KT3601 Healthcare organisation and medical informatics
Uitwerking theoretische punten voor schrijftoets op basis van colleges, ZO’s en VO’s
Medische informatica
MEDISCHE GEGEVENS EN DIGITALISERING - 4 PNT
Oorspronkelijk werden medische gegevens in artsen/patiëntendossiers bijgehouden kwaliteit,
organisatie van gegevens, beschikbaarheid en functionaliteit kunnen beter.
Medische gegevens digitaal invoeren -> EPD. Ondersteunt kwaliteit, organisatie, beschikbaarheid
en functionaliteit van de gegevens.
Houdt rekening mee: wie heeft gegevens vastgelegd, met welk doel, kloppen de gegevens, begrijp
je de gegevens?
Denk bij het zelf vastleggen van gegevens hoe leg je het vast, welke gegevens leg je vast, hoe
kunnen je gegevens geïnterpreteerd worden, waar kunnen gegevens?
Volg codestelsel, terminologiestandaarden en classificiatie systemen.
Informatiecyclus: gegevens > informatie > beslissing > handeling
Oftewel: verzamelen > verwerken > interpreteren > implementeren
Ruiters: codes voor speciale patiëntkarakteristieken, bv griepvaccinatie.
E-health: toepassing van digitale infomratie om gezondheid(szorg) te ondersteunen. Vormen:
- Store and forward: opslaan en doorsturen van data, geen interactieve communicatie
- Self/remote monitoring: op afstand gegevens verzamelen. Kunnen gedeeld worden met zorg-
verlener. Meestal preventief ingezet.
- Clinician interactive services: mensen die op hetzelfde moment met elkaar communiceren.
Tekst mining: analyse van tekst/ informatie extractie
- Kennis halen uit grote collecties van tekst
- Ongestructureerde tekst data wordt omgezet in gestructureerde data.
- Stappen:
o Input tekst: bijvoorbeeld uit EPD of document
o Lexicale analyse: sentence splitting (document opslitsen in zinnen), tokenization
(opsplitsen in woorden), morphological analysis (standaard vorm van token (active,
activates, activation activ…).
o Syntactische analyse: part of speech tagging (grammaticale tag), shallow parsing
(combinaties van worden).
o Normalization: herkennen van bv ziektes koppeling aan de juiste term.
o Relatie-extractie: relaties tussen biometische entiteiten opsporen samen
voorkomen van termen, etc.
- Problemen met tekst mining: meerdere betekenissen van een woord (word-sense ambigue),
verwijzing naar zin daarvoor (anaphora resolution), contextuele eigenschappen (ontkenning,
speculatie, in het verleden).
Data mining: ruwe data omzetten in nuttige informatie. statistische verbanden tussen data
zoeken. Dit kan bijvoorbeeld gebruikt worden om een klinisch predictiemodel te maken.
TOEPASSING STANDAARDEN - 2 PNT
Doel standaarden: eenheid van taal, zodat men elkaar goed begrijpt. Informatie kan vanuit het
ene systeem gemakkelijk in het andere systeem geïmplementeerd worden.
,Standaardisatie: coderingen van verschillende systemen zo coderen dat ze gestandaardiseerd
worden
Interoperabiliteit: informatie is uit te wisselen tussen verschillende systemen, door dat de
systemen van dezelfde taal/communicatiestijl gebruik maken.
Daarvoor is het belangrijk om na te denken: hoe, wat en met wie wordt informatie gedeeld.
Problemen: veel verschillende codes, verschillende versies binnen een code.
- 2e lijn: HL-7
Voordelen standaardisatie: medicatieveiligheid (alleen gestandaardiseerde receptvoorschrijvingen
> minder fouten), patiënt centraal (patiënt kan bij eigen informatie), gestandaardiseerde info-
uitwisseling. Eenmalig vast leggen van data > Registratie aan de
bron: zorgverlener die iets meet, legt het vast. Zo hoeft het niet
steeds opnieuw gemeten te worden. Dit leidt tot een lagere
registratielast.
Standaardisatie kan met behulp van een common data model:
vast format waarin de data kan worden opgeslagen, zodat het op
grote schaal gebruikt kan worden. Dit is zo gerangschikt en
georganiseerd dat er rekening gehouden wordt met:
- Data protectie
- Optimaal voor analyse van data
- Collectie van tabellen die aan elkaar gelinked zijn (procedure,
person, observation, drug exposure table, etc.)
Zo’n common data model kan heel goed gebruikt worden om observationeel onderzoek op uit te
voeren.
Hoe krijg je data daarin: ETL proces: extract, transform, load.
PRIVACYASPECTEN - 2 PNT
Vroeger met papieren dossier werd privacy niet als een issue gezien. Echter digitaal: beter te
beveiligen, inzage beperkt en gecontroleerd. Echter, als je eenmaal toegang hebt zijn er ook
nadelen: je hebt dan toegang tot grotere dataset aan medische gegevens, gemakkelijker te delen
en te downloaden. Privacy eisen worden steeds strenger.
Hoe te beveiligen:
- Authenticatie
- Authorisatie: per persoon de rechten aangeven
- Non-repudation
Privacy problemen ontstaan vooral door menselijk oorzaken, meestal niet door systeem zelf.
(HER)GEBRUIK MEDISCHE GEGEVENS (GEVAREN?) 4 PNT
Medische gegevens worden veel hergebruikt bij epidemiologisch/observationeel onderzoek:
- Clinical characterization: Karakteristieken van aandoeningen afleiden (incidentie, prevalentie,
verloop, fenotypering, gemiddeldes, percentages).
- Patient level prediction: Risciofactoren (oorzaak, risciofactoren, bepaalde personen at risk,
correlatie, relatief risico, odds ratio, etc)
- Population level effect estimation: onderzoekt causale verbanden: Behandeling van ziekte:
drug utilisation en effectiveness studies. Leidt een specifieke behandeling vaker tot een
bepaalde uitkomst dan een andere behandeling? (waarschijnlijkheid voor individu,
predictiemodel, high/low risk group).
, Common data model: verschillende sources van data uniformeren naar één model, zodat er
gemakkelijker onderzoek uit te voeren is.
2 types farmaco-epidemiologisch onderzoek:
- Drug utilisation studies: wat is het gebruik van het geneesmiddel? (hoeveel, hoe grote
populatie, hoe lang gemiddeld, constant gebruik over tijd, etc.)
- Drug safety studies: doeltreffendheid en bijwerkingen van geneesmiddelen binnen een
bepaalde populatie.
Observationele data: data die ontstaat tijdens de routinematig zorg in het ziekenhuis. De data die
dus tijdens een behandeling verzameld wordt.
Problemen hergebruik data: niet compleet, onduidelijk, gegevens niet in juiste format, gegevens
op verkeerde plek resultaten observationeel onderzoek kan vaak niet herhaald worden.
Begrijp ook je data, mbv visualisering met patroonherkenning, vergelijking met andere bronnen,
kun je afwijkingen herleiden uit de invoermogelijkheden?
Interne validiteit: hoog bij weinig bias and confounding.
- Channeling bias/confounding by indication: schrijft een middel vaker voor aan patiënten die
al een hoger risico hebben op bepaalde uitkomst. De uitkomst kan een nadelig gevolg lijken
van het medicijngebruik, terwijl er in werkelijkheid geen direct verband tussen is.
Correctie: stratificatie, confounders meenemen, disease risk scores, propensity scores, eliminate
by self control.
Verschillen in werkelijk effect door: kleine populatie > grote random error. Systematische fouten
worden niet gecorrigeerd door een grotere database.
Random errors middelen dan wel meer tegen elkaar uit.
Relatief gezien heeft een systematische fout in een grote
database dus een groter effect!
Controle:
Negative controls om te checken of je gevonden uitkomst
aannemelijk is.
- Outcome controls: dezelfde interventie, maar
verschillende uitkomsten
- Exposure controls: dezelfde uitkomst, maar verschillende
interventies.
Negative controls zijn te vinden in de literatuur, product
labels.
Publication bias: niet-significante data missen, omdat deze onderzoeken niet gepubliceerd zijn.
IPCI: gecombineerde database met dat van meerdere huisartsen.
OHDSI: database van verschillende landen, met gestandaardiseerde informatie.
IMPLEMENTEREN
- Aspecten (6 pnt)
- Theoretische principes (2 pnt)
Niet alleen de effectiviteit van innovatie is van belang voor een goede implementatie van de
website, ook:
- Wat: welke eigenschappen heeft de innovatie die het vernieuwend maken? Kosten,
complexiteit, etc.
