Datenfriedhof oder Goldgrube für Analysen: Beherrschung von Komplexität als Erfolgsfaktor!

Transkript

1 Spannungsfeld zwischen Patientendokumentation und Sekundärdatennutzung Datenfriedhof oder Goldgrube für Analysen: Beherrschung von Komplexität als Erfolgsfaktor! Werner Hackl 4. Wissenschaftliche Institut Tagung für -Medizinische Zürich, Dienstag, Informatik 24. Oktober 2017

2 Motivation Eine kurze Geschichte von einem Blatt Papier, das die Medizin veränderte und dann

3 Big Data -> Goldrausch des 21. Jahrhunderts Quelle: Dr. Werner Hackl Institut für Medizinische Informatik

4 Standortbestimmung Hübner U, Liebe JD, Hüsers J, Thye J, Egbert N, Hackl W, Ammenwerth E. IT Report Gesundheitswesen - Schwerpunkt Pflege im Informationszeitalter. Forschungsgruppe Informatik im Gesundheitswesen (IGW) - Hochschule Osnabrück. 2015

5

6 Hübner U, Liebe JD, Hüsers J, Thye J, Egbert N, Hackl W, Ammenwerth E. IT Report Gesundheitswesen - Schwerpunkt Pflege im Informationszeitalter. Forschungsgruppe Informatik im Gesundheitswesen (IGW) - Hochschule Osnabrück. 2015

7 Problemstellung Vorteil elektronischer Dokumentation: Nutzung der vorhandenen Daten ist ohne Zusatzaufwand möglich. Viele methodische, ethische, rechtliche, praktische und technische Herausforderungen sind zu lösen!

8 Realistischere Einschätzung sieht eher so aus: mining_pan%2c_shovel_and_other_supplies%2c_vicinity_of_nome_(hester_256).jpeg public domain

9 Und: unser Gold ist eigentlich Abfall Dr. Werner Hackl Institut für Medizinische Informatik

10 Und: unser Gold ist eigentlich Abfall Dr. Werner Hackl Institut für Medizinische Informatik

11 Und: unser Gold ist eigentlich Abfall

12 Und: unser Gold ist eigentlich Abfall Ziegelhaiden x768.jpg Dr. Werner Hackl Institut für Medizinische Informatik

13 Und: unser Gold ist eigentlich Abfall - Foto:Ignácio Costa

14 Ziel ist die ANALYSE, nicht das Sammeln! Analysis is the discovery of meaningful patterns in data, and is one of the steps in the data life cycle of collection of raw data, preparation of information, analysis of patterns to synthesize knowledge, and action to produce value. (NIST Big Data, 2015) Wichtig beijeder Analyse Zielrichtung Ganzheitliche Sicht Die Geschichte dahinter beachten (Kontext!) Nachvollziehbarkeit Nützlichkeit

15 Analyseparadigmen Descriptive Business Intelligence und Data Mining Fragestellungen: Was ist geschehen? Prediktive Statistische Modelle und Vorhersagemodelle Fragestellungen: Was könnte geschehen? Prescriptive Optimierung und Simulation Fragestellungen: Was sollte geschehen? Diagnostic Ursachenanalyse Fragestellungen: Warum ist etwas geschehen?

16 Komplexität hängt vom Analyseparadigma ab

17 und von Auswertefokus bzw. Abstraktionsebene [Baumberger et al. 2004]

18 Klare Fragestellungen reduzieren Komplexität Exkurs Intensivmedizin

19 Beispiele neuer Erkenntnisse aus Innsbruck

20

21 Zurück in die Welt der Pflege Uneinheitliche Dokumentationsstandards bringen zusätzliche Komplexität Vienna%29_-_Google_Art_Project_-_edited.jpg

22 Ewiges Dilemma: primärer Dokumentationszweck Bestmögliche Versorgung der Patient/inn/en

23 versus unterschiedliche Ziele der Sekundärnutzung Qualität Personaleinsatzplanung Leistungsdoku Pflegewissenschaft Lehre etc. Vorhandene Pflegedaten Patient A Patient B Patient C Jeweils andere Anforderungen an Daten und Auswertung!

24 Abhilfe: Systematische Planung mit SPIRIT Hackl WO, Ammenwerth E. SPIRIT: Systematic Planning of Intelligent Reuse of Integrated Clinical Routine Data. A Conceptual Best-practice Framework and Procedure Model. Methods Inf Med 2016; 55:

25 Von der Vision zur Wirklichkeit Fallstudie an den tirol kliniken (ehem. TILAK) Nursing Data Mart Nursing Intelligence System Hackl WO, Rauchegger F, AmmenwerthE. A Nursing Intelligence System to Support Secondary Use of Nursing Routine Data. Applied Clinical Informatics;6(2):

26 Setting der Fallstudie tirol kliniken - Tiroler Landeskrankenanstalten GmbH LKH Innsbruck Universitätskliniken LKH Hall LKH Natters LKH Hochzirl Landes-Pflegeklinik Tirol Eckdaten (2016) MitarbeiterInnen VZÄ 50% Pflege (38% DGKP + 12% SHD) System. Betten insgesamt ambulante Patientenkontakte (Teil-)Stationäre Aufnahmen Pflegetage

27 Nursing Data Mart + Auswertesysteme ADT Informationen Pflegeassessment Pflegeplanung Dekubituserhebung Pflegevisite Sturzprotokoll Durchgeführte Tätigkeiten Nursing Intelligence System Manuelle Spezialanalysen Tableau Analyse und Visualisierung Nursing Data Mart ( Aufenthalte) Automatisiertes Standard Reporting

28 Analysemöglichkeiten - Praxisbeispiele

29 Ebenfalls möglich: Analyse von Freitexten

30 Aktuelles Projekt: Automatisiertes Reporting Geplante Pflegediagnosen nach Häufigkeit Haus: LKH Innsbruck Klinik: Univ.-Klinik für Unfallchirurgie & Sporttraumatologie Abteilung: Univ.-Klinik für Unfallchirurgie & Sporttraumatologie Station: Station Nord VI (UN6N) Berichtszeitraum: 1. Halbjahr 2016 ( ) Dieses Dokument enthält eine automatisierte patientenübergreifende Auswertung aller geplanten Pflegediagnosen im entsprechenden Bereich und Berichtszeitraum aus der elektronischen Pflegedokumentation. Jede gestellte Pflegediagnose wird dabei einmal pro Aufenthalt gezählt. Wird eine Pflegediagnose also abgesetzt und dann neu geplant, werden zwei Diagnosen gezählt. Die folgende Grafik zeigt die 20 häufigsten Pflegediagnosen in absteigender Reihenfolge. Die Häufigkeiten der einzelnen Pflegediagnosen können an der x-achse abgelesen werden. Eine vollständige und genaue Aufstellung, sowohl in absoluten Anzahlen als auch in relativen Häufigkeiten aller gestellten Pflegediagnosen im entsprechenden Bereich und Berichtszeitraum, kann der folgenden Tabelle entnommen werden. Top 20 Pflegediagnosen SELBSTVERSORGUNGSDEFIZIT KÖRPERPFLEGE SELBSTVERSORGUNGSDEFIZIT TOILETTENBENUTZUNG AKUTER SCHMERZ GEFAHR EINER HAUTSCHÄDIGUNG STURZGEFAHR SELBSTVERSORGUNGSDEFIZIT ESSEN UND TRINKEN INFEKTIONSGEFAHR SELBSTVERSORGUNGSDEFIZIT SICH KLEIDEN BEEINTRÄCHTIGTE TRANSFERFÄHIGKEIT BEEINTRÄCHTIGTE MOBILITÄT IM BETT GEFAHR EINES FLÜSSIGKEITSDEFIZITS BEEINTRÄCHTIGTE KÖRPERLICHE MOBILITÄT UNWIRKSAMER ATEMVORGANG BEEINTRÄCHTIGTE VERBALE KOMMUNIKATION HAUTSCHÄDIGUNG CHRONISCHER SCHMERZ CHRONISCHE VERWIRRTHEIT GEFAHR EINES INSTABILEN BLUTZUCKERSPIEGELS AKUTE VERWIRRTHEIT OBSTIPATIONSGEFAHR UNWIRKSAME ATEMWEGSCLEARANCE Anzahl UMIT & tirol kliniken Nur für den internen Gebrauch! Seite 1

31 Diskussion - Take Home (1) Routinedaten sind nicht direkt verwendbar (Beträchtlicher) Aufwand muss betrieben werden Aufbereitung und Integration der Daten notwendig (Nursing Data Marts) Geplantes Vorgehen wichtig (SPIRIT) Secondary Use Vision entwickeln (Zieldefinition) Fragestellungen sind zentral

32 Diskussion - Take Home (2) Kontext berücksichtigen Holistische Sichtweise bewahren Datenqualität der Rohdaten sicherstellen ( garbage in garbage out ) Primärer Dokumentationszweck hat absolute Priorität Wahrgenommener Nutzen eines Systems ist wichtigster Erfolgsfaktor für das System selbst Wahrgenommener Nutzen eines Systems ist Top 1 Faktor für die Datenqualität!

33 Diskussion - Take Home (3) Komplexität ist hoch, aber beherrschbar Handlungsmaxime beachten Definiere Deine Fragestellungen klar! Lege Auswertefokus und Abstraktionsebene genau fest! Wähle fragestellungsadäquate Analyseparadigmen! Denke groß, starte klein! Sei kreativ und offen, aber pass auf und bleibe kritisch! Erzwinge nichts, wo es nichts gibt!

34 Acknowledgements Kontakt tirol kliniken (TILAK) / LKI Franz Rauchegger (Pflegeinformatik) Beate Czegka (Abt. Pflegemanagement) Christine Schaubmayr (LKI Pflegedirektion) Georg Lecheitner (Abt. Informationsmanagement ) Medizinische Universität Innsbruck Universitätsklinik für Neurologie Neuro Intensiv Station (Raimund Helbok, Alois Schiefecker, Mario Kofler) UMIT Fördergeber Elske Ammenwerth, Alex Hörbst Gefördert mit Mitteln des Lukas Huber Tiroler Wissenschaftsfonds Ass.-Prof. Dipl.-Ing. Assistant Professor UMIT - Eduard Wallnoefer Zentrum 1, 6060 Hall in Tirol E: werner.hackl@umit.at T: +43 (0)