Swiss Medical InformaticsSMI 64SGMISchweizerische Gesellschaftfür Medizinische Informatik

SSIMSociété suisse d'informatique médicaleSocietà svizzera d'informatica medicale

SSMISwiss Society for Medical Informatics

Schwerpunktthema:21. Jahresversammlungin Siders – Der Patient imMittelpunkt der Information –Chancen und Risiken

Thème pricipal:21ièmes Journées Annuellesà Sierre – Le patient au centrede l’information – chanceset opportunités

Inhalt/Content/Contenu

2

4

9

13

17

21

25

29

32

36

41

44

45

46

SGMI/SSIM-News:Swiss eHealth Summit im Stade de Suisse in Bern, 26./27. August 2008Swiss eHealth Summit au Stade de Suisse à Berne, 26 et 27 août 2008

Editorial

Impact des technologiesde l’information sur laproduction hospitalière

Apport du Data Miningpour prédire la facturede patients hospitalisés

Und es lohnt sich doch …Einführung eines PACSam UniversitätsSpitalZürich

A framework fordiagnosis of interstitiallung diseases in HRCT:the TALISMAN project

How a clinical informa-tion system can supportlife science research

Auf dem Weg zurprozessorientiertenPatientenidentifikation

Aussagekraft quantitati-ver Messungen zurBeurteilung ärztlichenHandelns

DebugIT for patient safety– the fight against emer-gent microbial diseasesusing multimedia datamining of heterogeneousclinical data

Das volle Programm:Aufwand und Ertrag einerWTO-Ausschreibung fürein elektronisches Patien-tendossier

Der Patient im Mittel-punkt der Information –kontextbezogeneNavigation in einer EPA

Le mot du nouveauprésident

Grussadresse des neuenPräsidenten

Events

1

SMI 2008: Nº 64

Table of contentsInhaltsverzeichnisTable des matières

2 Editorial

4 Impact des technologies de l’information sur la production hospitalière

9 Apport du Data Mining pour prédire la facture de patients hospitalisés

13 Und es lohnt sich doch … Einführung eines PACS am UniversitätsSpital Zürich

17 A framework for diagnosis of interstitial lung diseases in HRCT:the TALISMAN project

21 How a clinical information system can support life science research

25 Auf dem Weg zur prozessorientierten Patientenidentifikation

29 Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns

32 DebugIT for patient safety – the fight against emergent microbial diseasesusing multimedia data mining of heterogeneous clinical data

36 Das volle Programm: Aufwand und Ertrag einer WTO-Ausschreibungfür ein elektronisches Patientendossier

41 Der Patient im Mittelpunkt der Information – kontextbezogene Navigationin einer EPA

44 Le mot du nouveau président

45 Grussadresse des neuen Präsidenten

46 Events

The patient at the centreof informatics

2

Editorial

Henning Müller,Eusebio Passaretti

This special issue of Swiss Medical Informatics(SMI No 64) brings together the best articlessubmitted to the 21st Congress of the SwissSociety for Medical Informatics (SGMI-SSIM).The congress took place in Sierre (Valais) at theUniversity of Applied Sciences Western Switzer-land (HES SO) from 5–6 June 2008, and fea-tured 4 invited presentations, 19 oral scientificpresentations and 6 scientific posters.In total, 27 papers were submitted and reviewedby the scientific programme committee on thebasis of novelty of approach and technical qual-ity of presentation. From this evaluation processthe best eight papers were selected for the presentspecial issue covering a wide range of subjectsfrom the field of medical informatics. Two otherpapers were added for their practical interest toSGMI-SSIM members, bringing the total up toten papers.Two articles deal with financial analysis of hospi-tal data [1, 2] and two with image managementand storage [3, 4], partly in the context of diag-nostic aid. The patient record is traditionally wellrepresented at these conferences, from accessmodels for research [5] to patient identification[6]. Finally, two articles on specific diseases ordisease categories are presented [7, 8]. The arti-cles additionally selected describe practicalapproaches, one to the choice of an integratedelectronic patient record at the Inselspital Berne[9], and the other on context-navigated searchinside a clinical patient record [10].In the first article [1] Rodolphe Meyer describesan extensive analysis of data on hospitals todefine models measuring the impact of particularinformation and communication technologieson hospital productivity. This paper also receivedthe award for the best scientific contribution tothe conference.Alexandre Gnaegi [2] then describes a project ondata mining within attributes of a hospital’s datawarehouse in order to estimate income forreleased but not fully coded patients. The goal isto estimate the income for cases that have left thehospital within a reporting period but have notbeen fully coded. Off-the-shelf data mining toolshave markedly increased the precision of suchestimations for the Valais hospital network.Mechthild Uesback [3] describes the introduc-

tion of a PACS in Zürich University Hospitalfrom 2004–2007. The results were major spacesavings and financial gains, with optimisation ofworkflows engendering a more productive workenvironment.Adrien Depeursinge then presents a diagnosticaid tool for emergency radiology [4] in the diag-nosis of interstitial lung diseases. The tool analy-ses the texture of the lung tissue in CT images toclassify it into healthy and several abnormaltissues. Clinical data are also taken into accountsince age or environmental factors can signifi-cantly change the lung texture properties.Jimison Iavindrasana’s article [5] reports on aframework for data access to a life clinical recordwith all its security constraints. The context isthe EU project AneurIST whose aim is toimprove the treatment and understanding ofcerebral aneurysms.Tobias Mettler [6] then presents an approach topatient identification and tracking in a process-oriented manner. A global view of the identifica-tion process across organisations focused on thepatient can significantly improve identification.Marc Oertle [7] describes another diagnostic aidtool which targets patients with chronic heartfailure and implements evidence-based medicineusing information and communication technolo-gies. The goal is standardisation of the careprocess to reduce variability in treatment.Christina Lovis [8] then outlines another Euro-pean Union-funded project also targeting a par-ticular group of diseases: nosocomial infections.The goal of this project is to develop new waysof fighting antibiotic resistances of bacteria byanalysing large amounts of routine clinical data.The outcome of this project is expected to beIT-biotics, IT technology to fight bacteria.Oliver Handgrätiger [9] describes, in the settingof the Inselspital Bern, the process of selecting anew electronic patient record covering all med-ical specialties and partners in the hospital, andoutlines the criteria for selecting a particularsolution. The effort to obtain each criterion withits discriminative power is then described. Thispractical and detailed approach should be usefulfor other hospitals as well.In the last article of this issue, Ela Bielecki [10]presents Solothurn hospital’s project for

Prof. Dr. Henning MüllerUniversity of AppliedSciences Sierre & Universityand Hospitals of GenevaBusiness InformationSystems InstituteHES-SO Valais, TechnoArk 33960 Sierre, Switzerlandhenning.mueller@hevs.ch

Eusebio PassarettiDirektionsstabUniversitätsspital BaselHebelstrasse 24031 Baselepassaretti@uhbs.ch

3

SMI 2008: Nº 64

improved navigation of a single patient’s data.A context-oriented approach presents a compre-hensive overview of patient data and reducestime spent on searching in the patient record.Overall, the 21st Annual Congress of the SwissSociety for Medical Informatics offered a highquality scientific programme and promptedlively discussion among the participants. eHealth

is an important factor in Switzerland andEurope, and will most probably remain it foryears to come in a medical field in the process ofmajor change. Most larger hospitals have nowbecome more or less fully digital, and thisprocess will become equally important for smallhospitals and medical practices.

References1 Meyer R. Impact des technologies de l’information sur la production hospitalière. Swiss MedicalInformatics 2008; No 64:4–8.

2 Gnaegi A, Giotta M, Bonvin R. Apport du Data Mining pour prédire la facture de patients hospitalisés.Swiss Medical Informatics 2008; No 64:9–12.

3 Uesbeck M, Naef R, Marincek B. Und es lohnt sich doch … Einführung eines PACS am Universitäts-Spital Zürich. Swiss Medical Informatics 2008; No 64:13–16.

4 Depeursinge A, Iavindrasana J, Andriambololoniaina H, Poletti P-A, Platon A, Geissbuhler A, MüllerH. A framework for diagnosis of interstitial lung diseases in HRCT: the TALISMAN project.Swiss Medical Informatics 2008; No 64:17–20.

5 Iavindrasana J, Depeursinge A, Meyer R, Spahni S, Geissbuhler A, Müller H. How a clinical informa-tion system can support life science research. Swiss Medical Informatics. Swiss Medical Informatics2008; No 64:21–24.

6 Mettler T, Rohner P. Auf dem Weg zur prozessorientierten Patientenidentifikation. Swiss Medical Infor-matics 2008; No 64:25–28.

7 Oertle M. Aussagekraft quantitativer Messungen zur Beurteilung ärztlichen Handelns: Fallstudie beiPatienten mit chronischer Herzinsuffizienz. Swiss Medical Informatics 2008; No 64:29–31.

8 Lovis C, Müller H, Colaert D, Stroetmann VN. DebugIT for patient safety – the fight against emergentmicrobial diseases using multimedia data mining of heterogeneous clinical data. Swiss Medical Infor-matics 2008; No 64:32–35.

9 Handgrätinger H, Diele J, Voellmy D. Das volle Programm: Aufwand und Ertrag einer WTO-Ausschrei-bung für ein elektronisches Patientendossier. Swiss Medical Informatics 2008; No 64:36–40.

10 Ela Bielecki, Der Patient im Mittelpunkt der Information – Kontext-bezogene Navigation in einer EPA.Swiss Medical Informatics 2008; No 64:41–43.

Le patient au centrede l’information

4

Impact des technologies de l’informationsur la production hospitalière

Rodolphe MeyerHôpitaux Universitaires de Genève,Service d’Informatique Médicale,Genève 14

SummaryQuantification of the added value of informa-tion technologies (IT) in the health sector is amajor issue for decision-makers and health careprofessionals. This paper reports the applicationof an economic production function in hospitalsto different integration levels of their clinical in-formation systems (CIS). The study concerns17 university hospitals within Paris (France)which were followed from 1998 to 2005. Usingan extended Cobb-Douglas production func-tion, yearly incomes (Y) were correlated withthree inputs: capital (K), labour (L) and IT ex-penses (T). The results indicate that incomesare significantly and positively associated withthe three input variables with elasticity coeffi-cients that appear to be in the range of valuesfound in the secondary and tertiary sectors (a,b, g of 0.81, 0.17, and 0.09). The IT elasticitycoefficient (g) is higher in the subgroup of 6hospitals which integrated, or started to inte-grate, a complete CIS within the study period,than in the 11 reference hospitals. In a generalproduction function, hospital costs appear to bepositively linked to the level of IT expenses,capital and labour. Calculations in two sub-groups of French hospitals subdivided accordingto the scale of IT integration seem to indicatethat the more the clinical information system isintegrated, the more its influence is positive inhospital production. The results of this first sur-vey are sufficiently encouraging to warrant anattempt to refine them (better granularity),spread them in time (over a longer period), andextend them to Swiss hospitals.

IntroductionVoilà maintenant plus de trente ans que l’infor-matique et les technologies de la communicationnumérique ont fait leur apparition dans noshôpitaux [1, 2]. D’implémentation et d’accep-tion lente, l’installation de ces outils bénéficie en2008 d’un effet d’accélération. La mise en placed’un dossier médical personnel informatisé incitede façon active à la modernisation des structureshospitalières existantes et favorise, dans les éta-blissements qui s’équipent, la prise en compte deplus en plus détaillée de leurs dépenses et l’opti-misation de leur processus de facturation desprestations de soins. L’informatisation de l’hôpi-tal de demain, loin d’être une fatalité, est deve-

nue un enjeu stratégique et économique quecertains décideurs éclairés avaient déjà perçudepuis plusieurs années [3]. Mais ce nouvel outil,pour efficace et incontournable qu’il soit, repré-sente une ligne de dépense budgétaire impor-tante, qui n’a pas encore apporté la preuve de sarentabilité. Le retour sur investissement des tech-nologies de l’information et de la communica-tion numérique (TIC ou IT) est loin d’êtreprouvé dans tous les secteurs et particulièrementdans celui de la santé. En 2006, la Suisse adépensé 11,6% de son produit intérieur brut(PIB) dans le secteur de la santé [4], ce qui laplace au deuxième rang mondial derrière lesEtats-Unis. Devant ces chiffres, il convient de sedemander si l’informatique hospitalière participepositivement à la croissance ou à la productivitédes systèmes de soin au regard des financementsqu’elle nécessite. Les règles de justification desinvestissements de production en santé tendentactuellement à devenir les mêmes que cellesappliquées dans les autres secteurs, c’est-à-direfondées sur des critères de rentabilité issus d’uneanalyse coûts-bénéfices. Ces analyses sont déli-cates car les méthodes standard d’évaluationéconomique (basées sur la somme des cash-flowsactualisés) s’appliquent mal au cas des investisse-ments informatiques actuels [5]. Les raisons sontmultiples: les bénéfices sont disséminés, et par-fois intangibles, tandis que les coûts, et notam-ment les coûts d’intégration, demeurent difficilesà chiffrer [6, 7]. Il est presque impossible demesurer l’impact financier positif de la fiabilisa-tion d’un système de prescription alors qu’il estclair que les erreurs de prescriptions, responsablesd’une grande partie de la iatrogénie médicale,engendrent un surcoût évident [8]. Lorsque l’onsait que cette association d’éléments tangibles etintangibles contribue de façon déterminante ausuccès d’une organisation comme un hôpital, ilest essentiel d’obtenir dès maintenant desmoyens de mesure du retour sur investissementdirect des TIC constituant un premier pas versune analyse plus complète de ces éléments [9–11].En considérant maintenant les technologies del’information et de la communication comme unfacteur de production dans un hôpital, il devientenvisageable d’en mesurer l’influence, et donc lavaleur, par l’utilisation des techniques économé-triques employées par les statisticiens, les infor-maticiens et les analystes du monde de l’écono-mie et de la finance [12, 13].

Rodolphe MeyerHôpitaux Universitairesde GenèveService d’InformatiqueMédicaleRue Micheli-du-Crest 241211 Genève 14rodolphe.meyer@sim.hcuge.ch

5

SMI 2008: Nº 64

ObjectifsMontrer que l’on peut utiliser les fonctions éco-nométriques classiquement manipulées enmacro- et microéconomie sur des données d’acti-vité hospitalière. Calculer l’influence des investis-sements en technologies de l’information dans laproduction hospitalière. Comparer les coefficientsd’élasticité des facteurs expliquant la productionhospitalière dans plusieurs groupes d’hôpitauxséparés sur des critères de niveau d’intégrationdes technologies d’information. Utiliser les don-nées calculées pour prédire les futurs résultats deproduction des hôpitaux en fonction des diffé-rents investissements réalisés. Améliorer la gou-vernance des SIH.

Matériels et méthodesFonction de production

Comme évoqué précédemment, nous avonsvoulu utiliser dans cette étude une fonction deproduction couramment employée en économie.La forme générale de cette fonction (la fonctionde Cobb-Douglas) retient deux facteurs de pro-duction (inputs): le capital (K) et le travail (L),pour expliquer la croissance Y (output). Ce quidonne: Y = A × Ka × Lb

(avec l’hypothèse a+b = 1 ou b = (1–a) et Y = laproduction; A = coefficient constant dépendant desunités de mesure employées, nommé «résidu de So-low», correspondant à une part dite d’améliorationde l’efficacité des facteurs de production, en d’autrestermes rattachée au progrès technique; K = capital;a = élasticité de la production au capital; L = tra-vail; b = élasticité de la production au travail.)La fonction ainsi spécifiée fut posée pour lapremière fois en 1928 et régulièrement vérifiéeéconométriquement par la suite [14]. De cettefonction mathématique, on peut tirer deux

concepts économiques qui permettent d’inter-préter les vérifications statistiques: l’élasticité dela production aux facteurs et la notion de progrèstechnique. La prise en compte, dans l’explicationde la croissance, du progrès technique et de diffé-rentes autres variables a été motivée par les résul-tats d’études empiriques faisant apparaître que lafonction Cobb-Douglas ne permettait pas d’ex-pliquer la croissance par les seules quantités defacteurs de production. C’est ce que RobertSolow, prix Nobel d’économie, a appelé le«résidu» [15, 16]. Le progrès technique et lesdépenses d’éducation sont les deux principalesvariables susceptibles d’expliquer le résidu de lacroissance. La productivité des facteurs (A), pos-sède donc une valeur mesurant l’état de la tech-nologie à un moment donné; sa progression dansle temps donnant une idée du progrès techniqueau sens large [17, 18].En partant du modèle initial de la fonction deCobb-Douglas, nous avons instancié une nou-velle fonction par ajout d’une variable T, indivi-dualisant les technologies de l’information et dela communication. L’élasticité de substitutionétant toujours considérée constante, nous obte-nons (fig. 2):Y = A × Ka × Lb× Tg

T va permettre d’isoler la part TIC du résidu deSolow. L’intérêt d’améliorer la fonction de pro-duction classique réside dans le fait que la nou-velle variable possède son propre coefficientd’élasticité qui nous permettra d’estimer sonimportance proportionnelle dans les résultats dela production globale et donc l’impact des TICdans cette production.

Dix-sept hôpitaux de l’Assistancepublique – Hôpitaux de ParisLes premières données hospitalières utilisées pource travail sont françaises et proviennent du siègede l’Assistance publique – Hôpitaux de Paris(AP-HP). Elles s’étendent sur une période dehuit années allant de 1998 à 2005. N’ont étéretenues que les structures de volume important(plus de 350 lits), réalisant principalement(>75%) une activité MCO (médecine, chirurgie,obstétrique). Nous avons ainsi analysé dix-septétablissements sur huit années, ce qui nousdonne un total de cent trente-six observationscomplètes (tab. 1).Les dix-sept hôpitaux de l’étude ont d’abord étéétudiés de façon globale puis séparés en deuxgroupes distincts correspondant à leur niveaud’intégration informatique. Tous les hôpitauxpossèdent à l’heure actuelle des parcs informa-tiques hétérogènes mais importants. Six établisse-ments ont implémenté des systèmes d’informa-tion hospitaliers (SIH) intégrés permettant une

Figure 1.Fonction de production étendue (avec élasticité de substitution constante: a + b + g = 1).

Le patient au centrede l’information

6

gestion électronique horizontale des informationsdes patients; ils sont répartis dans le groupe 2[19, 20]. Onze hôpitaux sans système intégrésont répartis dans le groupe 1. Gardons enmémoire que ces structures possèdent souventdes systèmes d’information mais qu’ils sont hété-rogènes (d’organisation verticale non intégrée).

RésultatsFonction de Cobb-Douglass à l’AP-HP (n = 17)

Nous avions posé en première hypothèse que lafonction de production de Cobb-Douglas étaitadaptable au monde hospitalier. Ceci sous-entendl’adaptation d’une formule traditionnellementmacroéconomique vers la microéconomie maisaussi son utilisation dans un secteur sans volontéde productivité concurrentielle. La validité denotre postulat a été confirmée par le comporte-ment de la fonction lors des calculs. Les résultatssont présentés dans le tableau 1. Le coefficientd’élasticité du capital est de 0,169; celui du tra-vail est de 0,83. Le résidu de Solow est à 1,74.Les coefficients A, a, b, sont très significatifs(p <0,0001) avec un coefficient R2 de 0,95.Le tableau 2 nous donne des éléments de réfé-rence et de comparaison en présentant les coeffi-cients d’élasticité calculés dans différents payspour les secteurs secondaires et tertiaires princi-palement. Nous voyons que le coefficient d’élas-ticité du capital (a) en France est en moyenne de0,26 (0,17 dans notre étude) et que celui dutravail (b) est en moyenne en France de 0,74(0,86 dans notre étude).

Fonction étendue aux TICLes calculs effectués avec la fonction étenduecomprenant K, L, T, sur les dix-sept hôpitauxsélectionnés, nous donnent les résultats présentésdans le tableau 3. Le coefficient d’élasticité ducapital est de 0,168; celui du travail est de 0,76.Le coefficient d’élasticité des technologies del’information est de 0,085 (p <0,01).Le résidu de Solow diminue de moitié, passantde 1,74 à 0,81. Les valeurs du p et du R2 mon-trent que les valeurs calculées sont très significa-tives. La statistique de Durbin-Watson restecomprise entre 1,51 et 2. La valeur du R2 passede 0,95 à 0,97 pour les calculs effectués avec lafonction étendue.

Comparaison des deux groupesd’hôpitauxLa séparation des hôpitaux en deux groupes nouspermet de réévaluer les coefficients d’élasticité dechacun des deux groupes. Nous observons desvariations importantes de la répartition des coef-

Tableau 1. Résultats avec une fonction de production classique.

Valeur Ecart-type t statistique p

A 1,7429 0,0691 25,220 <0,0001

a 0,1690 0,0404 4,1839 <0,0001

b 0,8309 0,0404 20,570 <0,0001

R2: 0,9507 Durbin-Watson: 1,5215

A = Solow, a = capital, b = travail

Tableau 2. Etudes dans d’autres pays mais tous secteurs économiques confondus.

Pays(1) Période(1) a(2) b(2) a+b(2)

Italie 1922–1984 0,28 0,72 1,00

Canada 1870–1988 0,38 0,62 1,00

Royaume-Uni 1989–1996 0,23 0,77 1,00

Etats-Unis 1899–1996 0,25 0,75 1,00

France 1974–1996 0,26 0,74 1,00

(1) données des études [21–23](2) = coef. d’élasticité du capital = coef. d’élasticité du travail

Tableau 3. Résultats avec la fonction étendue.

Valeur Ecart-type t statistique p

A 0,8146 0,0430 1 8,935 0,0300

a 0,1686 0,0509 3,3086 <0,0001

b 0,7657 0,0555 13,791 0,0216

g 0,0853 0,0361 2,3643 0,0094

R2: 0,9701 Durbin-Watson: 1,5772

A = Solow, a = capital, b = travail, g = IT

Tableau 4. Comparaison des deux groupes.

Groupe 1 (n = 11) – pas de CIS intégré

Valeur Ecart-type t statistique p

A 0,5985 0,0747 8,0052 0,0052

a 0,1703 0,0501 3,4019 0,0010

b 0,7853 0,0559 14,029 <0,0001

g 0,0723 0,0292 2,4759 0,0082

R2: 0,9698 Durbin-Watson: 1,7361

Groupe 2 (n = 6) – CIS intégré

Valeur Ecart-type t statistique p

A 1,1891 0,0634 18,762 0,0057

a 0,1619 0,0763 2,1218 0,0005

b 0,7441 0,0837 8,8837 <0,0001

g 0,1033 0,0533 1,9369 0,0083

R2: 0,9174 Durbin-Watson: 1,6822

A = Solow, a = élasticité du capital, b = élasticité du travail, g = élasticité de IT

7

SMI 2008: Nº 64

ficients du travail (b) et des technologies de l’in-formation (g). La valeur comparée de g dans legroupe 2 est presque une fois et demi supérieure(0,1033 contre 0,0723) à celle du groupe 1 dansl’explication de la production. Par ailleurs, lerésidu de Solow du groupe 2 prend une valeurdeux fois supérieure à celle du groupe 1 (1,1891contre 0,5985). Le coefficient d’élasticité ducapital (a) reste presque inchangé dans les deuxgroupes (0,1703 pour le groupe 1 contre 0,1619pour le groupe 2). Les valeurs du p et du R2montrent que les valeurs calculées restent trèssignificatives. La statistique de Durbin-Watsonreste comprise entre 1,51 et 2 (tab. 4)

Coefficient d’élasticité des TIC –évolution chronologiqueLorsqu’on examine l’évolution chronologique descoefficients d’élasticité des TIC dans les deuxgroupes (fig. 2), nous constatons une différencede niveau existant dès 1998 (0,0479 pour legroupe 1 contre 0,0579 pour le groupe 2). L’aug-mentation des coefficients est superposable jus-qu’en 2003. A partir de cette date, nous consta-tons que l’écart se creuse en faveur du groupe 2.En 2005, le coefficient du groupe 1 est à 0,0723vs 0,1033 pour le groupe 2.

Conclusions et perspectivesDans ce travail, nous avons montré qu’une équa-tion mathématique (plus communément appeléefonction de production), initialement posée pourl’analyse macroéconomique puis étendue à l’ana-lyse microéconomique, était utilisable pourl’étude de données d’activité hospitalière. Leperfectionnement de cette fonction de produc-tion, par l’adjonction d’une variable supplémen-taire représentant la valeur des investissements

matériels et humains des TIC, améliore l’inter-prétation des valeurs des coefficients d’élasticitédes facteurs de production (inputs). L’observa-tion de ces valeurs nous a montré que les inves-tissements en technologie de l’informationapportent de la valeur et participent de façonpositive à la production et à la productivité deshôpitaux de l’AP-HP. La séparation des hôpitauxen deux groupes, basée sur un critère de niveaud’intégration des SIH, a confirmé des différencesde niveau que la fonction de production tend àattribuer aux TIC.Les TIC sont des produits composites constituésde matériel, de logiciels, de compétences, desystèmes intégrés, de support opérationnel etd’infrastructures. Nous pensons qu’une part decausalité des différences notables observées dansla production des établissements est à rechercherdans trois domaines principaux: le niveau d’inté-gration des TIC, la qualité du codage en décou-lant, et les changements des pratiques d’organisa-tion et de travail liées aux TIC.Ces conclusions, obtenues à partir des hôpitauxuniversitaires parisiens ayant principalement uneactivité MCO, pourraient être comparées à uneétude portant sur la totalité des établissements del’AP-HP; pour ensuite permettre de lancer desétudes similaires sur les hôpitaux nationaux, lesneufs hôpitaux d’instruction des armées (HIA)français et les hôpitaux européens majeurs, telsque l’hôpital universitaire de Genève (HUG) oucelui de Bruxelles (AZ-VUB).L’utilisation de techniques validées par les écono-mistes du monde entier pour notre travail aretourné des résultats intéressants. Face à cetaspect initial positif de notre démarche, nouspensons qu’il faudrait compléter les conclusionsde ce mémoire par des analyses supplémentairesen utilisant, par exemple, des techniques complé-mentaires d’économétrie du type «multi adapta-tive regression spline» [24, 25] ou encore d’ana-lyses de frontières stochastiques [26]. Celapermettrait la mise en évidence des liens unissantles fluctuations des variables entre elles; maisaussi la recherche des limites au delà desquelleselles n’ont plus d’influence ou n’entraînent plusleurs voisines. Par ailleurs, une granularité plusfine des inputs, l’introduction d’une variablequalitative et d’un paramètre intégrant la partd’inefficacité des systèmes de production pour-raient aussi être examinées [27]. Par ailleurs, laprise en compte de l’impact financier du déca-lage temporel lié aux délais de déploiement seranécessaire [28]. Enfin, une série de test utilisantles propriétés mathématiques de la fonction pourprédire les résultats de production l’année sui-vante est prévue.Ce travail représente une première étape dansl’établissement d’un système intégré de mesures

Figure 2Evolution du coefficient des TIC (g) au cours du temps.

Le patient au centrede l’information

8

des éléments tangibles et intangibles concourantaux résultats d’activité des hôpitaux. Ces résultatsdoivent être à la fois observés, mesurés mais aussipartagés, critiqués et ressentis. Ils constituentensemble la mesure de la vraie valeur du systèmede soin proposé aux assurés sociaux. Cette

volonté de quantification juste et durable s’ins-crit très concrètement dans la démarche actuellede la recherche d’éléments de décision et depilotage de la gouvernance générale et plus parti-culièrement de celle des technologies de l’infor-mation et de la communication [29].

Références1 Van de Velde R, Degoulet P. Clinical informations systems, a component based approach. New-York:Spinger-Verlag; 2001. p. 1–14.

2 Tan J. E-Health Care information systems. San Francisco: Jossey-Bass; 2005. p. 14–6.3 Geissbuhler A, Lovis C, Spahni S, Appel RD, Ratib O, et al. A humanist’s legacy in medical informa-tics: visions and accomplishments of Pr Jean-Raoul Scherrer. Methods Inf Med. 2002;41:237–42.

4 OECD Health Database. 2007.5 Arlotto P. Return on investment: maximizing the value of healthcare information technology. Chicago:HIMSS; 2003. p. 5–9.

6 Menachemi N, Brooks R. Exploring the return on investment associated with health information tech-nologies. Report to the state of Florida, february 2005.

7 Bomsel O, Diop S. Défendre l’investissement informatique. Revue des Ingénieurs. 2002; 401.8 Kohn LT, Corrigan JM, Donaldson MS, eds. To Err Is Human: Building a Safer HealthSystem. Instituteof Medicine, Washington DC: National Academy Press; 1999.

9 Brynjolfsson E, Hitt L, Yang S. Intangible assets: Computers and organizational capital. MIT Sloanschool papers, october 2002.

10 Hitt L, Brynjolfsson E. Creating value and destroying profit? Three measures of information technolo-gy’s contributions. MIT Sloan school papers, december 1994.

11 Kaushal R, et al. Return on investment for a computerized physician order entry system. J Am MedInform Assoc. 2006;13:261–6.

12 Brynjolfsson E. The productivity paradox of information technology: Review and assessment. MITSloan school papers, december 1991.

13 Greene W. Econométrie. Pearson éducation France. 2005; pp. 7–10, 19–38, 484–7.14 Cobb C.W, Douglas P.H. A Theory of Production. American Economic Review. 1928;18(1):139–65.15 Solow RM. A contribution to the theory of economic growth. The Quarterly Journal of Economics.

1956; LXX, 65–94.16 Solow RM. Technical change and the aggregate production function. The Review of Economics and

Statistics. 1957;39(3):312–20.17 Brown M. The Theory and Empirical Analysis of Production. New York: Columbia University Press,

1967; 16–22.18 Labini PS. Why the interpretation of Cobb-Douglas production function must be radically changed.

Structural change and economic dynamics. 1995;6:485–504.19 Degoulet P, et al. The HEGP component-based clinical information system. Int J Med Inform.

2003;69(2-3):115–26.20 Rudnichi A, et al. La prescription biologique informatisée avec P.C.S à l’hôpital Robert Debré, in: Infor-

matique et Santé. Paris: Springer-Verlag France; 1989, 1. p. 182–90.21 Bernier B, Simon Y. Initiation à la macroéconomie. Paris: Dunod; 2001. p. 507–47.22 McGuckin RH, Stiroh K. Computers and productivity: are aggregation effects important? The Confe-

rence Board: economic program working paper series, august 2000.23 Caroli E, Van Reenen J. Skill-biased organizational change? Evidence from a panel of British and

French establishments. The Quarterly Journal of Economics. November 2001.24 Osei-Brison KM, Ko M. Exploring the relationship between information technology investments and

firm performance using regression splines analysis. Information & management. 2004;42:1–13.25 Osei-Brison KM, Ko M. The productivity impact of information technology in the healthcare industry:

an empirical study using a regression spline-based approach. Information & Software Technology.2004;46:65–73.

26 Lin T, Shao B. The business value of information technology and inputs substitution: the productivityparadox revisited. Decision Support Systems. Article in Press. 2005.

27 Beard N, Elo K, Hitt LM, Housman MG, Mansfield G. Information technology and hospital perfor-mance: An econometric analysis of costs and quality. [Online] PricewaterhouseCoopers:http://www.pwc.com/healthcare, 2007.

28 Kaushal R, Jha AK, Franz C, Glaser J, Shetty KD. Return on investment for a computerized physicianorder entry system. J Am Med Inform Assoc. 2006, 3 (13):365–7.

29 Georgel F. IT gouvernance: maîtrise d’un système d’information. Paris: Dunod; 2005. p. 95–105.

9

Apport du Data Mining pour prédire la facturede patients hospitalisés

Alex Gnaegi, MathieuGiotta, René Bonvin

SummaryThe aim of this study is to assess the contribu-tion of data mining technology in a medico-ad-ministrative context, i.e. to estimate the billingamount of a hospitalisation immediately on thepatient’s discharge, without having to wait forcodification of diagnoses and procedures. Thealgorithms, decision trees and neural networksfor this purpose have been tested. We concludethat from simple administrative data it is possi-ble to estimate the amount of the bill with acoefficient of determination R2 close to 0.9.The three most crucial variables in the modelare length of stay, type of case (i.e. medical spe-cialty) and age. Only outlier cases, namely veryexpensive stays, remain difficult to estimate.This study opens the door to a wider use of datamining technologies in medicine, e.g. by tryingto predict clinical situations at risk of complica-tions.

ObjectifsLors des périodes de bouclement comptable, ilimporte de pouvoir valoriser rapidement et faci-lement les dossiers terminés mais non facturés. Sila facturation est basée sur une classification detype DRG (Diagnosis Related Groups), commec’est le cas dans les hôpitaux du Réseau SantéValais (RSV) pour les hospitalisations enchambre commune, il est nécessaire de disposerdes diagnostics et des interventions effectuéesdurant l’hospitalisation en plus de variablesadministratives avant de pouvoir calculer le mon-tant de la facture. Or la codification des diagnos-tics n’est parfois terminée, pour de multiplesraisons, que plusieurs semaines après la sortie dupatient et de ce fait il est extrêmement difficilede provisionner au plus juste les recettes corres-pondantes. Actuellement, les comptables provi-sionnent les montants non facturés sur la base dumontant facturable moyen par type de cas. Ondénombre une trentaine de type de cas qui cor-respondent en général au service médical qui apris en charge de manière prépondérante lepatient, comme par exemple la chirurgie maxillo-faciale, la gynécologie ou la médecine. Le type decas est dès lors connu à la sortie du patient.

L’objectif de ce travail est d’évaluer l’apport destechniques de Data Mining dans un contextemédico-administratif, à savoir estimer le mon-tant d’une facture d’un patient hospitalisé dès sasortie à partir des informations disponibles dansles systèmes opérationnels. Une comparaisonavec la méthode actuelle basée sur les types de casest également prévue.

MéthodesLogiciel utilisé

Le logiciel utilisé pour l’analyse de données detype Data Mining est Microsoft SQL Server2005 Analyses Services (SSAS) car disponiblesans coût supplémentaire au sein de notre dépar-tement. Il intègre plusieurs algorithmes de DataMining comme les arbres de décisions, les clus-ters, les réseaux bayésiens ou les réseaux neuro-naux.

Source des données

Les données ont été extraites du système d’in-formation administratif [1] basé sur le logicielOpale d’Ordi-Conseils SA. Dans celui-ci setrouvent toutes les données relatives à l’admi-nistration du patient: date d’entrée et date desortie de l’hôpital, durée de séjour, montantfacturé, prestations, etc. C’est également dansce système que se trouvent les codes diagnos-tiques et de traitements selon les nomenclaturesICD-10 et respectivement ICD-9-CM quidéterminent ensuite le code APDRG (AllPatients Diagnosis Related Groups). Chaquecode APDRG dispose d’un cost weight (CW),dont la valeur est ensuite multipliée par uneconstante pour obtenir le montant total de lafacture du séjour hospitalier. Les donnéesemployées dans le cadre de cette étude provien-nent de séjours hospitaliers somatiques desannées 2006 et 2007 en chambre communefacturés selon les APDRG. Pour 2007, seuls lescas facturés au moment de l’étude (fin 2007)ont été intégrés dans l’analyse. La liste desvariables potentiellement utiles figure dans letableau 1. Celles-ci ont été regroupées en caté-gories.

Dr Alex GnaegiDépartement d’informatiquemédicale et administrativeInstitut Central des HôpitauxValaisansAv. Grand-Champsec 86CH-1950 Sionalex.gnaegi@ichv.ch

SMI 2008: Nº 64

Le patient au centrede l’information

10

Procédures

La démarche suivie est classique pour des projetsde Data Mining: définition du problème, prépa-ration des données, création du modèle, explora-tion du modèle et validation du modèle [2].Pour la préparation des données de test, nousavons extrait aléatoirement 160 cas pour l’année2006 et 160 autres cas pour l’année 2007 parmiles 27000 cas des données d’apprentissage. Les160 cas sont répartis ainsi: 80 cas par centrehospitalier (Haut-Valais comprenant les hôpitauxde Brigue et Viège et Valais central comprenant

les hôpitaux de Sierre, centre valaisan de pneu-mologie de Montana, Sion et Martigny). Parmices 80 cas, 40 sont extraits des inliers [3] et des40 cas restant, 20 proviennent des low-outliersalors que les derniers 20 cas sont des high-outliers.La répartition par centre hospitalier permet, parexemple, d’évaluer si des différences de codageou de lourdeur de cas peuvent être remarquées.La répartition par inliers/outliers permet desimuler le fait que les cas non codés à la fin d’unepériode sont à 50% des cas inliers et 50% des casoutliers. Le pourcentage d’outliers a été forte-ment augmenté par rapport à la réalité, mais est

Tableau 1. Variables utilisées pour la définition des modèles d’analyse.

Nom de la variable Catégorie Remarques

Type d’admission Données administratives 7 codes différents

Mode d’entrée Variables d’entrée 24 codes différents

Provenance Variables d’entrée 84 codes différents

Décision d’envoi Variables d’entrée 8 codes différents

Genre d’admission Variables d’entrée 9 codes différents

Mode de sortie Variables de sortie 35 codes différents

Destination Variables de sortie 87 codes différents

Prise en charge après la sortie Variables de sortie 9 codes différents

Sexe Données administratives 2 codes différents

Résidence1 Variables d’entrée 5 codes différents

Age à l’entrée Données administratives Calculé

Type de cas Données administratives 49 codes différents

Classe Données administratives 8 codes différents

Type de patient Données administratives 31 codes différents

Tarif Données administratives 44 codes différents

Type de taxe Données administratives 39 codes différents

Groupe de classe Données administratives 3 codes différents

Division Variables sur le service 35 codes différents

Service Variables sur le service 114 codes différents

Unité Variables sur le service 77 codes différents

Médecin traitant2 Données sur le médecin 169 codes différents

Spécialité du médecin traitant2 Données sur le médecin 29 codes différents

Genre de médecin traitant2 Données sur le médecin 12 codes différents

Durée de séjour Données administratives Calculé

Durée de séjour nette Données administratives Calculé

Liste des prestations TARMED Prestations TARMED 4770 codes différents

Points de prestation TARMED Prestations TARMED Calculé

Valeur des prestations TARMED Prestations TARMED Calculé

Heures de soins intensifs Données administratives Calculé

Remarques: 1 résidence correspond à une zone de résidence du patient2 médecin traitant correspond au médecin chef hospitalier responsable du patient.

11

SMI 2008: Nº 64

justifié car ce sont ces cas qui doivent être estimésau plus proche en raison des montants prévisiblestrès élevés.Parmi les différents algorithmes proposés parSSAS, seuls les algorithmes «Microsoft DecisionTrees» et «Microsoft Neural Network» sont rete-nus car la variable à prédire est de type continu.Plusieurs modèles combinant l’un ou l’autre desdeux algorithmes susmentionnés avec plusieursvariables d’entrée sont testés. Les comparaisonss’effectuent sur les montants facturables estiméspar les différents modèles des 160 cas de test parrapport: a) aux montants facturables réels etb) à la méthode basée sur les types de cas appeléeci-après «méthode RSV». La performance desmodèles est évaluée par le R2 (= coefficient dedétermination) des droites de régression linéaire.Trente-cinq modèles différents avec l’algorithmedes arbres de décisions ont été construits. Lesvariables des modèles avec un R2 >0,8 ont étéreprises pour construire des modèles avec l’algo-rithme des réseaux neuronaux.

RésultatsLes performances des quatre meilleurs modèles(R2 >0,8) basés sur les arbres de décisions et lesquatre modèles correspondants basés sur lesréseaux neuronaux figurent dans le tableau 2.En l’occurrence, le meilleur modèle(Test_025_04_MDT) s’appuie sur l’algorithmedes arbres de décision et ne nécessite que desvariables faciles à collecter. Il obtient un R2 de0,86 alors que la méthode RSV obtient seule-ment un R2 de 0,04. Tandis que le montant

total des factures réelles est de 1502618.65francs, le modèle estime le montant total à1440071.73 francs, soit une différence de –4,2%,à comparer au montant total de 1116259.01francs obtenu par la méthode RSV (différence–34,6%). D’autres modèles sous-estiment unpeu moins le montant total (en particulier lemodèle Test_023_MDT avec une différence de–2,7%), mais par contre ne bénéficient pasde la même robustesse.La figure 1 présente les différences relativesentre le meilleur modèle de Data Mining et laméthode RSV en rapport avec les résultats atten-dus pour les 160 cas de tests. Les cas sont regrou-pés en ordre croissant du pourcentage de diffé-rence par tranche de 20% entre 100% et plus dedifférence sous-estimée vs 100% et plus de diffé-rence surestimées. Le graphique permet ainsi devérifier que les résultats du modèle Data Miningsont bien distribués de manière normale avec unemoyenne la plus proche de 0%. Au contraire, laméthode RSV fournit des résultats inhomogènesavec une forte proportion de cas sous-estimés de100% et plus.Sans surprise, les trois variables en entrée quiont le plus grand poids dans l’algorithme basésur les arbres de décision sont la durée de séjour,le type de cas et l’âge à l’entrée. Par contre, lesprestations médicales TARMED n’apportentpas d’informations utiles aux modèles deData Mining probablement en raison du grandnombre de prestations différentes. Tous lesmodèles sous-estiment le montant total fac-turable possiblement en raison des cas extrêmesqui ne peuvent faire l’objet d’une simulation.

Tableau 2. Liste des meilleurs modèles.

Modèle Algorithme R2 obtenu Variables utilisées

Test_023_MDT Arbres de décision 0,8368 Données administratives

Test_023_MNN Réseaux neuronaux 0,7827 Données administratives

Test_024_04_MDT Arbres de décision 0,8572 Données administratives + variables entrées+ variables sorties + spécialité du médecin

Test_024_04_MNN Réseaux neuronaux 0,7515 Données administratives + variables entrées+ variables sorties + spécialité du médecin

Test_025_04_MDT Arbres de décision 0,8611 Données administratives + variables entrées+ spécialité du médecin

Test_025_04_MNN Réseaux neuronaux 0,7676 Données administratives + variables entrées+ spécialité du médecin

Test_026_04_MDT Arbres de décision 0,8437 Données administratives + spécialité dumédecin

Test_026_04_MNN Réseaux neuronaux 0,7668 Données administratives + spécialité dumédecin

Le patient au centrede l’information

12

Conclusion

Cette étude illustre d’une part que les technolo-gies de Data Mining sont désormais aisées àmettre en œuvre et d’autre part, elle montre quel’issue «médico-économique» d’un séjour hospi-talier peut facilement être estimé avec les outilsde Data Mining grâce à de simples donnéesadministratives. On peut dès lors espérer uneutilisation plus large de ces technologies pourestimer cette fois-ci l’issue «médicale» d’un séjourcomme par exemple le pronostic vital ou lescomplications éventuelles.

Références1 Gnaegi A. ICHV – Application Infoval [Internet]. Applications Infoval. [cité 2008 Mar 30 ] Available from:http://www.ichv.ch/default.asp?contentID=775

2 Tang Z, MacLennan J. Data Mining with SQL Server 2005. Indianapolis: Wiley; 2005.

3 Schenker L. TAR APDRG 2006 Principes et règles de financement et de facturation par APDRG[Internet]. 2006 Jan; [cité 2008 Mar 28] Available from:http://www.apdrgsuisse.ch/public/fr/o_tar_apdrg_2006-f2.pdf

Figure 1Différence relative entre les montants estimés et réels par tranche de 20%.

13

Und es lohnt sich doch …Einführung eines PACS am UniversitätsSpital Zürich

M. Uesbeck, R. Naef,B. Marincek

SummaryFrom 2004 to 2007 the University Hospitalof Zurich (USZ) implemented a hospitalwidepicture archiving and communication system(PACS).The system offers all the functionality requiredby the radiology departments, such as viewing ofradiological images, advanced image process-ing, diagnostic findings, management of dailyclinical reporting and rapid image distributionto the USZ’s 42 clinical institutes. It also formsthe basis for complete digitalisation of intersec-toral communication with other hospitals.Digital archiving of images results in enormousspace savings, since its has become possible torelease conventional archives (rooms with manykilometers of shelves full of film material) stepby step for other purposes. Moreover, spendingon film material has been reduced by nearly2 million Swiss francs per year.The most important advantage of the PACSinstalled for the entire organisation lies infar-reaching optimisation of most medical andadministrative workflows in the Department ofRadiology and the 42 USZ clinical institutes.For example, no film material needs to be physi-cally distributed, reclaimed or desperatelysearched for any longer. Radiological findingscan be dictated directly into the RIS-PACSdesktop by digital speech recognition and dis-tributed within minutes via the hospital-wideKIS, thus reducing the the clinicians’ averagewait for a diagnosis from days to hours.Economically the workflow optimisations havemade it possible to cut labour costs and relocatenine employees inside and outside the USZ.Consequently, all USZ employees involved inthe radiological processes described above bene-fit greatly from the introduction of PACS and –last but not least – so do the patients.

EinleitungBis 2004 existierte am UniversitätsSpital Zürichkeine digitale Bildbewirtschaftung. Monatlichwurden für durchschnittlich 170000 SchweizerFranken Filme gedruckt, die einerseits zurBefundung durch den Radiologen und für radio-logische und klinische Rapporte und Fallbespre-

chungen benötigt wurden, andererseits derzuweisenden Klinik und gegebenenfalls in Kopieexternen Zuweisenden zur Verfügung gestelltwurden.Mehr als vier Archivmitarbeiter waren allein mitder Beschaffung, Vervielfältigung, Versendungund Archivierung von Röntgenfilmen beschäf-tigt. Der Pflegedienst aller Kliniken musste oft-mals Stunden nach vermissten Filmtüten suchen.Nachdem die Filme gedruckt und dem Radiolo-gen zugestellt worden waren, befundete diesersie vor einem der zahlreich vorhandenen Licht-kästen. Die diktierten Befunde wurden imSchreibbüro geschrieben, nochmals vom Radio-logen korrigiert und nach der Finalisierung aus-gedruckt, unterschrieben und in Kopie perHauspost der zuweisenden Klinik oder demexternen Zuweiser zugestellt. Gegebenenfallsvergingen zwischen Erstellung des Befundes undEinsicht durch den Kliniker mehrere Tage.Mit Einführung eines PACS zur digitalen Bild-bewirtschaftung und eines durchgängig elektro-nischen Gesamtworkflows zwischen HIS, KIS,RIS und PACS konnten diese Defizite nahezuvollständig eliminiert werden. Neben enormenEinsparungen im Bereich Raum, Personal undMaterial konnte vor allem eine diagnostischeQualitätssteigerung, ein effizienterer Arbeitsab-lauf für das medizinische Personal, sowie eineVerringerung der Strahlenbelastung der Patien-ten durch Wegfall unnötiger Wiederholungsauf-nahmen erreicht werden.

ZielsetzungenMit der Realisierung eines PACS sollte denwachsenden Defiziten in Bezug auf Verfügbar-keit und zeitgerechter Übermittlung radiologi-schen Bildmaterials und in Bezug auf die erfor-derliche Langzeitarchivierung von alten Datenentgegengewirkt werden. Es sollten Qualität undEffizienz in der Radiologie und im gesamtenSpital gesteigert und den Zuweisern verbesserteLeistungen geboten werden. Dies sollte denbehandelnden Ärztinnen und Ärzten eine Kon-zentration auf ihre Kernkompetenzen, schnellereDiagnosen und damit effizientere TherapienzumWohle des Patienten ermöglichen.Der Pflegedienst sollte vom lästigen Filmesuchen

Korrespondenz:Dr. rer. nat. M. UesbeckUniversitätsspital ZürichZentrale InformatikPhysikstrasse 48091 Zürich

SMI 2008: Nº 64

Der Patient im Mittelpunktder Information

14

entlastet werden. Um grundsätzlich alle digitalenBilder für alle Kliniken zugänglich zu machen,sollte ein spitalweit gültiger Archivierungsstan-dard durchgesetzt werden.Die sehr ressourcenintensive Filmwirtschaft(Archivräume, Filmmaterial, Geräte, Archivper-sonal), die sich durch den jährlichen Zuwachs anUntersuchungen ständig verschärft, sollte aufge-hoben und durch eine wirtschaftliche digitaleBildspeicherung ersetzt werden.Durch Etablierung eines elektronischen Gesamt-workflows zwischen HIS, KIS, RIS und PACS mitDurchgängigkeit administrativer Patienten- undeindeutiger Bilddaten sollte eine Verbesserung derArbeits- und Datenqualität erreicht werden.Die Ablösung der konventionellen Filmwirtschaftdurch ein PACS sollte kostenneutral erfolgen.

Material und MethodenIm Rahmen eines Vorprojekts, das im Jahr 2003durchgeführt worden war, konnte die Eignungdes Agfa-PACS «Impax» für die Belange und Be-dürfnisse des USZ und der beteiligten Partner-spitäler nachgewiesen werden. Im Hauptprojektwurden anschliessend aufgrund der monatlich er-

zeugten Datenmengen, der vorhandenen Anzahlund Typen von Modalitäten, der befundendenRadiologen und des Zugriffs auf die Daten aussämtlichen 42 Kliniken des USZ gemeinsam mitder Fa. Agfa Healthcare das Gesamtsystem konzi-piert und in Betrieb genommen. Abbildung 1zeigt die aktuelle Servertopologie.Das System ist an ein SAN mit derzeit 30 TBangeschlossen. Die in Kopie verfügbaren Datenfür die klinischen Zugriffe liegen auf acht TBExtraspeicher. Auf diese Weise sind beide Appli-kationen nahezu unabhängig voneinander zubetreiben.Für die Archivierung wird eine Tape Libraryder Firma «QStar» eingesetzt. Hier werden proWoche ein Primary und ein Mirror Tape à 200GB beschrieben. In regelmässigen Abständenwerden die beschriebenen Primary und MirrorTapes durch unbeschriebene Tapes ersetzt undin räumlich getrennten Safes aufbewahrt.Die Radiologie wurde mit Befundstationen,jeweils bestehend aus einer XP-PC-Workstationund drei Bildschirmen, ausgestattet. Die Klini-ken greifen über Standard-PCs und das spital-weit installierte KIS auf die verlustfrei kompri-mierten jpg-Daten der von ihnen behandelten

Abbildung 1. PACS-Servertopologie USZ.

Patienten zu. Je nach Bedarf (Operationsräume,Rheumatologie, Frauenheilkunde) wurden Spe-zialmonitore beschafft.Durch Einführung des PACS konnten vormalsvorhandene Lücken im elektronischen Gesamt-workflow, d.h. von der Untersuchungsanforderungdurch eine Klinik bis zur Befundrückmeldung,vollständig digitalisiert werden. Dazu wurden neueSchnittstellen zwischen dem KIS, RIS, PACS undHIS implementiert. Abbildung 2 zeigt die wesent-lichen Schritte des Gesamtablaufs.

Zur Unterstützung der intersektoralen Kommu-nikation wurde einerseits die Software «Medical-Connector» der Fa. H-Net (für den Austauschmit derzeit zwölf anderen Spitälern der Schweiz)installiert, andererseits die Software «DocX» derFa. MediData (für den direkten Bilddatenversandan die SUVA). Abbildung 3 zeigt eine Übersicht.Zur Unterstützung der Auftragserteilung füreinen Bilddatenimport und -export durch dieKliniken, des Managements und der Ausführungdieser Aufträge durch die Radiologie wurde dar-über hinaus das webbasierte System «HERMES»implementiert. Dieses dient ausserdem auch derErmittlung statistischer Werte des USZ-Daten-austausches mit externen Partnern.

ResultateInzwischen ist das entwickelte Gesamtsystemflächendeckend und rund um die Uhr inBetrieb. Den Radiologen stehen für die Befun-dung 60 entsprechende Workstations zur Verfü-gung. Die Kliniker erhalten Minuten nach derBilderzeugung und -speicherung in der Radiolo-gie via KIS Zugriff auf die Bilddaten und auf denTextbefund (sobald dieser von Seiten Radiologievia RIS freigegeben wurde). Die Gesamtsystem-verfügbarkeit beträgt 98,8% und wird rund umdie Uhr an 365 Tagen durch ein spezielles Help-desk-Team des USZ, im Hintergrund durch dieSupportorganisation der Fa. AGFA Healthcare,des weiteren unterstützt durch einen Überwa-chungsserver, sichergestellt.

Die oben aufgelisteten Ziele konnten vollum-fänglich erreicht werden. Nach einigen techni-schen Schwierigkeiten zu Beginn sind inzwischensowohl die Radiologen, als auch die Kliniker mitden neuen Abläufen und der eingesetzten PACS-Software zur Befundung und Betrachtung hoch-zufrieden und profitieren von den inzwischenweitaus effektiveren Arbeitsabläufen. Seit Inbe-triebnahme konnten insgesamt 400 Stellenpro-zent im ärztlichen Bereich, 200 Stellenprozentim pflegerischen Bereich, sowie etwas mehr als300 Stellenprozent beim Archivpersonal einge-spart bzw. anderweitig eingesetzt werden.Aufgrund des Wegfalls des Filmdrucks könnenausserdem inzwischen jährlich allein zwei Millio-nen Schweizer Franken an Filmmaterialkostenzuzüglich der Einsparungen durch abgebauteFilmdrucker eingespart werden. Zwischenzeitlichwurden darüber hinaus mehrere Archivräumeaufgelöst und anderweitig verwendet. Aktuellbeispielsweise für die Installation des neuen Sie-mens CTs «Somatom Definition AS» bzw. deszugehörigen Befundraums.

15

SMI 2008: Nº 64

Abbildung 2. Workflow KIS, RIS, Modalität, PACS.

Abbildung 3. Intersektorale Kommunikation.

Der Patient im Mittelpunktder Information

16

Für das Bildmanagement aller nichtradiologi-schen Kliniken wird derzeit am USZ im Rahmendes Projekts VISUS («Video- and Image SystemUniversitätsspital») ein parallel betriebenes Bild-verwaltungs- und -archivierungssystem einge-führt, das sich um die Speicherung und Vertei-lung sämtlicher weiterer Medientypen kümmert.Die klinische Bildverteilung erfolgt in gleicherWeise wie beim PACS, so dass der KlinikerUntersuchungen jeglicher Art über das KIS inAuftrag geben und ebenfalls via KIS in gleicherWeise auf die resultierenden Daten beiderSysteme zugreifen kann.

DiskussionDie im vorangegangenen Kapitel dargelegtenZahlen und Fakten belegen, dass die Einführungeines PACS zur digitalen Röntgenfilmbewirt-schaftung für ein Haus der Grössenordnung desUniversitätsSpitals Zürich in jeder Beziehunglohnenswert ist. Dies sowohl in qualitativer, alsauch in wirtschaftlicher Hinsicht.

Im konkreten Fall steht diesen Resultaten einrelativ langer Gesamtprojektzeitraum von nahezuvier Jahren mit einem interdisziplinären Projekt-team der verschiedenen Informatik-, Radiologie-und Klinikbereiche gegenüber. Die Investitionbetrug gut sechs Millionen Schweizer Franken,hinzu kommt ein geschätzter jährlicher Betriebs-aufwand von rund 400000 Schweizer Franken.Aufgrund der hohen Einsparungen wird nichts-destotrotz der Break-Even bereits nach etwa fünfJahren erwartet.Ungeachtet all dieser positiven Wirtschafts-faktoren soll nicht vergessen werden, dass beiInitiierung des Projekts nicht primär die Kosten-ersparnis im Vordergrund stand, sondern dieOptimierung der medizinischen Arbeitsabläufe,die Verbesserung der Arbeitsbedingungen für dasUSZ-Personal und (trotz steigendem Kosten-druck bei gleichzeitig wachsenden Unter-suchungszahlen) die Sicherstellung der hohenQualität bei der Patientenversorgung.

... in Ihrem Haus ist mit easyLEARN® nachhaltiger und

effizienter als bisherige Lösungen.

Die computerunterstützte Lösung

nimmt sich dieser aufwendigen

doch unerlässlichen Aufgabe an.

Mehr dazu erfahren Sie hier:

Auch die Einführungneuer Mitarbeiter ...

www.sdnag.com/health

SDN AG easyLEARN8912 Obfeldeninfo@sdnag.com

Tel. 043 322 72 00

17

SMI 2008: Nº 64

A framework for diagnosis of interstitial lung diseasesin HRCT: the TALISMAN project

Adrien Depeursingea,Jimison Iavindrasanaa,Herizo Andriambololo-niainaa, Pierre-Alexandre Polettib,Alexandra Platonb,Antoine Geissbuhlera,Henning Müllera,c

a Service of Medical Informatics,

Geneva University Hospitals and

University of Geneva (HUG),

Switzerlandb Service of Emergency Radiology,

HUG, Switzerlandc Business Information Systems,

University of Applied Sciences, Sierre,

Switzerland

SummaryIn this paper we describe the goals and the latestoutcomes of the TALISMAN project, the pur-pose of which is to furnish image-based diag-nostic assistance for interstitial lung diseases(ILDs) with secondary data integration. Proto-types of the computer tools are implemented.High correct classification rates of lung tissueregions in high-resolution computed tomogra-phy (HRCT), based on a high-quality datasetbuilt from clinical routine, suggests that com-puterised analysis of HRCT images with inte-gration of the clinical context is ready to be usedfor computer-aided diagnosis of ILDs. As futuretasks, implementation of multimodal retrievalof ILD cases and clinical evaluation of the soft-ware are planned to meet clinical needs.

IntroductionInterstitial lung diseases (ILDs) are a heteroge-neous group of some 150 diseases, many formsof which are rare and thus fall largely outside theexperience of many radiologists. Hence differen-tial diagnosis of ILDs is considered difficult [1].ILDs are often diagnosed on a collaborative basisbetween clinicians, radiologists and pathologists.Images play an important role and patients maynot require surgical lung biopsy if the clinicaland radiographic impression is consistent withsafe diagnosis of ILDs [2]. The first imagingprocedure used is the chest radiograph, becauseof its low cost and weak radiation dose. It alsoprovides a rapid overview of the whole chest.Where chest x–ray does not carry enough ele-ments to finalise the diagnosis, high-resolutioncomputed tomography (HRCT) provides anaccurate assessment of lung tissue patterns [3].Original three-dimensional HRCT data avoidsuperposition of anatomical organs and providean accurate assessment of the pattern and distri-bution of lung tissue. It is becoming an increas-ingly important method for the diagnosis ofdiffuse pulmonary parenchymal diseases. How-ever, interpreting HRCT images of the chestshowing patterns associated with ILDs is time-consuming and requires experience. Correctinterpretation of the three-dimensional form

requires significant reading time, effort and expe-rience [4]. Moreover, the context is fundamentalfor correct interpretation: healthy tissue, forexample, may have different visual aspectsdepending on the patient’s age or smoking his-tory. Computerised HRCT analysis with integra-tion of the clinical context can provide rapid andinvaluable information for emergency radio-logists and other non-chest specialists [5, 6]. Thecomputer-aided detection (CAD) system shouldbe used as first reader to improve the radiologist’sproductivity and reduce reading fatigue [7, 8].One approach to building image-based comput-erised diagnostic aid for ILDs is to imitate theradiologists’ human vision system. The latter canbe schematised into two main parts. First, theeyes act as captors to extract relevant featuresfrom the observed scene [9]. The cerebral cortexthen takes decisions based on the preprocessedinformation provided by the eyes and visualcortex as input, as well as the clinical context ofthe observed radiological image and the knowl-edge and experience of the radiologist. In patternrecognition, these two tasks can be respectivelyidentified as visual feature extraction (involvingimage processing) and supervised machine learn-ing for decision-making (ie classification ofimage regions).This paper details the latest outcomes of theTALISMAN (Texture Analysis of Lung ImageSfor Medical diagnostic AssistaNce) project,whose purpose is to provide image-based diag-nostic assistance for ILDs with secondary dataintegration.

MethodsThe methods of building the image-based diag-nostic aid tool consist of several connected sub-tasks. A first step was to specify the scope of thediagnostic aid tool, determined by the selectedsubset of interstitial lung diseases included in thestudy. In collaboration with the pneumology andemergency radiology departments of the Univer-sity Hospitals of Geneva (HUG), 15 diseasesdescribed as the most frequent causes of lungparenchymal disorders were selected. In relationto these 15 diseases, a library of annotated pul-monary CT cases with clinical data integration

Correspondence:Adrien DepeursingeGeneva University Hospitalsand University of Geneva,Service of MedicalInformatics24, rue Micheli-du-Crest,CH-1211 Geneva 14,Switzerlandadrien.depeursinge@sim.hcuge.chhttp://www.sim.hcuge.ch/medgift/

18

was created (see Section 3.2). Sections 3.3 and3.4 detail the steps for detection and classifica-tion of lung tissue patterns in HRCT data, withintegration of the clinical context of the imageseries.

ResultsGlobal description

Since ILDs comprise more than 150 illnesses ofinterstitial lung tissue which in most cases arecomorbid, building a computerised system toprovide a final diagnosis with high precision isnot conceivable. A computerised diagnostic aidbuilt on content-based image retrieval (CBIR),along with secondary data integration such as therelevant clinical parameters related to ILDs, canprovide less experienced radiologists and non-chest experts with rapid and invaluable informa-tion. The information system provides results intwo steps (see fig. 1). First, the suspicious(abnormal) patterns in the new, non-interpretedHRCT are automatically detected andhighlighted with a proposed tentative class oflung tissue disorders. The relevant patterns alongwith secondary data (ie age, smoking history,laboratory tests, etc) can then be used as queryfor automatic retrieval of similar cases from anassociated multimedia database of typical HRCTscans accompanied by the patient’s correspon-ding clinical parameters [8]. The radiologistmust regard the system as a second opinion inaddition to the experience gained with similarcases for the purpose of differential diagnosis.

This differs radically from automated diagnosisaimed at replacing radiologists by computers [4].A first prototype of a DICOM viewer for thedetection and classification of image regions inHRCT data is implemented in Java (see fig. 2).The radiologist can browse the three-dimen-sional stack of images and delineate regions ofinterest (ROIs) in pulmonary tissue to be classi-fied. Screenshots of the web-based prototypeinterface for the retrieval of cases in the multime-dia library of ILD cases are shown in figure 3.

Multimedia library of ILD cases

Building a high-quality multimedia database isan essential step in implementing a computeriseddiagnostic aid for ILDs, HRCT image seriesfrom control cases being required to train andtest algorithms for detection and classification ofimage regions. Moreover, the database provideswell-documented cases for content-based andmultimodal retrieval of similar cases. The libraryitself can also be used for teaching purposes.Building of the database of cases was organised asfollows: taking each of the 15 most frequentpathologies as a basis, the 99 most discriminativeclinical parameters for differential diagnosis werekept. With the approval of the ethics commis-sion, cases with HRCT images linked to one ofthe 15 ILDs were retrospectively collected in thedatabase. To establish ground truth for lungtissue classification, experienced radiologistsdelineated typical pathological regions in HRCTscans using custom-built software. The imageseries to be annotated were selected from caseswith certified diagnoses and with slice thicknessno larger than 1mm without contrast medium.After 20 months of acquisition, 103 cases werecaptured (with a goal of 150 by the end of theproject), a mean 65% of the clinical parameterswere filled for each case and 1,163 ROIs weredrawn, constituting six classes of well representedlung tissue, including healthy tissue.

Image processing:visual feature extraction

To extract measures from HRCT images as dis-criminating features for classification of lungtissue, several image processing steps are per-formed. Image texture features are used as thetaxonomy used by radiologists to interpret pat-terns in HRCT images, often relating to textureproperties. Two feature groups were used. First,pixel values are characterised using grey-levelhistograms. Full resolution (12-bit grey values)HRCT images contain values in Hounsfield

The patient at the centreof informatics

Figure 1. Global block diagram of the diagnostic aid system for ILDs. The user cansubmit an unknown HRCT image for analysis and then retrieve visually and/or clini-cally similar cases from the multimedia database.

Units (H.U.) in the interval [-1500; 1500].These values correspond unequivocally to densi-ties of the anatomical organs and thus allowidentification of lung tissue components. Sec-ondly, the spatial organisation of the pixels isstudied through the coefficients of isotropicpolyharmonic B-spline wavelet frames using aquincunx subsampling scheme. [11, 12 for moredetail].

Supervised machine learning:contextual image analysis

Classification algorithms are required to find theboundaries between the distinct classes of lungtissue represented in the feature space. Five com-mon classifier families with optimised parameterswere compared for their ability to categorise sixlung tissue patterns [13]. Using a solid method-ology for training and testing the classifiers,support vector machines (SVMs) with isotropicpolyharmonic B-spline wavelet frames allowed amean of 94.3% correct matches of 843 ROIsamong the six lung tissue classes with high class-specific precision. The effect of the integratingthe clinical context of HRCT images on tissueclassification is studied in [14]. Along with ap-propriate selection of relevant clinical parameters,contextual image analysis allowed significantimprovements in classification performancescompared to a purely visually-based categorisa-tion. Integration of the clinical parameters in thefeature vector must be performed with caution,since bad synergies between visual and clinicalattributes may occur.

Discussion and conclusionsA high-quality multimedia database of ILD casesis now available to train and test the classificationand retrieval algorithms as well as for teachingpurposes. However, although containing ROIs ofhealthy tissue, it does not yet include healthycases with a full set of “healthy” clinical parame-ters, as is required in order to establish “normal-ity” of the values. The pattern recognition task ischallenging, being partly based on the radiolo-gists’ experience. Nevertheless, the high rate ofcorrect prediction of the lung tissue classes andthe improvements made by integration of theimages’ clinical context suggest that the visualfeature set with optimised SVMs is ready to beused for computer-aided diagnosis of ILDs.Classification accuracy values are trustworthy forfurther usage in clinical routine, since the sixclasses of lung tissue pattern tested are realisti-cally distributed and make it possible to diagnosea wide variety of ILDs [3].

Future work

As future work the collection of ILD cases at theHUG (Hôpitaux Universitaires de Genève) willcontinue in order to increase the statistical valid-ity of our evaluation results. The goal is to haveat least 150 fully annotated cases with imagesand normal/abnormal ROIs marked by the end

19

SMI 2008: Nº 64

Figure 2. A screenshot of the DICOM viewer for the classification of image regions.

Figure 3. Web-based interface for the retrieval of ILD cases in the multimedia database.

20

of the project. More investigations are requiredto integrate the clinical context of HRCT imagesfor the classification of ROIs, to avoid bad syner-gies between clinical and visual attributes. A nextstep is to implement multimodal retrieval of theILD cases, along with three-dimensional charac-terisation of textures to allow for automaticdetection of pathological tissues in the entireHRCT volume. Finally, improvement and clini-cal evaluation of the user interface are plannedfor optimal adaptation of the computer tools inclinical routine.

Acknowledgements

This work was supported by the Swiss NationalScience Foundation (FNS) with grant 200020–118638/1, the equalisation fund of Geneva Uni-versity Hospitals and the University of Geneva(grant 05-9-II) and a grant from the Swiss Con-federation for the work of Dr. Herizo Andri-ambololoniaina.

The patient at the centreof informatics

References1 King TE. Approach to the adult with interstitial lung disease, Uptodate, August 2004.

2 Flaherty KR, King TE, Ganesh Raghu J, Lynch III JP, Colby TV, Travis WD, et al. Idiopathic interstitialpneumonia: What is the effect of a multidisciplinary approach to diagnosis? Am Resp Crit Care Med.2004;170:904–10.

3 Stark P. High resolution computed tomography of the lungs, Uptodate, September 2007.

4 Doi K. Current status and future potential of computer-aided diagnosis in medical imaging. Br JRadiol. 2005;78: 3–19.

5 Aisen AM, Broderick LS, Winer-Muram H, Brodley CE, Kak AC, Pavlopoulou C, et al. Automated stor-age and retrieval of thin-section CT images to assist diagnosis: System description and preliminaryassessment. Radiology. 2003;228:265–70.

6 Shyu CR, Brodley C, Kak A, Kosaka A. ASSERT: A Physician-in-the-loop content-based retrievalsystem for HRCT image databases. Computer Vision and Image Understanding 1999;75(1-2):111–32.

7 Nishikawa RM. Current status and future directions of computer-aided diagnosis in mammography.Comput Med Imaging Graph. 2007;31:224–35.

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

9 Biedermann I. Recognition-by-components: A theory of human image understanding. Psychol Rev.1987;94(No 2):115–47.

10 Sasso G, Marsiglia HR, Pigatto F, Basilicata A, Gargiulo M, Abate AF, et al. A visual query-by-exampleimage database for chest CT images: Potential role as a decision and educational support tool forradiologists. J Digit Imaging. 2005;18:78–84.

11 Depeursinge A, Sage D, Hidki A, Platon A, Poletti P-A, Unser M, Müller H. Lung tissue classificationusing wavelet frames, in Engineering in Medicine and Biology Society, 2007, EMBS 2007, 29th AnnualInternational Conference of the IEEE, (Lyon, France), August 2007.

12 Depeursinge A, Van De Ville D, Unser M, Müller H. Lung tissue analysis using isotropic polyharmonicB-spline wavelets, submitted to Medical Image Computing and Computer-Assisted Intervention –MICCAI 2008.

13 Depeursinge A, Iavindrasana J, Hidki A, Cohen G, Geissbuhler A, Platon A, et al. A classification frame-work for lung tissue categorization. In SPIE Medical Imaging, San Diego, CA, USA, February 2008– to appear.

14 Depeursinge A, Iavindrasana J, Cohen G, Platon A, Poletti P-A, Müller H. Lung tissue classification inHRCT data integrating the clinical context, in 21st IEEE Symposium on Computer-Based MedicalSystems, CBMS 2008, Jyväskylä, Finland, June 2008 – to appear.

21

SMI 2008: Nº 64

How a clinical information system can supportlife science research

Jimison Iavindrasanaa,Adrien Depeursingea,Rodolphe Meyera,Stéphane Spahnia,Antoine Geissbuhlera,Henning Müllera,b

a Service of Medical Informatics,

University and Hospitals of Geneva

(HUG), SwitzerlandbBusiness Information Systems,

University of Applied Sciences Sierre,

Switzerland1http://www.aneurist.org2http://www.ogsadai.org.uk

SummaryManagement of the cerebral aneurysm can beimproved by establishing an IT infrastructurecapable of integrating all available knowledgerelated to the disease. This paper presents theinfrastructure implemented at the UniversityHospital of Geneva to support the @neurISTproject. The infrastructure permits sharing ofpatient data stored in the clinical informationsystem for secondary use and integration of theresults derived. The requirements, basic func-tionalities and security aspect relating to patientprivacy and clinical information system securityare presented. Its main advantages are reusabil-ity, scalability and lower maintenance cost whilesafeguarding patient privacy and clinical infor-mation system security.

IntroductionWith the wider availability of modern imagingsolutions it is possible to diagnose more and moreunruptured cerebral aneurysms. Their rupturehas fatal and disabling consequences with highsocietal costs, but the incidence of rupture is low.Recent decades have brought impressive develop-ments in various domains such as determinationof the associated risk factors, imaging, ruptureprediction based on haemodynamic simulationsand treatment of this complex disease. Currentknowledge of cerebral aneurysm spans lengthscales from molecular, through cellular, to tissue,organ and patient representations. However, cur-rent management of the disease is based on verylimited information such as the size and localisa-tion of the aneurysm. Information technologycan contribute valuably to improving research oncerebral aneurysms and their management, byintegrating all exploitable information and com-putational services. The goal of the @neurIST1

project is to provide a new IT infrastructure tomanage, integrate and interrogate the data relatedto the disease. The @neurIST is an InformationSociety Technologies (IST) Integrated Projectfunded as part of the European Commission’s(EC) Sixth Framework Programme.Five pilot clinical centres are participating in the@neurIST project and are acting as patient

recruiters and clinical data providers. Multi-insti-tutional data collection furnishes a statisticallysignificant number of cases in a shorter timeperiod, while making it possible to incorporate amore diverse study population and reduce thebias induced by any individual researcher. Theelectronic patient record is used as initial datainput and the data can be used for more than thetreatment of a single patient.In a multi-institutional prospective researchsetting, the participating patients’ electronicmedical records can be anonymised and exportedon a centralised repository as in [1] or stored ateach site in an anonymised form as in [2, 3]. Inthe second case, the data are stored in a reposi-tory disconnected from the hospital informationsystem. In the first model the basic researchresults are also stored on the central repository.In the second the research results are storedwhere they were produced; a mediation programlinks all data sources according to the end-userquery.The second architectural solution provides moreflexibility with respect to data management, eachdata producer being responsible for the mainte-nance of the distributed data source. However,evaluation of the effectiveness of a new therapyor disease management tool takes place insideeach clinical centre. To reduce the cost of datamanagement inside the clinical centre and pro-vide researchers with real time data, the clinicalinformation system (CIS) can be used as a datarepository for both clinical management of thepatient and for research. In this way each partici-pating patient’s electronic medical record is notduplicated in a specific data repository and allresearch results related to a patient are directlystored in the clinical information system. Laterthis involves other issues concerning patient dataprivacy and confidentiality, as the patient dataleaves the control and protection-sphere of med-ical secrecy and the security of the hospital infor-mation system itself.A first architectural design was proposed in [4]to deal with access to data stored in a CIS forsecondary use. In this paper we present therequirements and basic functionalities of firstimplementation of the architectural solutionchosen by the University Hospital of Geneva for

Jimison IavindrasanaUniversity Hospitalsof Geneva21, rue Micheli-du-CrestCH-1211 Genèvejimison.iavindrasana@sim.houge.ch

22

data management in the @neurIST project(section 2 and 3). Patient data security and thehospital information system are also discussed(section 4).

MethodThe implementation described in this paper wasdesigned in compliance with legal and technicalconstraints and based on use case scenarios pro-posed by the end users.

Architecture requirementsThe architecture described in this paper providestwo functional cycles: 1) share clinical data pro-duced in the clinical centre with their potentialusers, ie the researchers and/or external compu-tation services; 2) store back research resultsrelated to participating patients. Four mainrequirements guided the design of the architec-ture: data categorisation, patient identification,data integration and data communication andsecurity.In the @neurIST project two categories of dataare produced: clinical and research data. The CISis used only to store the first category andresearch data related to one patient. However,the latter may be voluminous (such as simulationfiles) and only the metadata serving to reproducethe result may be stored back in the CIS. More-over, other voluminous research data are pro-duced during the experimental process and arenot reproducible without the necessary materials.These results are stored where they were pro-duced but can be linked with the patient data bymeans of a strong identification mechanism.As a patient has the right to access his electronichealth record, the derived data produced byresearchers should be identified by other meansthan the clinical patient identifier. Further, thepatient’s identifiable personal information shouldbe removed or reduced to the minimum requiredbefore secondary use. This means that all dataleaving the clinical context should be deperson-alised and that a mechanism to map the twoidentities should exist (one-to-one relationship).Data integration is defined as the problem ofcombining data residing at different sources andproviding the user with a unified view of thesedata [5]. In a data integration problem, all datasources are hidden to the end user and viewed asa single data source; the data representation isalso unified so that the provenance of the datacannot be identified. As the primary data arecollected inside the clinical centre, they are

coded with the local terminological system. Nor-malisation of the data, ie their conversion into anagreed and unified format, is done on-the-flywhen the data leave the hospital boundary. De-normalisation is also carried out in the sameprocess.Within the @neurIST project, GRID and Ser-vice-Oriented Architecture (SOA) were chosen asthe underlying technologies of the whole ITinfrastructure [6]. The elements of the architec-ture are composed of a set of web services com-patible with GRID technology. A detaileddescription of the security aspect is provided insection 4.

Basic functionalities of the im-plementationThe architecture implemented to support the@neurIST project has three layers (see fig. 1):the public data service located in the hospital’sdemilitarized zone (DMZ), the private dataservice located in the hospital’s intranet and theCIS located in the hospital’s intranet as the datasource. The mechanism for querying data storedin the CIS is presented in the following para-graphs.The public data service is the entry point to thedata stored in the CIS. It is located in the hospi-tal’s DMZ and thus accessible from open net-works such as the Internet. It authenticates theuser or the application querying the database andall transactions are monitored and logged. Ahospital information system is a closed one andthe public data service cannot communicatedirectly with the CIS. It instead queues allauthenticated and authorised incoming queriesin a repository. This component is based on theGRID middleware OGSA-DAI2.The private data service is responsible for recov-ering all queued incoming queries located in theDMZ. Received queries are transformed toreflect the internal data structure and representa-tion (mediation and de-normalisation) and sentto the CIS. A novel feature of the current archi-tecture is the private data service’s ability tomediate the reception of data generated outsidethe hospital for incorporation into the CIS – aprocess which mandates the ability to re-identifythe patient. Thus a query may be either a requestfor data or a notification that data is available forintegration. The private data service has twoimportant resources for these steps: the transla-tion rules for the normalisation and de-normal-isation service and the ID database which alsocontains the patient’s consent preferences. This

The patient at the centreof informatics

latter policy is required to control access to thepatient’s data: only the @neurIST data related topatients registered in the ID database can bequeried.The patient data returned by the CIS (queryresults) are depersonalised and pseudonymisedon-the-fly by the private data service. The queryresults are also filtered by this component. Whenthe results are normalised – ie transformed intoan agreed representation – they are written downin a result repository located in the DMZ andcan be retrieved by the client.A further access policy consideration is thatderived data are not viewable or accessible by

unauthorised users (which may, for unverifiedresults, include the clinicians and/or patients)until reasons and methods for release arefavourably reviewed by the internal project ethicscommittee. These accesses are subject to both theclinical centre’s policy and the patient’s decisionon whether they agree or not to the return ofhealth research relevant results.

Security and privacyThe CIS maintains and manages personal med-ical records in a digital format, containing thefirst instance information relating to its sub-jects’ current and historical health, medical con-ditions and medical tests. Various measures aretaken to protect not only the privacy and confi-dentiality of patients participating in the projectbut also for the security of the whole hospitalinfrastructure.

Pseudonymisation

Motivated by the need to store back derived datainto the CIS (ie to re-identify the patient), thepseudonymisation procedure was preferredinstead of anonymisation of patient data forsecondary use. The pseudonymisation procedureis split into two steps, as shown in figure 2. Inthe first step, all information permitting directidentification of the patient in structured, andunstructured data such as images are removed orreduced to the minimum required to carry outthe research. This step is called depersonalisationand data minimisation. In the second step apseudonym is generated from the patient ID andattached to the depersonalised data, and isreversible to re-identify the patient. The re-iden-tification of the patient from the pseudonym isnecessary for query management but is alsoneeded by the ethics committee to recontact thepatient when an important finding is obtainedfrom research. It is important to notice that thepseudonym generated is specific for a participantrecruited and followed up at a single clinicalcentre.

Access control

Even if the data accessible through the infra-structure does not permit direct identification ofthe patient, it should be protected against unau-thorised access. Generally, clinical centres havetheir own security, access right management andprivacy protection policy according to the role ofthe user [7]. However, these security models aredesigned for local use and should be combined

23

SMI 2008: Nº 64

Figure 1. Access to @neurIST data stored in the clinical information system.

Figure 2. Pseudonymisation system of outgoing data.

24

with distributed security models to authenticateand authorise external users. Within a securitydomain all the security is concentrated andplaced under the responsibility of this domain.Between different security domains the chosenapproach is to designate, in each domain, a secu-rity entity (Security Token Service), which willbe in charge of issuing and verifying short-termsecurity tokens with the entities of the othersecurity domains.Accessing an operational CIS may also affect itsoperational status if the query itself raises a secu-rity issue. Incoming queries are analysed to pre-vent such incidents and only valid queries areexecuted on the CIS. Access control is alsostrengthened by control of outgoing results andcan be considered complementary to privacyprotection. Such filtering technologies can assistin preventing unintentional disclosure of per-sonal identifying information due to problemssuch as unidentified flaws in the depersonalisa-tion component. A policy for statistical queriesmay, for example, reject result sets which containless than four entries to be exposed to therequesting user.

Logging and monitoring

Another important component in the architec-ture is the logging and monitoring of externalrequests to the public data service and onwardsto the CIS. Even if the CIS has a logging and

monitoring mechanism, it is imperative that allqueries to retrieve or store data are logged andmonitored, in order to identify and intervene inpotential misuse of the system. This process ismanaged at the public data service level.

Discussion and conclusionIn this paper we proposed the first implementa-tion of an infrastructure for better managementof the cerebral aneurysm. The infrastructureserves to share clinical data acquired inside thehospital and integrate derived data produced byresearchers. The main advantage of the imple-mentation is its reusability, scalability and lowermaintenance cost. Most of the implementation isgeneric and can be adapted for other diseasemanagement. Patient security and privacy andCIS security have been discussed. Implementa-tion of an infrastructure of this kind requiresopen access to the CIS from the technical andpolitical point of view. The next step is integra-tion of the infrastructure into the whole@neurIST IT infrastructure.

Acknowledgements

This work was generated in the framework ofthe @neurIST Integrated Project, which is co-financed by the European Commission throughthe contract no. IST-027703.

The patient at the centreof informatics

References1 EM Kerkri, Quantin C, Grison T, Allaert FA, Tchounikine A, Yetongnon K. A virtual intranet and data-warehousing for healthcare co-operation. Medinfo. 2001;10:23–7.

2 Astakhov V, Gupta A, Santini S, Grethe JS. Data Integration in the Biomedical Informatics ResearchNetwork (BIRN). In: Ludäscher B, and Raschid L, eds. Second International Workshop, Data Integrationin Life Sciences. San Diego. Proceedings. Lecture Notes in Computer Science 2005;3615:317–20.

3 Saltz J, Oster S, Hastings S, Langella S, Kurc T, Sanchez W, et al. ca-Grid: design and implementationof the core architecture of the cancer biomedical informatics Grid. Bioinformatics. 2006;22(15):1910–6.

4 Iavindrasana J, Depeursinge A, Ruch P, Spahni S, Geissbuhler A, Müller H. Design of a decentralizedreusable research database architecture to support data acquisition in large research projects. Med-info. 2007;12:325–9.

5 Hernandez T, Kambhampati S. Integration of biological sources: current systems and challengesahead, ACM SIGMOD Record 2004;33(3):51–60.

6 Arbona A, Benkner S, Engelbrecht G, Fingberg J, Hofmann M, Kumpf K, et al. A service-oriented gridinfrastructure for biomedical data and compute services. IEEE Trans Nanobioscience. 2007;6(2):136–41.

7 Lovis C, Spahni S, Cassoni-Schoellhammer N, Geissbuhler A. Comprehensive management of theaccess to a component-based healthcare information system. Stud Health Technol Inform. 2006;124:251–6.

25

Auf dem Weg zur prozessorientiertenPatientenidentifikation

Tobias Mettler,Peter Rohner

SummaryIn health care as in other industries, ICT solu-tions have evolved over many years. As a result,the present-day information system landscapeis, in the majority of cases, heterogeneous anduser-unfriendly in actual practice. Intra-organisa-tional as well as cross-organisational identifica-tion of patients often constitutes a major issue.Although a wide range of technologicalresources are currently available, most imple-mentations fail because of the missing orienta-tion towards the patient’s needs. For this reasonthe present contribution sets out to discuss, onthe basis of the patient process, the essentialrequirements for integrated patient identifica-tion throughout the health care system.

EinleitungDie zunehmende Digitalisierung eröffnet durchDokumentation und Distribution von Informa-tionen neue Möglichkeiten in der Gesundheits-versorgung. Während aus der Sicht des Patientendas Vorhandensein einer weitreichenden allge-meinen medizinischen Informationsbasis zu einerstärkeren Partizipation in der therapeutischenEntscheidungsfindung (Patient-Empowerment)führt [1], erfordert die fortschreitende Digitali-sierung aus der Sicht des Leistungserbringers einzunehmendes Verständnis für IKT-Lösungen undein gewisses Mass an Vernetzungsfähigkeit, alsodie Befähigung, sich möglichst rasch und mit ge-ringen Kosten mit anderen Akteuren des Ge-sundheitswesens verbinden zu können [2].Im Hinblick auf die Digitalisierung patienten-bezogener Informationen steigen mit der zu-nehmemden Anzahl der unterschiedlich struk-turierten Trägermedien (z.B. elektronischePatientenakten oder eine durch den Patientenoder durch Dritte geführte elektronischeGesundheitsakte) und verwendeter IKT-Lösun-gen, demzufolge steigender Fragmentierung,auch die Kosten für die Bereitstellung und War-tung von Schnittstellen. Mit der zunehmendenAnzahl Schnittstellen und ohne ein für alleAkteure des Gesundheitswesens zentral verwalte-tes Patientenregister [3], gewinnt auch das Pro-blem der eindeutigen Patientenidentifikation anBedeutung [4].

In den USA sterben jährlich bis zu 98000 Men-schen an Fehlern während ihres Spitalaufent-halts. 13% aller Fehler bei chirurgischen Eingrif-fen und 67% bei Bluttransfusionen sind auf einefehlerhafte Patientenidentifikation zurückzu-führen [5]. Studien aus England und Australienhaben ergeben, dass zwischen 12% und 16%aller Klinikpatienten bei ihrer Behandlung «einunerwünschtes Ereignis widerfährt» [6]. DieFolgen aufgrund von Verwechslungen vonPatienten und damit zusammenhängenden Fehl-behandlungen und Fehlmedikationen sind gra-vierend. Die Hauptursachen liegen häufig in dermangelhaften Kommunikation, fehlendemTeamwork, aber oftmals auch an der ungenügen-den Überprüfung der Identität des Patienten [7]und am fehlenden Vertrauen in entsprechendeIKT-Lösungen [8].

Patientenidentifikationals Teilgebiet desIdentitätsmanagements

Das Identitätsmanagement (IDM) beschäftigtsich mit dem Prozess zur Identifikation einerEinheit (Person, Gruppe, Organisation, Geräteusw.), den Informationen, die für die Identifika-tion einer Einheit innerhalb einer bestimmtenSituation erforderlich sind (z.B. Benutzer- oderPatientenidentifikatoren) und der notwendigenInfrastruktur für die Abwicklung des Identifika-tionsprozesses und für die sichere Verwaltung derunterschiedlichen Identitäten. Grundsätzlichunterscheidet man zwischen «Identity Manage-ment System» (IMS) und «Identity ManagementApplication» (IMA): «We define the term Iden-tity Management System as an infrastructure, inwhich Identity Management Applications ascomponents are co-ordinated. Identity Manage-ment Applications are tools for individuals tomanage their socially relevant communications,which can be installed, configured and operatedat the user’s and/or a server’s side». [9].Ein universeller Rahmen, der die relevantenAspekte des IDM vorschreibt, wird zurzeit durchdie «International Organization for Standardiza-tion» (ISO) in der Norm ISO/IEC 24760 «AFramework for Identity Management» erarbeitet[10]. Ergänzend dazu sind die notwendigen

Korrespondenz:Tobias MettlerKompetenzzentrum HealthNetwork EngineeringUniversität St. GallenLehrstuhlProf. Dr. Robert WinterMüller-Friedberg-Strasse 8CH-9000 St. Gallentobias.mettler@unisg.ch

Dr. Peter RohnerKompetenzzentrum HealthNetwork EngineeringUniversität St. GallenLehrstuhlProf. Dr. Robert WinterMüller-Friedberg-Strasse 8CH-9000 St. Gallenpeter.rohner@unisg.ch

SMI 2008: Nº 64

Der Patient im Mittelpunktder Information

26

branchenspezifischen Rollen [11] und das Mana-gement der Beziehungen der einzelnen Identitä-ten [12] ebenfalls Gegenstand der aktuellenStandardisierungsbestrebungen.Aus der Sicht des Gesundheitswesens bestehtdas IDM folglich aus einer Vielzahl von Prozes-sen, Rollen und Applikationen, wobei die Patien-tenidentifikation lediglich einen kleinen Teil desganzen IDM adressiert (Abb. 1). Unter demBegriff «Patientenidentifikation» wird der Prozessverstanden, die angegebenen Identifikations-daten eineindeutig einem Interaktionspartner(in diesem Falle einem Patienten) zuordnen zukönnen [13]. Eng mit dem Prozess der Identifi-zierung sind die Authentifizierung, die Überprü-fung der Identität eines Kommunikationspart-ners und die Authentisierung, der Nachweisesder eigenen Identität verbunden [8].

Prozessorientierungin der PatientenidentifikationBetrachtet man einen typischen Prozessverlaufeines Patienten, so stellt man fest, dass zweiunterschiedliche Identifikationsszenarien existie-ren (Abb. 2). Der Identifikationsprozess kannsowohl intern, d.h. innerhalb desselben Lei-stungserbringers (bspw. bei der Verlegung vonder Notfallstation zur Chirurgie), als auch orga-nisationsübergreifend, d.h. zwischen unter-schiedlichen Leistungserbringern (bspw. bei derVerlegung vom Spital in eine Rehaklinik) zurAnwendung kommen.Des Weiteren können zwei unterschiedlicheEreignisse («Events») unterschieden werden.Einerseits gilt es die Erstidentifikation einesPatienten sicherzustellen, d.h. die Identifizierungeines Patienten, der bisher noch nicht vom Lei-stungserbringer behandelt wurde (bspw. Identifi-kation eines verunfallten Touristen), andererseitsmuss auch eine erneute Identifikation von beste-henden Patienten funktionieren (bspw. Patientkommt zur Nachbehandlung ins Spital). Eineganzheitliche Betrachtung legt deshalb nahe, dassdas Gesamtproblem in die nachfolgenden vierHandlungsfelder gegliedert werden kann (Abb. 3).

Szenarien

Lösungsansätze für die organisations-interne Patientenidentifikation

Durch den Einsatz von Radio-Frequenz-Identifi-kationssystemen (RFID), die heute in der Indu-strie in den verschiedensten Bereichen bereitsintensiv genutzt werden [14], können Fehler bei

der organisationsinternen Patientenidentifikationminimiert werden. Dank der automatischenÜbertragung der erfassten Identifikationsmerk-male kann der Patientenpfad aufgezeichnet undmit klinischen Sollpfaden verglichen werden, waserheblich zur Qualitätssicherung beiträgt [15].Bei einem (erneuten) Aufenthalt des Patientenim selben Spital kann ein umfassendes Bild derKrankengeschichte den gesamten Patientenpro-zess, von der Aufnahme bis zur Entlassung,wesentlich beschleunigen und gleichzeitigKosten, beispielsweise durch die Vermeidungeiner wiederholten Befundaufnahme, minimie-ren. Deshalb sollte der Abgleich mit bestehendenPatientenrecords innerhalb einer Organisationeine besondere Bedeutung erhalten. Dies lässtsich beispielsweise mittels eines «EnterpriseMaster Patient Indexes» (EMPI) lösen. Bei Auf-nahme des Patienten werden seine persönlichenMerkmale (Name, Geburtsdatum usw.) undallenfalls weitere Angaben (z.B. Versicherten-nummer) mit dem EMPI abgeglichen. Dieseranwendungsübergreifende Index, sorgt dafür,dass sämtliche in den unterschiedlichen Syste-men verwendete Patientenidentifikatoren genaueinem Patienten zugeordnet werden können.Eine zentrale Schnittstelle stellt den Datenaus-tausch mit den anderen klinischen und admini-strativen Informationssystemen des Spitals sicher.Da der Aufbau eines EMPI komplex und miteinem hohen Aufwand verbunden ist, wird oft-mals ein dezentrales Matchingverfahren bevor-zugt [16]. Dabei wird die Authentifizierunglokal, durch eine entsprechende Erweiterung inder jeweiligen Applikation (PACS, Laborsystemusw.) durchgeführt. Damit lassen sich frühereDaten des Patienten im gleichen System oder ausanderen Systemen mit den aktuellen Daten ver-gleichen. Ein entscheidender Nachteil ist, dassdadurch ein ganzheitliches Bild der Krankenge-schichte fehlt, da nur die im entsprechendenSystem befindlichen Daten miteinander vergli-chen werden können.

Lösungsansätze für die organisationsüber-greifende Patientenidentifikation

Ein weit schwierigeres Unterfangen ist die orga-nisationsübergreifende Identifikation von Patien-ten in einem Gesundheitssystem. Während derProzess der organisationsinternen Patienteniden-tifikation relativ überschaubar ist (meistensbegrenzt auf die Anzahl involvierter Abteilun-gen), kann in einem Gesundheitssystem oftmalsnicht a priori gesagt werden, wer alles Zugriff aufPatientendaten erhalten soll. Auch ist aufgrund

der Inkompatibilität unterschiedlicher organisa-tionsinterner Lösungen (bspw. zwei unterschied-lich aufgebaute EMPI) die Durchgängigkeit desProzesses stark gefährdet. Eine wesentlicheAnforderung an die organisationsübergreifendePatientenidentifikation ist deshalb die Festlegungund Sicherstellung, dass die richtigen Informa-tionen den richtigen Personen zur Benutzungeineindeutig zugeordnet sowie termingerecht zurVerfügung stehen, sofern dazu eine rechtlicheGrundlage besteht.Aufgrund der Eigenheiten der unterschiedlichennationalen Gesundheitssysteme, ist ein zentrali-stischer Ansatz, wie er beispielsweise in Gross-britannien praktiziert wird, nicht in jedem Fallrealisierbar. Aus diesem Grund müssen Ansätzeentwickelt werden, welche die eineindeutigeIdentifikation des Patienten auf mehreren(Kompetenz-)Ebenen sicherstellen können. Pro-jekte mit wegweisenden Charakter sind aufinternationaler Ebene die Europäische Versich-tertenkarte [17], auf nationaler Ebene der«National Health Index» aus Neuseeland [18],auf regionaler Ebene das «Healthnet» von Bri-tish Columbia [19] und auf lokaler Ebener dasModellprojekt5 [20].

Zusammenfassung und AusblickIn diesem Beitrag wurde dargelegt, dass aufgrundder bestehenden heterogenen Systemlandschaftund der fortschreitenden Digitalisierung vonInformationen neue Möglichkeiten in derGesundheitsversorgung entstehen. Im Zugedieser Veränderung steigen auch die Anforderun-gen, den Patienten während seines gesamtenPatientenprozesses eineindeutig identifizieren zukönnen. Um eine durchgängige Identifizierungsicherzustellen, müssen deshalb sowohl dieunterschiedlichen Szenarien als auch die auslö-senden Ereignisse des Identifizierungsprozessesbetrachtet werden. Dies kann anhand der vieridentifizierten Handlungsfelder geschehen. DesWeiteren werden erste Lösungsansätze gezeigt,wie die organisationsinterne und organisations-übergreifende Patientenidentifikation gemeistertwerden kann. In den weiteren Forschungsakti-vitäten gilt es, die Systematik durch konkreteHandlungsempfehlungen zu verfeinern, sowiedie vorgeschlagenen Lösungsstrategien (zumin-dest teilweise) zu implementieren und zu eva-luieren.

27

SMI 2008: Nº 64

Abbildung 1Aspekte des Identitätsmanagements im Gesundheitswesen.

Abbildung 2Wichtige «Berührungspunkte» im Patientenprozess.

Abbildung 3Handlungsfelder einer ganzheitlichen Patientenidentifikation.

Der Patient im Mittelpunktder Information

28

Literatur1 Schmid M, Wang J. Der Patient der Zukunft: Das Arzt-Patienten-Verhältnis im Umbruch. Schweizeri-sche Ärztezeitung 2003;84:2133–5.

2 Mettler T, Rohner P, Winter R. Factors Influencing Networkability in the Health Care Sector – Deriva-tion and Empirical Validation. In: Bath P, Albright K, Norris T, Hrsg. Proceedings of the 12th Internatio-nal Symposium on Health Information Management Research. Sheffield: University of SheffieldCentre for Health Information Management Research; 2007;51–62.

3 www.sundhed.dk (letzter Abruf am 14.4.2008).

4 Büchi M. Kernaspekte eines integrierten Informationsmanagements. Schweizerische Ärztezeitung2002;83:2029–30.

5 Joint Commission International Center for Patient Safety. Technology in Patient Safety: Using Identifi-cation Bands to Reduce Patient Identification Errors. Joint Commission Perspectives on Patient Safety2005;5:1–10.

6 Stoellger P. Qualität als das Andere der Quantität: Wie bildet sich «Sinn für Qualität»? PrimaryCare.2005;5:979–82.

7 Chassin MR, Becher EC. The Wrong Patient. Ann Intern Med. 2002;136:826–33.

8 www.nahit.org (letzter Abruf am 14.4.2008).

9 Independent Centre for Privacy Protection et al. Identity Management Systems (IMS): Identificationand Comparison Study. Seville: Joint Research Centre Seville; 2004.

10 ISO/IEC NP 24760: Information Technology – Security Techniques – A Framework for Identity Manage-ment.

11 ISO TS 21298: Functional and Structural Roles.

12 ISO TS 22600: Privilege Management and Access Control.

13 www.bsi.bund.de (letzter Abruf am 14.4.2008).

14 Fleisch E. RFID als erster Schritt der Integration von realer und virtueller Welt. In: Eberspächer J, vonReden W, Hrsg. Umhegt oder abhängig? Der Mensch in einer digitalen Umgebung. Berlin: Springer;2005.

15 Kern C, Conrad W. Einsatz von RFID zur Qualitätssicherung und Kostenreduktion bei der Erfassungund Verarbeitung von Blutproben. In: Löffler M, Winter A, Hrsg. Tagungsband der GMDS 2006.Leipzig: GMDS; 2006.

16 Lenson CM. Building a Successful Enterprise Master Patient Index: A Case Study. Topics in HealthInformation Management 1998; 19:66-71.

17 www.ec.europa.eu (letzter Abruf am 14.4.2008).

18 www.pacifichealthsummit.org (letzter Abruf am 25.3.2008).

19 www.healthnet.hnet.bc.ca (letzter Abruf am 14.4.2008).

20 www.telemedizin-loebau-zittau.de (letzter Abruf am 14.4.2008).

29

Korrespondenz:Dr. med. Marc OertleLeitender Arzt Medizin &MedizinInformatikSpital STS AGKrankenhausstrasse 12CH-3600 Thunmarc.oertle@spitalstsag.ch

SMI 2008: Nº 64

Aussagekraft quantitativer Messungen zur Beurteilungärztlichen HandelnsFallstudie bei Patienten mit chronischer Herzinsuffizienz

Marc Oertle SummaryImprovement of patient safety and reduction ofvariability in clinical care are cornerstones ofcurrent quality enhancement programmes inhealthcare. If patient outcomes are to be im-proved, it is crucial to translate the results ofevidence-based knowledge into practice. Forchronic diseases such as chronic heart failure(CHF), evidence-based treatment guidelineshave existed for years. It is well known thatphysicians’ adherence to these guidelines is50–60% at best. The reasons for this non-adherence are not well understood, althoughsome publications report barriers to adherence.Most of these barriers are rooted in physicians’attitudes, e.g. lack of awareness and lack offamiliarity with current guidelines.Since information and communication tech-nologies (ICT) are widely seen as a powerfultool for countering variability in healthcare, sys-tems should be available to support physiciansin their decision-making. Designing such sys-tems requires a thorough understanding of cur-rent clinical practice.Preliminary results of a mixed-method casestudy in patients with chronic heart failure re-port adherence rates and the reasoning behindthem in a Swiss primary and secondary acutecare hospital.

EinleitungDie Bevölkerung – und deshalb natürlich auchdie Patientinnen und die Patienten – werden inder Schweiz immer älter. Mit zunehmendemAlter steigt die Rate von Patienten, die polymor-bid (d.h. mehrere chronische Krankheitengleichzeitig aufweisen) sind. Alter und Polymor-bidität führen zum vermehrten Einsatz vonMedikamenten und theoretisch auch zu einergleichzeitigen Befolgung von mehreren Behand-lungsrichtlinien.Da sowohl Politik als auch Versicherer nur miteinem vereinfachten Abbild des Gesundheitswe-sens (losgelöst vom Individuellen) arbeiten,basieren Einschätzungen und Abrechnungsmo-delle oft auf Qualitäts- oder Performanceparame-

ter. Diese wiederum können sich nicht am Indi-viduum, sondern lediglich an publiziertenBehandlungsrichtlinien («best clinical practice»,«practice guidelines») orientieren. Nun herrschtnicht nur zwischen der Leistung des Arztes inBezug zur Richtlinie, sondern auch zwischen denForschungsresultaten und dem Behandlungskon-zept von realen Alltagspatienten eine zuweilengrosse Diskrepanz. Die Frage stellt sich damit,wie gut überhaupt die erlassenen Richtliniendurchschnittlich befolgt werden können. DieseFrage stellen sich nicht Politiker und Versicherer,sondern vor allem die mit dem individuellenPatienten konfrontierten Ärztinnen und Ärzte.Insbesondere in sogenannten Pay-for-perfor-mance-Programmen [3–5], die v.a. aus den USAbekannt sind, werden unter Umständen Behand-lungen nur bezahlt, wenn die Behandlungsricht-linien vollständig eingehalten werden. Dass dieszwar potentiell zu einer Qualitätsverbesserung,aber auch zu einer Überversorgung führen kann,scheint augenfällig.Die vorliegende Fallstudie ist als gemischt quali-tativ-quantitative Methode angelegt und be-schreibt die Behandlungsqualität bei Patientenmit chronischer Herzinsuffizienz.

MethodenDie Studie wird am Spital Thun (Spital STSAG), einem Akutspital mit Primär- und Sekun-därversorgung, durchgeführt. Basierend aufden Daten der elektronischen Verordnung(«computerized provider order entry», CPOE)wird während insgesamt 24 Monaten das Ver-ordnungsverhalten bei Patienten mit chronischerHerzinsuffizienz im vorhandenen Data-Ware-house analysiert. Eingeschlossen werden allePatienten, die durch das professionelle Kodier-team mit den ICD-10 Codes I 11.0, I 13.0,13.2, I15.0 und I 15.9 kodiert wurden. DasVerordnungsverhalten wird in Relation zu denvon der europäischen kardiologischen Gesell-schaft ESC erlassenen Richtlinien zur Behand-lung der chronischen Herzinsuffizienz gestellt.Parallel zu dieser retrospektiven Analyse werdenalle Patienten, die zwischen Juli und Dezember2007 hospitalisiert wurden und eine chronische

30

Herzinsuffizienz aufweisen, mittels semantischerInterpretation identifiziert und die behandeln-den Ärzte über das therapeutische Regime pro-spektiv befragt.Die Ergebnisse der quantitativen Data-Ware-house-Analyse und der qualitativen Datengewin-nung mittels semistrukturierten Interviews wer-den zusammen ausgewertet und mit publiziertenWerten für die Richtlinientreue in der Behand-lung der chronischen Herzinsuffizienz anhanddes Guideline-Adherence-Index (GAI) verglichen.

ResultateZwischen Januar 2006 und Dezember 2007werden insgesamt 348 Patienten mit einer chro-nischen Herzinsuffizienz identifiziert. 50 davonfallen in die Studienperiode, in der die qualita-tive Analyse mittels Interviews durchgeführtwird. Die Patienten sind durchschnittlich 83 ±10 Jahre alt, 51% sind Männer, 49% sindFrauen. Die durchschnittliche Anzahl vonHauptdiagnosen ist 6 ± 2.43% der Patienten werden mit eine ACE-Hem-mer, 30% mit einem Angiotensin-II-RezeptorAntagonist, 54% mit einem Betablocker, 42%mit einem Aldosteron-Antagonisten und 24%mit Digoxin behandelt. Ohne Korrekturen ausklinischen oder patientenorientierten Gründenwerden 60% der Patienten in vollständiger Über-einstimmung mit den Behandlungsrichtlinientherapiert («Guideline-Adherence-Index» (GAI)ist 0,6). Werden klinische Faktoren (wie z.B. eine

relevante Einschränkung der Nierenfunktion) indie Berechnung mit einbezogen, erhöht sich dieRate der formal korrekt therapierten Patientenauf 80% (GAI-korrigiert = 0,8).Anhand der durchgeführten semistrukturiertenInterviews bei insgesamt 50 Patienten kann aus-gesagt werden, dass in weiteren 10% der Fälle re-levante klinische Gründe vorliegen, weshalb einehöhere Richtlinientreue nicht möglich ist (GAI-korrigiert = 0,9). In weiteren 10% der Fälle sindFehler im Behandlungsregime oder Unterlassun-gen (sog. «errors of omission») Schuld an der feh-lenden optimalen Betreuung; das Gesamtbild derglobalen Richtlinientreue und deren Ursachewird in Abbildung 1 wiedergegeben.

DiskussionDie Qualität der medizinischen Betreuungkann wohl am besten durch die Konsistenz derBehandlung mit dem aktuellen medizinischenWissen beurteilt werden. Die heutigen Grundla-gen bilden dabei die Ergebnisse der EBM, oftaufgrund von randomisierten kontrolliertenStudien und Metaanalysen. Der theoretischeRahmen zur Beurteilung und Einschätzungmedizinischen Handelns wäre damit gegeben.Bekanntermassen besteht zwischen dieser theore-tischen Behandlungsart und der im realen Alltagpraktizierten Behandlung eine unter Umständenbeträchtliche Kluft. Politiker und Versichererorten primär im Versagen der «health professio-nals», insbesondere der Ärzte [6], die Gründe fürdie fehlende Richtlinientreue und versuchenunter anderem mit sogenannten Pay-for-perfor-mance-Systemen, eine bessere Ausrichtung anvorhandener Evidenz und damit eine hoffentlichbessere Behandlungsqualität zu erreichen.Die vorliegende gemischt qualitativ und quanti-tativ durchgeführte Fallstudie bei Patienten mitchronischer Herzinsuffizienz zeigt mehrerePunkte auf. Erstens kann in der Tat eine globaleRichtlinientreue von lediglich 60% festgestelltwerden. Ohne Rücksicht auf Begleiterkrankun-gen oder weitere die Therapieoptionen limitie-rende Faktoren kann somit bestenfalls von einermoderaten Behandlungsqualität gesprochenwerden. Bereits in der quantitativen Analysekann aber anhand von objektiven klinischenGründen (zum Beispiel einer schweren Nierenin-suffizienz) ausgesagt werden, dass von den gefor-derten Medikamenten zur Behandlung einerHerzinsuffizienz bei einem entsprechenden Pati-enten lediglich Teile der theoretisch indiziertenTherapie angewandt werden können. Durchdiese objektiven Korrekturgründe wird die

Der Patient im Mittelpunktder Information

Abbildung 1. Anhand der gemischt quantitativ-qualitativ erhobenen Daten kannder «Guideline-Adherence-Index» (GAI) für die Richtlinientreue bei der Behandlungvon 50 konsekutiven Patienten mit einer chronischen Herzinsuffizienz errechnetwerden. Die alleinige quantitative Analyse ergibt einen GAI von 0,6 (d.h. 60% derPatienten werden anhand der Richtlinien behandelt). Werden klinische Faktoren (z.B.Nierenfunktion) und weitere patienten-abhängige Restriktionen mit einbezogen, erhöhtsich die Richtlinien-Treue auf 90%. In 10% der Fälle werden Fehler oder Unterlas-sungen in der Therapie registriert.

initiale Richtlinientreue von 60% auf 80%erhöht! Werden dann im Zuge der qualitativenAnalyse noch individuelle, patientenorientierteGegebenheiten berücksichtigt, erhöht sich dieRichtlinientreue auf 90%. In lediglich 10% derFälle werden Behandlungsunterlassungen oderFehler festgestellt.Die vorliegende Arbeit zeigt, dass eine rein quan-titative Analyse, beispielsweise von Verordnungs-verhalten (oft als einzige Möglichkeit durch Poli-tiker und Versicherer durchgeführt), nichtgenügt, um die Behandlungsqualität genügendeinschätzen zu können. Lediglich interinstitutio-nelle Vergleiche bei ähnlichem Patientengut hät-ten eine gewisse Aussagekraft. Klinische patiente-norientierte Faktoren (allen vorab die Begleiter-krankungen und deren Auswirkungen und Be-handlungen) führen zu relevanten Einschränkun-gen in den therapeutischen Optionen und wer-den bei rein quantitativer Analyse fälschlicher-weise als fehlende Richtlinientreue interpretiert.Im Zeitalter von E-Health müssen auch diehieraus zu ziehenden Schlussfolgerungenbetrachtet werden. Aus zahlreich publiziertenStudien wissen wir, dass die Implementierungvon Entscheidungsunterstützungssystemen (sog.«decision-support systems») nur funktioniert,

wenn die Lösung nahtlos in die klinischenArbeitsabläufe integriert ist, der Komplexität derBehandlung angepasst ist und die Ärzte nichtmit unnötigen Warnungen und Nachfragen inihrem Arbeitsablauf stört. Für die Entschei-dungsunterstützung bei der Therapie von chro-nischen Erkrankungen – wie hier am Beispiel derchronischen Herzinsuffizienz gezeigt – muss dasSystem entsprechend nicht nur die medizinisch-therapeutischen Grundlagen kennen. Es musszudem über alle nötigen Basisinformationen instrukturierter Form verfügen und sowohl offen-sichtliche wie auch nur indirekt erkennbare Aus-schlussgründe für eine bestimmte Behandlungerkennen und erst dann intervenieren. Die insti-tutionsübergreifende Therapie von chronischkranken Patienten macht diese Aufgabe anforde-rungsreich, da natürlich verschiedenste Ärztin-nen und Ärzte in die Betreuung und Entschei-dungsfindung involviert sind.Die Messlatte für eine gute Implementierungvon Entscheidungsunterstützungssystemen liegthoch. Grundlage, um überhaupt ein gutesSystem konstruieren zu können, ist in jedem Fallein profundes Verständnis der Entscheidungsfin-dung. Dies wiederum ist nicht alleine mit derAnalyse von quantitativen Daten realisierbar.

31

SMI 2008: Nº 64

Literatur1 Adherence to guidelines is a predictor of outcome in chronic heart failure: the MAHLER survey. Koma-jda M, Lapuerta P, Hermans N, Gonzalez-Juanatey JR, van Veldhuisen DJ, Erdmann E, et al. Eur HeartJ. 2005;26(16):1653–9.

2 Adherence to heart failure quality-of-care indicators in US hospitals: analysis of the ADHERE Regi-stry.Fonarow GC, Yancy CW, Heywood JT. Arch Intern Med. 2005;165(13):1469–77.

3 Performance measures and outcomes for patients hospitalized with heart failure. Shishehbor MH, Lita-ker D. JAMA. 2007;297(14):1547; author reply 8–9.

4 Paying physicians for high-quality care.Epstein AM, Lee TH, Hamel MB. N Engl J Med.2004;350(4):406–10.

5 Pay for Performance or Compliance? A Second Opinion on Medicare Reimbursement Dolinar R, Lei-ninger SL. The Medicare Value Purchasing Act of 2005. The Heritage Foundation 2005.

6 Why don’t physicians follow clinical practice guidelines? A framework for improvement.Cabana MD,Rand CS, Powe NR, Wu AW, Wilson MH, Abboud PA, et al. JAMA. 1999;282(15):1458–65.

Weitere Literatur beim Autor

The patient at the centreof informatics

32

DebugIT for patient safety – the fight against emergentmicrobial diseases using multimedia data mining ofheterogeneous clinical data

Christian Lovisa,Henning Müllerb,Dirk Colaertc,Veli N. Stroetmannd

aUniversity Hospitals of Geneva,

Switzerland

bHES-SO, University of Applied

Sciences Western Switzerland, Sierre

c Agfa HealthCare, Belgium

dEmpirica GmbH, Germany

for the DebugIT consortium

SummaryThe debugIT project is a large-scale integratingproject funded as part of the 7th EU FrameworkProgramme (FP7). The main objectives of theproject are to build IT tools designed to havesignificant impacts on the monitoring and con-trol of infectious diseases and antimicrobialresistances in Europe; this will be done by build-ing a technical and semantic infrastructure ableto a) share heterogeneous clinical data sets fromdifferent hospitals in different countries, withdifferent languages and legislations; b) analyselarge amounts of this clinical data with advancedmultimedia data mining; c) apply the knowl-edge obtained for clinical decisions and outcomemonitoring. The concepts and architectureunderlying this project are discussed.

IntroductionBuilding a safer and more efficient care systemhas become the most shared goal of all actorsinvolved in healthcare. From the historical per-spective there has been, in the last 25 years, animpressive shift towards awareness of the impactof errors in medicine. In the early ninetiesresearch papers and reports were published onpatient safety, incident reporting and initialorder-entry systems, chiefly originating fromacademic settings. At approximately the sametime the first reports of the US Institute of Med-icine (IOM) on computerised patient recordsystems stressed the potential of ICT-basedsolutions in improving the quality of care [1].Ten years later, by the end of the nineties, afamous report of the IOM called attention tothe wide prevalence of errors in healthcare [2].While medical errors are under the spotlight,(re-)emerging infectious diseases are becomingmajor challenges. Most important among arethem the rapid development of antimicrobialresistances [3], the spread of nosocomial andother infections [4], inadequate care and lack ofappropriate tools to guide the care system facedwith these new emergent problems [5]. Theissues surrounding infectious diseases are closelyinterrelated and have immediate and important

effects on safety, quality of care and efficiency. Inhalf a century of antibiotic use, new challengeshave emerged: rapid emergence of resistancesamong pathogens, and misuse and overuse ofantibiotics. Antimicrobial resistance means esca-lating healthcare costs, increased morbidity andmortality and the (re-)emergence of potentiallyuntreatable pathogens.

The projectDedicated to infectious diseases, the DebugIT(Detecting and Eliminating Bacteria UsinGInformation Technology) project aims to1) detect patient safety-related patterns andtrends, 2) acquire new knowledge and 3) use thisfor better quality healthcare. A consortium ofeleven partners has been built to gather scientificcompetencies in all the domains involved, aswell as to ensure access to specific informationfrom more than 2 million clinical records.

Table 1. Consortium

Belgium Agfa HealthCare

Bulgaria GAMA/SOFIA Ltd.

Czech Republic IZIP – Internetový Pristup KeZdravotním Informacím Pacienta

France Institut National de la Santé et dela Recherche Médicale(with European Hospital GeorgesPompidou)

Germany empirica GmbH

Germany University Medical CenterFreiburg

Greece Technological Educational Insti-tute of Lamia

Sweden Linköping University

Switzerland University Hospital Geneva

Switzerland University of Geneva, ComputerScience Department

United Kingdom University College London

The project has strong clinical leadership pro-vided by a Clinical Advisory Board and aScientific Advisory Board involving European

Christian LovisService of MedicalInformaticsUniversity Hospitals ofGenevachristian.lovis@ hcuge.ch

33

SMI 2008: Nº 64

and American experts from the infectiology andscientific domains.Outcomes and benefits will be measured in clini-cal and socioeconomic terms. Results will beintegrated into clinical information systems(CIS) of participating European hospitals, indus-try and their clients, and become available glob-ally through a European or global disease controlcentre/public authority, also as an open sourcesolution. Advanced ICT applications and inno-vations concern the virtualisation of the clinicaldata repository through ontology and terminol-ogy binding and mediation, advanced data min-ing techniques, the use of machine reasoningrelated to real, point-of-care patient data, as wellas consolidation of all these techniques in a com-prehensive but open framework. Output will beapplicable to other clinical fields.The concept developed as the foundation for theDebugIT project addresses all of these issues inan operational manner with the ultimate goal ofdeveloping a new, highly advanced and preemi-nent tool aimed at producing a new and efficientweapon for the war against infectious pathogensacross all health system actors and levels.The overall project outcome will not only be atheoretical work and proof of concept, but also apractical implementation of a highly improvedand advanced computerised system in the fieldof infectious disease treatment and antibioticsusage. This application, which – due to itsgeneric conceptual base – should be easilyexpandable and adaptable to other similar med-ical application fields, will initially be evaluatedby the participating project partners, but shouldbe made publicly available to other healthcareorganisations soon after.

The conceptual frameworkThe conceptual framework of this project is anever-continuing iterative cycle, implementing theprinciple of translational medicine and true evi-dence-based medicine (EBM). Translational med-icine links medical research and clinical care byproviding research with clinical data and the re-sults of the research – the medical knowledge – asinput for clinical care. While medical research of-ten focuses on prospective and tightly controlledstudies, retrospective studies with access to hugeamounts of data, merely waiting to be analysed,are a welcome addition to clinical research.The framework can be broken down into severaldistinct steps:Collect data: Clinical data will be collected andaggregated across different hospitals, countries,

languages, information models and legislations,via advanced and commonly agreed data models(minimal data sets), standards and mappingalgorithms.Learn: Advanced data mining techniques onmultimodal, multisource, structured andunstructured data will detect patterns relevantfor patient safety and the treatment of infectiousdiseases, such as resistance of bacteria, adverseevents and operational practices. This will resultin new knowledge and new evidence for existingknowledge.Store knowledge: This knowledge will be stored,visualised, validated and aggregated togetherwith preexisting medical and biological knowl-edge (guidelines, regulations) to achieve a consol-idated view on the knowledge needed, to beapplied in the next step.Apply: Software tools will be integrated intothe available clinical and public health informa-tion systems. Decision support tools will applythe knowledge generated and help the clinicianto provide clinical care (choice, dose andadministration of antibiotics, for example). Theknowledge will also be used to monitor ongoingcare activities and even predict future outcome,to provide additional feedback both on theindividual patient and at cohort level. This willallow healthcare providers and decision makersto take appropriate action at various level of thehealthcare system, including point-of-care,management or policy, and subsequently influ-ence the future development of our health sys-tems. By integration into existing CIS it will bepossible to record activities and results and thusensure that the necessary data are generated fora subsequent cycle.

Technology and architectureTo achieve its goals the DebugIT project willmake extensive use of clinical and operationalinformation originating from running clinicalinformation systems (CIS) across the EU, build-ing a virtualised, fully integrated clinical datarepository (CDR).The CDR will feature transparent access to theoriginal CIS and provide data aggregations inlocal stores. The CDR is specifically tailored forknowledge discovery, featuring ethically sound,transparent access to data at or from the originalCIS and/or collection and aggregation of data ina local data store.Multimodal data mining (MDM) will have astrong focus on new fields of research doingmining on distributed storage, using highly

The patient at the centreof informatics

34

advanced new text, image and structured datamining on individual patients as well as on pop-ulations.New knowledge will be fed into a medicalknowledge repository (MKR) and mixed withdomain knowledge derived from external sources(guidelines and scientific evidence). Innovativeand user-friendly knowledge representation para-digms will be developed to enable not only

knowledge engineers but also clinicians to usethe repository.After validation this knowledge will be used by adecision support module (DSM) and monitoringtool in the clinical environment to present andreport on patient safety issues, both at popula-tion and patient level for direct care.Coordination and steering of both the analysisand the care process will be done by a high-per-formance and versatile reasoning engine.

PrivacyClose attention is paid to privacy concerns, tak-ing into account the various legal and ethicalrequirements to be met. Privacy is thus made acentral part of the project by design, using a vir-tualised data repository without dealing directlywith the original data. Identification elementsprovided by the clinical data repositories can becarried all along the process, blindly, to allow theoriginal clinical information system to feed backdecision support without the need for patientidentification.

ConclusionThe DebugIT project is focused on using largeexisting and heterogeneous clinical datasets cov-ering hundreds of thousands of patients fromseveral clinical information systems in differentEuropean countries. DebugIt proposes to buildan interoperability platform to populate a rele-vant dataset on the infectious domain, to achievea very large shared virtualised clinical repositoryallowing knowledge-driven data mining. This“semantic mining” will be based on innovativemethodologies to deal with the characteristics ofreal-world clinical data. A knowledge repositorywill drive the data mining and serve as a store-house for the results. Finally, a decision supportengine will exploit the aggregated knowledge toloop back to the real world.To achieve this system, several aspects will needto reach the frontiers of current state-of-the-artand beyond. Two strategies can be chosen forthis. The first is to invent something radicallynew. The second involves using all existingknowledge and methods, putting them togetherand trying to build on this base. For most of itsresearch, the second strategy is the one chosen inthis project because operational results for clini-cal information systems must be available andsustain the DebugIT outcomes after the end ofthe project.

Figure 1. The conceptual framework.

Figure 2. Overview of the project.

35

SMI 2008: Nº 64

To meet these requirements, the project has beenorganized according to architectural component-based considerations:– Interoperability platform (IOP);– Clinical data repository (CDR);– Multimodal data mining (MDM);– Medical knowledge repository and associatedknowledge authoring tool (MDR)

– Decision support and monitoring engine(DSM);

– Clinical applications.

This scientific and technical framework, associ-ated with access to large amounts of clinicaldatabases and led by experts in the medical field,will represent a serious advance in building alarge IT infrastructure aimed at creating newknowledge in the field of monitoring, surveil-lance and efficient measures to fight infectiousdiseases.

References1 IOM. The computer-based patient record: An essential technology for health care. Institute of Medi-cine report. 1991, revised 1997.

2 Medicine Io. To Err is Human. Building a safer Health System. In: Kohn LT, Corrigan JM, DonaldsonMS, editors.; 1999: National Academy Press; 1999. p. 300.

3 Frazee BW. Update on emerging infections: news from the Centers for Disease Control and Preven-tion. Severe methicillin-resistant Staphylococcus aureus community-acquired pneumonia associatedwith influenza – Louisiana and Georgia, December 2006–January 2007. Ann Emerg Med.2007;50(5):612–6.

4 O’Brien J A, Lahue BJ, Caro JJ, Davidson DM. The Emerging Infectious Challenge of Clostridiumdifficile-Associated Disease in Massachusetts Hospitals: Clinical and Economic Consequences. InfectControl Hosp Epidemiol. 2007;28(11):1219–27.

5 McAlonan GM, Lee AM, Cheung V, Cheung C, Tsang KW, Sham PC, et al. Immediate and sustainedpsychological impact of an emerging infectious disease outbreak on health care workers. Can J Psy-chiatry. 2007;52(4):241–7.

6 Vanhaecht K, Sermeus W, Tuerlinckx G, Witters I, Vandenneucker H, Bellemans J. Development of aclinical pathway for total knee arthroplasty and the effect on length of stay and in-hospital functionaloutcome. Acta Orthop Belg. 2005;71(4):439–44.

7 Coffey RJ, Richards JS, Remmert CS, LeRoy SS, Schoville RR, Baldwin PJ. An introduction to criticalpaths. Qual Manag Health Care. 2005;14(1):46–55.

8 Liesmons I. The added value of a process oriented hospital information system supporting integratedpatient care. Stud Health Technol Inform. 2004;110:1–8.

9 De Bleser L, Depreitere R, De Waele K, Vanhaecht K, Vlayen J, Sermeus W. Defining pathways. J NursManag. 2006;14(7):553–63.

10 Vanhaecht K, De Witte K, Depreitere R, Sermeus W. Clinical pathway audit tools: a systematic review.J Nurs Manag. 2006;14(7):529–37.

11 JBoss. Java business process management jBPM. http://www.jbosscom/fr/products/jbpm. 2007.

12 Dy SM, Garg P, Nyberg D, Dawson PB, Pronovost PJ, Morlock L, et al. Critical pathway effectiveness:assessing the impact of patient, hospital care, and pathway characteristics using qualitative compara-tive analysis. Health Serv Res. 2005;40(2):499–516.

13 Kent P, Chalmers Y. A decade on: has the use of integrated care pathways made a difference inLanarkshire? J Nurs Manag. 2006;14(7):508–20.

Der Patient im Mittelpunktder Information

36

Korrespondenz:Oliver HandgrätingerInselspital,Universitätsspital Bern3010 Bernoliver.handgraetinger@insel.ch

Das volle Programm: Aufwand und Ertrag einer WTO-Ausschreibung für ein elektronisches Patientendossier

Oliver Handgrätinger,Jens Diele,Daniel Voellmy

Inselspital Bern

SummaryIn 2007, a two-phase evaluation of an inte-grated electronic patient record was performedat Inselspital, Bern University Hospital. Thegoal was to devise a system to allow hospital-wide documentation and management of allmedical and therapeutic data, activities andservices.In the first phase of the procedure – a prequali-fication under WTO rules – the basic perform-ance of the tenderers had to be determined. Fivevendors were selected to submit tenders. Theproducts were then evaluated in six assessmentsteps: Evaluation of the criteria list, productdemonstration, hands-on testing, demonstra-tion of a user-defined clinical standard process,technical experts’ review, reference site visits,costs. This paper reviews the effort involved inthe individual assessments related to the accu-racy of the evaluation’s final result. The besteffort-benefit ratio was achieved by the clinicalstandard process, demonstrated by the tenderersin a real-life scenario. Evaluation of the criterialist was least effective, the criteria list being nev-ertheless an important basis for the other assess-ment steps.

EinleitungDas Inselspital tat sich bisher schwer mit derBeschaffung eines spitalweiten Klinikinfor-mationssystems. Zwei Beschaffungsvorhaben imJahr 2000 und 2003 endeten jeweils mit Ein-sprüchen oder Einspruchsdrohungen unterlege-ner Firmen. Um einer erneuten Pattsituationvorzubeugen, setzte die im Jahr 2006 eingesetzteProjektleitung neue Rahmenbedingungen füreine erneute Evaluation. Zunächst wurde derAuftrag geklärt: während zuvor jeweils von derBeschaffung eines «KIS» mit vieldeutigerSemantik gesprochen wurde, erfolgte als ersteMassnahme die Festlegung der ausschliesslichenVerwendung des Begriffs «Patientendossier».Weiter wurde das Projekt als «integrativ» posi-tioniert und allen Beteiligten signalisiert, dassbestehende Teillösungen nicht forciert abgelöst,sondern integriert werden sollten. Drittenswurde festgelegt, dass die Evaluation formal

äusserst korrekt, transparent und unter maximalmöglicher Beteiligung der Betroffenen durchge-führt werden sollte. Das so neu benannte Pro-jekt «integriertes Patientendossier Inselspital(i-pdos)» wurde von den vorgesetzten Behörden,dem Management und den betroffenen Klini-ken von Beginn weg mit grossem Wohlwollenaufgenommen und unterstützt.

ZielsetzungenZiel der Ausschreibung war zunächst, einenvon allen Seiten akzeptierbaren Produktentscheidzu fällen. Nach Einschätzung der Projektleitungleitete sich daraus als weiteres Ziel die Vermei-dung von Risiken ab. Es waren insbesondereFirmenrisiken, Produktrisiken und Risiken imEvaluationsprozess zu minimieren. Daher stan-den in der Schweiz etablierte Firmen, ausgereifte,d.h. teilweise etwas ältere Produkte und eineoffene Informationspolitik im Vordergrund.Die Projektziele wurden als fünf gut merkbareBegriffspaare formuliert: Behandlungsinforma-tionen verfügbar machen, Wissen vernetzen,Zeit sparen, Integrität schützen, Informationengewinnen.

MethodenIm Einklang mit der 2006 erneuerten Informa-tikstrategie des Hauses wurde PRINCE2 als Pro-jektmethodik festgelegt. Typisch für eine Projekt-organisation nach PRINCE2 ist ein kleiner Len-kungsausschuss mit einer personellen Verbindungzur Unternehmensleitung. Unterstützend wirkteeine «Projektsicherung» mit User-Board, Lieferan-ten-Board und «Business Assurance», wobei als«Lieferanten» zunächst spitaleigene Informa-tikspezialisten und Vertreter des Outsourcingpart-ners berücksichtigt wurden. Der vierköpfige Len-kungsausschuss wurde durch die Spitalleitung ge-wählt, die rund 30 Personen in den Projektboardswurden durch den Lenkungsausschuss auf Vor-schlag der Projektleitung bestimmt. Zusätzlichwurden alle Kliniken dazu aufgefordert, je minde-stens zwei Ansprechpartner zu benennen. Der mitder Evaluation befasste und zu einzelnen Eventspersönlich eingeladene Personenkreis umfasste

37

SMI 2008: Nº 64

insgesamt rund 280 Personen. Der Entscheid,eine klassische selektive (d.h. zweistufige)GATT/WTO-Ausschreibung nach der kantona-len Submissionsverordnung durchzuführen,wurde nicht zuletzt zur Vermeidung unnötigerProjektrisiken im Lenkungsausschuss gefällt.In der Präqualifikation wurden die Anbieter aufihre wirtschaftliche und fachliche Leistungsfähig-keit hin beurteilt. Im Vorfeld der Ausschreibungwurde durch den Lenkungsausschuss festgelegt,dass genau fünf Anbieter zur zweiten Ausschrei-bungsphase zugelassen würden. Die Basis derersten Ausschreibungsphase bildete eine Kriteri-enliste mit acht Ausschlusskriterien, 29 auswert-baren Eignungskriterien sowie zwölf Nachweis-kriterien. Die Eignungskriterien bezogen sich aufdie Unternehmensausrichtung, die wirtschaftli-che bzw. fachliche Leistungsfähigkeit und dieformelle Akzeptanz. Die Gewichtungen wurdenan einemWorkshop des Lenkungsausschussesmit Paarvergleichen nach Schreiber [1] interaktiverarbeitet, in den Projektboards vernehmlasstund durch den Lenkungsausschuss fixiert.

Zuschlagsrunde

Die zweite Ausschreibungsphase wurde in siebenEvaluationsschritte unterteilt. Das Ziel derUnterteilung war die Schaffung einer breitenBasis für die Bewertung der Produkte, welche aufeinem Anforderungskatalog aufbaute, aber mitfünf Verifikations-Events ergänzt wurde. Dieeinzelnen Evaluationsschritte wurden gewichtet(Tab. 1) und auf insgesamt 10000 Punkte ver-teilt. Die Gewichtungen wurden den Anbieterngegenüber offengelegt.

Tabelle 1Evaluationsschritte und deren Gewichtung.

Evaluationsschritt ErreichbarePunktzahl

Auswertung der Antworten aufden Anforderungskatalog 2500

Kurzpräsentationen Anbieter 200

Hands-on-Woche 1000

Demonstration eines Musterprozesses 1000

Technik-Reviews 1000

Referenzbesuche 1800

Kosten 2500

Total 10000

Anforderungskatalog

Die Basis für die Zuschlagsrunde bildete einPflichtenheft mit Anforderungskatalog, der dieproduktspezifischen Anforderungen enthielt.Der Entwurf des Anforderungskatalogs wurdebei den 280 internen Ansprechpartnernvernehmlasst und ergänzt. Von rund 1400Anforderungen wurden nur jene 348 Fragen inden Anforderungskatalog aufgenommen, diegenügend selektiv schienen, also die voraussicht-lich «schwierigen» Fragen. Als Antwortkategorienwurden sechs Möglichkeiten («A+» bis «E»), mitlinearer Abstufung des erreichbaren Punktwerts,vorgegeben. «A+» bedeutet, dass die Anforderungproduktiv im Einsatz ist und dass Referenzinstal-lationen jederzeit unangekündigt angefragt oderbesucht werden können. «A» bedeutet, dass eineReferenzinstallation in Einführung ist und unan-gemeldet besucht werden kann. «B» bedeutet,dass die Anforderung verfügbar ist, aber ohneAngabe einer Referenzinstallation. «C» heisst,dass die Anforderung Teil des Releaseplanesbis 2010 ist. «D» heisst Entwicklung gegen einzu deklarierendes Zusatzentgelt, und «E» bedeu-tet, dass die Anforderung nicht entwickelt wird.Um einer zu optimistischen Beantwortung derFragen vorzubeugen, wurde eine stichprobenar-tige Kontrolle der Kriterien im Rahmen derHands-on-Woche angekündigt und eine Strafein Form eines Abzugs von 100 Punkten proentdeckte Fehldeklaration angedroht. Die Fristzur Einreichung der Offerten inklusive Beant-wortung des Anforderungskatalogs betrug siebenWochen.

Anbieterkurzpräsentation

Im zweiten Evaluationsschritt erhielten dieAnbieter in einer vorher ausgelosten Reihenfolgedie Gelegenheit, sich und das Produkt in einer45-minütigen Präsentation vorzustellen. DieVeranstaltung war für alle am Projekt beteiligten280 Ansprechpartner zugänglich. Mit Hilfe vonFragebögen nahmen die anwesenden Vertretereine allgemeine Beurteilung des jeweiligenAnbieters und des zugehörigen Produkts vor. DieTeilnehmer wurden verpflichtet, jeweils eineBegründung zu formulieren, wenn sie bei einerFrage nicht das Punktemaximum vergaben.

Hands-on-Woche

Für einen Zeitraum von sechs Tagen installiertendie fünf Anbieter in separaten Räumlichkeitenam Inselspital jeweils ein Demosystem mit zweiArbeitsplätzen. Alle 280 Ansprechpartner waren

Der Patient im Mittelpunktder Information

38

angehalten, die einzelnen Systeme in Bezug aufdie Bedienbarkeit und den Funktionsumfanganhand von Fragebögen zu beurteilen.

Demonstration eines Musterprozesses

Parallel zur Hands-on-Veranstaltung wurden dieeinzelnen Anbieter zur Präsentation eines vor-gängig definierten Musterprozesses angehalten.Der Musterprozess umfasste verschiedene typi-sche klinische Vorgänge, die in 138 bewertbareEinzelschritte unterteilt worden waren. In 90Minuten sollte die Leistungsfähigkeit der Appli-kation im Hinblick auf diese Anforderungendemonstriert werden. Die Beurteilung desMusterprozesses wurde von Mitgliedern desUser-Boards und dem Projektteam (durch-schnittlich ungefähr neun Personen) vorgenom-men. Es wurden dabei das vollständige Umsetzender Anforderung und die Usability der präsen-tierten Lösungsschritte bewertet. Pro Prüfpunktwurde ein Mittelwert aus den gültigen Fragebö-gen errechnet. Prüfpunkte, die der Anbieternicht demonstrierte oder aus Zeitgründen nichtmehr demonstrieren konnte, wurden mit nullPunkten bewertet.

Technik-Review

Ebenfalls während der Hands-on-Veranstaltungerfolgte eine Vertiefung der technischen Aspekteder einzelnen Systeme. In 90-minütigen Hea-rings wurden dem Anbieter gezielt Fragen zuseiner technischen Konzeption und strategischenAusrichtung gestellt. Es wurden insbesondereunklare oder auffällige Antworten aus dem vor-gängig schriftlich beantworteten Fragenkatalogzur Technik-Review thematisiert. Aus denmündlichen Antworten leitete das Prüfgremiumeine Neubewertung der jeweiligen Antwort ab(Mittelwertbildung). Das Prüfgremium setztesich aus insgesamt sieben Personen, die derInformatik des Inselspitals und des Outsourcing-partners angehörten, zusammen. Für den The-menschwerpunkt «Userverwaltung und Daten-schutz» wurde das Gremium durch eine externeBeratung ergänzt. Das Performanceverhaltenwurde praktisch anhand von Messungen beur-teilt. Verschiedene Parameter, wie der Umgangmit Datenpaketen und die Reaktionszeiten beidefinierten Arbeitsschritten (z.B.: Login, Erstel-lung von Stationslisten), wurden gemessen.Ebenfalls einbezogen wurde das Verhalten derSysteme bei Netzwerkunterbrüchen.

Referenzbesuch

Alle Anbieter wurden bereits während der Prä-qualifikation gebeten, Spitäler, die für Referenz-besuche und für weitere Verifikationen inBetracht kommen, zu benennen. Die zu besu-chenden Spitäler sollten sich im Produktivbe-trieb befinden, bereits einen fortgeschrittenenHelvetisierungsgrad erreicht haben und idealer-weise von der Grösse und Komplexität mit demInselspital vergleichbar sein. In Abstimmung mitden Anbietern wurden die Referenzbesuche inden Spitälern durch ein sechsköpfiges Besuchs-team aus Vertretern verschiedener Bereiche,Disziplinen und Hierarchiestufen wahrgenom-men. Firmenvertreter waren an den Referenzbe-suchen nicht erwünscht. Als Bewertungsgrund-lage diente ein Fragebogen, der mit Hilfe von28 Einzelfragen die vier Aspekte Benutzerzufrie-denheit, Funktionalitätsprüfung im Echtbetrieb,Support-, Einführungs- und Wartungserfahrungund Performance und Stabilität bewertete.

Kosten

Die Kostenbetrachtung setzte sich im Wesentli-chen aus drei Einflussfaktoren zusammen. Dererste Faktor enthielt sämtliche Kosten auf Anbie-terseite für Softwarelizenzen, Schnittstellenreali-sierungen, Projektdienstleistungen und Applika-tionssupport. Diese wurden der jeweiligenOfferte entnommen. Aus dem vom Anbieterausgearbeiteten Systemvorschlag wurde derzweite Kostenfaktor abgeleitet: der Outsourcing-partner errechnete die Totalkosten für Anschaf-fung und Betrieb der vorgeschlagenen System-komponenten über einen Zeithorizont von fünfJahren. Als dritter Teil der Kostenberechnungwurden die in vier Kategorien (Projektleiter,Projektmitarbeiter, Programmierer, Wartungs-techniker) anzugebenden Personalkostensätze,hochgerechnet auf jeweils 25 Tage, addiert. Dieso resultierenden Gesamtkosten wurden miteiner einfachen Division (Kosten AngebotN/günstigstes Angebot) in den Gesamtscoreeinberechnet.

ResultatePräqualifikation

Nach der Publikation der Ausschreibung wurdendie Präqualifikationsunterlagen von 36 Firmenangefordert. Neun Firmen reichten ihre Bewer-bung zeitgerecht ein. Die erzielten Gesamt-punktzahlen bewegten sich in einem Bereichzwischen 19 und 97 Punkten bei maximal 100

39

SMI 2008: Nº 64

erreichbaren Punkten. Der Abstand zwischendem letzten qualifizierten Bewerber (Rang fünf )und dem ersten nichtqualifizierten Bewerber(Rang sechs) betrug elf Punkte.

Zuschlagsrunde

Der Anforderungskatalog differenzierte dieAnbieter nur in geringer Weise. Die Anbieterbeantworteten die 348 Fragen mit durchschnitt-lich 76% in der Kategorie A+, 3% in der Katego-rie A, 4% in der Kategorie B, 9% in der Katego-rie C, 2% Kategorie D und 5% in der KategorieE. Der Abstand vom Bestplatzierten mit 94 Pro-zent Erreichungsgrad zum Zweitplatziertenbetrug fünf Prozent und zum Drittplatziertenacht Prozent. Der fünftplatzierte Anbietererzielte immer noch 74 Prozent der erreichbaren2500 Punkte.An den Anbieterpräsentationen verfolgten proTag ungefähr 80 Personen die Präsentationen. 70gültige Fragebögen wurden abgegeben. Es wur-den durchschnittlich vier Anbieter pro Beteilig-ten bewertet. Bei dem mit insgesamt 200 Punk-ten relativ niedrig gewichteten Event bewegtensich die Anbieter in einem Range zwischen 60und 79 Prozent. Die Anbieterkurzpräsentationwar das einzige Kriterium, bei dem der spätereerstplatzierte Anbieter auf den zweiten Rangverwiesen wurde.An der Hands-On-Woche nahmen etwa 120Personen teil. 80 gültige Fragebogen wurdenabgegeben. Die Diskriminierungskraft war rela-tiv gering: rund 20 Prozentpunkte lagen zwi-schen dem Erst- und dem Letztplatzierten.Der Musterprozess diskriminierte von allen

Evaluationsevents am drittstärksten. Bei derAbsolvierung des Musterprozesses durch dieProduktspezialisten des Anbieters konntenerhebliche Unterschiede in der Bedienbarkeit,der Funktionalität der Applikationen und demvom Anbieter im Hinblick auf die Bewertungs-veranstaltung geleisteten Engagement abgeleitetwerden. Der Erreichungsgrad bei der mit insge-samt 1000 Punkten bewerteten Prüfung bewegtesich zwischen 85 und 45 Prozent. Der Abstandzwischen den drei Erstplatzierten betrug jeweilssieben Prozent.Die Technik-Review diskriminierte die Anbieteram viertbesten. Der Abstand vom Erst- zumLetztplatzierten betrug 36%. Innerhalb der Tech-nik-Reviews hatte das Performanceverhalten(Messung von Datenpakten) die grösste Sprei-zungswirkung. So erreichte der Fünftplatziertenur einen Drittel der Punkte des Bestplatzierten.Die Referenzbesuche diskriminierten am zweit-stärksten. Der Unterschied zwischen dem Erst-platzierten mit einem Erreichungsgrad von 83%(1486 Punkte) und dem Letztplatzierten betrug41% (762 Punkte). Die Bewertungsbögen ent-hielten vier Themenbereiche, in dem der BereichBenutzerzufriedenheit die grössten Differenzenauswies, gefolgt vom Bereich Einführung, Sup-port und Wartung mit einem prozentualenUnterschied vom Erst- zum Letztplatzierten.Abbildung 1 zeigt die Verteilung der Evaluati-onsergebnisse. Die Linien in den weissen Balkenrepräsentieren jeweils die erreichten Werte desFünft-, Viert-, Dritt-, Zweit- und Erstplatziertenim jeweiligen Event. Die stärkste Diskriminie-rungskraft wies die Auswertung der Kosten auf,gefolgt von den Referenzbesuchen und demMusterprozess. Am schwächsten diskriminiertedie Auswertung der Antworten auf den Anforde-rungskatalog, obwohl die Fragen bewusst kritischformuliert waren. Es fällt auf, dass die firmensei-tigen Antworten auf den Anforderungskataloggenerell positiver ausfielen als die Bewertung derEvaluationsteams in den Verifikationsevents.Die resultierenden Punkteabstände im Endresul-tat betrugen ausnahmslos über fünf Prozent undwaren damit relativ gross. Alle Resultate wurdenin einem Evaluationsbericht zusammengefasstund allen internen Ansprechpartnern in einerPlenarveranstaltung präsentiert. Die interneAkzeptanz der Ergebnisse war gut. Die beteilig-ten Firmen erhielten einen Auszug mit einerdetaillierten Aufstellung ihrer eigenen Resultate.Zwei der vier unterlegenen Firmen nutzten einenzusätzlichen Informationstermin, alle Firmenakzeptierten schliesslich das Ergebnis.Abbildung 1. Verteilung der Evaluationsergebnisse.

Der Patient im Mittelpunktder Information

40

DiskussionDer Aufwand für eine zweistufige GATT/WTO-Evaluation ist gross: während neun Monatenwaren zwei bis drei Mitarbeitende des Projekt-teams praktisch voll beschäftigt, auf Firmenseitekann ebenfalls ein grosser Aufwand vermutetwerden. Es stellt sich die Frage, ob ein solcherAufwand gerechtfertig ist.Zur Annäherung an diese Frage wurde eine ein-fache Bewertung der Events vorgenommen: DerGrad der Übereinstimmung der Events mit demSchlussresultat (gemessen am Rang) und dieDiskriminierungskraft (gemessen als Spannweitein Prozent zwischen dem Erst- und dem Letzt-platzierten) wurden zum Nutzen zusammenge-fasst und dem geschätzten Aufwand für dasEvent gegenübergestellt (Tab. 2). Die Auswer-tung des Anforderungskatalogs schnitt dabei amschlechtesten ab: Einem mittelgrossen Aufwandsteht eine mässig gute Übereinstimmung mit

dem Schlussresultat und eine geringe Diskrimi-nierungskraft gegenüber. Das beste Nutzen-Auf-wand-Verhältnis wies der Musterprozess auf:gute Übereinstimmung mit dem Schlussresultat,grosse Diskriminierungskraft, mittelgrosserAufwand.Neben den aus der Bewertungsskala ableitbareneindeutigen Punktwerten konnten aus denKommentaren zu den vom Maximum abwei-chenden Punktwerten wertvolle Einschätzungenaus Anwendersicht gewonnen werden. Mankönnte noch weiter gehen und die «weichenFaktoren» ganz in den Vordergrund stellen. Einepublikumswirksame Evaluation kann ein wichti-ger Bestandteil eines erfolgreichen Projektmar-ketings sein. Aufgrund individueller Rückmel-dungen konnte im vorliegenden Fall vermutetwerden, dass durch die reibungslos abgewickelteEvaluation das Vertrauen in das Projekt klargestiegen ist.

EvaluationsschrittEvent

Musterprozess - + = = = gut gross mittel günstig

Anbieterkurzpräsentation - ++ - - + schlecht gering klein mittel

Technikreview = ++ = -- = mittel gross mittel mittel

Referenzbesuche - + = + - mittel gross mittel mittel

Kosten ++ = = - - mittel gross mittel mittel

Hands-On-Woche + = = - = gut gering gross mittel

Anforderungskatalog ++ = = - - mittel gering mittel schlecht

Angebot1

Angebot2

Angebot3

Angebot4

Angebot5

Überein-

stimmung

Diskrimi-

nierungskraft

Aufwand

Nutzenzu

Aufwand

Tabelle 2. Bewertung der einzelnen Evaluationsevents. «+» oder «++» bedeutet, dass das Angebot einenoder zwei Ränge zu positiv bewertet wurde im Vergleich zum Schlussrang. «=» bedeutet, dass der im Eventresultierende Rang genau dem Schlussrang entsprach. Aufwändige Events ergaben in der Regel eine bessereÜbereinstimmung als leicht durchzuführende Events. Das beste Nutzen/Aufwand-Verhältnis wies derMusterprozess auf.

Referenzen1 Schreiber J. Beschaffung von Informatikmitteln. Bern/Stuttgart: Paul Haupt 2003.

2 Verordnung über das öffentliche Beschaffungswesen (ÖBV): ttp://www.sta.be.ch/belex/d/7/731_21.html.

41

Der Patient im Mittelpunkt der Information –kontextbezogene Navigation in einer EPA

Ela Bielecki SummaryThe patient as information centre – context-navigated search in the CPR (computerisedpatient record)To support existing patient and case data withappropriate images and laboratory findings, andthus provide doctors with a global view on allpatient and case data, a unitary concept of“medical cockpit” has been created and imple-mented at Solothurner Spitäler AG. The con-text-navigator is a new important feature of themedical cockpit, answering the following ques-tions: how does the doctor rapidly and effec-tively arrive at the patient and case data requiredfor the case he is currently on? How to eliminatelaborious searching and time-consuming scroll-ing through a vast data base? How to obtain atotal overview in which reports, medical treat-ments, findings, basic data, treatment authorisa-tions concerning a case and/or a patient havebeen recorded and stored? What medicationhas been prescribed and what cases have beenassigned to the patient? How can a global, uni-tary overview of all exististing patient data berendered possible?

ProblemstellungIn den 27 Kliniken der Solothurner Spitäler AGwerden über 27000 Fälle pro Jahr behandelt.Jede Klinik beinhaltet mehrere Stationen, indenen zwischen 10 und 30 Patienten hospitali-siert werden können.

Behandlungseinheit: Fall

Der stationäre Aufenthalt eines Patienten, auchals «Fall» bezeichnet, dauert vom Spitaleintrittbis zum Spitalaustritt und stellt eine Behand-lungseinheit dar. Bei der näheren Analyse desFalles stellt man fest, dass dies ein willkürlichgewählter Ausschnitt aus dem gesamten Behand-lungsverlauf ist. Da es sich dabei um eine organi-satorische Abgrenzung handelt, wird er auch als«administrativer Fall» bezeichnet. Pro «Fall»entstehen während eines stationären Aufenthaltes25 bis 40 Formulare, Dokumente oder Dateien,die den Inhalt der Patientenakte bzw. EPA (elek-tronischen Patientenakte) darstellen (Abb. 1).

ZielsetzungMit dem Ziel, alle relevanten Informationen inBezug auf einen «Fall» auf einer «Sicht» (Bild-schirmseite) darzustellen, wurde die Kontextna-vigation oder Kontextsuche entwickelt undeingesetzt.Künftig sollen die in der EPA erfassten Behand-lungsdaten, Befunde spezialisierter Umsysteme,wie die digitalen Röntgenbilder (PACS) undmedizinische Laborbefunde oder, kurz gesagt,alle relevanten Informationen zu dem «Fall» aufeinmal ersichtlich und auf Wunsch abrufbar sein.Der Arzt soll effizient und auf die Fallinforma-tionen, die er in seinem aktuellen Arbeitskontextbenötigt, zugreifen können. Die Kontextsuchedient dazu, einen Zugang zu kontextspezifischenFall- und Patienteninformationen zu ermögli-chen (Abb. 2).

MethodenAlle abgelegten und archivierten Dokumentewerden mit Metadaten (Eigenschaften einesObjektes) versehen und gespeichert.Ein Metadatenwebservice nimmt die Rolle eines«Behälters» ein, in dem die Metadaten gesam-melt werden. Dazu wird der Standard RDF(Ressource Description Framework) eingesetzt.Soll ein «Fall» mit dem Kontextnavigator gra-phisch dargestellt werden, sucht der Metadaten-webservice alle der FID (Fall-Identifikations-nummer) und PID(Patienten-Identifikationsnummer) zugehören-den Metadaten und stellt die entsprechendenDokumente grafisch nach dem vorgelegtenSchema vor (Abb.2).

Korrespondenz:Ela BieleckiDipl. Ing./MAS MedInf.Projektleiterin soH InformatikSolothurner Spitäler AGSchöngrünstrasse 424500 Solothurnebielecki_ias@spital.ktso.ch

SMI 2008: Nº 64

Verwendete StandardsRDF (Ressource Description Framework):www.wikipedia.org/wiki/Resource_Descrip-tion_FrameworkTechnologie / Umsetzung:MetadatenwebserviceGrafische Aufbereitung mit WPF (.NET 3.0)Die grafische Darstellung.NET 3.0 und WPFClientsanforderungen:.NET 3.0.

Der Patient im Mittelpunktder Information

42

ResultatDer Kontextnavigator stellt die relevanten Infor-mationen als «sternförmigen Navigationsraum»grafisch dar. Der Patient steht im Zentrum. Umihn herum sind astförmig die relevanten Fallda-ten angegliedert. Gegliedert sind sie nach Aufent-halt, Zuständigkeit, Befunde, History, Verordnungund Dokumentation. So kann man alle zu demFall vorhandenen Dateien und Informationenauf einmal sehen und schnell das Relevante aus-wählen.Wird von einem aktuellen Kontextobjekt, bei-spielsweise «Patient», auf ein anderes Kontextob-jekt gewechselt, wird das Objekt ins Zentrumrücken und es werden die Kontextinformationendieses Astes angezeigt. Wurde der Austrittsbe-richt ausgewählt, so erscheint auf demBildschirm das angeforderte Dokument (Abb.3).Abbildung 4 zeigt ein mit der Kontextsuchegefundenes Dokument. Je nach Kontext könnenim Zentrum das Zimmer, die Abteilung oder dieBefunde stehen.

DiskussionZiel der Kontextsuche ist es, den Informations-zugriff auf die Krankheitsbilder, Behandlungsdo-kumentationen, Rezepten, Diagnosen und Perso-naldaten zu beschleunigen und der Ärztin bzw.dem Arzt die notwendigen Angaben zur Ent-scheidungsfindung bereit zu stellen.

Abbildung 2. Kontextsuche. Im Kontext des «Falles» alle in EPA vorhandenenPatienteninformationen.

Abbildung 3. Kontextsuche. Dokumente werden angezeigt und können mit einem«Klick» ausgewählt und als PDF-Datei angezeigt werden.

Abbildung 1. Administrativer Fall. Stammdaten und die Teildokumentation(25 bis 40 Formulare) in einer EPA.

Referenzen1 Leiner F, Gaus W, Haux R, Knaup P, Pfeiffer KP.Medizinische Dokumentation. Stuttgart,New York: Schattauer 2003.

2 Greenhalgh T. Einführung in die Evidence-Based Medicine. Bern: Huber 2003.

43

SMI 2008: Nº 64

Abbildung 4. Kontextsuche. Das ausgewählte Dokument wird abgerufen undangezeigt.

GlossarWebservice: Ein Webservices ist ein Dienst, der mit Hilfe von XML auf der Basis von Internetnetz-werkprotokollen (http, TCP/IP) erbracht wird und XML-basierte Standards verwendet, um Datenmiteinander auszutauschen. Er bietet eine Schnittstelle für Softwareoperationen über ein Netzwerk(z.B. Internet) an, das mittels nachrichtenbasiertes Extensible Markup Language (XML)-Datentrans-fers aufrufbar ist (z.B. SOAP).

WPF: Die «Windows Presentation Foundation» (WPF), auch bekannt unter dem früheren Codena-men «Avalon», ist eine neue Präsentationsprogrammierschnittstelle (API) für Microsoft Windows(www.wikipedia.org/wiki/Windows_Presentation_Foundation).

SOA: Serviceorientierte Architektur (SOA) ist ein Systemarchitekturkonzept, das unternehmensweiteingesetzt werden kann. SOA ist ein Konzept für eine Systemarchitektur, in dem Funktionen in Formvon wiederverwendbaren, technisch voneinander unabhängigen und fachlich lose gekoppelten Servi-ces implementiert werden.

Metadaten: Als Metadaten oder Metainformationen bezeichnet man Daten, die Informationen überandere Daten enthalten. Bei den beschriebenen Daten handelt es sich oft um grössere Datensamm-lungen (Dokumente) wie Bücher, Datenbanken oder Dateien (www.wikipedia.org/wiki/Metadaten).

PACS: Das «Picture Archiving and Communication System» bezeichnet in der Medizin Bildarchivie-rungs- und Kommunikationssysteme auf der Basis digitaler Rechner und Netzwerke.

EPA: Elektronische Patientenakte.

PID: Patienten Identifikationsnummer, in soH eine fortlaufende Nummer.

FID: Fallidentifikationsnummer.

RDF: Das «Resource Description Framework» (RDF, «System zur Beschreibung von Bezugsquellen»)ist eine formale Sprache zur Bereitstellung von Metadaten im Internet. (www.wikipedia.org/wiki/Re-source_Description_Framework)

Net 3: Das .NET-Framework ist das Programmiermodel von Microsoft für «managed code» zum Er-stellen herausragender Applikationen mit nahtloser und sicherer Kommunikation und der Möglich-keit, eine breite Vielfalt von Businessprozessen zu modellieren. Das aktuelle .NET-Framework 3.0 be-steht aus .NET-Framework 2.0 zusammen mit «Windows Presentation Foundation» (WPF), «Win-dowsWorkflow Foundation» (WF), «Windows Communication Foundation» (WCF) und «WindowsCardSpace» (www.msdn2.microsoft.com/de-de/netframework/default.aspx).

Le patient au centrede l’information

44

Chères et Chers Membres, Chères et chers Amis,J’ai été élu lors de l’Assemblée Générale tenuelors de nos Journées Scientifiques de Sierre les 5et 6 juin derniers et je tiens avant tout à vousremercier pour votre confiance et votre soutien.Ce traditionnel «Mot du Président» est d’abordpour moi l’occasion de présenter à notre AmiEusebio Passaretti, Président sortant, toute mareconnaissance pour l’immense travail accomplipendant ces deux années, à réorganiser notrecomité et à structurer son activité. Mais un Prési-dent ne peut travailler seul. Le comité a doncaussi été renouvelé, à la suite du départ de deuxde ses fidèles membres. Tout d’abord UlrichWoermann, qui a participé au comité pendant14 ans et s’est tout particulièrement occupé duSwiss Medical Informatics dont la qualité estreconnue. Mais aussi Benno Sauter, dont le tra-vail immense pour la création de notre site websera difficile à remplacer. A tous deux, j’adressemes remerciements et je souhaite, au nom detout le comité, plein succès. Le comité accueilledonc de nouveaux membres, Christian Hay pourreprésenter l’industrie, Marc Oertle et PascalWalliser qui représentent des hôpitaux et AlainJunger comme représentant des soins infirmiers.Ils viennent consolider l’équipe restante, AntoineGeissbuhler, Felix Heer, Judith Wagner et Euse-bio Passaretti. Je les remercie pour le travail etleur appui!Ceci m’amène à vous annoncer deux bonnesnouvelles. Notre collègue Antoine Geissbuhler aété élu prochain président de l’InternationalMedical Informatics Association, et je viens deprendre la fonction de secrétaire général de l’Eu-ropean Federation of Medical Informatics. Cecimontre le dynamisme de notre société à l’échelleinternationale avec une présence très forte de laSuisse dans ces deux instances.Il convient aussi de dire quelques mots de nosJournées Scientifiques Annuelles 2008, magnifi-quement organisée par le Prof Henning Muller àla HES-SO de Sierre. Un accueil digne de nosamis valaisans, un programme scientifique excel-lent. Malheureusement, trop peu de nos mem-bres ont fait le déplacement et il est bien dom-mage de voir une telle qualité scientifique etsociale ne pas profiter mieux à notre domained’intérêt. Ces Journées sont aussi l’occasion denouer des contacts et de créer un réseau. LesJournées 2009 seront organisée à Berne, en colla-

boration avec le Swiss eHealth Summit et Acadé-mie Suisse. Gageons que la participation seraplus importante et à la hauteur des défis et desenjeux du eHealth en Suisse et en Europe.Je terminerai ce mot du Président en vous propo-sant quelques pistes que je m’attacherai à suivrependant mon mandat. D’une part, les positionsacquises dans les sociétés internationales nouspermettront d’intensifier ces collaborations, enparticulier en créant des réseaux de ressources àdisposition en Suisse. Ceci permettra de plusfacilement accéder à des experts européens etinternationaux pour adresser certains défis denotre société, que ce soit dans le cadre de lastratégie eHealth suisse, comme dans le problèmedes dossiers informatisés pour praticiens et lescritères de qualité et de certification.Un autre point important sera de renforcer lesstructures de communication avec nos membres,en particulier concernant les activités du comité,et dans l’intention de créer des groupes de travailplus collaboratifs et participatifs entre le comitéet les membres de notre société.Finalement, un objectif important sera de renfor-cer nos liens avec d’autres acteurs dans ledomaine des technologies de l’information et dela santé, en particulier l’industrie, les milieuxpolitiques et d’autres acteurs significatifs commeacadémie-suisse. C’est dans ce contexte que descontacts très étroits et d’ores et déjà fructueuxont été pris dans le cadre du Swiss eHealth Sum-mit, qui tiendra sa première conférence à Berneles 26 et 27 août prochain. Réservez cette date!La liste des orateurs est déjà des plus attractives!Chères et chers Membres, je termine en vousrappelant qu’une société n’est rien sans ses mem-bres. Nous allons vers de grands changements etdéfis avec la mise en place opérationnelle de lastratégie eHealth suisse. Nous avons les compé-tences pour jouer un rôle clé dans cette démar-che. Ne gâchons pas cette opportunité, il en vaaussi de l’avenir de notre pays!

Le mot du nouveau Président

Christian Lovis

Liebe Mitglieder der SGMI, liebe Freunde,Anlässlich der Generalversammlung, die im Rah-men unserer Wissenschaftlichen Jahresversamm-lung vom 5. bis 6. Juni 2008 in Siders stattgefun-den hat, wurde ich zum neuen Präsidenten ge-wählt. Für ihr Vertrauen und Ihre Unterstützungmöchte ich mich an dieser Stelle bedanken.Diese traditionelle «Grussadresse des Präsidenten»ist für mich die Gelegenheit, dem scheidendenPräsidenten und unserem Freund Eusebio Passa-retti meine Dankbarkeit für seine enorme Arbeit,die er während der zwei letzten Jahre geleistet hatindem er unseren Vorstand reorganisiert und des-sen Aktivitäten strukturiert hat, auszudrücken.Aber ein Präsident ist kein Einzelkämpfer. DerVorstand wurde auch erneuert, da zwei treue Vor-standsmitglieder zurücktreten. Zuerst zu UlrichWoermann, der dem Vorstand während 14 Jahrenangehörte. Er war es, der die Website der SGMIins Leben gerufen hat und sich später um dieUmwandlung des Bulletins in die ZeitschriftSwiss Medical Informatics bemüht hat, die in derZwischenzeit zu einer der tragenden Säulen derSGMI geworden ist. Aber auch Benno Sauter,der die enorme Arbeit auf sich genommen hat,unsere Website neu aufzusetzen, wird schwer zuersetzen sein. Beiden möchte ich im Namen desVorstands dafür danken und wünsche ihnen fürihre Zukunft viel Erfolg. Als neue Mitglieder desVorstands wurden Christian Hay, Vertreter derIndustrie, Marc Oertle und Pascal Walliser, Ver-treter der Spitäler, und Alain Junger, Vertreter derPflege, gewählt. Weiterhin im Vorstand sind An-toine Geissbuhler, Felix Heer, Judith Wagner undEusebio Passaretti. Ich danke Ihnen für ihre Ar-beit und Unterstützung!Jetzt komme ich dazu, Ihnen zwei gute Nachrich-ten zu überbringen. Unser Kollege Antoine Geiss-buhler wurde zum zukünftigen Präsidenten derInternational Medical Informatics AssociationIMIA gewählt, und ich übernehme die Funktiondes Generalsekretärs der European Federation ofMedical Informatics. Dies zeigt die Dynamik un-serer Gesellschaft an der internationalen Spitzedurch die sehr starke Präsenz der Schweiz in die-sen zwei Organisationen.Ich möchte auch noch ein paar Worte zu unsererWissenschaftlichen Jahrestagung 2008 sagen, wel-che von Prof. Henning Müller an der HES-SOvon Siders perfekt organisiert wurde. Ein für un-sere Walliser Freunde würdiger Empfang, ein erst-klassiges wissenschaftliches Programm. Leider ha-ben sich nur wenige Mitglieder ins Wallis begebenund es ist sehr Schade zu sehen, dass eine solche

wissenschaftliche und soziale Qualität unseremInteressengebiet nicht mehr zugute kommt. DieJahrestagung ist auch eine Gelegenheit, Kontaktezu knüpfen und ein Netz aufzubauen. Die Jahres-tagung 2009 wird in Zusammenarbeit mit demSwiss eHealth Summit und der Schweizer Akade-mie organisiert. Bemühen wir uns darum, dass dieTeilnahme grösser und auf der Höhe der Heraus-forderungen und Probleme der eHealth derSchweiz und Europas sein wird .Ich beende diese Grussadresse des Präsidenten, in-dem ich Ihnen einige Themen nenne, um die ichmich während meiner Präsidentschaft besondersbemühen werde. Einerseits werden uns die erwor-benen Einsitze in den internationalen Gesellschaf-ten erlauben, diese Zusammenarbeit zu intensi-vieren, insbesondere indem wir ein Netz verfüg-barer Ressourcen in der Schweiz schaffen. Dies er-laubt es, europäische und internationale Expertenleichter zu kontaktieren, um bestimmte Heraus-forderungen unserer Gesellschaft anzunehmen.Sei dies im Rahmen der Schweizer eHealth-Stra-tegie, sei dies im Rahmen des Problems der elek-tronischen Krankenakte für Praktiker oder derQualitätskriterien und der Zertifizierung.Ein anderer wichtiger Punkt wird sein, die Kom-munikationsstrukturen mit unseren Mitgliedernzu festigen, insbesondere was die Aktivitäten desVorstands angeht und mit der Absicht, Arbeits-gruppen zu schaffen, bei denen zwischen demVorstand und den Mitgliedern mehr Zusammen-arbeit und Teilnahme stattfindet.Schliesslich ist es ein wichtiges Ziel, unsere Bezie-hungen zu anderen Mitstreitern im Bereich derInformationstechnologie und des Gesundheitswe-sens, insbesondere auch mit der Industrie, denPolitikern und anderen wichtigen Akteuren derSchweizer Akademie zu stärken. In diesem Um-feld wurden die sehr engen und jetzt schonfruchtbaren Kontakte mit der Leitung des SwisseHealth Summit aufgenommen, die ihre ersteKonferenz in Bern vom 26. bis 27. August abhal-ten wird. Reservieren Sie sich dieses Datum. DieListe der Referenten ist sehr attraktiv.Liebe Mitglieder, ich schliesse mit der Erinnerungan Sie, dass eine Gesellschaft nichts ist ohne ihreMitglieder. Wir gehen mit der Strategie eHealthsuisse grossen Änderungen und Herausforderun-gen entgegen. Wir besitzen Kompetenzen, umhierbei eine Schlüsselrolle zu spielen. Verpassenwir nicht diese Gelegenheit. Es geht um die Zu-kunft unseres Landes.

45

SMI 2008: Nº 64

Christian Lovis1

Grussadresse des neuen Präsidenten

1 Übersetzung: UlrichWoermann

46

The patient at the centreof informatics

Events

Switzerland

Swiss eHealth SummitAugust 28th and 29th, 2008Stade de Suisse, Bernhttp://www.ehealthsummit.ch/

GISEH gestion et ingénierie dessystèmes hospitaliersSeptember 4th to 6th, 2008Ecole Polytechnique Fédérale de Lausannehttp://giseh08.epfl.ch

Europe

eHealth 2008Electronic healthcare for the 21st centurySeptember 8th and 9th, 2008City University, London, UKhttp://www.electronic-health.org/

MEDNET 2008The 13th World Congress on the Internetin MedicineOctober 15th to 18th, 2008Saint-Petersburghttp://www.mednet2008.org/

53. gmds-Jahrestagung15.–19. September 2008Haus der Wirtschaft, Stuttgarthttp://www.gmds2008.de/

World

Medicine 2.0World Congress on Web 2.0 Applicationsin Health, Health Care, Medicine, andBiomedical ResearchSeptember 4th and 5th, 2008Toronto/Canadahttp://www.medicine20congress.com

13th International Symposium forHealth Information ManagementResearch“The Changing Face of Health Informaticsand Health Information Management”October 20th to 22nd, 2008Auckland, New Zealandhttp://iims.massey.ac.nz/research/iSHMIR2008/index.html

AMIA 2008Annual SymposiumBiomedical and Health Informatics –From Foundations to Applications to PolicyNovember 8–12, 2008Hilton Washington and Towers,Washington, DChttp://www.amia.org/meetings/f08/

Nächste Ausgabe(November 2008):«Klinikinformations-systeme»

Prochaine édition(novembre 2008):«Systèmes d’informationclinique»

Impressum

Herausgeber / Editeur

SGMI, Schweizerische Gesellschaftfür Medizinische InformatikSGMI-Geschäftsstelle:Im Lehn, CH-3116 Kirchdorf BETel. 031 781 64 46E-Mail: admin@sgmi-ssim.ch

Vorstand der SGMI /Comité de la SSIM

Christian Lovis, Präsident, présidentAntoine Geissbuhler, Alain Junger,Christian Hay, Felix Heer, Marc Oertle,Eusebio Passaretti, Judith Wagner,Pascal Walliser

Redaktion / Rédaction

Christian Lovis, Ulrich Woermann

Redaktionsadresse / Adresse de rédaction

Dr. med. Ulrich Woermann, MMEUniversität BernInstitut für Medizinische Lehre IMLAbteilung für Unterricht und Medien AUMInselspital 38, CH-3010 BernE-Mail: ulrich.woermann@iml. unibe.ch

Autorenrichtlinien / Directives pour les auteurs

http://www.sgmi-ssim.ch

Verlag / Editions

Schwabe AGSteinentorstrasse 13, CH-4010 BaselBetreuung im Verlag:Dr. med. Natalie MartyTel. 061 467 85 55 / Fax 061 467 85 56E-Mail: n.marty@schwabe.ch

Druck und Versand / Impression et distribution

Druckerei Schwabe AGFarnsburgerstrasse 8, CH-4132 MuttenzTel. 061 467 85 85 / Fax 061 467 85 86E-Mail: druckerei@schwabe.ch

Inserate / Régie des annonces

Schwabe AGAriane FurrerAssistentin InserateregieFarnsburgerstrasse 8, CH-4132 MuttenzTel. 061 467 85 88 / Fax 061 467 85 56E-Mail: afurrer@emh.ch

Abonnemente / Abonnements

Schwabe AG, VerlagsauslieferungFarnsburgerstrasse 8, CH-4132 MuttenzTel. 061 467 85 75 / Fax 061 467 85 76E-Mail: auslieferung@schwabe.ch

Abonnementspreis / Prix d’abonnement

CHF 40.– (zuzüglich Porto / port en plus)Einzelnummer / Exemplaire uniqueCHF 15.– (zuzüglich Porto / port en plus)

ISSN 1660-0436

erscheint 3mal jährlichparaît 3 fois par an