Download (1MB)
Abstract
Einleitung: Trotz zunehmender Digitalisierung stellt sich die wissenschaftliche Auswertung von Daten in der klinischen Medizin als nicht triviale Aufgabe dar. Bereits auf unterster Ebene, sprich, in den einzelnen Fachabteilungen eines Klinikums werden Daten eines Patienten in verschiedensten Systemen archiviert. Interne Datenbanken zu diagnostischen Spezialgeräten, Verwaltungsdaten, die in Klinikumsinformationssystemen gespeichert werden, als auch isolierte Arztbriefe sind hier nur einige der in der Praxis genutzten Entitäten. Oftmals verbirgt sich wissenschaftlicher Mehrwert jedoch gerade in der kombinierten Analyse verschiedener Datenquellen [1]. Eine Möglichkeit dieser Problematik zu begegnen ist es die Daten innerhalb eines Data-Warehouses zusammenzuführen [2].
Diese Maßnahme alleine beseitigt jedoch nicht das Problem, dass die Daten oftmals über eine hohe Dimensionalität bzw. Komplexität verfügen – von Big-Data ist hier oftmals die Rede [3]. Die unstrukturierte Zusammenführung in ein Datawarehouse kann deswegen zu neuen Problemen wie redundanten Datenfeldern oder mangelnder Konkordanz führen.
Auch im Bereich der Augenheilkunde existiert diese Problematik. Die Bildgebung hat in den letzten Jahren in diesem Fach deutlich an Bedeutung gewonnen und es bestehen nun zahlreiche Möglichkeiten Befunde zu objektivieren und zu messen. In der Augenklinik der Universität in München sind in den letzten Jahren deswegen Anstrengungen unternommen worden, zum einen die klinischen Untersuchungsdaten digital zu erfassen und zum anderen die Messdaten geordnet zu speichern. Das SMEYEDAT (Smart-Eye-Data) Projekt, eine Arbeitsgruppe bestehend aus Ärzten, Informatikern als auch Statistikern, hat sich zur Aufgabe gemacht, diese Datenquellen zusammenzuführen, zu strukturieren und damit für die Forschung und als Unterstützung für die Routinearbeit nutzbar zu machen.
Die vorliegende Arbeit beschreibt die ersten Ergebnisse der im Sommer 2014 gegründeten Arbeitsgruppe, bei der klinische wie auch administrative Daten aus dem führenden Krankenhausinformationssystem (KIS) (SAP / i.s.h.-med) sowie isolierte Messdaten aus der Optischen Kohärenztomografie (OCT) in einer Forschungsdatenbank zusammengeführt wurden.
Material und Methoden: Zentraler Punkt der initialen Phase war die Schaffung einer strukturierten Forschungsdatenbank (SMEYEDAT DB). Hierbei handelt es sich um ein auf MS-SQL basierendes System.
Die Datenbasis stammt aus dem KIS des Klinikums der Ludwigs-Maximilians-Universität München, welches zur Erfassung und Verwaltung der Daten ein SAP R3 System mit integrierter i.s.h.med Technologie (Siemens AG) verwendet. Die relevanten Informationen (wie patientenbezogene medizinische oder verwaltungstechnische Daten) werden in Form von Textdateien exportiert und unter Berücksichtigung der SAP-internen Identifikationsmerkmale in die SMEYEDAT DB integriert. Die so erhaltenen Basisdaten können schließlich gemäß den Anforderungen für klinische Auswertungen und Studien formiert werden. Eine tägliche Synchronisation mit den SAP-Originaldaten gewährleistet neben der Aufnahme neuer Informationen auch die Aktualisierung des bisherigen Datenbestandes.
Neben den Basisdaten, die im KIS durch graphische Benutzeroberflächen gesammelt werden, existieren semi-strukturierte Arztbriefe (im rtf oder doc-Format), deren relevanter Inhalt durch Verwendung eines C#-Parserskriptes in die SMEYEDAT DB überführt wurde. Dabei wurden Abweichungen von der vorgegebenen Struktur der Dokumente bis zu einem gewissen Grad toleriert.
Final wurde der initiale Datenbestand durch Daten aus dem OCT ergänzt, hierbei von besonderer Relevanz, den Netzhautdickewerten der Makula, also dem Bereich des schärfsten Sehens. Die Daten werden hierbei in Echtzeit beim Aufruf eines OCTs generiert und liegen nicht in abgespeicherter Form vor. Aktuell ist es über die gegebene Software des Herstellers nicht möglich die gewünschten Daten im Batch gesammelt zu exportieren. Nach Absprache mit dem Hersteller (Heidelberg-Engineering, Heidelberg) wurde innerhalb der SMEYE-Gruppe ein in Java implementiertes Roboterskript erzeugt, dass extern über Mauskommdos und Tastatureingaben die Hersteller Software betätigt, die einzelnen Daten jeweils aufruft, in Echtzeit generiert und schließlich als XML-Datei exportiert. Über Bilderkennung passt sich das Roboterskript hierbei jeweils an die zugrundeliegenden Daten an und kann entsprechend den Export durchführen. Die Vollständigkeit der Daten wurde nachträglich validiert.
Erste Analysen mit Hilfe der grafischen Analyse-Software QlikView wurden direkt auf der Datenbank durchgeführt und zeigen beispielhaft die vielseitigen Einsatzmöglichkeiten die von der Projektgruppe angestrebt werden.
Ergebnisse: Aus dem Fachgebiet übergreifenden KIS des KUM wurden Daten von über 250.000 Patienten (Stand Februar 2015) exportiert und dem Datenbestand der SMEYEDATDB hinzugefügt. Hierzu gehören vor allem die klinischen Daten der Patienten (Messwerte, Diagnosen, Medikation, Prozeduren,…) sowie Verwaltungsdaten (Bewegungen, Leistungen,…). Dieser Datenbestand wurde durch Daten aus mehr als 7.000 verschiedenen Arztbriefen ergänzt.
Aus dem OCT wurden bisher zu insgesamt 7.852 Patienten mit mehr als 33.651 Untersuchungen (OCT-scans, Angiographien etc.) jeweils Informationen bestehend aus mehreren tausend Datenfeldern extrahiert. Die Vollständigkeit des Exports des Roboterskripts lag bei über 97.6%.
Das Datenmodel der SMEYEDAT DB wurde von einigen Redundanzen und Unstimmigkeiten bereinigt befindet sich jedoch noch unter Weiterentwicklung.
Auf dem initialen Datenbestand wurde eine Testinstanz von QlikView aufgesetzt, mit der bereits beispielhafte Analysen realisiert werden konnten.
Diskussion: Das SMEYEDAT-Projekt ist der Versuch in der Augenklinik des KUM vorhandene Datenbestände mit Hilfe verschiedener Kompetenzen aus dem Bereich der Medizin, Informatik als auch Statistik zusammenzuführen und für die Forschung nutzbar zu machen.
Im Gegensatz zu Ansätzen die eine Datenzusammenführung und Auswertungen innerhalb einer Datawarehouse-Plattform durchführen (z.B. I2B2 [2]) wurde ein strukturiertes Datenmodel auf MS-SQL Basis erarbeitet um Echtzeitauswertungen über die grafische Analysesoftware Qlik-View, die auf diesen Datenbestand zugreift, zu ermöglichen und so auch den praktizierenden Ärzten ein Tool zur Verfügung zu stellen, Analysen wie beispielsweise Krankheitsverläufe auf großen Datenbeständen selbstständig zu modellieren.
Technische Probleme beim Import, besonders beim Auftreten von Spezialfällen (z.B. Patienten mit extrem vielen Diagnosedaten), liesen sich fast vollständig lösen. Inhaltliche Probleme wie beispielsweise eine Verbesserung der Trennungsschärfe von Diagnosen müssen Anforderungsbezogen nachbearbeitet werden.
Aus den vorliegenden Informationen können jedoch bereits jetzt umfassende medizinische Verlaufsmuster wie beispielsweise die Entwicklung der Visuswerte (Sehqualität) oder des Augeninnendruckes eines Patienten gewonnen werden.
Die SMEYEDAT DB soll hierbei in Bezug auf alle angeschlossenen Datenquellen ein tägliches Update erhalten, um somit auch neue Fälle zeitnah als Unterstützung für die klinische Routine und Forschung zu berücksichtigen.
Aktuelles Bestreben ist es die Datenbank weiter zu strukturieren und um weitere Daten aus allen relevanten augenärztlichen Messgeräten zu erweitern, sofern dies aus technischer Sicht möglich ist.
Mittelfristig ist geplant, dass sich weitere Augenkliniken mit Ihren Daten an diesem Projekt beteiligen, allerdings wären hierfür weitere datenschutzrechtliche Überlegungen notwendig, da sich die aktuelle Nutzung bislang nur auf interne Forschungszwecke beschränkt.
| Dokumententyp: | Konferenzbeitrag (Poster) |
|---|---|
| Fakultät: | Medizin > Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie |
| Themengebiete: | 000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik
600 Technik, Medizin, angewandte Wissenschaften > 600 Technik 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin und Gesundheit |
| URN: | urn:nbn:de:bvb:19-epub-39899-9 |
| Sprache: | Deutsch |
| Dokumenten ID: | 39899 |
| Datum der Veröffentlichung auf Open Access LMU: | 14. Jul. 2017, 06:46 |
| Letzte Änderungen: | 04. Nov. 2020, 13:16 |
- Dokument bearbeiten
