idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
An der Universität Luzern entwickelte Qualitätsindikatoren und eine dazugehörige Software sind schweizweit in Spitälern eingeführt worden. Die Software erlaubt tiefgehende Analysen zur Behandlungsqualität und setzt Verfahren aus dem Bereich der künstlichen Intelligenz ein.
Die Indikatoren und die Software «Qlize!» stellen das Ergebnis aus mehreren Forschungsprojekten dar, die durch die Schweizerische Agentur für Innovationsförderung (Innosuisse) finanziert wurden. Die Entwicklung erfolgte unter der Leitung von Dr. Dr. Michael Havranek, dem Forschungsdirektor des Kompetenzzentrums für Health Data Science (siehe Box), in Kooperation mit dem Industriepartner INMED und verschiedenen Spitalpartnern. Die Indikatoren sind nun Teil des verpflichtenden Messplans des Nationalen Vereins für Qualitätsentwicklung in Spitälern und Kliniken (ANQ) geworden. Der ANQ lizenziert und finanziert das Softwaresystem und stellt es allen Schweizer Spitälern und Kliniken sowie den kantonalen Gesundheitsdepartementen zur Verfügung. Der letzte Teil des «Rollouts» des Programms fand am 17. Februar statt.
Erster Fokus auf ungeplante Wiedereintritte
In einer ersten Phase werden dreizehn Qualitätsindikatoren zu ungeplanten Wiedereintritten nach dem Spitalaufenthalt zur Beurteilung der Behandlungsqualität der Spitäler eingesetzt. Die Software beinhaltet aber noch über 30 weitere Qualitätsindikatoren zu Komplikationen und Sterbefällen während des Spitalaufenthaltes, die in Zukunft ebenfalls eingesetzt werden können. Alle Indikatoren wurden anhand international etablierter Prinzipien entwickelt, die basierend auf den Gegebenheiten des Schweizer Gesundheitssystems weiterentwickelt und zusammen mit sieben Spitalpartnern erprobt wurden.
Das Besondere an der entwickelten Software besteht darin, dass sie die Spitäler dazu befähigt, ihre Behandlungsqualität selbst bis ins kleinste Detail zu analysieren. Die Spitäler können ihre eigenen Qualitätsergebnisse dazu einerseits im statistischen Vergleich mit anderen Spitälern prüfen. Sie können ihre Ergebnisse andererseits aber auch über verschiedene Patientengruppen hinweg bis zum Einzelfall hinunter eingrenzen und zu erwarteten Raten aus Vorhersagemodellen ins Verhältnis setzen. Die dabei verwendeten Vorhersagemodelle wurden anhand aller Schweizer Spitalaufenthalte berechnet und verwenden Verfahren aus dem Bereich der künstlichen Intelligenz.
Datenschutz-konformes Vorgehen
Um solche detaillierten Auswertungsmöglichkeiten trotz der strengen Datenschutzauflagen überhaupt anbieten zu dürfen, war es notwendig, ein zweistufiges Vorgehen zu entwickeln. Zunächst erfolgt jeweils jährlich die Auswertung der vom Bundesamt für Statistik (BFS) gelieferten gesamtschweizerischen Daten, um den Spitälern ihre offiziellen Qualitätsresultate im statistischen Vergleich mit den anderen Spitalbetrieben zu übermitteln. Anschliessend werden die berechneten Vorhersagemodelle auf die durch die Spitäler selbst gelieferten Daten angewendet, um ihnen die fallbasierten Vergleiche mit den erwarteten Raten zu ermöglichen.
Auf diese Art ist es für die Spitäler möglich, gezielt bestimmte Patientengruppen oder sogar Einzelfälle zu analysieren. Beispielsweise können sie Fälle identifizieren, bei denen eine geringe Wahrscheinlichkeit für ein qualitätsrelevantes Ereignis (wie z.B. ein ungeplanter Wiedereintritt) vorhergesagt wurde, aber dennoch ein solches Ereignis aufgetreten ist (z.B. aufgrund einer chirurgischen Komplikation). Zur Vermittlung der vielfältigen diesbezüglichen Auswertungsmöglichkeiten hatte Michael Havranek Anfang Februar im Auftrag des ANQ zwei schweizweite Schulungsveranstaltungen mit Simultanübersetzung in Französisch und Italienisch gehalten, an denen rund 150 Spitäler teilnahmen.
Box: Daten-Forschung für die Gesundheit
Am vor Kurzem gegründeten Kompetenzzentrum für Health Data Science der Fakultät für Gesundheitswissenschaften und Medizin werden verschiedenste Gesundheitsdatenquellen mit Methoden aus Data Science und Machine Learning bearbeitet, um Erkenntnisse zu generieren und datengestützte Entscheidungen im Gesundheitssystem zu ermöglichen. Im Rahmen diverser Forschungsprojekte werden beispielsweise zusammen mit Spitalpartnern datengetriebene klinische Entscheidungshilfen für Ärztinnen und Ärzte erarbeitet, in automatisierter Form Auffälligkeiten in medizinischen Berichten identifiziert oder Frühwarnsysteme für Patientinnen und Patienten entwickelt. Forschungsdirektor des Zentrums ist Dr. Dr. Michael Havranek.
Criteria of this press release:
Journalists, Scientists and scholars
Information technology, Medicine
transregional, national
Cooperation agreements, Research projects
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
