Klinisk datavarehus Hvorfor og Hvordan?

Transkript

1

2 Klinisk datavarehus Hvorfor og Hvordan? 27. april 2016 Pia Nybo Skaar Oslo universitetssykehus

3 Oslo universitetssykehus Består av tidligere Rikshospitalet, Radiumhospitalet, Aker sykehus og Ullevål sykehus Før sammenslåingen To eller flere sykehus hadde samme behandlingstilbud på flere områder Potensial for økt utnyttelse av fagfolk og ressurser Klinisk datavarehus Hvorfor og Hvordan? Bakgrunn Hvorfor KDVH eksempler Løsning Kompetanse Status og oppsummering

4 #Pkt 5: Skape bedre kvalitet og pasientsikkerhet gjennom endring i ledelse, systemer og kultur 52 nasjonale kvalitetsregistre. 24 av kvalitetsregistrene har tatt inn informasjon ref. oppdrag Kvalitetsregistre er et felles ansvar for alle HF, noen utfordringer. Lederansvar å sørge for at dataene blir brukt i kvalitetsarbeidet. Hører ofte bla ledere si at de er opptatt av kvalitet, men at de mangler data. Jeg mener det er feil. Det største problemer er at vi har mye data som ikke tas i bruk. Bent Høie, Helseminister

5 Styringsgruppen Klinisk datavarehus Einar S. Hysing, prosjekteier, medisinsk direktør Anne Karlsen, ass. økonomidirektør Arve Kaaresen, arkitekt, seksjonsleder IKT forskning, utvikling og innovasjon Harald Noddeland, ass. klinikkleder, Akuttklinikken Heidi Thorstensen, seksjonsleder, informasjonssikkerhet og personvern Sigbjørn Smeland, klinikkleder Kreftklinikken Torsten Eken, seniorforsker og overlege avd. for anestesiologi, Akuttklinikken Wenche Reed, leder forskningsseksjonen, Stab forskning, innovasjon og utdanning Observatører Kjell Ingar Bjørnstad, overlege, avd. for anestesileger, Sykehuset i Østfold Vibeke Aanning Aarseth, senior kundeansvarlig for OUS, Sykehuspartner

6 Klinisk datavarehus DIPS og andre pasientsystemer er tilpasset til å understøtte og dokumentere pasientbehandling (mye info om en pasient) Datavarehus bidrar til å optimalisere og analysere behandlingen (på tvers av mange)

7 Eksempel Infeksjoner og antibiotika If you can t measure it, you can t improve it! Sykehusinfeksjoner er vanlige Antibiotikaresistens er en trussel mot moderne medisin Adekvat antibiotikabruk reduserer seleksjon av resistente bakterier Utlysning av forskningsmidler OUS vil støtte aktivt opp under Nasjonal strategi mot antibiotikaresistens Ett av flere tiltak i denne forbindelse er å etablere antibiotikaresistens som et nytt fokusert forskningsområde ved sykehuset. Det settes nå av inntil to millioner kroner per år i en femårsperiode til forskning på tematikken. Sykehusledelsen ønsker, i samarbeid med Universitet i Oslo, å stimulere miljøer i sykehuset og ved universitetet til å arbeide med nye initiativer og konstellasjoner som kan bidra til ny kunnskap på feltet.

8 Eksempel Medisin og behandling Hvor mange pasienter får antibiotikabehandling en gitt dag? Hvilken antibiotika får de og for hvilken diagnose? Hvor lenge behandler vi pasientene våre med antibiotika etter oppstart, per medikament? Når gis forebyggende antibiotika i forhold til operasjon? Hvor mange pasienter har fått et gitt medikament i løpet av det siste året og hvor mye har de fått? Hvordan endrer blodtrykket hos pasientene seg etter den første timen med intravenøst paracetamol?

9 Eksempel Smitte Seng 1 Seng 2 Andersen Seng 3

10 Eksempel - Forskning Alle pasienter med spesifikk ICD-10 kode, rapportert til Kreftregisteret Status på pasienter som fikk medikament X Hvordan har det gått? Manuell datainnsamling, med journal-oppslag

11 Hvorfor klinisk datavarehus?

12 Hvorfor klinisk datavarehus Kildesystemer Redusere antall integrasjoner med kildesystemer Gjenbruke data Kvalitetsregistre Faste uttrekk Forhold til nasjonale og internasjonale retningslinjer Forskning Hypotesegenerering Engangsuttrekk Faste uttrekk Datakvalitet Beslutningsstøtte Kunnskapsbank for datamining 387

13 Mye data, forskjellige steder ikke bare én nål Mange fagsystemer

14 Mye data, forskjellige steder ikke bare én nål Diagnose Antibiotika Seng Bakterie

15 Informasjonsmodell KDVH fase 1 Tid Rekvisisjon/prøve Diagnose Prosedyre Organisasjon Pasient Opphold Klinisk hendelse Observasjon/målinger Medisinering Score Kodeverk Dips demografi, diagnoser, prosedyrer Dips laboratorieresultater Metavision medisinering, observasjoner, målinger

16 Klinisk datavarehus status Datamodellering - gjennomført og implementert Database - gjennomført og implementert ETL* - gjennomført og implementert Semantisk lag - under implementering Rapportlaglag - under implementering * Extract Transform Load (ekstrahere, transformere og laste)

17 Klinisk datavarehus veien videre Datafangst, beslutningsstøtte, integrasjon og operasjonalisering Fortsette arbeidet med Uttrekk med fokus på skalering og inkludering av flere parametre Utvide med flere laboratoriedatakilder (bl.a. mikrobiologi, patologi) Radiologi Genetikk Operasjonsdata Pasientforløp /Pakkeforløp kodeverk Vurdere andre relevante fagsystemer (strålebehandling, cellegift.) Tilgjengeliggjøring av data og uttrekksmekanismer Designe og utvikle rapporter og Dashboards etter brukernes behov Nødvendig skalering av det tekniske miljøet ettersom datamengden øker og det suksessivt blir gitt tilgang til uttrekk Operasjonalisere «objektiv og nøytral enhet» for forvaltning og veiledning Enda mer samarbeid innen foretaksgruppen og andre helseforetak

18 Klinisk datavarehus bruk av data Klinisk datavarehus vil i tillegg til å tilby rapporter/dashbord dekke etterspørsel til å kunne sammenstille kliniske data, fra fler kildesystemer noe som ikke er mulig i dag (uten mye manuell arbeid). Kjempeløft i arbeid med registre, kvalitetssikring og forskning. Viktig at data i klinisk datavarehus direkte reflekterer data i kildesystem. Klinisk datavarehus vil bidra til å identifisere hvor det er behov for å forbedre datakvalitet. Data i Klinisk datavarehus er på mest detaljert nivå for å kunne sammenstille og drille opp/ned avhengig av relevant problemstilling. Kan ikke bruke data på aggregert nivå eller data som er korrigert i forhold til kildesystem. Forvaltning og veiledning må ivaretas en «objektiv og nøytral enhet» riktig og nødvendig kompetanse bla «registerkompetanse» tette relasjoner til hands-on klinikere og forskere.

19 Teknologi Plattform Oracle DB, ODI og OBIEE Standardverktøy for datalagring og integrasjon Oracle-kompetanse er lett tilgjengelig Mange av de store fellessystemer Sykehuspartner drifter er Oracle basert Videre analyse Kan gjøres med mange forskjellige verktøy ODI: Oracle Data Integrator OBIEE: Oracle Business Intelligence Enterprise

20 Klinisk datavarehus OBIEE** ODI* *ODI: Oracle Data Integrator **OBIEE: Oracle Business Intelligence Enterprise

21 Systemskisse BI-løsning Semantisk lag Analyse Sluttbrukere Dashbord Bruker Rolle Tilgang til hvilke data Generell Bruker basert på BrukerID Tilgang til aggregert data (anonyme) Kobling av faktatabeller og dimensjoner for analyse Rapportering/ Analyse Kvalitet Hypotese/analyse Bruker basert på BrukerID og arbeidsforhold i en eller flere organisasjonsenheter Bruker basert på BrukerID og godkjent hjemmel (REK, prosjekt, mm etter egen prosedyre) Avidentifisert data innenfor en eller flere organisasjonsenheter Avidentifisert data alle organisasjonsenheter (forekomst >5) API / Grensesnitt* / Grensesnitt* Andre systemer* *ereg, MedInsight. *LIS, KPP.

22 Datamodell opphold og prøvesvar Opphold Pasient Rekvisisjon/Prøve Diagnose Behandling Resultat Kommentar kurvedata Pasient ID Pasient Klinisk hendelse Opphold Score og plan og mål Skjema Sesjon Observasjon/ måling Medisinering Total score Del score Tid Kodeverk

23 .og mens vi venter - Slik kan det komme til å se ut!

24