide, strukturierte Daten aus Freitext-Problemlisten zu gewinnen. Obwohl prinzipiell als Unterstützungshilfe für Kodierteams geplant, sollte eine Direktkodierung ohne wesentliche Mitarbeit des Users theoretisch auch während der Hospitalisation möglich sein.

Zielsetzungen Realisierung von NLP-Einbindung in die existierende elektronische Problemlisten-Dokumentation eines KIS und Quantifizierung der Güte und des Nutzens der resultierenden strukturierten Daten in Real-time-Verfügbarkeit während des Spitalaufenthaltes.

Material Die ärztlichen Problemlisten werden nach dem Weed-Schema im kommerziellen KIS Phoenix® (Parametrix) erfasst. Das NLP Produkt Semfinder® (Semfinder AG) wird in das KIS integriert und liefert strukturierte ICD-10Codes zu den erfassten Problempunkten. [2]

Methoden Bei der internistischen Problemliste wird jede erste Zeile jedes Problem- oder Diagnosepunktes über einen Direktaufruf der NLP-Software zur Kodierung übermittelt. In einer ersten Phase werden die daraus gewonnenen Codes bei bereits ausgetretenen Patienten verglichen mit den durch das professionelle Kodierteam erhobenen ICD-Diagnose-Codes. Letzeres gilt als «Goldstandard» zur Validierung des NLP-Produktes.

Nicht berücksichtigt werden ICD-Codes, die vom Codierteam anhand von Angaben ausserhalb der Problemliste erfasst wurden. Ebenfalls ausgeschlossen sind Interventionskodierungen, da Semfinder den CHOP-Katalog in der aktuellen Version noch ungenügend unterstützt.

Nach einer entsprechenden Validierung wird in einer zweiten Phase das NLP-System derart implementiert, dass jede Änderung der ersten Zeile eines Problempunktes zu einer automatisierten Neu-Analyse via NLP führt. Die daraus abgeleiteten strukturierten Daten werden inhalt-

lich auf ihre Validität geprüft, zudem wird erhoben, wie oft dass Zusatzangaben durch den User nötig sind, um einen validen Code zu erhalten, und wie oft das NLP-System ohne weitere Intervention zu einem korrekten Code führt. Die Auswahl der Patienten erfolgt willkürlich, bereits getestete Formulierungen werden dabei ausgeschlossen.

Resultate Für die Phase 1 (Validierung gegen Goldstandard) werden insgesamt 120 Problempunkte von insgesamt 34 Patienten analysiert. Wenn Semfinder ohne Rückfragen einen ICD-10-Code liefert, wird dieser Code mit den durch das Kodierteam erarbeiteten Codes verglichen. Wenn Rückfragen auftreten, beantwortet der Untersucher die Rückfragen anhand der in der Problemliste oder allenfalls in der Krankengeschichte vorhandenen Informationen. Durch das Kodierteam wurden von diesen 120 Problempunkten 10 nicht kodiert, durch Semfinder können 3 (2%) aufgrund des unspezifischen Textes (Bsp: «Indurierte erythematöse Hautveränderungen an den Unterarmen») nicht kodiert werden. Aus 120 Problempunkten werden 74 (62%) direkt kodiert ohne Rückfrage. In 34 Fällen (28%) kommt es zu einer, in 12 (10%) zu zwei Rückfragen. Im Vergleich zum Goldstandard kommt es in 93 Fällen (78%) zu identischen Codes, in 18 Fällen (15%) zu Detailabweichungen der 3. oder 4. Stelle und in 6 Fällen (5%) zu einer abweichenden Kodierung in bezug auf die Untergruppe. Bei den Detailabweichungen kommt es sowohl bei Semfinder als auch beim Kodierteam zu je 3 unspezifischeren xy.9–Codes im Vergleich zur anderen Methode.

In der Phase 2 wird Semfinder® ins KIS integriert. Bei hospitalisierten Patienten werden in Echtzeit die vorhandenen Problemlistenpunkte analysiert. Insgesamt werden 180 Problempunkte bei 98 Patienten analysiert.

Dabei kommt es in 116 Fällen (64%) zu einer rückfragefreien Direktkodierung in einen korrekten ICD-10-Code (keine Validierung gegen Goldstandard, da das Kodierteam zu diesem Zeitpunkt noch keine Kodierung vorgenommen hat). In 48 Fällen (27%) kommt es zu einer Rückfrage zwecks Spezifizierung, in 16 Fällen (9%) zu zwei Rückfragen. Mehr als 2 Rückfragen müssen nicht beantwortet werden. Kein Fall bleibt unkodiert.

SMI 2007: Nº 61

17

Diskussion Klinische Applikationen im Spitalumfeld entwickeln sich immer mehr weg von der reinen Dokumentation hin zu prozessunterstützenden Systemen. Im Umfeld von DRG-(Diagnosis Related Groups)-Abrechnungsmodellen wird eine zeitnahe (real-time) Führung des Primärprozesses immer wichtiger. Um «decision support», aber auch Steuerungsmöglichkeiten durch das KIS realisieren zu können, muss zwingend auf strukturierte Daten zurückgegriffen werden können. Zumindest in der Deutschschweiz werden zur Zeit die Diagnose- und Problemlisten meist in Freitext erfasst und erst nach dem Spitalaustritt zwecks offiziellen Statistiken (BfS) oder DRG-Abrechnungen kodiert und damit strukturiert.

Um einerseits keine grundlegende Änderung weg vom Freitext zu erzwingen (es wären auch ausschliesslich strukturierte, z.B. ICD-10-basierte Diagnoselisten denkbar) und andererseits keinen bedeutenden Mehraufwand für die dokumentierenden Ärzte zu implementieren, sollten NLPApplikationen theoretisch in der Lage sein, zeitgerecht strukturierte Daten aus Freitext zu generieren. Damit wäre die Basis gelegt, um «decision support» oder DRG-Berechnungen durchzuführen und damit den Primärprozess durch Informationsvermittlung zu steuern.

In der vorliegenden Arbeit wird ein kommerzielles Produkt, das bisher primär für die Unterstützung (inhaltlich und zeitlich) von Kodierpersonen gedacht war, in Echtzeit in die Problemlisten eines Akutspitals eingeführt und getestet. Die Validierung des NLP-Systems kann als sehr gut bezeichnet werden: Bei bereits kodierten Fällen (da das Test-Spital bereits seit 2 Jahren im KVGund UVG-Bereich mit DRG abrechnet und ein Profi-Kodierteam vorhanden ist, kann diese Kodierung als hochwertig betrachtet werden) konnte in 78% der Fälle eine vollständig identische Kodierung nachgewiesen werden. Wenn in die hochwertige Übereinstimmung auch die Detailabweichungen der dritten oder vierten

Stelle einbezogen werden, kann von einer sehr guten Übereinstimmung in beinahe 93% der Fälle ausgegangen werden. Mit dem medizinischen Wissen des Untersuchers konnten die Präzisierungsfragen des NLP-Systems derart beantwortet werden, dass gleich viele unspezifische Kodierungen («.9» Codes) erzielt werden im Vergleich zum Goldstandard.

Um im Alltagsgebrauch Erfolg haben zu können, sollte im Idealfall eine Kodierung vollständig im Hintergrund laufen können (Minimalbelastung des Users, Maximalwirkung für das Gesamtsystem). Der Echtzeit-Test mit realen Patienten (98 Patienten mit 180 Diagnosen) zeigt, dass lediglich in 27% der Fälle eine und in 9% zwei Rückfragen nötig sind. 64% der Problempunkte werden direkt und ohne Präzisierungsfrage kodiert. Diese Daten weichen nicht ab von der ersten Phase der Prüfung gegen den Goldstandard und untermauern die interne Validität des Vergleiches.

Da die Rückfragen sehr präzise sind (Bsp: Akuter Myokardinfarkt, Rückfrage: Inferior? Posterior?

Vorderwand?), können insbesondere jene Fälle, die nur eine Rückfrage erfordern, rasch und ohne wesentliche Zeitverzögerung kodiert werden. In der Test-Situation störend war einzig, dass das GUI des NLP-Produktes auch bei direkt kodierbaren Problemlistenpunkten verwendet werden musste, was in der Zwischenzeit aber mit einem dialoglosen Aufruf bei Direktcodierung umgangen werden konnte.

Insgesamt kann gesagt werden, dass die Integration und die Resultate der Tests sehr zufriedenstellend ausfallen und potentiell eine solide Basis für die Gewinnung von strukturierten Daten mittels NLP im Echtzeit-Ablauf einer klinischen Dokumentation im Akutspital geliefert werden kann. Damit ist eine Prozessführung durch das KIS trotz dem Verfassen von klinischen Diagnose- und Problempunkten in Freitext potentiell möglich, bedingt aber eine nahtlose und tiefe Integration aller relevanten Systeme ins KIS.

Literatur 1 Weed LL. New premises and new tools for medical care and medical education. Methods Inf Med. 1989;28(4):207–14.

2 Straub HR, Frei N, Mosimann H, Perger C, Ulrich A. Simplified representation of concepts and relations on screen. Stud Health Technol Inform. 2005;116:799–804.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

18

Interaktives Patientenaufklärungssystem für ausgewählte laparoskopische Operationen Christian Knetsch, H. P. Simmen

Summary The patient should be informed by the physician about the reasons, the procedure, the risks and complications possible and the outcome of surgery. Though, the daily work in hospitals often does not allow enough time to reach these goals. This reason led to the development of a modern, interactive patient information system.

This system, implemented as a pilot project, gives explanations about four laparoscopic procedures, using movies, graphics and dynamic references. It is available on Internet, www.patientenaufklaerung.ch (Password: vertrauen) or on a standalone CD. This helps patients to be transparently informed and prepared and allows a more efficient and satisfactory encounter between physicians and patients.

Zusammenfassung Der Patient wird vor operativen Eingriffen von seinem Arzt in einem Aufklärungsgespräch über die Gründe für die Operation, den Ablauf, die Risiken, Komplikationen und über das postoperative Geschehen informiert. Der gegenwärtige Berufsalltag im Krankenhaus lässt oft zu wenig Zeit für eine ausführliche, Arzt und Patienten befriedigende Aufklärung. Daher wurde ein modernes, interaktives Patientenaufklärungssystem entwickelt. Das betriebssystemunabhängige Programm erklärt dem Patienten als Pilotprojekt vier laparoskopische Operationen mit Hilfe von Filmsequenzen, Grafiken und abrufbaren Definitionen. Es wird ihm online passwortgeschützt auf www.patientenaufklaerung.ch (Passwort: vertrauen) oder als CD mit StandaloneApplikation auf dem Computer zur Verfügung gestellt. Somit ist der Patient bei seinem persönlichen Aufklärungsgespräch gut vorbereitet und informiert. Die vorhandene Gesprächszeit kann sowohl für den Patienten als auch den Arzt effektiver und zufriedenstellender genutzt werden.

Einleitung Christian Knetsch Chirurgische Klinik Spital Oberengadin 7503 Samedan info@patientenaufklaerung.ch

Die Patientenaufklärung vor operativen Eingriffen wird im Spitalalltag vom Arzt vorgenommen, indem er mit den Patienten ein Aufklärungsgespräch führt.

Der Arzt erörtert die Gründe für die Operation, bespricht den Ablauf, die Risiken und Komplikationen und informiert über die Nachbehandlung. Während des Gesprächs werden dem Patienten Bilder gezeigt, Zeichnungen gemacht, und schliesslich wird alles auf einem Aufklärungsbogen dokumentiert.

Leider ist das Ergebnis einer solchen Aufklärung oft für beide Seiten unbefriedigend.

Der Patient ist vor dem Eingriff nervös und erhofft sich, seine Ängste durch das Aufklärungsgespräch weitestgehend zu verlieren. Er möchte, dass sich der Arzt genügend Zeit nimmt, ihm alles genau zu erklären. Das bezieht sich auch auf Fachausdrücke und allgemeine Abläufe, die der Arzt oftmals als selbstverständlich voraussetzt.

Für den Arzt ist es schwierig, sich in den Laien hineinzuversetzen. Er muss möglichst schnell die relevanten Besonderheiten erklären. Dabei müssen Risiken und Komplikationen unbedingt deutlich dargelegt werden, um auch die rechtlichen Aspekte zu berücksichtigen. Hinzu kommt, dass der Arzt dieses Aufklärungsgespräch möglicherweise schon oft geführt hat, es für ihn daher zur Routine geworden ist. Für den Patienten ist es in der Regel das erste für diesen Eingriff und somit fachliches und sprachliches Neuland.

Da in der modernen Medizin Zeitdruck eine grosse Rolle spielt, muss die Patientenaufklärung optimiert werden.

Zielsetzung Das Vorhandensein eines Computers in den meisten Haushalten ermöglicht es, sich schon zu Hause eingehend auf die Operation und das Aufklärungsgespräch vorzubereiten. Dies geschieht mit Hilfe unseres Patientenaufklärungssystems (PAS). Beim ersten Kontakt wird dem Patienten die Programm-CD ausgehändigt. Verfügt er über Internet, kann er das Programm passwortgeschützt auf unserer Web-Plattform benutzen.

Bei elektiven Eingriffen kann sich der Patient entsprechend seinem Wissenstand über Indikation, Ablauf sowie allgemeine Risiken und Komplikationen der bevorstehenden Operation informieren. Erklärungen, Bilder und Filme über die Operation können er und seine Angehörigen sich beliebig oft und detailliert ansehen.

SMI 2007: Nº 61

19

Er wird auch über Behandlungsalternativen informiert und bekommt bereits jetzt eine Vorstellung über die Nachbehandlung.

Durch eine Standardisierung der Information können die persönlich relevanten Fakten abgerufen werden.

Ist der Patient bereits vorbereitet, hat der Arzt die Möglichkeit, das Aufklärungsgespräch optimal zu nutzen. Er kann fallspezifische Besonderheiten und Risiken besprechen. Die Möglichkeit ist also gegeben, gemeinsam die Anwendung nochmals durchzugehen, verbleibende Unklarheiten zu lösen und auf spezifische Fragen des Patienten einzugehen.

Abschliessend wird das Aufklärungsprotokoll, das bereits zu Hause ausgedruckt werden kann, mit spezifischen Gesichtspunkten ergänzt, durchgearbeitet und gemeinsam unterzeichnet.

Bei der aktuellen Situation in den Krankenhäusern wäre es utopisch zu versuchen, dem Arzt und seinem Patienten mehr Zeit für die Patientenaufklärung aus dem Berufsalltag heraus freizuhalten. Der Lösungsansatz muss deshalb auf anderer Ebene erfolgen. Mit unserem interaktiven Patientenaufklärungssystem kann sich der Patient bereits im Vorfeld mit seinem operativen Eingriff auseinandersetzen. Er hat die Möglichkeit, das Programm in Anwesenheit seiner Vertrauenspersonen zu bedienen und sich so den für ihn wichtigen Zuspruch zu holen. Die einfache und pragmatische Programmführung und Aufbereitung der Themen ist alltagstauglich, effizient und erfordert keine Computervorkenntnisse.

Die Voraussetzungen für unser primäres Ziel sind somit gegeben: eine Patientenaufklärung, die beide Seiten befriedigt und realisierbar ist.

Material und Methode Wir haben als Pilotprojekt für unser PAS häufige laparoskopische Operationen gewählt. Es erschien uns als besonders zweckmässig, dem Patienten die Grundlagen über Abläufe, Instrumente und Begriffe mit Hilfe von Filmen und Erklärungen zu erläutern.

PAS ist betriebssystemunabhängig mit minimalen Systemvoraussetzungen. Programmiert wurde mit Flash. Dies ist eine proprietäre integrierte Entwicklungsumgebung zur Erstellung multimedialer Inhalte, so genannter «Flash-Filme».

Der Patient hat die Möglichkeit, unser Programm online passwortgeschützt auf unserem Portal www.patientenaufklaerung.ch zu benutzen.

Systemvoraussetzung ist nur ein Internetbrowser mit Flashplayer. Er kann es alternativ als CD mit einer Standalone-Applikation auf einem Compu-

ter benutzen, welcher keinen Internetzugang hat.

Weiterhin hat der stationäre Patient die Möglichkeit, einen Tablett-PC (Abb. 1) zu verwenden, der dann auch beim Aufklärungsgespräch eingesetzt werden kann. Die Bedienung des Programms ist so einfach gehalten, dass auch ein Unerfahrener oder ein Anfänger auf dem Computergebiet sofort alle wichtigen Funktionen beherrscht.

Abbildung 1

Tablett-PC. Nachdem die CD eingelegt oder die Internetseite aufgerufen wurde, startet sich das Programm von selbst. Eine Moderatorin erklärt in der Einleitungsseite die Funktionen. Dabei helfen einfach gehaltene Buttons, wie beispielsweise «zurück» oder «weiter» dem Benutzer, sofort seine Aufmerksamkeit auf die Informationen zu richten.

Er muss keine komplizierte Bedienung erlernen.

Das Programm liest sich selbst vor und wiederholt einzelne Passagen nach Belieben.

Alle Fachausdrücke werden in einem Erklärungsfeld parallel zum normalen Ablauf erläutert. Die Definitionen können immer wieder abgerufen werden.

Operationsschritte werden erklärt und im Anschluss mit einzelnen Filmsequenzen veranschaulicht. Diese können allerdings zu jedem Zeitpunkt ausgeblendet werden.

Individuell können einzelne Sequenzen angewählt und wiederholt werden.

Falls ein Drucker vorhanden ist, kann das Aufklärungsprotokoll, auf dem das folgende Aufklärungsgespräch dokumentiert wird, schon zu Hause ausgedruckt werden.

Resultate Vier laparoskopische Eingriffe werden im Programm angeboten: die diagnostische Laparoskopie, die laparoskopische Blinddarmentfernung, die laparoskopische Entfernung der Gallenblase und der laparoskopische Eingriffe am Dickdarm.

Sowohl eine CD-Standalone-Version, welche den

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

20

Patienten in der Sprechstunde mitgegeben wurde, als auch eine Online-Version und ein Tablett PC für den Gebrauch mit dem Programm im Krankenhaus wurden geschaffen. Das Programm ist für eine spätere Integrierbarkeit in ein Netzwerk oder eine Krankenhauswebsite vorbereitet. Beliebige andere Operationen können erweitert werden. Auch eine Nutzung für die Aufklärung im Bereich diagnostischer Eingriffe oder anderer Informationen ist möglich.

Diskussion Das Programm wurde einer Gruppe von Patienten, bei welcher die entsprechenden Eingriffe vorgesehen waren, zur Verfügung gestellt. Die Qualität der Aufklärungsgespräche wurde in beeindruckender Weise angehoben. Die Patienten kamen gut informiert, mit weitaus mehr Vorkenntnissen zu den Abschlussgesprächen. Ihr Gemütszustand war entspannter und weniger emotional. Die Patienten bemerkten uns gegenüber, dass sie sich mündiger, weniger fremdbestimmt fühlten und so im Aufklärungsgespräch ihre kontraproduktiven Hemmungen verloren hätten. Sie konnten sich voll auf die Abläufe der Operation, die möglichen Risiken und die Nachbehandlung konzentrieren. Nach der Vorberei-

tung mit dem Programm konnte die Zeit der Gespräche effektiver genutzt werden. Das Ergebnis war für Patient und Arzt sehr zufriedenstellend.

Selbst ältere Patienten haben beim spielerischen Umgang mit unserem Touchscreen die Scheu vor dem Computer verloren und viele nützliche Informationen gewonnen.

Dem aufklärenden Arzt wurde ein Werkzeug geschaffen, das er individuell zur besseren Veranschaulichung seiner Ausführungen einsetzen kann. Anstelle aufwendiger Zeichnungen, zum Beispiel des Durchtrennens des Blinddarms mit einer Staplerzange, wählt er einfach die entsprechende Filmsequenz an und kommentiert diese für den Patienten.

Nach dem aktualisierten Aufklärungsgespräch stiegen sowohl die Zufriedenheit bei Patient und Arzt als auch die Servicequalität und Patientenzufriedenheit in unserem Hause an.

PAS ist mit beliebig vielen Operationen erweiterbar und läuft auf Apple- und Windowsrechnern mit und ohne Internetzugang bei geringer Systemanforderung.

Es wurde ein Programm geschaffen, welches bei einfachster Bedienung Informationen in zeitgemässer Weise audiovisuell veranschaulicht und absolut klinikalltagstauglich ist.

SMI 2007: Nº 61

21

Computersimulation als Werkzeug zur Potentialdefinition im OP-Management Stefan Hunziker 1, R. A. Bamert 2, G. K. Schüpfer 3 1

Medizinischer Stab, Kantonsspital Luzern

2

Fernfachhochschule Schweiz, Brig

3

Departement Anästhesie, Kantonsspital Luzern

Summary Computer simulation is an ideal tool to support operation room management, particularly regarding the planning of resource allocation and the coordination of workflow. An increased competition between hospitals results inevitably in the need for hospitals to reexamine their offered services and procedures. With this computer simulation model, hospital administration has a viable tool to analyze and evaluate their portfolio of range of services. This method denotes a reliable instrument for determining the actual potential for optimizing costs.

Zusammenfassung Computersimulation ist ein ideales Werkzeug, welches das OP-Management bei der Planung der Ressourcenallokation und bei der Steuerung der Abläufe im Operationssaal unterstützt.

Fusionen und vermehrter Wettbewerb unter den Krankenhäusern führen zwangsläufig zur Anpassung des Angebots der Krankenhäuser. Mittels Computersimulation steht dem Management ein Hilfsmittel zur Analyse und Überprüfung des Angebotsportfolios zur Verfügung. Zur Kostenoptimierung ist die vorgestellte Methodik ein sehr gutes Mittel, um das effektive Potential aufzuzeigen.

Einleitung In den operativen Disziplinen bildet der OPProzess den wichtigsten Teil an der Wertschöpfungskette. Dieser ist gekennzeichnet durch Komplexität und teure Spezialtechniken sowie grossem Personaleinsatz. Die Bewirtschaftung dieser teuren Spezialeinheit ist ein zentrales Problem in der Organisation eines Krankenhauses.

Mittels Computersimulation soll ein Werkzeug zur Potentialdefinition entwickelt werden.

Methoden Stefan Hunziker Medizinischer Stab Kantonsspital 6000 Luzern stefan.hunziker@ksl.ch

Ausgehend vom Systemdenken entwickeln wir in mehreren Abstraktionsschritten ein animiertes Computersimulationsmodell, welches den ISTZustand eines interdisziplinären Operationstraktes wiedergibt. Das Modell umfasst vier Opera-

tionssäle und berücksichtigt die elektiven Eingriffe während der normalen Betriebszeit von 08:30–16:00 von Montag bis Freitag. Die Vorgänge werden grafisch mittels einer speziellen Software (ProModel® Software, Fa. SQC AG, Zürich) dargestellt. Die simulierten Operationsprogramme werden analysiert und mit den effektiven Werten aus der Operationsdatenbank verglichen. Das entwickelte Basismodell bildet die Grundlagen zur Analyse und Bewertung von Massnahmen mit dem grössten Optimierungspotential.

Resultate Der Zeitraum der Simulation betrug 10 Wochen.

Die Anzahl Eingriffe variiert von -2.97% bis 2.07%. Die Abweichung bei der gesamten Operationszeit liegt zwischen -4.33% und 3.91%.

Die Spanne bei der gesamten Anästhesiezeit reicht von -2.41% bis 5.16% (Tabelle 1).

Der Vergleich der simulierten Einzelwerte für Einleitungs-, Lagerungs-, Operations- und Ausleitungszeit zeigt keine statistisch signifikanten Unterschiede (p >0.05, nicht parametrischer Test, Mann-Whitney U-Test).

Wir bestimmen die Korrelationen von simulierten zu realen Daten. Dabei wählen wir je eine Stichprobe von 100 Werten aus. In der Abbildung 1 sind die simulierten Werte auf der x-Achse gegen die realen Werte auf der y-Achse aufgetragen. Bei grossen Werten ist die Korrelation weniger gut als bei kleinen. Für die Einleitung und Lagerung liegen die Korrelationskoeffizienten r zwischen 0.9751 und 0.9936. Bei der Operation und der Ausleitung reicht die Spanne von 0.8109 bis zur 0.9904.

Konklusion Das Simulationsmodell mit zufallsverteilten Inputwerten weist eine geringe Abweichung zu den realen Daten auf. Die simulierten Werte sind nicht signifikant unterschiedlich zu den Vergleichswerten (p >0.05). Vergleicht man hingegen paarweise simulierte und reale Daten, so stellt man eine hohe Korrelation fest (r = 0.8109 bis r = 0.9936).

Durch den iterativen Prozess mit der stufenweisen Abstraktion ist ein ausbaufähiges Modell

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

22

Tabelle 1. Vergleich Anästhesie- und OP-Zeit zwischen Simulation und Datenbank.

Saal A

Saal B

Saal C

Saal D

Eingriffe Simulation [n]

106.1

124.3

148.2

165.1

Eingriffe Datenbank [n]

104.4

128.1

145.2

163.2

Abweichung zu Datenbank [n]

1.7

–3.8

3

1.9

Abweichung zu Datenbank [%]

1.63

–2.97

2.07

1.16

OP-Zeit Simulation [Min.]

15641

13656

12052

12817

OP-Zeit Datenbank [Min.]

15735

14273

11599

13335

Abweichung zu Datenbank [Min.]

–95

–618

453

–518

Abweichung zu Datenbank [%]

–0.60

–4.33

3.91

–3.88

Anästhesiezeit Simulation [Min.]

27239

25973

25203

29191

Anästhesiezeit Datenbank [Min.]

27261

26614

23965

29202

Abweichung von Datenbank [Min.]

–22

–640

1238

–11

Abweichung zu Datenbank [%]

–0.08

–2.41

5.16

–0.04

Abbildung 1

Korrelation von 100 simulierten zu realen Werten für die Einleitung Orthopädie.

entstanden. Mittels der grafisch animierten Darstellung werden die simulierten Vorgänge für den Endanwender transparent und nachvollziehbar.

Zudem können mit dem Simulationsmodell zusätzliche Parameter generiert werden, welche bis anhin nicht erhoben wurden bzw. einen hohen Erfassungs- und Dokumentationsaufwand aufweisen (z.B. Warte- und Wechselzeiten, Belegungszeiten bestimmter Organisationseinheiten).

Das validierte Modell bildet die Basis für weitere Untersuchungen (Auswirkungen auf die Produktivität sowie Ertrags- und Kostenanalysen bei Prozessanpassungen).

SMI 2007: Nº 61

23

Integration von Blutgas-Messsystemen mit einem Klinikinformationssystem Christian Falk

Summary The Integration of Point of Care testing systems with laboratory and clinical information systems has numerous advantages. At the University Hospital of Zürich, about 250’000 blood analyses are made every year. Since two years, all blood gas analyzers have been renewed and networked. At the same time, a central management server has been implemented. This was the basis to allow all blood gas analyzers and results to be integrated in the KISIM clinical information system. Next steps include the integration of other monitoring and medical devices, such as ventilators, therefore getting nearer to a paperless record.

Zusammenfassung Die Integration von Point-of-Care-TestingSystemen mit Labor- oder Klinikinformationssystemen bringt zahlreiche Vorteile gegenüber einer nichtintegrierten, papierbasierten Arbeitsweise. Im Universitätsspital Zürich werden jährlich über 250 000 Blutgasanalysen angefertigt. In den letzten zwei Jahren wurden alle Analysatoren erneuert. Alle Analysatoren wurden vernetzt.

Gleichzeitig konnte ein Management-Server für diese Analysatoren beschafft werden. Damit war der Grundstein für die Integration aller Blutgasanalysatoren mit dem Klinikinformationssystem KISIM gelegt. Kürzlich konnte das nun integrierte System dem Betrieb übergeben werden. Eine weitere Optimierung verschiedener Prozessschritte verspricht ein Zusatzprodukt, das wir derzeit evaluieren. Die Integration weiterer medizintechnischer Systeme und Geräte, wie Patientenmonitoring und Beatmungsgeräte, wird uns zukünftig noch näher an einen papierlosen, informatikunterstützten klinischen Alltag bringen.

Einführung

Christian Falk Universitätsspital CH-8091 Zürich christian.falk@usz.ch

Blutgas-Messsysteme gehören mit Blut-GlukoseMessgeräten zu den seit Jahren genutzten bettseitigen oder Point-of-Care-Test-Systemen (POCT). Durch Fortschritte in der Analysetechnik von POCT-Systemen werden laufend neue Einsatzgebiete erschlossen, wie Diagnostik für

Blutgerinnung, Infektiologie und Kardiologie.

Die rasche Verfügbarkeit von Testergebnissen, sogenannte Turnaround-Zeiten von weniger als 5 Minuten sind die Regel, ein kurzer Probentransport sowie geringere präanalytische Probleme bei instabilen Analysaten (z.B. Blutgase) sprechen für POCT-Systeme. Diesen Vorteilen stehen Risiken in bezug auf Qualität und Wirtschaftlichkeit gegenüber.

Blutgasanalysatoren, die neben Blutgas-Parametern auch Elektrolyte, Glukose, Laktat und weitere Parameter im Blut messen können, werden dezentral, vorwiegend in Intensivstationen, OP-Bereichen und Notfallstationen eingesetzt.

Anders als Analysegeräte in Zentrallaboratorien werden POCT-Geräte in der Regel nicht durch Labor-Fachpersonal, sondern durch Pflege-Fachpersonal bedient. Eine grosse Anzahl von Analysegeräten mit einer grossen Anzahl von Benutzern, deren primäre Ausbildung und Aufgabe keine labormedizinische ist, stellt besondere Anforderungen an das POCT-Management. Gesetzliche Vorgaben sehen Qualitätssicherung mit internen Qualitätskontrollen für das Point-of-CareTesting vor [6,7] sowie die sichere und nachvollziehbare Ablage der behandlungsrelevanten Daten in der Patientenakte.

Die Vorteile von POCT-Connectivity und -Integration mit Labor- oder Klinikinformationssystemen sind zahlreich: – Verlust- und fehlerfreie Übermittlung von Analyseresultaten; – automatisierte Resultat-Archivierung; – fehlerfreie elektronische Patientenakte in nahezu Echtzeit; – bessere Patientensicherheit; – einfachere Qualitätssicherung; – vollständigere Abrechenbarkeit.

Im Universitätsspital Zürich werden pro Jahr über 250 000 Blutgasanalysen durchgeführt. Bis 2004 wurden dazu gegen 30 Blutgasanalysatoren, Oxymeter und Spektrometer zur Elektrolytdiagnostik diverser Hersteller und mehrerer Gerätegenerationen verwendet. Kein Analysator war mit einem Informationssystem verbunden. Die Analysen wurden an den Geräten ohne Patientenidentifikation durchgeführt. Probenverwechslungen wurden in der Regel nur bemerkt, wenn das Analyseresultat unplausible Werte aufwies.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

24

Vermeidbare zusätzliche Analysen, unnötige oder falsche Massnahmen konnten die Folge sein. Die Dokumentation der Analyseresultate erfolgte vor allem durch handschriftliches Abschreiben der Werte auf verschiedenste Papierdokumente, oder es wurde der nicht dokumentenechte Thermopapier-Ausdruck der Papier-Patientenakte beigelegt. Mit der heterogenen und zu einem beträchtlichen Teil veralteten Analysatoren-Flotte konnten weder die Qualitätsanforderungen noch ein wirtschaftlicher Betrieb gewährleistet werden.

Blutgasanalysen wurden zudem nur unvollständig abgerechnet.

In den Jahren 2005 und 2006 wurden alle Blutgasanalysatoren ersetzt. Alle Analysatoren sind nun vernetzt und werden zentral überwacht.

Abbildung 1. System-Übersicht.

Abbildung 2. POCT-Prozessschritte.

Schnittstellen zum Klinikinformationssystem KISIM ermöglichen die sichere Patientenidentifikation. Die Analyseresultate werden praktisch in Echtzeit in der elektronischen Patientenakte im KISIM abgelegt.

Im folgenden wird die technische Umsetzung beschrieben und die Perspektive für weitere Integrations- und Automatisierungsschritte diskutiert.

Material und Methoden Insgesamt 18 Blutgasanalysatoren der ABL800Flex-Serie der Firma Radiometer Copenhagen haben die gegen 30 grösstenteils veralteten Analysegeräte ersetzt. Qualitätskontrollen werden durch die Analysatoren automatisiert durchgeführt.

Alle Blutgasanalysatoren sind über das spitalweite Netzwerk mit dem zentralen ManagementServer verbunden. Die auf diesem ManagementServer eingesetzte Applikation Radiance von Radiometer ermöglicht eine zentrale Überwachung und Steuerung aller Analysatoren. Die für die Blutgasanalysatoren zuständigen Medizintechniker nutzen dazu die Client-Applikation «Analyzer Control» oder das Management-WebPortal. Qualitätskontroll-Resultate aller Analysatoren sind zentral abrufbar. Der POCT-Verantwortliche des Zentrallabors kann dazu das Management-Web-Portal nutzen. Über HL7-Socket-Schnittstellen kann Radiance mit Labor- oder Klinikinformationssystemen verbunden werden. In einer Anbindung an das Labor-Informationssystem wurde kein Zusatznutzen gesehen, so dass Radiance ausschliesslich an das Klinikinformationssystem KISIM angebunden wurde.

Zwischen Radiance und KISIM wurden zwei Socket-Verbindungen eingerichtet. Über die eine kann Radiance mit HL7-ADR^A19-Abfrage Patienteninformationen von KISIM abfragen, über die zweite kann Radiance die Analyseresultate mit HL7 ORU-Nachrichten in die elektronische Patientenakte übermitteln.

Wird eine Blutgasanalyse, in der Regel mündlich, verordnet, muss durch das Pflegepersonal oder den Arzt eine geeignete Blutprobe in einen Probennehmer (Spritze, Kapillare) abgenommen werden. Am Patientenbett soll der Probennehmer mit einer Patienten-Barcode-Etikette versehen werden. Die Patienten-Identifikationsnummern sind zusätzlich als Code-128-Barcode auf den Etiketten aufgedruckt.

Am Analysator muss der PatientennummerBarcode auf dem Probennehmer über den Bar-

SMI 2007: Nº 61

25

code-Reader des Blutgasanalysators vorregistriert werden. Der Analysator erfragt in jedem Fall über Radiance von KISIM die Patienteninformationen und zeigt diese zur Überprüfung auf dem Analysator-Display an. Wird eine nicht existierende Patientennummer eingelesen, wird der Patient als unbekannt angezeigt. Sind die Patienteninformationen verifiziert, kann der Probennehmer am Aspirations-Ansatz aufgesetzt werden. Der Analysator aspiriert das für die Analyse benötigte Blutvolumen, der Probennehmer wird entfernt. Während die Analyse durchgeführt wird, muss sich der Benutzer zwingend identifzieren, indem er seinen Benutzer-ID-Barcode auf seinem Personal-Badge über den BarcodeLeser einliest. Es können noch weitere EingabeParameter, wie Probentyp, Körpertemperatur des Patienten usw. erfasst werden.

Sobald die Analyse abgeschlossen ist, wird das Resultat auf dem Analysator-Display angezeigt, ausgedruckt und über Radiance in die elektronische Patientenakte im KISIM gesandt. Sowohl der benutzte Analysator als auch diejenige Person, die die Analyse durchgeführt hat, ist dokumentiert. Der Analysator kommentiert qualitativ beeinträchtigte Messwerte automatisch. Eine weitere Kommentierung kann jederzeit hinzugefügt werden. Sämtliche Manipulationen am Report werden protokolliert. In der elektronischen Patientenakte im KISIM können die Analyseresultate inklusive Kommentare und Protokoll einzeln oder kumulativ eingesehen werden.

Um Notfallanalysen z.B. für Schockraum-Patienten, für die noch keine Patienten-ID existiert, zu ermöglichen, kann die Vorregistrierung des Patienten auch übersprungen werden. Die so entstandenen Analyseresultate können zu einem späteren Zeitpunkt mit den korrekten Patienteninformationen versehen und an KISIM nachversandt werden.

Die beschriebenenen Prozesse wurden anhand eines Testbetriebs in einem OP-Bereich und auf einer Intensivstation auf ihre Tauglichkeit überprüft. Parallel dazu wurden die Kommunikation zwischen Analysatoren, Radiance und KISIM systematischen Tests unterworfen.

2006 hat die Firma Radiometer das 1st-Automatic-Konzept vorgestellt. Durch eine Erweiterung der Radiance-Web-Applikation für die Vorregistrierung der Proben am Patientenbett oder am OP-Tisch sowie einen Automaten für Probenmisch und -zuführung sowie die Einführung eines mit mehreren Sicherheitsmerkmalen versehenen Probennehmers wurde für mehrere Probleme der Präanalytik eine Lösung angeboten.

Diese Lösung wird derzeit am Universitätsspital Zürich evaluiert.

Resultate Die vollständige zentrale Überwachbarkeit und Fernsteuerbarkeit der Blutgasanalysatoren bewirkte von Anfang an eine Erleichterung in der Gerätepflege bei geringerer Wegzeit für die zuständigen Medizintechniker. Technische Probleme der Analysatoren können präventiv angegangen werden.

Die Integration mit der elektronischen Patientenakte wurde ausgiebig getestet. Über mehrere Monate wurde Radiance an der Testumgebung des Klinikinformationssystems angeschlossen betrieben. Während des Testbetriebs wurden die wesentlichen Ausfallszenarien im Datenmanagement durchgespielt. Dabei erwies sich der im Radiance-Basispaket enthaltene HL7-ER-2.2Schnittstellen-Codec als ungenügend, da er Bestätigungs-Nachrichten (ACK) nicht verarbeiten kann und z.B. bei KIS-internen Störungen, die einen Neuversand der Resultat-Nachricht notwendig machen, kein sinnvolles Verhalten von Radiance erreicht werden kann. Diese Lücke wurde durch den Einsatz des HL7-ER-2.5-Codec für die Resultatübermittlung geschlossen.

Zu Beginn der Integrations-Testphase, in der je ein Analysator im Notfall-OP-Bereich und in der traumatologischen Intensivstation Teil der Testanordnung war, wurde das Personal mit einer bebilderten Schulungsdokumentation auf den neuen Ablauf für die Anfertigung von Blutgasanalysen geschult. Der an sich wichtigste Schritt zur Verhinderung von Probenverwechslungen, das Anbringen einer Patientennummern-Etikette am Probennehmer am Ort der Probennahme, stiess wegen der grossen Probenmenge und dem hohen Etikettenverbrauch auf schlechte Akzeptanz und wurde sowohl im OP-Bereich als auch auf der Intensivstation konsequent umgangen.

Im OP-Bereich wurde die Patienten-ID auf dem noch geführten handschriftlichen BlutgasKumulativ-Blatt abgescannt. Die Intensivstation hat Patienten-ID-Etiketten aller Patienten neben dem Analysator deponiert und wählt dort die jeweils passende zur Probe aus. Wie oft es dabei zu unerkannten Verwechslungen kommt, ist unbekannt.

Die Identifikationsschritte im Prozessablauf wurden über einen Monat über die zwei Analysatoren analysiert (Tabelle 1).

Im gleichen Zeitraum wurden 3369 Resultate übermittelt, 2629 (78%) von der Test-Intensivstation, 740 (22%) vom Test-Notfall-OP. Der

SMI 2007: Nº 61

Jubiläumskongress – 20. Jahrestagung SGMI

26

Tabelle 1. Identifikationsschritte im Prozessablauf.

Patienteninformations-Abfragen

3161

100.0%

Erfolgreich

3008

95.2%

54

1.7%

Nicht erfolgreich, Schrittfolge verkehrt Nicht erfolgreich, altes Verfahren

53

1.7%

Nicht erfolgreich, inexistente Patienten-ID

41

1.3%

5

0.16%

153

4.8%

Nicht erfolgreich, noch keine Patienten-ID vorh.

Total fehlerhafte, nicht identifizierbare

Unterschied zur Anzahl Patienteninformationsabfragen erklärt sich durch die mögliche Mehrfachübermittlung von Untersuchungsresultaten.

Die Benutzeridentifikation ist bei 87% aller Analysen korrekt erfolgt. In 13% der Fälle wurden beliebige Zeichen eingegeben.

Unterdessen übermitteln vier von 18 Analysatoren die Analyseresultate in die elektronische Patientenakte. Abhängig vom Fortgang der Schulung der Benutzer werden nun die übrigen Analysatoren in den nächsten Wochen entsprechend konfiguriert.

Diskussion Die Integration von Point-of-Care-Testsystemen mit einem Klinikinformationssystem stellt einen weiteren Schritt hin zur papierlosen elektronischen Patientenakte dar und hilft, fehleranfällige Prozesse zu verbessern und effizienter zu gestalten.

Eine Grundvoraussetzung für die Integration ist die Patientenindentifikation. Das Einlesen der Patienteninformationen mit Barcode-Reader ermöglicht im Gegensatz zu einer manuellen Erfassung eine praktisch fehlerfreie Arbeitsweise [2,4]. Um das Auftreten von Probenverwechslungen zu verhindern war eigentlich vorgesehen, dass die Blutgas-Probennehmer am Patientenbett mit einer Barcode-Etikette versehen werden. Der Umstand, dass dieser Arbeitsschritt kaum je durchgeführt wird, hat im Design von 1st Automatic, einem neuen Zusatzprodukt von Radiometer, Beachtung gefunden.

Zur Gewährleistung der Nachverfolgbarkeit und für Qualitätssicherungsmassnahmen muss sich der Benutzer am Analysator zwingend identifizieren. Durch eine Vereinfachung der Erfassung mit Benutzerkennungs-Barcodes, die sich jeder Benutzer für sich aus dem Klinikinformationssystem auf Etiketten ausdrucken kann, konnte eine hohe Erfassungsdisziplin erreicht werden. Sobald Radiance die Verwaltung einer grossen Anzahl von Benutzern besser unterstützt, sollen die erfassten Benutzerkennungen verifiziert werden.

Über 50% der klinischen Entscheide auf einer Intensivstation basieren auf Daten von Blutgasanalysen, Patientenmonitoring oder Laboruntersuchungen [3]. Dies gilt in ähnlichem Mass für OP-Bereiche. Die Beurteilung dieser Daten bedingt eine möglichst integrierte Darstellung.

Die Blutgassituation eines Patienten ist unter anderem von der maschinellen Beatmung abhängig. Aufgrund der Blutgasanalysenresultate werden die Beatmungsparameter angepasst.

Beatmungsparameter und Blutgasanalysenresultate müssen daher integriert dargestellt werden können. Somit wird die Papierdokumentation in diesen Bereichen erst dann überflüssig, wenn auch Beatmungsgeräte integriert betrieben werden können und ihre Daten in die elektronische Dokumentation einfliessen können. Dieser Grad der Integration ist meist die Domäne eigentlicher Patienten-Daten-Management-Systeme (PDMS), könnte aber genauso gut durch unser Klinikinformationssystem KISIM erreicht werden.

Die Integration von Blutgas-Messsystemen mit Labor- oder Klinikinformationssystemen hat keinen Einfluss auf die Qualität der Probenaufbereitung für die Analyse. Blut mit seinen zellulären Bestandteilen verändert sich durch weiter stattfindenden Metabolismus, Gasaustausch mit der Umgebung sowie Sedimentierung mit zunehmendem Probenalter. Radiometer bietet mit dem Zusatzprodukt 1st Automatic zu seinen Analysatoren und dem Management-System Radiance eine Lösung für Qualitätsprobleme in der Probenaufbereitung und dem Probentransport sowie für das bei uns noch nicht befriedigend gelöste Problem der möglichen Probenverwechslungen.

Mit 1st Automatic werden alle RegistrierSchritte im Prozess an das Patientenbett bzw. den OP-Tisch verlagerbar. Über eine Web-Applikation werden der nun mit einem eindeutigen Identifikations-Barcode versehene Probennehmer, der Patient sowie der Benutzer registriert.

Da diese Schritte unmittelbar beim Patienten stattfinden, könnte zu dessen Registrierung auch ein Barcode-Armband oder RFID-Tags benutzt werden [4,5]. Der Probennehmer kann nun ohne weitere Massnahmen in den ProbenzufuhrAutomaten eines beliebigen Analysators gelegt werden. Über den Probennehmer-Barcode die auf dem Radiance-Server liegenden registrierten Informationen abgeholt, die Probe definiert aufgemischt und analysiert und das Resultat an den bettseitigen PC, auf dem die Probenregistrierung stattgefunden hat, zurück übermittelt und dort angezeigt. Damit wird nicht nur die Turnaround-Zeit der Analyse noch weiter redu-

SMI 2007: Nº 61

27

ziert, sondern es ist auch ein effizienterer Personaleinsatz möglich. Wir evaluieren derzeit dieses Zusatzprodukt.

Die Integration von POCT-Systemen wird auch am Universitätsspital Zürich zukünftig über Blutgasanalysatoren hinausgehen. Zu erwähnen wären insbesondere die zahlreich eingesetzten Glucose-Messgeräte sowie die in immer grösserem Mass Einzug haltenden Systeme zur Mes-

sung von infektiologischen, kardiologischen sowie Gerinnungsparametern. Selbst wenn die Realisierung der Integration solcher Systeme erst zu einem späteren Zeitpunkt erfolgen kann, muss die Integrationsfähigkeit bei der Beschaffung neuer Systeme berücksichtigt werden. Es empfiehlt sich daher, die Beschaffung medizintechnischer Systeme in Zusammenarbeit mit der Informatikabteilung des Spitals vorzunehmen.

Literatur 1 Zaman Z. Hospital-wide Network of POCT Blood Gas Analyzers: Point of Care. 2004;3:165–7.

2 Bridge Medical, Inc.The Effect of Barcode-Enabled Point-of-Care Technology on Patient Safety: October 2002: http://www.bridgemedical.com.

3 DuBois J.A. Connectivity: Next Steps-Data Integration in Critical Care: Point of Care. 2004;3:30–2.

4 Colard D.R. Reduction of Patient Identification Errors Using Technology: Point of Care. 2005;4:61–3.

5 Dighe A. Improving Point-of-Care Testing with Automated Identification Technologies: Point of Care.

2005;4:86–9.

6 labmed schweiz. Umgang mit Point-of-Care-Testing – labmed-Empfehlungen vom 20.4.2005. Available from: http://www.labmed.ch/doc/doc_download.cfm?uuid=11F2BEBDD9D9424C46B2DA91FAB1EB25&&IRACER_AUTOLINK&&.

7 Schweizerische Kommission für Qualitätssicherung im medizinischen Labor. Konzept Qualab 1.1.

Available from: http://www.qualab.ch/conc_d.pdf.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

28

Semantische Lösungen – akademischer Luxus oder Notwendigkeit im Spitalalltag?

Hans Rudolf Straub1, Norbert Frei2, Maurus Duelli1, Annette Ulrich1 1

Semfinder AG

2

Interstaatliche Hochschule für Technik Buchs (NTB)

Summary

Abstract

Information carries knowledge, but which one?

How is it possible to formalize knowledge, making it communicable (semantic interoperability)? Question that have, at-a-first glance, a purely philosophical background appear today to have very direct and pragmatic consequences, worldwide (semantic web, natural language processing, ontologies) and in healthcare (clinical data warehousing, coding systems, terminology servers). DRG’s production at first requires encoding of procedures and diagnoses, a work much more difficult and time consuming than recognized. In Germany, a semantic coding system (One Step Coding) has shown its efficiency in daily use, allowing both to spare time and to increase quality of coding. This success was only possible because semantics was studied as a field of its own. The methods that we developed allow to handle information not as sets of words and numbers, but as complex interpretation of facts with a formalism specially designed for this purpose. In addition to coding systems, terminology servers could also use these developments in the future, to support a new semanticdriven vision of epidemiological and clinical data warehouses.

Information trägt Bedeutung, aber welche? Wie kann Bedeutung formalisiert und dadurch kommunizierbar werden (semantische Interoperabilität)?

Fragen, die durch ihre philosophische Konnotation wie ein akademischer Luxus erschienen, erweisen sich heute von durchaus praktischer Bedeutung, sowohl ausserhalb (Semantic Web, Sprachprogramme, Ontologien) wie innerhalb des Gesundheitswesens (Clinical Datawarehouse, Diagnosekodierung, Terminologieserver). Für eine Gruppierung (DRGs) müssen Diagnosen und Prozeduren vorgängig kodiert werden, eine Arbeit, deren Aufwand in der Regel deutlich unterschätzt wird.

In Deutschland zeigt der Klinikalltag, dass semantische Kodierprogramme (One Step Coding) heute funktionieren, dass sie Zeit sparen und gleichzeitig die Kodierqualität verbessern. Dieser Erfolg war nur möglich, indem Semantik als eigenes Wissensgebiet studiert wurde. Dazu haben wir Methoden entwickelt, welche die Besonderheiten der Semantik als einer Lehre der Interpretation von Information berücksichtigen und in ihren Formalismus einbauen.

Neben den Kodierprogrammen können in Zukunft auch die Terminologieserver mit diesen interpretierenden Methoden ausgestattet werden, und für die klinische Epidemiologie kann ein umfassendes klinisches Datawarehouse auf semantischer Basis neue Perspektiven eröffnen.

Literatur

Hans Rudolf Straub Semfinder AG Hauptstrasse 23 8280 Kreuzlingen straub@semfinder.ch

1 Baader et al. The Description Logic Handbook – Theory, Implementation and Applications. Cambridge University Press; 2003.

2 Grobe JH, Pretschner DP: Ontologien in der Informatik – Grundlagen, Aspekte und Anwendungen.

Forum der Medizin-Dokumentation und Medizin-Informatik. 2007(1):24–9.

3 Linczak G, Tempka A, Haas N. Entlastung der knappen Ressource Arzt. Dtsch Ärzteblatt. 2003;100(40): A 2563–6.

4 Rector A. Clinical terminology: Why is it so hard? Methods of Information in Medicine. 1999;38:239–52.

5 Schulz S, Hahn U, Rogers J. Semantic Clarification of the Representation of Procedures and Diseases in SNOMED CT. Proc. of MIE. 2005:773–8.

6 Straub HR. Das interpretierende System – Wortverständnis und Begriffsrepräsentation in Mensch und Maschine. Wolfertswil: Z/I/M-Verlag; 2001.

7 Straub HR. Simplified representation of concepts and relations on screen. Swiss Medical Informatics.

2005(57):28–31.

8 Straub HR, Duelli M, Mosimann H, et al. From Terminologies to Classifications – the Challenge of Information Reduction. Proceedings of the European Federation for Medical Informatics Special Topic Conference, Timisoara, Romania, 2006:341–352. Siehe auch: http://www.semfinder.ch/index.php?option=com_content&task=view&id=29&Itemid=29&lang=0.

9 Webseite von SNOMED: http://www.snomed.org/snomedct/index.html.

10 Webseite der Web Ontology Language: http://www.w3.org/2004/OWL.

SMI 2007: Nº 61

29

From clinical narratives to ICD codes: automatic text categorization for medico-economic encoding Patrick Rucha, Julien Gobeillab, Imad Tbahritiab, Phédon Tahintzic, Christian Lovisa, Antoine Geissbühlera, François Borstc a

SIM, University and University Hospitals of Geneva, Geneva

b

Swiss-Prot, Swiss Institute of Bioinformatics, Geneva, Switzerland

c

SERCIM, University Hospitals of Geneva, Geneva

Summary We report on the design and preliminary evaluation of a system to help assignment ICD (International Classification of Disease) codes to clinical narratives. The objective of the project is to deliver an operational system to assist professional encoders of the University Hospital of Geneva in their coding task. We combine a set of machine learning and data-poor methods to generate a single automatic text categorizer, which returns a ranked list of ICD codes for any given output. In its current settings, the system is accepting three different textual fields as input: anamnesis, diagnosis and prescription fields. The combined ranking system currently obtains a precision of 74% at high ranks and a recall of about 63% for the top twenty returned codes. Although fairly promising, the impact of the tool on the institution coding efforts as well as on the billing figures (DRG: Diagnosis Related Groups) must now be evaluated.

Introduction

Patrick Ruch University Hospitals of Geneva CH-1200 Geneva patrick.ruch@sim.hcuge.ch

Automatic Text Categorization (ATC) is formally defined as a classification task: given a textual input, the categorizer should return a list of categories, which are supposed to provide non-ambiguous machine-readable information about the input text. Typical applications are for example: document routing (e.g. Reuters and Bloomberg financial newswires [1]), document indexing by librarians (e.g. Medical Subject Headings assigned to articles in the MEDLINE digital library [2]). Application of ATC to the automatic assignment of medical descriptors has been largely studied in the context of document indexing [3], to help cross-language information retrieval on the medical web [4] of for functional prediction in proteomics [5]. Applications of these methods to encoding of patient-related data are more seldom: thus, [6] attempts to assign SNOMED categories. Directly related to our experiments: Pakhomov and al. 2006 [7] and Aronson and al. 2007 [8] attempt to assign ICD-9 codes. Unfortunately comparing these experiments with ours is difficult since these experiments are usually done on relatively small set of codes. Thus, a recent challenge, organized

by the computational medicine group at the University of Cincinnati, evaluated different Natural Language Processing and Text Mining methods to automatically assign ICD-9 codes, but restricted to a “toy” set of 25 categories.

Data and metrics Data resources used to build up the system and our experiments are the following: ICD-10, a French thesaurus [12, 17], the coding data from the institution data warehouse [18] after the 1st of January 2004 (total: ~733’000 codes; ~8500 unique codes). On average 5.1 codes are assigned per hospital admission. From these data, we obtain the following pairs: {anamnesis, ICD codes}: about 18’000 champs (23%); {prescription, ICD codes}: about 61’000 champs (78%); {diagnostics, ICD codes}: about 78’000 (100%).

All types of diagnosis fields (anotomo-pathology, comorbidities, psycho-social…) are conflated into a generic diagnosis class. The same applies to anamnesis (anamnesis by systems, interim anamnesis…) and prescription fields, which are respectively concatenated in two generic classes.

As for standards classification tasks, our quantitative evaluations are based on precision and recall metrics [19]. Because we design the task as a ranking and multiclass classification task rather than a binary classification task, we report the precision of the top ranked category predicted by the system together with the recall of the system after twenty categories.

Methods We combine several classifiers: a set of supervised learners and a data-poor categorizer. The data poor system covers the full scope of validated ICD-10 diagnosis i.e. about 20’000 plus their morphological variants (about 10’000 synonyms). The search space of the learning-based system is more limited, since only about 8500 codes are available in the current case knowledge base. Three independent nearest neighbours were designed for three different textual modalities: diagnosis, anamnesis, prescription. Finally a combination model is proposed [9]: it combines linearly the output of the three nearest neigh-

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

30

bours together with the output of the data-poor classifier, which is only applied to diagnosis fields. More elaborated fusion models, which take differentially into account the local statistical estimate provided by each classifier, in particular the retrieval and categorization status value returned by the ranker are under evaluation.

Data pre-processing

The document collection follows several pre-processing steps in order to obtain a more normalized representation of data: data acquisition, anonymization [22], format normalization (UTF-16/8, RTF, HTML, PS), quality restoration (misspellings, diacritics), feature selection (stop words, negation handling), and stemming [14].

Data-poor classifier

Using strict lexical, thesaural and linguisticallymotivated features, weighted by a simple but robust statistical model, this classifier [5, 13] is likely to assign previously unknown diagnoses, which are not represented in the knowledge base of the institution.

Results As expected, results reported on the validation set in Tables 1–3 show that the diagnosis field is the best predictor of ICD codes, with a precision of 74% (P0) and a recall of 59% (R20). The second best is the anamnesis (P0 = 57, R20 = 39), while the prescription field achieves a precision of only 49% and a recall of 29%. In Table 4, we observe that our data-poor categorizer does not perform well (P = 22% and R20 = 7%). The combination of these basic classifiers results in a modest improvement regarding precision (from 74% to 75%) and a more significant improvement regarding recall from 59% to 63%, which means a gain of +6.8% (p < 0.01).

Table 1

Results of KNN on Diagnosis data (k = 30, slope = 50).

Mesures

Results

P0

0.74

R20

0.59

Table 2

Results of KNN on Anamnesis data. k-Neatest neighbors

Each kNN, generated for each type of textual data, is tuned by ten fold cross-validation with 1/99 data split. Detailing the tuning process would take us beyond the scope of this operational report, but we observed that for defining the neighbours’ centroid, distances based on pivoted normalization were particularly effective (formula are given in Table 7). This observation is consistent with those reported for retrieving similar articles in MEDLINE, which showed that pivoted normalization was effective [10, 11, 15].

Fusion of classifiers

The fusion model used for these preliminary experiments is inspired by information retrieval [9]: we combined linearly the statistical estimate provided by each single classifier. While more advanced combination models have been proposed (e.g. [20, 21]), such ranking-based approaches are particularly robust, i.e. they remain effective when training data are sparsely distributed and as data-poor approaches, they are naturally resistant to overfitting phenomena.

Out of our data collection, 800 instances (~1%) are kept for final validation of our system.

Mesures

Results

P0

0.57

R20

0.39

Table 3

Results of KNN on Drug-related data (k = 100, slope = 18).

Mesures

Results

P0

0.49

R20

0.29

Table 4

Results of the lexico-statistical classifier on Diagnosis data.

Mesures

Results

P0

0.22

R20

0.07

Table 5

Results of the combined system.

Mesures

Results

P0

0.75

R20

0.63

SMI 2007: Nº 61

31

Discussion From a practical perspective, our quantitative results mean that: 1) the top ranked diagnosis is good three times out of four, and out of an average of five codes, the system can reliably predict three codes. This level of performance seems sufficient to improve encoding and case billing with DRG (Diagnosis Related Group).

From a comparative perspective and overall, in the current tuning of the system, results obtained by using the combined classifier are moderately superior to those obtained by using only the diagnosis fields, but we believe that using more powerful combination models will modify this trend.

Conclusion We have reported on the design and preliminary evaluation of an automatic text categorization engine to help ICD encoding in the University Hospitals of Geneva. The system obtains a precision at high ranks of 75% and a recall of 63% (R20). This level of performance seems sufficient to improve encoding and case billing with DRG in the institution but further experiments will be needed to establish the impact of the system on the productivity and income of the hospital.

In addition, we can observe that although our

results were reported for recall after twenty categories and precision at the top-ranked categories, the categorization status value of our classification framework could be used to suggest only high confidence categories [16]. Thus, suggesting that the system is generic enough to be applied to several coding scenarii: from fullyautomatic encoding tasks – by trading recall for precision – to interactive coding tasks. Finally, in the final system, we plan to add provide for each predicted category a short passage to help the validation/rejection of the prediction by the professional encoder as proposed in [16] to support functional annotation of proteins in the Swiss-Prot database.

Table 6

Formula for dtu.dtn, modified to take into account the Length of the feature. dtu wij = (ln(ln((tfij) * K Length(Feature)) + 1)+ 1)· idf j

(1 – slope) · pivot + slope · nt i dtn

wij = [ln(ln(tfij) + 1) + 1] . idf j

We would like to thank Claudine Bréant and Gilles Cohen, who conducted the data extraction processes.

References 1 Lewis DD. Evaluating and Optimizing Autonomous Text Classification Systems. In: Proceedings ACMSIGIR’95. New York: ACM Press; 1995. p. 246–54.

2 Aronson A, Bodenreider O, Chang H, Humphrey S, Mork J, et al. The Indexing Initiative. A Report to the Board of Scientific Counselors of the Lister Hill National Center for Biomedical Communications, NLM, 1999.

3 Ruch P, Baud R, Geissbühler A. Learning-free Text Categorization. In Dojat M, Keravnou E, Barahona P, eds. AIME 2003, LNCS/LNAI 2780.

4 Ruch P. Query Translation by Text Categorization, COLING 2004, ACL Anthology, 2004.

5 Ruch P. Automatic Assignment of Biomedical Categories: Toward a Generic Approach.

Bioinformatics, 2006.

6 de Bruijn LM, Hasman A, Arends JW. Automatic SNOMED classification – a corpus based-method.

In: van Bemmel J, MacCray AT. Yearbook of Medical Informatics, 1999.

7 Pakhomov SV, Buntrock JD, Chute CG. Automating the assignment of diagnosis codes to patient encounters using example-based and machine learning techniques. J Am Med Inform Assoc.

2006;13(5):516–25.

8 Gay CW, Kayaalp M, Aronson AR. Semi-automatic indexing of full text biomedical articles. AMIA Annu Symp Proc. 2005;271–5.

9 Fox EA , Shaw JA. (1994). Combination of multiple searches. In Proceedings TREC-2, (pp. 243–249).

Gaithersburg: NIST Publication.

10 Fujita S. Revisiting Again Document Length Hypotheses: TREC-2004 Genomics Track Experiments at Patolis. The Thirteenth Text Retrieval Conference, TREC-2004, Gaithersburg, MD, 2004.

11 Aronson AR, Demner-Fushman D, Humphrey SM, Lin J, Liu H, et al. Fusion of knowledge-intensive and statistical approaches for retrieving and annotating textual genomics documents. TREC Proceedings. TREC 2005, Gaithersburg, MD, USA, 2005.

12 Lovis C, Baud RH, Rassinoux AM, Michel PA, Scherrer JR. Building Medical Dictionaries for Patient Encoding Systems: A Methodology. AIME 1997: 373–80.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

32

13 Ehrler F, Geissbuhler A, Yepes A, Ruch P. Data-poor Categorization and Passage Retrieval for Gene Ontology Annotation in Swiss-Prot, BMC Bioinformatics, Special Issue on BioCreative.

14 Savoy J. A stemming procedure and stopword list for general french corpora. J Am Soc Informat Sci 999;50(10):944–52.

15 Singhal A. Modern Information Retrieval: A Brief Overview. IEEE Data Eng. Bull. (2001) 24. p 35–43 16 Ehrler F, Ruch P. Automatic assignment of biomedical categories: toward a generic approach.

Bioinformatics. 2006.

17 Zweigenbaum P, Baud R, Burgun A, Namer F, Jarrousse E, et al. UMLF: a unified medical lexicon for French. Int J Med Informatics, 2004.

18 Breant C, Thurler G, Borst F, Geissbuhler A. Design of a multi dDimensional database for the Archimed datawarehouse, Stud Health Technol Inform. 2005;116:169–74.

19 van Rijsbergen C. Informational Retrieval. Butterworths, 1979.

20 Cohen G, Ruch P, Hilario M. Model Selection for Support Vector Classifiers via Direct Simplex Search.

FLAIRS Conference 2005:431–5.

21 Ruch P, Perret L, Savoy J. Features Combination for Extracting Gene Functions from MEDLINE. 27th European Colloquium on Information Retrieval – ECIR, LNCS 3408, 2005.

22 Ruch P, Baud R, Rassinoux AM, Bouillon P, Robert G. Medical document anonymization with a semantic lexicon. In Proceedings of AMIA’2000, Los Angeles, 2000.

SMI 2007: Nº 61

33

Medical Cockpit Weiterentwicklung einer elektronischen Patientenakte basierend auf SOA-Technologie

Ela Bielecki

Summary The medical services of the Solothurn Hospitals are using a computerized patient record (CPR), INFOpath-DOC, since 2005. It is an efficient tool helping the physicians in their daily administrative work. This system uses health standards and technologies. Using SOA based communication, the CPR could be linked with the administrative management system, allowing ID’s to be exchanged and compared. In order to allow all relevant and pertinent information to be integrated, such as images, laboratory, this paper presents the concept of «Medical Cockpit».

Zusammenfassung Bereits seit April 2005 arbeiten die medizinischen Kliniken der Solothurner Spitäler AG mit einer elektronischen Patientenakte (EPA) – INFOpath-DOC –, einer effektiven Hilfe für die administrativen Tätigkeiten des Arztes im Klinikalltag. Der technologische Aufbau der EPA basiert auf Standards und Technologien des Gesundheitswesens. Durch eine auf SOA basierende Schnittstelle (HO-PID) wurde eine Anbindung der EPA zum Administrativsystem HOSPIS ermöglicht, wodurch die Stammdaten des Patienten samt PID und FID abgefragt und abgeglichen werden.

Um die in der EPA bestehenden Patienten- und Fallinformationen mit relevanten digitalen Röntgenbildern und Daten aus dem medizinischen Labor zu erweitern und dem Mediziner eine einheitliche Sicht auf alle Patienten- und fallrelevanten Angaben zu ermöglichen, wurde ein Konzept des «Medical Cockpit» ausgearbeitet.

Problemstellung

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

Die geplante Expansion der elektonischen Patientenakte in weiteren Kliniken und Fachgebieten gab Anlass zu derer Weiterentwicklung. Dabei wurde das Hauptaugenmerk auf die Verbesserung der gefühlten Performance und die Anbindung von Umsystemen gelegt. Für eine optimale Behandlung ist es sinnvoll, zusätzliche Angaben von diagnostischen Systemen aus Labor, Radiologie, Medizintechnik und Pflege zur Verfügung zu

stellen. Zurzeit werden die Angaben in Papierform dem Arzt angegeben, oder er muss sie selbst am PC aus der Mutter-Applikation holen.

Zielsetzung Mit dem Ziel, die Informationen von verschiedensten Applikationen zu einer «Sicht» (Bildschirmseiten) zu integrieren, wurde ein Konzept des Medical Cockpit entwickelt.

Künftig sollen die Befunde spezialisierter Umsysteme – wie die digitalen Röntgenbilder (PACS) und medizinische Laborbefunde – nicht Stück für Stück, sondern in zusammen in Echtzeit abgefragt und, einem medizinischen Fall zugeordnet, in der EPA angezeigt werden. Integration der Abfrageresultate der heterogenen Umsysteme auf einer Bildschirmfläche wurde zur Aufgabe bei der Entwicklung des Medical Cockpit.

Methoden Drei Ebenen bilden den Aufbau des Medical Cockpit: 1. Sichten, in denen die integrierte, rollenbasierte Informationen aufgezeigt werden; 2. WebServices für Zugriff auf die Mutter-Applikation z.B. PACS, RIS, in denen das Editieren vorgenommen wird. Der Service Manager ist ein Medical-Cockpit-spezifischer «Minihub». Er kapselt die Zugriffe auf die WebServices gegenüber den WebParts. Insbesondere übernimmt er die Kommunikation mit zentralen Diensten und Diensten von anderen Standorten.

Auch die EPA-INFOPath-DOC wird als WebPart umgesetzt, welches das INFOPath-2007ActiveX verwendet. Aus Benutzersicht wird INFOPath-DOC Teil des Medical Cockpit. Der Zugriff erfolgt über den Browser, und es gibt keinen lokalen Client.

3. Datenarchiv. Hier werden die Informationen in elektronischer Form abgelegt.

Die Dokument- und Patientensuche vom HO-PID-System wird darin integriert.

Auf folgende Services greift der Medical Cockpit: Rollen, INFOpath-DOC, PDF-Generator, SharePoint-Datenarchiv, HO-PID-Schnittstelle, Access-History und Meta-Service.

Verwendete Komponenten:

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

34

– – – –

.NET als Basisframework; Microsoft InfoPath 2007 als Client; Microsoft SQL Server als XML-Datenbank; Microsoft Office Sharepoint Server 2007 als Dokumentarchiv und zur Darstellung von User Interface; – Apache FOP als PDF Generator.

– Active Directory, Event Notification Manager, PACS Viewer, RIS System, Meta Grabber, FTP Server.

Verwendete Standards: – XML Familie; – WebServices (SOAP / HTTP); – PDF.

Resultat

Abbildung 1. Modularer Aufbau des Medical Cockpit.

Die Bildschirmsichten unterscheiden sich je nach Rolle oder Tätigkeit des Benutzers: Assistenzarzt, Oberarzt oder Chefarzt. Durch die Anbindung an das PACS- und Labor-System bekommt der Arzt zu seinem Fall relevante Röntgenbilder und Laboberbefunde, die, per WebServices abgefragt, am Bildschirm angezeigt werden. Das Arbeiten sowohl mit den lokalen wie auch zentralen Diensten erlaubt dem Benutzer, immer à jour zu bleiben. Auch Dienste von anderen Standorten können genutzt werden.

Diskussion Mit der Einführung von Medical Cockpit können sämtliche Patientendaten problemlos auf einer Fläche gesehen werden und zwar von der kompletten Patientenakte bis hin zu digitalen Röntgenbildern und Laborbefunden, demnächst auch die Pflegebefunde.

Die MC-Lösung soll nicht nur zu einer besseren medizinischen Dokumentation beitragen, sondern auch mehr Effizienz in die Arbeitsabläufe, mehr Informationen und damit grössere Sicherheit für den Patienten und nicht zuletzt die Qualitätssteigerung bei der Patientenversorgung mit sich bringen.

Abbildung 2. Medical Cockpit integriert alle zu einem Fall relevanten PACS-, EPA-,

Ho-PID- und Labor-Informationen und präsentiert sie auf einer Bilschirmsicht. Um möglichst schnell und direkt zu den im aktuellen Kontext vorhandenen Informationen zu gelangen, kann ein «Context-Navigator» verwendet werden, der die relevanten Informationen «als Navigationsraum» grafisch mit einem RDF-Browseer (Semantic Web) darstellt.

SMI 2007: Nº 61

35

Abbildung 3. Durch Klicken auf einen der umliegenden Punkte (blau) rückt dieser

in die Mitte, und die Kontext-Informationen dieses Knotens werden angezeigt.

Glossar SharePoint

Der Name für Produkt der Firma Microsoft. SharePoint dient der Realisierung eines Intranet-, Extranet- oder Internet-Webportals.

Webpart

Ein Bereich in einem Web-Portal. Webparts sind Teil der Microsoft-SharePoint-Technologie.

Webservice

Ein Web-Service ist ein Dienst, der mit Hilfe von XML auf der Basis von Internet-Netzwerkprotokollen (http, TCP/IP) erbracht wird und XML-basierte Standards verwendet, um Daten miteinander auszutauschen. Er bietet eine Schnittstelle für Softwareoperationen über ein Netzwerk (z.B. Internet) an, das mittels nachrichtenbasiertem Extensible Markup Language (XML)-Datentransfer aufrufbar ist (z.B. SOAP1).

SOA

Serviceorientierte Architektur SOA ist ein Systemarchitekturkonzept, das unternehmensweit eingesetzt werden kann. SOA ist ein Konzept für eine Systemarchitektur, in dem Funktionen in Form von wieder verwendbaren, technisch voneinander unabhängigen und fachlich lose gekoppelten Services implementiert werden.

SOAP

Simple Object Access Protocol: SOAP ist ein Protokoll zur Kommunikation von verteilten Anwendungen über das Internet, mit dessen Hilfe Daten zwischen Systemen ausgetauscht und Remote Procedure Calls durchgeführt werden können. SOAP kann standardmässig über TCP/IP und HTTP übertragen werden. SOAP ist unabhängig von Betriebssystemen, Programmiersprachen und Objektmodellen.

PACS

(engl. Picture Archiving and Communication System): bezeichnet in der Medizin Bildarchivierungs- und Kommunikationssysteme auf der Basis digitaler Rechner und Netzwerke

PACS ActiveX Viewer Zeigt die Informationen aus dem PACS-System an.

Labor

Zentrallabor

EPA

Elektronische Patientenakte

PID

Patientenidentifikator, in soH eine fortlaufende Nummer

FID

Fallidentifikator

HO-PID

Patienten-Webservice, der die Übernahme der Daten von HOSPIS via eGate in die EPA ermöglicht

HL7

«Health Level 7» ist ein weltweiter Standard zur Kommunikation mit Patientendaten in heterogenen Informationssystemen. Er wird benutzt, um demographische Patientendaten, Laborbefunde und Leistungen von einem System zum anderen zu schicken.

eGate 4.5.3

Universelle Integrationsplattform für Krankenhausinformationssysteme sowie Basis für Gesundheitsnetze und eBusiness im Gesundheitswesen.

Empfohlene Literatur 1 Greenhalgh T. Einführung in die Evidence-Based Medicine. Bern: Hans Huber; 2003.

1

http://de.wikipedia.org/wiki/SOAP

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

36

EBIDA – ein schweizweites Netz für den Austausch radiologischer Bilder Eva Wetter1, Juerg P. Bleuer2, Ronald Welz3, Kilian Wunderlin4 1

Suva, Luzern

2

Healthevidence GmbH, Bern

3

WDS Technologies S.A., Vésenaz

4

MediData AG, Root Längenbold

Summary The introduction of pictures archiving systems (PACS) in numerous hospitals goes along with a growing interest to share these images. However, most institutions are still unable to achieve this without technical and media fractures.

Import and export of data is often limited to read and write CD’s and DVD’s. GP’s and small hospitals have not even the digital infrastructure needed. Sending files and X-rays by ground mail is expensive. When using CD’s and DVD’s, problems with DICOM viewers are not rare.

Therefore, moving towards online image sharing appears as an efficient solution. This solution should be available everywhere in Switzerland and is the goal of the EBIDA (Elektronischer Bilddaten-Austausch) project. EBIDA is based on open standards, therefore avoiding interoperability problems. Allowing to share of images in the daily care requires much more than secured transactions: the system must be tightly integrated in the processes of participating institutions, including the billing processes. Though, production of films and CD’s/DVD’s must still be possible. The workflow to order and send images must be standardized and supported by IT-tools. Of course, the exchange of films and CD’s/DVD’s must still be possible. The Swiss Accident Insurance (Suva) is actively supporting the development of such an electronic image sharing system. The project is being realised together with third parties partners [1]. A pilot started in fall 2006 and involves up to now 7 hospitals.

Zusammenfassung

Eva Wetter Suva CH-6002 Luzern eva.wetter@suva.ch

Ausgangslage: Mit der Einführung der digitalen Bildspeichersysteme (PACS) in verschiedenen Spitälern wächst das Interesse am digitalen Röntgenbildaustausch. Zum jetzigen Zeitpunkt sind jedoch die meisten radiologisch tätigen Institutionen technisch nicht in der Lage, Bilder ohne Medienbruch auszutauschen: Selbst wenn eine digitale Röntgenanlage vorhanden ist, beschränkt sich der Datenimport und -export meist auf das Lesen und Schreiben von CD/DVD. Arztpraxen und kleine Spitäler verfügen zudem meist noch nicht über eine digitale Röntgeninfrastruktur.

Der Film und Datenträgerversand auf dem Postweg ist arbeits- und zeitaufwändig. Beim CD/DVD-Versand führen die Vielfalt und die Inkompatibilitäten von DICOM-Viewern zudem nicht selten zu Leseproblemen. Ein Online-Röntgenbildaustausch ist somit nur schon aus Effizienzgründen sinnvoll.

Online-Röntgenbildaustausch: Ziel muss eine Infrastruktur sein, welche schweizweit den Online-Röntgenbildaustausch ermöglicht. EBIDA steht für elektronischen Bilddatenaustausch und ist der Titel eines Projektes, welches die schweizweite Einführung eines standardisierten Röntgenbilddatenaustausches zum Ziel hat. EBIDA verwendet ausschliesslich offene Standards; damit soll der Entstehung gegenseitig inkompatibler Systeme entgegengewirkt werden.

Damit sich ein System für den Online-Bilddatenaustaustausch in der Praxis bewährt, braucht es mehr als den sicheren Versand von Röntgenbilddaten: In den beteiligten Institutionen muss es sich optimal in die Prozesse des Röntgenbildmanagements einfügen. Gleichzeitig muss es den bestehenden Sachzwängen Rechnung tragen. Röntgenfilme und CD/DVD müssen weiterhin verarbeitet werden können. Die Normierung bzw. Bereitstellung der Kommunikationsinfrastruktur genügt deshalb nicht: Der Workflow für die Bestellung und den Versand von Röntgenbildern soll ebenfalls standardisiert und durch geeignete Software unterstützt sein.

Umsetzung: Die Schweizerische Unfallversicherungsanstalt Suva treibt aktiv die Entwicklung eines solchen Systems voran: Zusammen mit externen Partnern1 wurde ein Konzept für die Umsetzung erarbeitet. Ebenfalls entwickelt wurde die Software. Diese ist zurzeit bei 7 Spitälern im Rahmen eines Pilotprojektes installiert.

1 Die Partner sind die Firmen MediData AG und WDS Technologies S.A. Die MediData AG, führender Intermediär in Gesundheitswesen, sorgt dabei für den sicheren Transport der Daten sowie die Anbindung der Spitäler und anderer Leistungserbringer. WDS Technologies S.A. zeichnet für die Anbindung an das RIS/PACS in der Suva verantwortlich, wie auch für die Schnittstelle zum PACS in den Spitälern.

SMI 2007: Nº 61

37

Ausgangslage

Online-Röntgenbildaustausch

Die Suva ist die wichtigste Trägerin der obligatorischen Unfallversicherung in der Schweiz.

Sie betreibt neben dem Hauptsitz in Luzern 19 Agenturen und beschäftigt insgesamt 91 Ärztinnen und Ärzte. In den beiden Rehabilitationskliniken in Bellikon und Sion stehen über 205 bzw. 112 Betten bereit.

Die Suva beschränkt sich nicht nur auf die administrative Bearbeitung von Unfällen und Berufskrankheiten: Ziel des 2003 eingeführten «New Case Management» ist die Wiedereingliederung ins Erwerbsleben auch von Patienten mit schweren Unfällen. Damit dies gelingt, bedarf es einer optimalen Zusammenarbeit von Ärzten und Versicherungsspezialisten. Im Rahmen dieses «New Case Management» stehen die Suva-Ärzte mit ihrer reichen Erfahrung den behandelnden Ärzten als Ansprechpartner zur Verfügung.

Röntgenbilder sind sowohl in der Traumatologie als auch bei vielen Berufskrankheiten für die Beurteilung des Falles von zentraler Bedeutung.

Die relevanten Röntgenbilder werden deshalb von der Suva bei den behandelnden Ärzten und den Spitälern angefordert. Art 54a UVG, bildet dazu die gesetzliche Grundlage. Jährlich werden der Suva ungefähr 400 000 Röntgenbilder zugesandt.

Ende November 2005 hat die Suva ihr eigenes «Picture Archiving and Communication System» (PACS) in Betrieb genommen. Angeschlossen sind alle Agenturen, der Hauptsitz in Luzern sowie die Rehabilitationskliniken. Bei Patienten mit komplexen Schadenfällen, deren Dossiers im Lauf der versicherungsmedizinischen Beurteilung, der Behandlung und der Rehabilitation an verschiedenen Orten benötigt werden, entfällt jetzt der umständliche interne Postversand.

Das Anfordern und der Rückversand von Röntgenbildern an externe Kliniken und Ärzte ist sowohl für die Empfänger als auch für die Absender aufwändig, nicht zuletzt deshalb, weil die Bilder mehrheitlich grossformatig sind. Auch bei sorgfältigem Umgang kann eine Beschädigung oder ein Verlust nie ganz ausgeschlossen werden. Da es sich bei den Bildern in der Regel um Originale handelt, ist der Postversand auch aus diesem Grund unbefriedigend. Schliesslich stört häufig auch, dass die Bilder nach dem Versand lokal nicht mehr einsehbar sind.

Mit der Einführung von CD/DVD als Datenträger wurde der letzte Punkt hinfällig. Geblieben ist der Aufwand für den postalischen Versand.

Der Postversand von Bildern bzw. CD/DVD ist immer mit einem Medienbruch und damit auch mit technischen Nachteilen verbunden: Das Einscannen von Röntgenfilmen ist langsam und die Wartungskosten für die dafür benötigten Scanner sind bei Dauerbetrieb hoch. Auch bei hoher Auflösung ist ein gewisser Qualitätsverlust nicht zu vermeiden. Einscannte Bilder benötigen zudem bis zu viermal mehr Speicherplatz als nativ digitale Bilder.

Auch wenn die Röntgenbilddaten in Form einer CD oder DVD vorliegen, benötigt das Einlesen bis zu 30 Minuten. Inkompatibilitäten von DICOM-Viewern führen leider nicht selten zu Leseproblemen, so dass dieser Weg des Bildaustausches technisch auch keine gute Lösung ist.

Als Ziel muss deshalb der digitale Online-Röntgenbildaustausch angestrebt werden. Zum jetzigen Zeitpunkt sind jedoch die meisten Radiologien und Arztpraxen dazu technisch nicht oder nur sehr beschränkt in der Lage: Arztpraxen und kleine Spitäler verfügen zudem meist noch nicht über eine digitale Röntgeninfrastruktur; selbst wenn diese vorhanden ist, sind für den Datenimport und -export nur das Lesen und Schreiben von CD und DVD vorgesehen. PACS-Systeme verschiedener Institutionen lassen sich zwar technisch verbinden; die Regelung der Zugriffsrechte und die Workflow-Integration ist damit jedoch noch nicht gelöst.

EBIDA EBIDA steht für elektronischen Bilddatenaustausch und ist der Titel eines Projektes, welches die schweizweite Einführung eines standardisierten Röntgenbilddatenaustausches zum Ziel hat.

Die Schweizerische Unfallversicherungsanstalt Suva treibt aktiv die Entwicklung eines solchen Systems voran: Zusammen mit externen Partnern wurde ein Konzept für die Umsetzung erarbeitet: MediData AG, führender Intermediär im Gesundheitswesen, sorgt dabei für den sicheren Transport der Daten sowie die Anbindung der Spitäler und anderer Leistungserbringer. WDS Technologies S.A. zeichnet für die Anbindung an das RIS/PACS in der Suva verantwortlich, wie auch für die Schnittstelle zum PACS in den Spitälern. Alle für die Kommunikation verwendeten Standards sind offen; der Entstehung gegenseitig inkompatibler oder proprietärer Systeme soll so entgegengewirkt werden.

Damit sich ein System für den Online-Bilddatenaustaustausch in der Praxis bewährt,

SMI 2007: Nº 61

Jubiläumskongress – 20. Jahrestagung SGMI

38

braucht es mehr als den sicheren Versand von Röntgenbilddaten: In den beteiligten Institutionen muss es sich optimal in die Prozesse des Röntgenbildmanagements einfügen. Gleichzeitig muss es den bestehenden Sachzwängen Rechnung tragen. Röntgenfilme und CD/DVD müssen weiterhin verarbeitet werden können.

EBIDA beschränkt sich deshalb nicht auf die Normierung bzw. Bereitstellung der Kommunikationsinfrastruktur: Standardisiert und durch geeignete Software unterstützt wird ebenfalls der Workflow für die Bestellung und den Versand von Röntgenbildern.

2. Response: Die im Request enthaltenen Personendaten erlauben es dem Spitalmitarbeiter, den Patienten eindeutig zu identifizieren. Aufgrund der Angaben zum Fall wählt er die gewünschten Bilder aus. Vom Spital werden die Röntgenbilddaten in einem strukturierten Antwortfile (Response) zurückgeschickt. Aufgrund seiner ID kann der Response eindeutig dem Request zugeordnet werden. Dies erlaubt es bei der Suva, die eingetroffenen Bilder ohne manuelle Bearbeitung dem richtigen Patienten und Fall zuzuordnen.

Sichere Kommunikation Request-Response-Modell Für EBIDA wurde ein Workflow-Konzept erarbeitet. Es basiert auf einem Request-ResponseModell und wird im Folgenden anhand eines praktischen Beispiels dargestellt: Herr Fritz M. ist Suva-versichert und hat am 12. 1. 2007 bei einem Arbeitsunfall einen Beckenbruch sowie einen Oberschenkelbruch rechts erlitten. Der Patient wurde operativ versorgt, im postoperativen Verlauf stellen sich Komplikationen ein.

Die Suva benötigt die Röntgenbilder von Herrn Fritz M. und fordert diese beim Spital an.

1. Request: Mittels einer elektronischen Anfrage (Request) fordert die Suva die Bilder im Spital an. Die Anfrage enthält alle für den Prozess notwendigen Informationen, wie Patientenname, Geburtsdatum, Geschlecht und eine Beschreibung der gewünschten Bilder (Abb. 1).

Request

Suva

Spital Response

Abbildung 1. Request-Response-Modell.

Die Übertragung der Bilder erfolgt durch die von der MediData AG entwickelte und seit Jahren erfolgreich für die elektronische Rechnungsübermittlung im Schweizer Gesundheitswesen verwendete MediPort-Umgebung.

Für den sicheren Transport von Röntgenbildern wurde von MediData ein Plug-In für das Produkt MediPort DocX erstellt. Auf Seite Suva verschickt der DocX-Client die im Filesystem (1) bereitstehenden Requests an den Mediport Server (2), welcher diese für den Empfänger bereitstellt. Der beim Leistungserbringer installierte DocX-Client holt den Request ab (3) und gibt diesen dem DICOM-Plugin zur Weiterverarbeitung weiter.

Die vom DICOM-Plugin erstellt Antwort (4) wird vom Client vor Ort in ein XML-File verpackt und an den MediPort-Server geschickt (5) und dort der Suva zum Abholen bereitgestellt.

Der DocX-Client der Suva holt die Antwort ab (6) und übergibt diese an das DICOM-Plugin (7) zur Ablage (vgl. Abb. 2).

Für den Transport nimmt der MediPort DocXClient periodisch Kontakt mit dem MediPort Server auf. Dies geschieht über eine mit SSLgesicherte Internet-Verbindung. Nach einer gegenseitigen Authentifizierung mittels elektronischen Zertifikaten sendet der Client die bereitstehenden Dokumente an den Server und holt die für ihn auf dem Server bereitstehenden Dokumente ab.

1. Request von Filesystem

Anbindung an die lokale Röntgeninfrastruktur

3. Abholung durch Leistungserbringer

P A C S

4 Erstellung

2. Versand an Server

DocX

DocX

der Antwort 6. Abholung durch Suva

Spital

MediPort Server

5. Versand an Server

Abbildung 2. Sichere Kommunikation über MediPort.

Suva

7. Ablage bei Suva

P A C S

Eine optimale Integration in das Röntgenbildmanagement der einzelnen EBIDA-Teilnehmer ist nur möglich, wenn der teilnehmerseitige Client mit dem lokalen PACS kommunizieren kann. Für Teilnehmer ohne PACS muss es möglich sein, von digitalen Modalitäten Bilder an

SMI 2007: Nº 61

39

den EBIDA-Client schicken zu können. Der EBIDA-Client verfügt deshalb über ein von der WDS Technologies entwickeltes Plugin mit DICOM-Interface, welches diese Aufgaben erfüllt.

Das EBIDA DICOM-Plugin ermöglicht ein DICOM Query auf dem PACS: Aufgrund der im Request enthaltenen Personendaten (Name, Vorname, Geburtsdatum, Geschlecht) können die Röntgenbilder direkt im lokalen PACS gesucht und selektiert werden. Damit die vollständige Kontrolle über den Datenfluss beim Absender bleibt, müssen die Untersuchungen und Bildserien für die Rücksendung (Response) von der zuständigen Person im Spital manuell für jeden Versand ausgewählt werden.

Zusätzlich kann das Plugin auch als DICOMNode konfiguriert werden. Dies erlaubt es, von jeder Modalität aus Bilder direkt an den EBIDAClient zu schicken, ein PACS ist also nicht zwingend erforderlich. Der Betrieb als DICOMNode steht selbstverständlich auch mit einem PACS offen. Welchem der beiden Modi der Vorzug gegeben wird, richtet sich auch nach den bestehenden Arbeitsabläufen.

Verwendete Standards Die Verwendung von Standards ist für den strukturierten Datenaustausch von zentraler Bedeutung: Nur so besteht für den Teilnehmer die Möglichkeit, den Prozess der Anfrage wie auch der Antwort weitgehend zu automatisieren.

Für die Übermittlung wird der XML-Standard «xmit» verwendet, der vom Forum Datenaustausch definiert und publiziert wurde2. «xmit» kann man sich als «elektronischen Briefumschlag» vorstellen: Er stellt sicher, dass ein aus mehreren Dokumenten bestehendes Datenpaket jederzeit einer bestimmten Institution und einem bestimmten Patienten zugeordnet werden kann. Der Adressat ist klar ersichtlich. Weiter garantiert «xmit», dass alle Dokumente im Paket weder verloren gehen noch verändert werden können.

Innerhalb des xmit-Paketes werden Patientendaten gemäss dem HL7-Version-3-Standard

2 Siehe www.forum-datenaustausch.ch

(Health Level 7) kodiert. EBIDA folgt damit dem wichtigsten internationalen Standard für den Austausch von Daten zwischen Computersystemen im Gesundheitswesen.

Die röntgenbildspezifischen Daten liegen im DICOM-Standard (Digital Imaging and Communications in Medicine) vor.

EBIDA verzichtet damit vollumfänglich auf proprietäre Kodierungen. Alle verwendeten Standards sind offen. Damit soll der Entstehung gegenseitig inkompatibler Systeme entgegengewirkt werden. Die Suva leistet damit – zusammen mit externen Partnern – einen wichtigen Beitrag zur Standardisierung des Datenaustausches im schweizerischen Gesundheitswesen.

Pilotbetrieb Seit August 2006 wird EBIDA in einem Pilotbetrieb auf seine Praxistauglichkeit geprüft.

Angeschlossen sind bis jetzt 7 Spitäler. Der Pilotbetrieb beschränkt sich zur Zeit auf Requests von der Suva an die Spitäler und Responses an die Suva. Ab 4. Quartal 2007 wird es für jeden Teilnehmer möglich sein, Bilder sowohl zu empfangen als auch zu senden.

Das Feedback der bisherigen Pilotteilnehmer ist vielversprechend: Das System sei einfach und schnell. Dank den detaillierten Angaben in der Anfrage ist ein gezielter Versand der gewünschten Bilder möglich.

Weiterer Ausbau In einem nächsten Ausbauschritt wird es möglich sein, zusätzlich zu den Bildern auch die Befunde zu übermitteln. Die Verwaltung und Archivierung von Befunden erfolgt von Spital zu Spital unterschiedlich: Nicht alle haben einen Electronic Patient Record (EPR); ist ein EPRSystem vorhanden, werden die Befunde nicht in allen Spitälern zwingend im EPR verwaltet.

Diese fehlende Standardisierung ist der Grund, weshalb die Befund-Übermittlung erst in einer zweiten Phase des Projektes realisiert wird.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

40

InWiM: Medizinisches Wissensmanagement in der Suva

Juerg P. Bleuer1, Kurt Bösch2, Vincent Lampérière3, Christan A. Ludwig2 1

Healthevidence GmbH, Bern

2

Suva, Luzern

3

X8X Process Solutions AG, Zürich

Dr. med. Juerg P. Bleuer, MPH Healthevidence GmbH Jupiterstr. 53/521 Postfach 6551 CH-3001 Bern bleuer@healthevidence.ch Kurt Bösch Leiter CC ECMS Suva Rösslimattstrasse 39 CH-6005 Luzern Vincent Lampérière Senior Technical Consultant X8X Process Solutions AG Bremgartenstrasse 7 CH-8003 Zürich Dr. med. Christian A. Ludwig, M.H.A. Chefarzt Suva Fluhmattstrasse 1 Postfach CH-6002 Luzern

Summary One of the reasons identified to explain the inter-patient variability care management is the none-uniform shared medical knowledge. The problem of «Unité de doctrine» is tackled with the InWiM (Integrierte Wissensbasen der Medizin) project of SUVA. The pertinent element of knowledge is made available to all care decision makers with a user-friendly in-house developed knowledge management system. It allows an integrated access to numerous sources of knowledge. The project InWiM encompasses a complete medical knowledge management project. Part of it is the InWiM-application described in this paper. InWiM has been implemented using the Enterprise-Content-Management-System (ECMS) FileNet. It provides all functionalities needed to get, produce, manage and distribute information and knowledge.

Some specific characteristics important to medical knowledge have been implemented, such as cross-references. Annotations can be attached to documents and to cross-links as well. All documents are indexed with MesH. To the knowledge of the authors, InWiM is the first knowledge management system with a full MesH implementation outside of the National Library of Medicine.

Zusammenfassung Als eine der Ursachen für die interindividuelle Variabilität der Beurteilungen medizinischer Sachverhalte durch Ärzte wurde eine uneinheitliche Wissensbasis identifiziert: Mit dem Projekt InWiM geht die Suva das Problem der fehlenden «Unité de doctrine» an: Das relevante Wissen wird zukünftig über ein selbst entwickeltes Wissensmanagement-System allen medizinischen Entscheidungsträgern leicht zugänglich zur Verfügung gestellt.

InWiM steht für Integrierte Wissensbasen der Medizin. Das Akronym weist darauf hin, dass dem Benutzer das Wissen aus verschiedensten Quellen «integriert» über einen einheitlichen Zugangsweg erschlossen wird. InWiM umfasst ein ganzes Wissensmanagement-Projekt. Teil dieses Projektes ist die Applikation InWiM, welche in dieser Publikation beschrieben wird.

Die InWiM-Applikation wurde auf der Basis des Enterprise-Content-Management-Systems

(ECMS) FileNet implementiert. Sie stellt alle Funktionalitäten zur Verfügung, die für das Sammeln, Generieren, Verwalten und Verteilen von Information und Wissen benötigt werden.

Spezielle Funktionalitäten berücksichtigen die Besonderheiten bei der Verwaltung medizinischwissenschaftlicher Inhalte: Die Dokumentenverwaltung von InWiM unterstützt Crosslinks und ermöglicht so die gegenseitige Verlinkung von Dokumenten. Annotations erlauben es dem Benutzer, Dokumente und Crosslinks mit Kommentaren zu versehen. Eine vollumfängliche MeSH-Implementierung erlaubt auch beim Inhouse-Retrieval die Suche nach MeSH-Terms.

Nach Wissen der Autoren ist InWiM bis jetzt das einzige System ausserhalb der National Library of Medicine, welches für das Inhouse-Retrieval die MeSH-Funktionalitäten vollumfänglich zur Verfügung stellt.

Ausgangslage Die Versicherungsmedizin der Suva beschränkt sich nicht nur auf die Abklärung der Leistungspflicht. Seit Einführen des New Case Managements im Jahr 2003 sind die Suva-Ärzte bei komplexen Fällen in die Betreuung der Patienten eingebunden. Mit ihrer Erfahrung können sie so den behandelnden Ärzten bereits von Beginn an beratend zur Seite stehen.

Gleich wie in anderen Bereichen der Medizin ist es auch in der Versicherungsmedizin wichtig, dass fachlich nicht plausible Diskrepanzen in der Beurteilung vergleichbarer medizinischer Sachverhalte so weit als möglich vermieden werden.

Als eine der Ursachen für die interindividuelle Variabilität von Beurteilungen durch Ärzte wurde eine uneinheitliche Wissensbasis identifiziert: Mit dem Projekt InWiM geht die Suva das Problem der fehlenden «Unité de doctrine» an: InWiM steht für Integrierte Wissensbasen der Medizin und umfasst ein ganzes Wissensmanagement-Projekt. Im Rahmen der ISO-Zertifizierung 9001:2000 der Suva-Versicherungsmedizin wurden alle Prozesse des Wissensmanagements definiert und dokumentiert. Unterstützt werden diese Wissensmanagementprozesse durch die InWiM-Applikation, die in der vorliegenden Publikation vorgestellt wird.

SMI 2007: Nº 61

41

Daten – Information – Wissen In der Umgangssprache werden die Begriffe «Daten» «Information» und «Wissen» häufig nur unscharf gegeneinander abgegrenzt oder sogar als Synonyme verwendet.

Das Konzept von InWiM stützt sich auf die folgenden Definitionen: Daten sind symbolische Abbildungen von Sachverhalten, Informationen sind kontextualisierte Daten, Wissen entsteht durch Denken, d.h. durch die logisch-funktionale Verknüpfung von Informationen.

Im strengen Sinn der Definition wird man es in der Praxis des Wissensmanagements kaum mit reinen Daten zu tun haben. Bereits die Rohdaten einer Studie sind nicht nur Symbole, weil die Angabe von Masseinheiten (z. B. Fälle pro 100’000 Einwohner) ihnen zu einer Aussage verhilft, sie sind also bereits kontextualisiert.

Datenmanagement ist denn auch nicht ein Anwendungsfall in InWiM und auch nicht Gegenstand dieser Publikation.

Zwischen «Information» und «Wissen» ist der Übergang fliessend: Betrachtet man beispielsweise die Resultate einer einzelnen wissenschaftlichen Studie, wird der Begriff «Information» zutreffen; liegen mehrere Studien mit kongruenten Resultaten zu einer Fragestellung vor, wird man sich immer mehr dem «Wissen» nähern.

Guidelines schliesslich stellen im Idealfall eine umfassende Wissensrepräsentation zu einer bestimmten Fragestellung dar.

Dem Begriff «Wissen» haftet auch die Bedeutung von «Wahrheit» an, «Wissen» hebt sich damit vom «Glauben» und von der «Vermutung» ab.

In der hier verwendeten Bedeutung können sowohl Wissen als auch Information und Daten zutreffend sein oder auch nicht. Um zu betonen, dass eine als «Wissen» deklarierte Erkenntnis von guter Qualität ist, wird gerne von «gesichertem Wissen» gesprochen. Wie gut abgestützt und damit wie stark gesichert ein bestimmtes Wissen ist, hängt unter anderem davon ab, ob und in welchem Ausmass es von verschiedenen Quellen gestützt wird.1

InWiM: Eine Applikation für das medizinisch-wissenschaftliche Wissensmanagement InWiM stellt alle Funktionalitäten zur Verfügung, die für das Sammeln, Generieren, Verwalten und Verteilen von Informationen und Wissen benötigt werden. Sinnvoll ist vorab eine Unterteilung der Bereiche Redaktionssystem und Dokumentenmanagement.

Spezielle Funktionalitäten berücksichtigen die Besonderheiten bei der Verwaltung medizinischwissenschaftlicher Inhalte: Crosslinks erlauben die gegenseitige Verlinkung aller vorhandenen Dokumente. Annotations erlauben es dem Benutzer, nicht nur Dokumente sondern auch Crosslinks mit Kommentaren zu versehen. Die Implementierung des MeSH-Indexes erlaubt auch beim Inhouse-Retrieval die Suche nach MeSH-Terms.

Redaktionssystem Das Redaktionssystem unterstützt alle Schritte bei der Erstellung einer Wissensbasis mit verbindlichen Knowledge Assets. Verbindliche Knowledge Assets erfüllen bestimmte formale und inhaltliche Kriterien: Unter anderem sind sie im Rahmen eines definierten Prozesses entwickelt worden und sie haben eine Peer review durchlaufen. Die Publikationsfreigabe erfolgt unter der Verantwortung einer definierten Person bzw. Rolle. Das Redaktionssystem von InWiM unterstützt deshalb sowohl Workflows als auch eine rollenbasierte Zugriffsregelung.

Verbindliche Knowledge Assets sind z.B. medizinische Guidelines. Sie werden von Arbeitsgruppen erstellt. Im Verlauf der Erstellung entstehen Dokumente in zahlreichen Versionen, die von den einzelnen Mitgliedern der Arbeitsgruppe jeweils gegenseitig überarbeitet werden.

Publiziert werden verbindliche Knowledge Assets über das Intra- und über das Extranet; teilweise auch als Printmedien.

Documentenmanagement Das Studium der Literatur, die Teilnahme an Fachveranstaltungen und der Austausch von Meinungen sind Teil der ärztlichen Arbeit, Fortund Weiterbildung. Die im Rahme dieser Aktivitäten anfallenden Dokumente sind inhaltlich und formal heterogen; als Beispiele seien etwa Fachartikel, Notizen zu Diskussionen und Verweise auf Internetseiten erwähnt. InWiM erlaubt jedem Benutzer die individuelle Verwaltung all seiner Dokumente; falls gewünscht, kann er sie für die Verwendung in der Arbeitsgruppe freigeben.

1

In der Evidence-based Medicine wird die Sicherheit des vorhandenen Wissens mit der Angabe des Levels of Evidence bzw. des Grades of Recommendation quantifiziert: Bei Evidence-based Guidelines ist die Strenge von Empfehlungen davon abhängig, wie gut das zugrundeliegende Wissen gesichert ist.

Jubiläumskongress – 20. Jahrestagung SGMI

SMI 2007: Nº 61

42

Die Funktionalitäten des Dokumentenmanagements stehen selbstverständlich auch den Autoren von verbindlichen Knowledge Assets im Redaktionssystem zur Verfügung. Insbesondere unterstützt eine Versionskontrolle die Verwaltung gegenseitig überarbeiteter Versionen.

gedacht: Jeder Benutzer kann zu jedem Dokument und zu jedem Crosslink beliebig viele Annotations erstellen. Jede Annotation kann wahlweise im Lesezugriff für die Arbeitsgruppe freigegeben werden.

Information Retrieval Crosslinks Evidence-based Medicine fordert für alle medizinischen Entscheidungen den Nachweis der Richtigkeit. Dieser Nachweis soll wenn immer möglich anhand qualitativ guter Studien bzw. systematischer Übersichtsarbeiten erfolgen. Das Vorhandensein mehrerer wissenschaftlicher Arbeiten mit kongruenter Aussage wertet somit vorhandenes Wissen in Richtung «gesichertes» Wissen auf.

Mit Crosslinks ermöglicht es InWiM, zwischen inhaltlich verwandten Dokumenten einen Bezug herzustellen und so die «Sicherheit» von Wissen zu dokumentieren. Im Gegensatz zu Hyperlinks sind Crosslinks bidirektional: Das Ziel eines Crosslinks kennt alle Dokumente, von denen aus ein Link ausgeht.

Die Erstellung von Crosslinks steht jedem Benutzer offen und ermöglicht ihm so, seine persönliche Sicht der «Vernetzung von Wissen» zu dokumentieren.

Annotations Annotations sind ein weiteres Instrument, mit dem InWiM den Bedürfnissen von EvidenceMedicine Rechnung trägt: Für die Sicherung von Wissen ist nicht allein die Menge der vorhandenen Studien ausschlaggebend sondern auch deren Qualität. Die Beurteilung der Qualität erfolgt durch ein Critical Appraisal. Führt ein Benutzer ein Critical Appraisal durch, sollte das Resultat für eine spätere Verwendung zusammen mit der Studie abgespeichert werden. Unter Umständen ergeben sich beim Studium einer Publikation noch weitere aufbewahrungswürdige Notizen. Für all dies steht in InWiM die Möglichkeit bereit, Dokumente mit Annotations zu versehen. Jedem Benutzer steht es frei, seine Annotations in der Arbeitsgruppe zugänglich zu machen.

Annotations können nicht nur zu Dokumenten erstellt werden. Auch bei Crosslinks sind Anmerkungen über die Qualität des inhaltlichen Bezuges sinnvoll: Als Beispiel sei ein Crosslink mit der Annotation «Widersprüchliche Ergebnisse» angeführt.

Annotations sind für persönliche Anmerkungen

Die Arbeit mit medizinisch-wissenschaftlichen Dokumenten stellt an die Findmittel grosse Anforderungen. Für die inhaltliche Erschliessung ist die Volltextrecherche unverzichtbar, sie reicht jedoch nicht aus: Viele Begriffe sind je nach Kontext mehrdeutig, häufig werden Synonyme verwendet, die Quelltexte sind in verschiedenen Sprachen geschrieben, es existieren unterschiedliche Schreibweisen und die Begriffe erscheinen in der Ein- und Mehrzahl. Auch liegen nicht alle relevanten Publikationen im Volltext vor, häufig steht nur ein Literaturzitat, teils mit, teils ohne Abstract zur Verfügung.

Für die Suche in medizinischen Literaturdatenbanken gibt es deshalb verschiedene Thesauri2; der am meisten verbreitete ist der MeSH-Index (Medical Subject Headings) der National Library of Medicine, USA. In InWiM wurde der MeSH-Index vollumfänglich implementiert. Ein mehrstufiger Wizard ermöglicht dem Benutzer die Suche nach dem adäquaten MeSH-Term (Concept) (Abb. 1).

Unterstützt werden auch die Suche nach Subheadings sowie die Einschränkung der Suchresultate durch Limits.

Sobald die Suchabfrage mit dem Wizard generiert worden ist, kann sie wahlweise auf die Datenbank von PubMed oder auf die Inhouse2

Definition des Begriffs «Thesaurus» nach DIN 1463: Ein Thesaurus im Bereich der Information und Dokumentation ist eine geordnete Zusammenstellung von Begriffen und ihren (vorwiegend natürlichsprachigen) Bezeichnungen, die in einem Dokumentationsgebiet zum Indexieren, Speichern und Wiederauffinden dient. Er ist durch folgende Merkmale gekennzeichnet: a) Begriffe und Bezeichnungen werden eindeutig aufeinander bezogen («terminologische Kontrolle»), indem – Synonyme möglichst vollständig erfasst werden, – Homonyme und Polyseme besonders gekennzeichnet werden, – für jeden Begriff eine Bezeichnung (Vorzugsbenennung, Begriffsnummer oder Notation) festgelegt wird, die den Begriff eindeutig vertritt, b) Beziehungen zwischen Begriffen (repräsentiert durch ihre Bezeichnungen) werden dargestellt.

Anmerkung des Autors: Die Definition ist nicht ausführlich genug, in diesem Zusammenhang jedoch genügend.

SMI 2007: Nº 61

43

Datenbank abgesetzt werden. Wird die Suchabfrage in PubMed durchgeführt, können die gefundenen Literaturzitate anschliessend in die Inhouse-Datenbank importiert werden (Abb. 2).

Für die MeSH-Beschlagwortung von selbst erstellten Dokumenten steht ebenfalls ein Wizard zur Verfügung.

InWiM ist nach Wissen der Autoren bis jetzt das einzige System ausserhalb der National Library of Medicine mit einer vollumfänglichen MeSHImplementierung für das Inhouse-Retrieval.

Technische Umsetzung Die Applikation InWiM wurde als IntranetLösung auf der Basis des BEA-Portals (WLP) und des Enterprise-Content-ManagementSystems (ECMS) FileNet P8 entwickelt. Zusätzlich wird eine Oracle-Datenbank für die Ablage des MeSH-Indexes verwendet.

Das GUI (Graphical User Interface) wird im Intranet der Suva in Form eines Portlets angeboten. Dabei kann sich die Anwendung auf ein Framework stützen, das inhouse für die Entwicklung für Intranet-Applikationen erarbeitet wurde und grundsätzliche DMS-Funktionalität wie Auschecken, Einchecken, Versionierung, datenbankgestützte Verwaltung usw. für Dokumente anbietet. Die InWiM-spezifischen Funktionen wurden auf Basis dieses Frameworks zusätzlich entwickelt. Möglichkeiten wie Erstellen von Annotationen und Crosslinks, die im Rahmen der InWiM-Entwicklung entstanden, fliessen im Sinne von allgemein verwendbaren Funktionen in das allgemeine Framework zurück.

Abbildung 1. Concept-Suche in InWiM. Resultat aufgrund des Suchbegriffs

«huntington».

Abbildung 2. Aus PubMed importiertes Zitat mit MeSH-Terms. Nach diesen Terms

kann auch intern gesucht werden.

Die Autoren danken allen Mitgliedern der Projektgruppe für ihre Mitarbeit und ihren wertvollen Beitrag zum Gelingen des Projektes: Klaus Bathke, Erich Bär, Viktor Bydzovsky, Fiorenzo Caranzano, Massimo Ermanni, Bruno Ettlin, Pius Feierabend, Roland Frey, Franziska Gebel, Carlo Gianella, Raphael Good, Ulrike Hoffmann-Richter, Roland Jäger, Sönke Johannes, Bertrand Kiener, Hans Kunz, Jürg Ludwig, Wolfgang Meier, Bettina Rosenthal, Jan Saner, Rita Schaumann-von Stosch, Felix Schlauri, Holger Schmidt, Fred Speck, Klaus Stutz, Felix Tschui, Walter Vogt.

Outsourcing

SMI 2007: Nº 60

44

Events Switzerland

June 19, 2007 Anwenderforum eHealth 2007 Elektronische Patientenakte – Wirklichkeit, Vision und Weg Location: Hotel Marriott, Neumühlequai 42, 8006 Zürich http://www.swissict.ch/ehealth07.html SGMI-Mitglieder haben Anspruch auf vergünstigte Teilnahmegebühren.

September 13 – September 14, 2007 Patientensicherheit Schweiz: Aktivitäten – Stolpersteine – Perspektiven Location: BEA Bern Expo, Kongresszentrum (G1), Mingerstrasse 6, 3014 Bern http://www.patientensicherheit.ch/ Europe

July 18 – July 20, 2007 12th International Symposium for Health Information Management Research (iSHIMR) Location: St. Pauls Hotel, Sheffield, UK http://dagda.shef.ac.uk/ishimr07/ index.html

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

October 7 – October 10, 2007 Mednet 2007 Location: Center for Healthcare Management, Leipzig, Germany Website: http://mednet2007.com/ October 22–25, 2007 World of Health IT 2007 Location: Austria Center, Vienna, Austria p://www.worldofhealthit.org/ World

August 20 – August 24, 2007 Medinfo 2007 Location: Brisbane Convention Centre, Brisbane, Queensland Australia http://www.medinfo2007.org November 10 – November 14, 2007 AMIA 2007 Annual Symposium Location: Sheraton Chicago Hotel & Towers Cityfront Center, Chicago, IL United States http://www.amia.org/meetings/f07/

Redaktionsadresse / Adresse de rédaction

Inserate / Régie des annonces

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

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

Autorenrichtlinien / Directives pour les auteurs

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

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

Abonnemente / Abonnements

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