Herausforderung der Strukturierung von Daten im Gesundheitssystem
Strukturierte Daten sind Teil eines Schemas und werden mit einem bestimmten Zweck gruppiert. Dies erleichtert die Extraktion und Verwendung. Unstrukturierte Daten hingegen können nur unter einem hohen Aufwand organisiert und kategorisiert werden. Beispiele dafür sind Notizen von Ärzten, Befundberichte oder Sprachnotizen[1].
Nur 25% der Daten im Gesundheitssystem liegen in einer digital strukturierten Form vor [2]. Außerdem sind sie aufgrund von besonderen Datenschutzmaßnahmen oft isoliert. Dies steht einer individuellen Vernetzung der Daten, wie sie in anderen Branchen üblich ist und Firmen wie Facebook oder Google erfolgreich macht, im Weg [3]. Die Implementation von einer elektronischen Gesundheitsakte kann dieses Problem alleine nicht lösen [2]. Zum einen, weil auch diese oft uneinheitlich sind und zum anderen weil sie erneut ein geschlossenes System darstellen, während Gesundheitsdaten im 21. Jahrhundert viel umfangreicher erfasst und genutzt werden können [3].
Dabei sind Standards in der Datenverarbeitung für die Interaktion im Gesundheitswesen entscheidend, wie beispielsweise in der praktischen Umsetzung von Forschungsergebnissen. Der Bundesverband Medizintechnik hat entsprechend in ihrem Positionspapier von 2021 die Umsetzung von Standards in der Datenerfassung als einen wesentlichen Baustein für eine leistungsfähige digitale Gesundheitsversorgung der Zukunft gefordert [4].
Dabei werden diese im Gesundheitssystem für eine Vielzahl an Anwendungen benötigt. Dazu zählen zum Beispiel KI Systeme, die von einem großen Satz an einheitlichen Daten leben.
Lösungen
Die gute Nachricht: Die Standards existieren bereits. SNOMED (Systematized Nomenclature of Medicine) stellt ein global einheitliches Verzeichnis von medizinischen Termen wie Symptome, Befunde, Diagnosen und Prozeduren dar. Ergänzend für Laboruntersuchen sorgt die Verwendung von LOINC (Logical Observation Identifiers Names and Codes) für eine systematisierte Dokumentation. Die Nomenklatur wird jährlich erneuert und lässt sich kostenfrei auf der Website herunterladen. Es fehlt demnach vielmehr an der konsequenten Datenerfassung anhand dieser Terminologien.
NLP (natural language processing), also die Erfassung und maschinelle Verarbeitung von natürlicher Sprache, bietet den Vorteil einer leichten Datenerfassung am Punkt der Entstehung. IFür die Aufnahme von gesprochener und geschriebener Sprache müssen jedoch die Komplexität und Mehrdeutigkeit von ganzen Textzusammenhängen erfasst werden. Diese anspruchsvolle Verarbeitung geht ergo mit einem hohen Fehlerpotential einher, sodass Informationen und der Kontext potentiell verloren gehen können. Dies kann gerade bei kritischen Daten im Gesundheitswesen fatale Folgen haben in einer Zeit in der schon jetzt medizinische Fehler einer der führenden Todesgründe darstellen [5].
Eine weitaus bessere Möglichkeit stellt die Datenerfassung direkt an der Entstehungsquelle dar. Je näher die Kodierung nach Standard wie SNOMED und LOINC an der Datenentstehung stattfindet, desto besser ist üblicherweise die Qualität und Aktualität der Daten. Für ein Szenario in der Medizin bedeutet dies, dass die Kodierung direkt beim Arzt erfolgen muss. Zusätzlicher Aufwand für den Arzt hat im Gesundheitssystem typischerweise wenig Lobby und daher hat dieses Konzept in der Vergangenheit häufig zu Verdruss geführt. Dies gilt nicht nur spezifisch für die Gesundheitsbranche. Ähnliche Erfahrungen habe ich auch im Umfeld von Customer Relationship Management (CRM) und Besucherdokumentation gemacht, wenngleich es dort meist weniger externe Standards gab wie SNOMED. Wie könne Ärzte also zur korrekten Dokumentation motiviert werden?
Motivation
Der Mehrwert einer einheitlichen und digitalen Dokumentation ist wie beschrieben riesig und allgemein bekannt. Da das Potential der einheitlichen Dokumentation besonders in der Analyse der Daten liegt, sind die direkten Auswirkungen bei der Datenerfassung wenig greifbar. Um die Mitarbeitenden zu motivieren, muss jedoch der Nutzen unmittelbar im Alltag sichtbar sein. Ist dies nicht umzusetzen kann eine Gamification helfen, die Motivation zu steigern. Während dies auf der Seite der Patienten zum Beispiel durch das Tracken der Bewegung durch Smartwatches oder Apps, die zur regelmäßigen Einnahme von Medikamenten motivieren, schon längst der Fall ist, liegt dort auch ein großes Potential auf der Versorgerseite [6]. In einer Studie von 2019 wurde beispielsweise dargelegt, dass eine Gamification dafür sorgen kann, dass Hausärzte öfter den Blutdruck von ihren Patienten kontrollieren [7]. Aus meiner Erfahrungen heraus werden im CRM Änderungen in der Dokumentation meist durch den Vertriebsleiter angestoßen oder weil das genutzte Informationssytem diese Daten fordert. Soll ein Wechsel in der gängigen Dokumentation erfolgen, kann dies vermeidlich nur durch die Forderung von außen gelingen.
Langfristiges Ziel
Medicalvalues stellt eine Entscheidungsunterstützung durch Künstliche Intelligenz für Labordaten dar, die Ärzte bei der Probenanforderung und Auswertung anhand aktueller Forschungsergebnisse unterstützt. Gleichzeitig möchten wir eine einheitliche medizinische Dokumentation zum Standard machen. Der Manuelle Standardisierungsprozess ist extrem (Zeit-)aufwändig, kann aber mithilfe von KI automatisiert werden. Dafür stellt medicalvalues ein Programm bereit, dass die einheitliche Datenerfassung vereinfacht. Dieses nimmt nicht-standardisierte Daten als Input und „verLOINCt“ diesen Input anschließend, d.h. die Daten weisen den entsprechenden LOINC-Code nach dem Prozess auf. Durch die Mapper-Anwendung können Daten von sämtlichen Terminologiesystemen in LOINC transformiert werden. Der ganze Prozess erfolgt dadurch schneller, effizienter und sicherer, da menschliche Fehler wie Tippfehler vermieden werden können. More information here: Standardization and Harmonization
Probieren Sie das (teil-) automatisierte LOINC mapping auf der medicalvalues platform kostenlos hier: LOINC Mapper
Literaturverzeichnis:
[2]: Capurro, Daniel, Meliha Yetisgen, Erik Eaton, Robert Black, and Peter Tarczy-Hornoch. “Availability of Structured and Unstructured Clinical Data for Comparative Effectiveness Research and Quality Improvement: A Multi-Site Assessment.” EGEMs (Generating Evidence & Methods to Improve Patient Outcomes) 2, no. 1 (July 11, 2014): 11. https://doi.org/10.13063/2327-9214.1079.
[7]: https://pubmed.ncbi.nlm.nih.gov/Gentry, Sarah Victoria, Andrea Gauthier, Beatrice L’Estrade Ehrstrom, David Wortley, Anneliese Lilienthal, Lorainne Tudor Car, Shoko Dauwels-Okutsu, et al. “Serious Gaming and Gamification Education in Health Professions: Systematic Review.” Journal of Medical Internet Research 21, no. 3 (March 28, 2019): e12994. https://doi.org/10.2196/12994.
