Digitalisierung in der Medizin - miracum.org · Digitalisierung des Gesundheitswesen Fluch oder Segen? „Ich sehe fassungslos vor einer Entwicklung in diesem Land, in der man blind

Digitalisierung in der MedizinFluch oder Segen ?

Prof. Dr. Hans-Ulrich Prokosch

Lehrstuhl für Medizinische Informatik der FAU Erlangen-NürnbergCIO Universitätsklinikum Erlangen

Konsortialleiter MIRACUM

Wie digital ist das deutsche Gesundheitswesen ?


https://www.bertelsmann-stiftung.de/de/unsere-projekte/der-digitale-patient/projektthemen/smarthealthsystems/estland/


PolicyAktivität

Digital HealthReadiness

TatsächlicheDatennutzung

https://www.mckinsey.de/news/presse/2018-09-27-digitalisierung-im-gesundheitswesen


Digitalisierung in der Medizin

Fluch oder Segen ?

Digitalisierung in der MedizinFluch oder Segen ?

DieSchwarzseher

Digitale GesundheitsakteVom Widerstand der Ärzte

• „Hochsensible Gesundheitsdaten von Erwachsenen und Kindern sollen in einer Cloud gespeichert werden.

• Wie wir wissen, sind Daten die einmal im Netz sind, praktisch nicht mehr zurückzuholen.“

Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Süddeutsche Zeitung Nr. 56, 7. März 2019, 13

Digitale GesundheitsakteVom Widerstand der Ärzte

• „Hochsensible Gesundheitsdaten von Erwachsenen und Kindern sollen in einer Cloud gespeichert werden.

• Wie wir wissen, sind Daten die einmal im Netz sind, praktisch nicht mehr zurückzuholen.“

Süddeutsche Zeitung Nr. 56, 7. März 2019, 13Machen Sie Online-Banking?

Wollen Sie darauf heute noch verzichten?

Landen die Daten wirklich in der Cloud?Was ist überhaupt die „Cloud“?

Digitalisierung des GesundheitswesenFluch oder Segen?

„Ich sehe fassungslos vor einer Entwicklung in diesem Land,

in der man blind an die Allheilwirkung einer totalen Digitalisierung

zu glauben scheint und zunehmend

hochempfindliche Infrastrukturen allein digitalen Technologien

anvertraut“

Süddeutsche Zeitung Nr. 56, 7. März 2019, 13


„Wer also hat etwas von dieser sehr teuren „Digitalisierung“?

Der finanzielle Vorteil bei Unternehmen, die über die Verfügbarkeit von

Daten auf zentralen Servern ihre Märkte besser erschließen wollen oder

durch die Bereitstellung von Hard- und Software

im Milliarden-Eurobereich profitieren, ist offenkundig.



„Warum also sollten sich Heilberufler überhaupt an einem

Prozess beteiligen, bei dem IT-Firmen massive Gewinne

einfahren, der aber nicht erkennbar zur verbesserten

Patientenversorgung beiträgt“



Süddeutsche Zeitung Nr. 48, 26. Februar 2019, 2

„Die Privatsphäre von Arzt und Patient ist bedroht“

https://www.sueddeutsche.de/politik/2.220/aussenansicht-das-glaeserne-behandlungszimmer-1.4344293

Digitalisierung in der MedizinFluch oder Segen

DieWeißseher

https://www.pwc.de/de/gesundheitswesen-und-pharma/digitalisierung-im-gesundheitswesen.html

Big Data und KI sind die Zukunft

Der Einsatz von „Artificial Intelligence“ könnte Millionen Menschen zu besseren Therapien verhelfen –

und gleichzeitig dazu beitragen, die Gesundheitskosten signifikant zu senken.

KI revolutioniert die Medizin

AIpowers digital medicine

AIpowers digital medicine

Artificial intelligence (AI) has recently surpassed human performance in several domains,

and there is great hope that in healthcare,

AI may allow for better prevention, detection, diagnosis, and treatment of disease.

Fitbit and IBM Watson

are rapidly democratizing the access to personal health data

as well as access to complex computational capability, and placing it, literally, in people’s hands.

IBM Watsontransfering the power of healthcare data

https://www.cio.com/article/2922332/how-fitbit-and-ibm-watson-are-transferring-the-power-of-healthcare-data-from-one-hand-to-another.html

We have set an ambitious goal to improve lives and give hope

by addressing the world’s most pressing health challenges.


https://www.ibm.com/watson/health/about/


https://www.ibm.com/watson/health/about/


https://www.zeit.de/digital/internet/2018-08/deep-learning-medizin-kuenstliche-intelligenz-neurologie-augenheilkundeMittwoch, 15. August 2018

Transform the way oncology professionals deliver care



Wirklich?

Das 2013 groß angekündigte Pilotprojekt[1] für ein onkologisches Expertensystem auf Basis von Watson am MD-Anderson-Krebszentrum der Universität Texas etwa liegt mittlerweile auf Eis.



Wirklich?

Der Supercomputer Watson von IBM wurde schon als Heilsbringer im Kampf gegen Krebs und andere schwere Krankheiten angepriesen.

Man habe in dem amerikanischen Konzern den „idealen Partner“ gefunden, um die „Schätze aus dem Datendschungel“ zu heben, frohlockte der DKFZ-Chef.

Computermesse Cebit in Hannover (2011)



Wirklich?

heutiger DKFZ-Stiftungsvorstand Michael Baumann (2018)

… beschränkt sich nach außen auf eine nüchterne Tatsachenbeschreibung:

„Der Rahmenvertrag ist ausgelaufen, ohne dass Geld an IBM geflossen ist.“



Wirklich?

Rhön-Klinikum / Marburg:

„Pleiten, Pech und Pannen“

Die Technik sei nicht brauchbar für den Krankenhausalltag.

„… habe sich die Lücke zwischen Anspruch und Wirklichkeit als so groß erwiesen, dass wir rasch unternehmerisch handeln mussten“



Wirklich?

Memorial Sloan Kettering Cancer Center in New York

„Ich habe mir Watson dort ansehen können“, sagt der deutsche Krebsmediziner Michael Hallek

„Das hätte man alles auch in jeder anderen Forschungsdatenbank oder in einem Lehrbuch nachschlagen können“

transfering the power of healthcare data

IBM Watson

Google Deep Mind

AlphaGo



Egal wie komplex das Spiel Go auch sein mag,es basiert auf einem ganz klar definierten Regelwerk


Medizinische Versorgung lässt sich nicht durch ein klar definiertes Regelwerk

beschreiben

Künstliche Intelligenz

. . . wird oft mit „Maschinellem Lernen“

oder auch „Deep Learning“ gleichgesetzt . . .

und beruht auf sogenannten neuronalen Netzen(die es übrigens auch schon in den 80er Jahren gab)

. . .und es wird oft behauptet, dass KI selbstlernend sei

Künstliche Intelligenz

Maschinelles Lernen

. . . erfordert große Mengen an Daten

was aber häufig verschwiegen wird:

Maschinelles Lernen

. . . erfordert große Mengen an von Klinikern annotierten Daten


The CNN achieves performance on par with all tested experts. . . , demonstrating an artificial intelligence capable

of classifying skin cancer with a level of competence

comparable to dermatologists.

CNN = Deep convolutional neural network



Here we demonstrate the effectiveness of deep learning in dermatology, . . .

Further research is necessary to evaluate performance ina real-world, clinical setting,

in order to validate this technique across the full distribution and spectrum of lesions encountered in typical practice.

IBM WatsonIt´s nowhere close

https://www.statnews.com/2017/09/05/watson-ibm-cancer/

AI in MedicinePromise and Perils

Circulation Research 018;123:1282-1284.

AI in Medicinethe peak of inflated expectations

With machine learning situated at the peak of inflated expectations,

we can soften a subsequent crash into a “trough of disillusionment”

by fostering a stronger appreciation of the technology's capabilities and limitations.

Whether such artificial-intelligence systems are “smarter” than human practitioners makes for a stimulating debate — but is largely irrelevant.

Combining machine-learning software with the best human clinician “hardware” will permit delivery of care that outperforms what either can do alone.

KI: Arztunterstützend !

Combining machine-learning software with the best human clinician “hardware” will permit delivery of care that outperforms what either can do alone.

Arztunterstützend,

nicht arztersetzend!

Prozess-unterstützend

Digitalisierung:was heißt das überhaupt?

• Prozesse des Gesundheitswesens

- werden durch digitale Anwendungen unterstützt

- innerhalb einzelner Versorgungsinstitutionen

- aber auch über deren Grenzen hinweg

• Digitale Technologien sind Alltag in Praxen und Kliniken

• Digitale Technologien unterstützen direkt den Patienten

• Spitzenreiter im Bertelsmann-Ranking haben effektive nationale Strategien, politische Führung und eine nationale Koordinationsstelle

Digitalisierung:was heißt das überhaupt?

• Prozesse des Gesundheitswesens

- werden durch digitale Anwendungen unterstützt

- innerhalb einzelner Versorgungsinstitutionen

- aber auch über deren Grenzen hinweg

• Digitale Technologien sind Alltag in Praxen und Kliniken

• Digitale Technologien unterstützen direkt den Patienten

• Spitzenreiter im Bertelsmann-Ranking haben effektive nationale Strategien, politische Führung und eine nationale Koordinationsstelle

Digitale Prozesse generieren Daten

Medical Data Scientists kurieren und integrieren diese Daten . . .

und machen sie für Analysen zu neuem Erkenntnisgewinn nutzbar

Nationale StrategienDie Medizininformatik - Initiative

Daten aus Krankenversorgung und Forschung integrieren

• zur Verbesserung der medizinischen Forschung und der Krankenversorgung

• Aufbau von Datenintegrationszentren

• Entwicklung innovativer IT-Lösungen für medizinische Use Cases

• 150 Mio Euro

• zur Vernetzung der Daten der deutschen Universitätsklinika

November 2015

1. Konzeptphase2. Aufbau &

Vernetzungsphase

3. Konsolidierungs-&

Ausbauphase

Audit Audit2016 - 17 2018 - 21 2022 - 25

Phase 1: 7 Konsortien Phase 2: 4 Konsortien (120M€) begleitendeMaßnahmen

• Neuaufnahmen(30M€)

• NSG / Koordinierungs-stelle

• Ergänzende Fördermodule

Announcement 2015

DGP KongressMünchen 15.03.2019

Digitalisierung führt zu DatenDaten müssen effizient genutzt werden

MI-I: die geförderten Konsortien

MIRACUMUnsere Konsortialpartner . . .

• zehn Universitätskliniken und Medizinische Fakultäten

• zwei Hochschulen

• ein Industriepartner (Averbis GmbH)

• . . . verteilt übersieben Bundesländer

Was macht MIRACUM?

5

MIRACUM DIZ Architektur

Research Data

Repositories

MI-I Kerndatensatz(fünf Basis Module):• Person• Demographie• Falldaten• Diagnosen• Prozeduren

OMOPDaten

Harmonisierung4b

DIZ = Datenintegrationszentrum

MIRACUM Datenschutzkonzept Mai 2018

• keine Daten verlassen den Standort an dem sie erhoben wurden

• verteilte Analysen „bring the analysis to the data“

Aus Sicht des Bayerischen Landesbeauftragten für den Datenschutz gibt es zum anliegenden Datenschutzkonzept . . . Keine weiteren Anmerkungen.

48

MIRACUM Föderation„Bring the analysis to the data“

R-ScriptSQL-

Statement

Erlangen

Magdeburg

Frankfurt GießenFreiburg

Mainz MarburgMannheim

OMOP OMOPOMOPOMOP

OMOPOMOP

OMOP OMOP

Greifswald

OMOP

Dresden

OMOP

Prokosch H.U: MIRACUM –Standortübergreifende Datennutzung für ein lernendes Gesundheitssystem

49

R-ScriptSQL-

Statement

Erlangen

Magdeburg



OMOP OMOPOMOPOMOP

OMOPOMOP

OMOP OMOP

Greifswald

OMOP

Dresden

OMOP

aggregierte Ergebnisse

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R



50

R-ScriptSQL-

Statement

Erlangen

Magdeburg



OMOP OMOPOMOPOMOP

OMOPOMOP

OMOP OMOP

Greifswald

OMOP

Dresden

OMOP

Proof-of-Concept Analysen:

• Stroke / Thrombektomie: Leitlinien Adhärenz• Kolorektales Karzinom: Analyse der Therapiemuster

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R

SQL / R



• Proof-of-Concept Analysen:• Stroke / Thrombektomie: Leitlinien Adhärenz

• Kolorektales Karzinom: Analyse der Therapiemuster

MIRACUMfrüher „Nutzen“ für Kliniker/med. Forscher

„Harvesting Low Hanging Fruit“

From Data to Knowledge„Maschinelles Lernen“

MIRACUM Use Case 2Prädiktionsmodellefür COPD/Asthma und Hirntumoren

• Modelle zur Vorhersage von prognostisch relevanten Untergruppen entwickeln

• Vorhersagemodelle in die klinische Praxis bringen

• Das Ganze am Beispiel von

• Asthma/COPD und

• Hirntumoren Unsaubere klinische Routinedaten

hochdimensionaler Datensatz mit genetischen Daten

Internationale KooperationenVerteiltes Maschinelles Lernen

Budin-Ljøsne I, et al. DataSHIELD: an ethically robust solution to multiple-site individual-level data analysis. Public Health Genomics. 2015;18(2):87-96.

Gaye A, et al. DataSHIELD: taking the analysis to the data, not the data to the analysis. Int J Epidemiol. 2014 Dec;43(6):1929-44.

Internationale KooperationenVerteiltes Maschinelles Lernen

Budin-Ljøsne I, et al. DataSHIELD: an ethically robust solution to multiple-site individual-level data analysis. Public Health Genomics. 2015;18(2):87-96.

Gaye A, et al. DataSHIELD: taking the analysis to the data, not the data to the analysis. Int J Epidemiol. 2014 Dec;43(6):1929-44.

. . . taking the analysis to the data, not the data to the analysis

. . . an ethically robust solutionto multiple-site individual-level data analysis

(oder beliebige Analyse)

Verteiltes Deep Learning mit generativen Modellen

2

2

3

Forscher

Klinik 1

1

Klinik 2

1

Vielen Dank an Stefan Lenz (Universität Freiburg)

Daten, Daten, und nochmal Daten

Konsolidierung eines gemeinsamen Datensatzes für COPD/ Asthma

• Welche Items sind für die Diagnose/ Beschreibung von COPD/ Asthma wichtig bzw. notwendig?

• Welche Items werden an den Standorten regelmäßig erhoben?

• Welche Items sind an den Standorten mit vertretbarem Aufwand für UC2 nutzbar?

Vielen Dank an Martin Boeker (Universität Freiburg)

Daten, Daten, und nochmal Daten

Ausgangsbasis aus Antragstellung

• Items• 12 Demographie und Vitalparameter

• 422 Labor (davon 349 Allergen-bezogen)

• 38 Lungenfunktion

• 4 kardial

• 4 Standardfragebögen

• 5 Diagnose und Medikation

• 2 Bildgebung

• Ergänzt um Items zu Funktionstests

Items für die Diagnostik von Asthma/COPD Bitte kreuzen Sie bei jedem Item an, für wie wichtig Sie es in der Diagnostik von Asthma/COPD einschätzen: -2 = keine Bedeutung, -1 = weniger wichtig, 1 = wichtig, 2 = entscheidend für Diagnose. Geben Sie bitte auch an, ob das Item regelmäßig bei Ihnen während der Diagnostik von Asthma/COPD erhoben wird. Durch wiederholtes Klicken wird eine Markierung wieder entfernt.

Item oder Gruppe Nützlich für Diagnostik Erhebung

-2 -1 1 2 NEIN JA

Demographie Geburtsdatum

Nationalität

Geschlecht

Ethnizität

Vitalparameter bei Aufnahme Größe

Gewicht

BMI

Temp

RR

Puls

SO2

Atemfrequenz

Labor Leukozyten

Erythrozyten

Thrombozyten

Hämoglobin

Hämatokrit

Neutrophile in Prozent

Lymphozyten in Prozent

Monozyten in Prozent

Eosinophile in Prozent

Basophile in Prozent

Serum-Kreatinin

Harnstoff im Serum

Harnsäure

CRP

Alpha-1-Antitrypsin

Triglyceride


Daten, Daten, und nochmal Daten aber haben wir diese Daten überhaupt?

Konsolidierung auf 165 Datenelemente



0% 50% 100%

G eb ur tsd at um

N ati on ali tät

G es chl ec ht

Et hn iz itä t

V ita lpa ra me te r b ei Au fn ah m e

G rö ße

G ew ic ht

B MI

Te m p

R R

P uls

SO 2

A tem f req ue nz

La bo r

Le uk oz yt en

Er yt hr ozy te n

Th ro m bo zy ten

H äm og lo bin

H äm at ok rit

N eu tro ph ile in P roz en t

Ly m ph oz yte n in Pr oze nt

M on oz yt en in Pr oz en t

Eo si no ph ile in Pr oz en t

B aso ph ile in P ro zen t

Se ru m -Kr ea tin in

H arn st of f im S er um

H arn sä ur e

C RP

A lph a- 1-A n titr yp sin

Tr ig lyc eri de

G es am t-C h ole ste ri n

LD L- Ch ol est er in

H DL -C ho les te rin

G luk os e

H BA 1c

K rea tin in in U rin

Ig E g es am t

A NA

A NC A

R F

C CP

Tr yp ta se (A lle rge n- Ak tiv ie run gs m ark er )

B SG (B lut se nk un gs ge sch w ind ig ke it)

D iffe re nz ial blu tb ild

K lein e s B lut bi ld

Le uk oz yt en (G /l)

Er yt hr ozy te n ( T/ l)

H äm og lo bin (g /l )

H äm at ok rit (l/ l)

M CV (f l)

M CH ( pg )

M CH C (g /l E ry )

N eu tro ph ile (% )

Ly m ph oz yte n (% )

M on oz yt en (% )

Eo si no ph ile (% )

B aso ph ile (% )

Th ro m bo zy ten (G /l )

N eu tro ph ile (a bs .) (G /l)

Ly m ph oz yte n (ab s. ) (G /l )

M on oz yt en (a bs .) ( G/ l)

Eo si no ph ile (a bs .) ( G/ l)

B aso ph ile (a bs .) (G /L)

Eo si no ph ile (A sz ite s)

Eo si no ph ile (D ia lys at)

Eo si no ph ile (L iqu or )

Eo si no ph ile (P leu ra pu nk ta t)

Eo si no ph ile (S hu nt liq uo r)

Eo si no ph ile (S yn ov ia)

Le uk oz yt en (A sz ite s)

Le uk oz yt en (D ial ys at)

Le uk oz yt en (L iqu or )

Le uk oz yt en (P leu ra pu nk ta t)

Le uk oz yt en (S hu nt liq uo r)

Le uk oz yt en (S yn ov ia)

a1 -A nt itr yp sin

B rai n n at riu re tic pe pt id e ( BN P)

C -re ak tiv es Pr ote in

Ig A

Ig E, ge sa mt

Ig G

Ig M

In te rle uk in 6

In te rle uk in 8

P roc al cit on in

TN F al ph a

Fi br ino ge n

IL 17

IL 23

M PO

A lle rge ne

A lle rge n mo ld m ix 1







Lu ng en fu nk tio n

V or Ly se

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

MEF 7 5

MEF 5 0

MEF 2 5

N ac h L ys e

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

MEF 7 5

MEF 5 0

MEF 2 5

B lut ga san al ys e

R L v s. O2

p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

6 MW T

G eh str ec ke

SO 2 un te r B el ast un g

B org -S ka la Be gin n

B org -S ka la En de

D SP

B GA n ach B ela st un g

A rt d e r B ela st un g

p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

Fe N O

U ns pe zif isc he Pr ov ok ati on ste st s

FE V 1 - -pr e d o se me th ac ho lin e

FE V 1 - -po st do se m et ha ch oli ne

M et ha ch oli ne [M a ss] of D ose

FE V 1 - -po st 0. 02 5 m g /m L m e th ac ho lin e

FE V 1 - -po st 0. 25 m g/ mL m et ha ch oli ne

FE V 1 - -po st 2. 5 m g /m L m e th ac ho lin e

FE V 1 - -po st 10 m g/ m L m et ha ch ol ine


K ard ia le Dia gn os tik

EK G

U KG

LZ -E KG

St an da rd fra ge bö ge n

C OP D

m M RC

C AT

SG R Q

A sth m a

A CT

D iag no se n u n d M e ds

V oll stä nd ig e D ia gn ose nl ist e

H au ptd ia gn os e

A mb ul an t/S ta tio nä r

V oll stä nd ig e M e dik am e nte nl ist e

B eru fs an am ne se

B ild ge bu ng

R ö-T ho ra x

C T-T ho ra x

Verfügbarkeit

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

GeburtsdatumNationalitätGeschlecht

Ethnizität

Vitalparameter bei AufnahmeGröße

GewichtBMI

TempRR

PulsSO2

Atemfrequenz

LaborLeukozyten

ErythrozytenThrombozyten

HämoglobinHämatokrit

Neutrophile in ProzentLymphozyten in Prozent

Monozyten in ProzentEosinophile in Prozent

Basophile in ProzentSerum-Kreatinin

Harnstoff im SerumHarnsäure

CRPAlpha-1-Antitrypsin

Triglyceride

Gesamt-CholesterinLDL-CholesterinHDL-Cholesterin

GlukoseHBA1c

Kreatinin in UrinIgE gesamt

ANAANCA

RFCCP

Tryptase (Allergen-Aktivierungsmarker)BSG (Blutsenkungsgeschwindigkeit)

DifferenzialblutbildKleines Blutbild

Leukozyten (G/l)Erythrozyten (T/l)Hämoglobin (g/l)

Hämatokrit (l/l)MCV (fl)

MCH (pg)MCHC (g/l Ery)

Neutrophile (%)Lymphozyten (%)

Monozyten (%)Eosinophile (%)

Basophile (%)Thrombozyten (G/l)

Neutrophile (abs.) (G/l)Lymphozyten (abs.) (G/l)

Monozyten (abs.) (G/l)Eosinophile (abs.) (G/l)

Basophile (abs.) (G/L)

Eosinophile (Aszites)Eosinophile (Dialysat)

Eosinophile (Liquor)Eosinophile (Pleurapunktat)

Eosinophile (Shuntliquor)Eosinophile (Synovia)Leukozyten (Aszites)

Leukozyten (Dialysat)Leukozyten (Liquor)

Leukozyten (Pleurapunktat)Leukozyten (Shuntliquor)

Leukozyten (Synovia)a1-Antitrypsin

Brain natriuretic peptide (BNP)C-reaktives Protein

IgAIgE, gesamt

IgGIgM

Interleukin 6Interleukin 8Procalcitonin

TNF alphaFibrinogen

IL17IL23

MPO

AllergeneAllergen mold mix 1Allergen mold mix 2Allergen mold mix 3Allergen mold mix 4Allergen mold mix 5

Allergen mold mix 6Allergen mold mix 7

LungenfunktionVor Lyse

VcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA

PEFMEF 75MEF 50MEF 25

Nach LyseVcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA

PEFMEF 75

MEF 50MEF 25

BlutgasanalyseRL vs. O2

pHpO2

pCO2SO2

BikarbonatBase Excess

6MWTGehstrecke

SO2 unter BelastungBorg-Skala Beginn

Borg-Skala EndeDSP

BGA nach BelastungArt der Belastung

pHpO2

pCO2SO2


FeNO

Unspezifische ProvokationstestsFEV1 --pre dose methacholine

FEV1 --post dose methacholineMethacholine [Mass] of Dose

FEV1 --post 0.025 mg/mL methacholineFEV1 --post 0.25 mg/mL methacholine

FEV1 --post 2.5 mg/mL methacholineFEV1 --post 10 mg/mL methacholineFEV1 --post 25 mg/mL methacholine

Kardiale DiagnostikEKGUKG

LZ-EKG

StandardfragebögenCOPD

mMRCCAT

SGRQAsthma

ACT

Diagnosen und MedsVollständige Diagnosenliste

HauptdiagnoseAmbulant/Stationär

Vollständige MedikamentenlisteBerufsanamnese

BildgebungRö-ThoraxCT-Thorax

Keine Bedeutung Weniger wichtig Wichtig Entscheidend für Diagnose



0% 50% 100%

G eb ur tsd at um

N ati on ali tät

G es chl ec ht

Et hn iz itä t


G rö ße

G ew ic ht

B MI

Te m p

R R

P uls

SO 2

A tem f req ue nz

La bo r

Le uk oz yt en

Er yt hr ozy te n

Th ro m bo zy ten

H äm og lo bin

H äm at ok rit








H arn sä ur e

C RP


Tr ig lyc eri de




G luk os e

H BA 1c


Ig E g es am t

A NA

A NC A

R F

C CP









M CV (f l)

M CH ( pg )

M CH C (g /l E ry )



M on oz yt en (% )


B aso ph ile (% )



















a1 -A nt itr yp sin



Ig A

Ig E, ge sa mt

Ig G

Ig M

In te rle uk in 6

In te rle uk in 8

P roc al cit on in

TN F al ph a

Fi br ino ge n

IL 17

IL 23

M PO

A lle rge ne









V or Ly se

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

MEF 7 5

MEF 5 0

MEF 2 5

N ac h L ys e

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

MEF 7 5

MEF 5 0

MEF 2 5


R L v s. O2

p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

6 MW T

G eh str ec ke




D SP



p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

Fe N O











EK G

U KG

LZ -E KG


C OP D

m M RC

C AT

SG R Q

A sth m a

A CT



H au ptd ia gn os e




B ild ge bu ng

R ö-T ho ra x

C T-T ho ra x

Verfügbarkeit

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%


Ethnizität


GewichtBMI

TempRR

PulsSO2

Atemfrequenz

LaborLeukozyten








Triglyceride


GlukoseHBA1c


ANAANCA

RFCCP



















IgAIgE, gesamt

IgGIgM


TNF alphaFibrinogen

IL17IL23

MPO




VcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA


Nach LyseVcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA

PEFMEF 75

MEF 50MEF 25


pHpO2

pCO2SO2


6MWTGehstrecke


Borg-Skala EndeDSP


pHpO2

pCO2SO2


FeNO






LZ-EKG


mMRCCAT

SGRQAsthma

ACT






0% 50% 100%

G eb ur tsd at um

N ati on ali tät

G es chl ec ht

Et hn iz itä t


G rö ße

G ew ic ht

B MI

Te m p

R R

P uls

SO 2

A tem f req ue nz

La bo r

Le uk oz yt en

Er yt hr ozy te n

Th ro m bo zy ten

H äm og lo bin

H äm at ok rit








H arn sä ur e

C RP


Tr ig lyc eri de




G luk os e

H BA 1c


Ig E g es am t

A NA

A NC A

R F

C CP









M CV (f l)

M CH ( pg )

M CH C (g /l E ry )



M on oz yt en (% )


B aso ph ile (% )



















a1 -A nt itr yp sin



Ig A

Ig E, ge sa mt

Ig G

Ig M

In te rle uk in 6

In te rle uk in 8

P roc al cit on in

TN F al ph a

Fi br ino ge n

IL 17

IL 23

M PO

A lle rge ne









V or Ly se

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

M EF 7 5

M EF 5 0

M EF 2 5

N ac h L ys e

V cin

FV C

FE V 1

IC

Sr to t

R tot

TL C

R V

D LC Oc

D LC Oc / V A

P EF

M EF 7 5

M EF 5 0

M EF 2 5


R L v s. O2

p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

6 MW T

G eh str ec ke




D SP



p H

p O2

p CO 2

SO 2

B ika rb on at

B ase E xce ss

Fe N O











EK G

U KG

LZ -E KG


C OP D

m M RC

C AT

SG R Q

A sth m a

A CT



H au ptd ia gn os e




B ild ge bu ng

R ö-T ho ra x

C T-T ho ra x

Verfügbarkeit

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%


Ethnizität


GewichtBMI

TempRR

PulsSO2

Atemfrequenz

LaborLeukozyten








Triglyceride


GlukoseHBA1c


ANAANCA

RFCCP



















IgAIgE, gesamt

IgGIgM


TNF alphaFibrinogen

IL17IL23

MPO




VcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA


Nach LyseVcinFVC

FEV1IC

SrtotRtotTLCRV

DLCOcDLCOc / VA

PEFMEF 75

MEF 50MEF 25


pHpO2

pCO2SO2


6MWTGehstrecke


Borg-Skala EndeDSP


pHpO2

pCO2SO2


FeNO






LZ-EKG


mMRCCAT

SGRQAsthma

ACT







• Daten Mapping (LOINC, SNOMED)• Gemeinsames Datenmodell (OMOP)

Daten, Daten, und nochmal Daten … müssen harmonisiert werden


• Daten Mapping (LOINC, SNOMED)• Gemeinsames Datenmodell (OMOP)

Daten, Daten, und nochmal Daten … müssen harmonisiert werden

5

Daten, Daten, und nochmal Daten … müssen aufbereitet und zusammengeführt werden

Research Data

Repositories

MI-I Kerndatensatz(fünf Basis Module):• Person• Demographie• Falldaten• Diagnosen• Prozeduren• Daten für die

MIRACUM Use Cases

OMOPDaten

Harmonisierung4b

Datenbefüllung(ETL)

• Wir dürfen weder zu schwarz, noch zu weiß sehen

• Nicht jedem Hype blind hinterher laufen

• Koordinierte Digitalisierung auf Basis eines nationalen Konzepts kann zum Segen werden

• Digitalisierung bringt Daten

• Daten sind der Schatz aus dem Erkenntnisse reifen

• (qualitativ hochwertige) Daten nutzbar machen ist die wichtigste, aber auch aufwändigste Aufgabe

Digitalisierung: Fluch oder Segen?

Vielen Dank dem MIRACUM Team

Förderkennzeichen: 01ZZ1801A

. . . und für Ihre Aufmerksamkeit

Documents

Digitalisierung in der Medizin - miracum.org · Digitalisierung des Gesundheitswesen Fluch oder Segen? „Ich sehe fassungslos vor einer Entwicklung in diesem Land, in der man blind