Datenintegration und Wissensgewinnung für lokale Learning Health Systems am Beispiel einer Zentralen Notaufnahme

Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
https://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202008263489
Open Access logo originally created by the Public Library of Science (PLoS)
Langanzeige der Metadaten
DC ElementWertSprache
dc.contributor.advisorProf. Dr. Birgit Babitschger
dc.creatorRauch, Jens-
dc.date.accessioned2020-08-26T12:45:21Z-
dc.date.available2020-08-26T12:45:21Z-
dc.date.issued2020-08-26T12:45:22Z-
dc.identifier.urihttps://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202008263489-
dc.description.abstractLearning Health Systems (LHS) sind sozio-technische Systeme, die gesundheitsbezogene Dienstleistungen erbringen und dabei mit Hilfe von Informationstechnologie neues Wissen aus Daten erzeugen, um die Gesundheitsversorgung kontinuierlich zu verbessern. Durch die zunehmende Digitalisierung des Gesundheitswesens entstehen vielerorts Daten, die zur Gewinnung von Wissen in LHS genutzt werden können. Dies setzt allerdings eine informationstechnische Infrastruktur voraus, die die Daten integriert und geeignete Algorithmen zur Wissensgewinnung bereitstellt. Der verbreitete Ansatz, solche Infrastrukturen in großen Institutionsverbünden zu entwickeln, zeigte bislang nicht den gewünschten Erfolg. Deshalb wurde in dieser Arbeit stattdessen von einer einzelnen Organisationseinheit ausgegangen, der Zentralen Notaufnahme eines Klinikums, und eine informationstechnische Infrastruktur für ein lokales Learning Health System entwickelt. Es wurden dabei Fragestellungen aus den Bereichen Datenintegration und -analyse behandelt. Zum Einen wurde gefragt, wie sich heterogene, semantisch zeitvariante, longitudinale Gesundheitsdaten flexibel auf Datenmodellebene integrieren lassen. Zum Anderen war Untersuchungsgegenstand, wie auf den so integrierten Gesundheitsdaten zwei datenanalytische Anwendungsfälle konkret realisiert werden können: Es wurde erstens untersucht, welche Untergruppen von Patienten mit häufigen Inanspruchnahmen (häufige Wiederkehrer, frequent users) sich ermitteln lassen und welches Wiederkehrrisiko mit bestimmten Diagnosen verbunden ist. Zweitens wurde untersucht, welche Aussagen über das Ankunftsverhalten und die Fallkomplexität von gebrechlichen, älteren Patienten getroffen werden können. Für die Beantwortung der Fragestellungen erfolgte die Datenextraktion und -integration nach dem Data-Warehouse-Ansatz. Es wurden Daten des Krankenhausinformationssystems des Klinikums Osnabrück mit Krankenhausqualitätsdaten, Fallklassifikationsdaten sowie Wetter-, Luftqualitäts- und Verkehrsdaten integriert. Für die Datenintegration wurde das Entity-Attribute-Value/Data Vault-Modell (EAV/DV) als ein neuer Modellierungsansatz entwickelt. Die Datenanalysen wurden mit einem Data-Mining-Verfahren zur Faktorisierung von Patientenmerkmalen sowie statistischen Methoden der Zeitreihenanalyse durchgeführt. Für Wiederkehrer ergaben sich vier distinkte Untergruppen von Patienten. Weiterhin konnte das relative Wiederkehr-Risiko für einzelne Diagnosen geschätzt werden. Zeitreihenanalytisch ergaben sich ausgeprägte Unterschiede im Ankunftsverhalten gebrechlicher, älterer Patienten im Vergleich zu allen übrigen Patienten. Eine höhere Fallkomplexität konnte bestätigt werden, war aber im Allgemeinen nicht tageszeitabhängig. Der Modellierungsansatz (EAV/DV) für longitudinale Gesundheitsdaten erleichterte die Integration heterogener sowie sich zeitlich ändernder Daten durch flexible Datenschemata innerhalb des Data Warehouses. Die datenanalytischen Modelle lassen sich laufend mit neuen Daten aus dem Krankenhausinformationssystem aktualisieren und realisieren damit die Wissensgewinnung aus Daten nach dem LHS-Ansatz. Sie können als Entscheidungsunterstützung für eine bessere personelle Ressourcenplanung und zielgruppengerechte Ansprache von ressourcenintensiven Patienten in der Notaufnahme dienen. Die vorgelegte Implementierung einer IT-Infrastruktur zeigt auf, wie die Wissensgewinnung aus Daten exemplarisch für das lokale Learning Health System der Organisationseinheit Zentrale Notaufnahme umgesetzt werden kann. Die schnelle prototypische Umsetzung und der erfolgreiche Wissensgewinn zu inhaltlichen Fragestellungen belegt, dass der gewählte bottom-up-Ansatz tragfähig ist und sinnvoll weiter ausgebaut werden kann.ger
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Germany*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/de/*
dc.subjectMedizininformatikger
dc.subjectLearning Health Systemseng
dc.subjectVersorgungsforschungger
dc.subjectData Warehouseeng
dc.subject.ddc610 - Medizin, Gesundheitger
dc.titleDatenintegration und Wissensgewinnung für lokale Learning Health Systems am Beispiel einer Zentralen Notaufnahmeger
dc.typeDissertation oder Habilitation [doctoralThesis]-
thesis.locationOsnabrück-
thesis.institutionUniversität-
thesis.typeDissertation [thesis.doctoral]-
thesis.date2020-08-20-
dc.contributor.refereeProf. Dr. Ursula Hübnerger
dc.subject.bk54.89 - Angewandte Informatik: Sonstigesger
dc.subject.ccsC.3 - SPECIAL-PURPOSE AND APPLICATION-BASED SYSTEMSger
Enthalten in den Sammlungen:FB08 - E-Dissertationen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
thesis_rauch.pdfPräsentationsformat1,89 MBAdobe PDF
thesis_rauch.pdf
Miniaturbild
Öffnen/Anzeigen


Diese Ressource wurde unter folgender Copyright-Bestimmung veröffentlicht: Lizenz von Creative Commons Creative Commons