Aus der Augenklinik

der Friedrich-Alexander-Universität Erlangen-Nürnberg

Direktor: Prof. Dr. med. Friedrich E. Kruse

Aufbau eines digitalen Managementsystems für

Gewebeproben (Biobank)

Der Medizinischen Fakultät

der Friedrich-Alexander-Universität

Erlangen-Nürnberg

zur

Erlangung des Doktorgrades Dr. med. dent.

vorgelegt von

Jacqueline Kreißel

aus Suhl

-2014-

Als Dissertation genehmigt von der

Medizinischen Fakultät der Friedrich-Alexander-Universität

Erlangen-Nürnberg

Vorsitzender des Promotionsorgans: Prof. Dr. med. Dr. h.c. J. Schüttler

Gutachter: Prof. Dr. med. A. Jünemann

Gutachterin: Prof. Dr. rer. nat. U. Schlötzer-Schrehardt

Tag der mündlichen Prüfung: 25. Juli 2014

3

gewidmet meiner Familie

4

Inhaltsverzeichnis

1. Zusammenfassung _____________________________________________ 5

1.1. Hintergrund und Ziele ______________________________________ 5

1.2. Methoden ________________________________________________ 5

1.3. Ergebnisse________________________________________________ 6

1.4. Schlussfolgerungen_________________________________________ 6

2. English Summary ______________________________________________ 7

2.1. Backround and objectives____________________________________ 7

2.2. Methods _________________________________________________ 7

2.3. Results __________________________________________________ 8

2.4. Conclusion _______________________________________________ 8

3. Einleitung ____________________________________________________ 9

4. Problemstellung ______________________________________________ 12

5. Material und Methoden ________________________________________ 13

5.1. Definition und Eigenschaften von Datenbanken _________________ 13

5.2. Gewähltes Datenbank-Managementsystem _____________________ 14

5.3. Projektspezifische Anwendung des Datenbankmanagementsystems _ 17

5.4. Anleitung für die Erstellung einer projektspezifischen Abfragetabelle 22

6. Ergebnisse __________________________________________________ 26

7. Diskussion __________________________________________________ 29

8. Literaturverzeichnis ___________________________________________ 31

9. Anhang _____________________________________________________ 33

10. Danksagung ________________________________________________ 34

5

1. Zusammenfassung

1.1. Hintergrund und Ziele

Für die Bearbeitung wissenschaftlicher Fragestellungen an operativ gewonnenem

Patientenmaterial mussten bisher geeignete Gewebeproben per Hand aus den in

Listen archivierten Probendaten herausgesucht und nach Aktenstudium die

klinischen Daten hinzugefügt werden. Der zeitaufwändige Prozess der Aktensuche

im laufenden Aktenpool oder im Archiv der Augenklinik führte bei fehlenden

Akten zu einem Ausschluss der Proben aus der Analyse.

Das Ziel dieser Arbeit war daher der Aufbau einer digitalen Datenbank für

Gewebeproben (Biobank) für den schnellen und gezielten Überblick und die

automatisierte Abfrage verfügbarer Proben sowie deren Verknüpfung mit den

relevanten klinischen Patientendaten, um den zusätzlichen Rückgriff auf die Akte

zu erübrigen.

1.2. Methoden

Im ersten Schritt wurde unter Verwendung des Computerprogramms Microsoft

Access 2010 die Datenbankstruktur erstellt. Die allgemeinen Parameter umfassten

Name, Alter, Labornummer, Art und Anzahl der Gewebeproben und Augenseite.

Klinisch relevante spezifische Parameter, wie Allgemeinerkrankungen, Diagnosen,

Medikamente, Operationen, Operationsarten und Anamnesedaten, wurden

zusätzlich in Form von 6 Tabellen in der Datenbank erfasst (Untergruppen). Die

Implementierung von Abfrage-Algorithmen ermöglicht die automatische

Probensuche in Abhängigkeit von der Fragestellung. Im zweiten Schritt wurden die

Daten von 1677 vorhandenen Gewebeproben (Trabekelmaschenwerk, Iris,

Linsenkapsel, Kammerwasser), die im Rahmen ophthalmochirurgischer Eingriffe

von 2008 bis 2010 gewonnen wurden, digitalisiert und die spezifischen

Informationen aus den zugehörigen Patientenakten entsprechend den Parametern

der Datenbank ausgewertet und in das Programm Access 2010 übertragen.

6

1.3. Ergebnisse

Zu den 1677 Gewebeproben konnten nur 1072 zugehörige Patientenakten (63,9%)

gefunden und digitalisiert werden. Dabei wurden folgende statistische Ergebnisse

erhoben: 544-mal war das linke, 518-mal das rechte Auge und 10-mal beide Augen

betroffen. Allgemeinerkrankungen umfassten: Diabetes Mellitus 258 (24,1%),

Hypertonie 721 (67,3%), Kombination Diabetes Mellitus und Bluthochdruck 212

(19,8%), kardiovaskuläre Erkrankungen 348 (32,5%), neurologische Erkrankungen

89 (8,3%), Morbus Alzheimer 36 (3,4%), Morbus Parkinson 24 (2,2%),

Krebserkrankungen 77 (7,2%), Lebererkrankungen 22 (2,1%), Nierenerkrankungen

98 (9,1%), Lungenerkrankungen 117 (11,0%), Magen-Darm-Erkrankungen 24

(2,2%), infektiöse Erkrankungen 7 (0,7%). Augenerkrankungen umfassten:

Pseudoexfoliationssyndrom (PEX) 267 (24,9%), Katarakt 893 (83,3%), davon

corticalis 359 (33,5%), nuclearis 357 (33,3%) und corticonuclearis 479 (44,7%),

Pseudophakie 53 (4,9%), Glaukomerkrankungen 370 (34,5%), davon primäres

Offenwinkelglaukom 203 (18,9%), altersbedingte Makuladegenerationen (AMD)

111 (10,3%), Hornhauterkrankungen 49 (4,6%), Iriserkrankungen 7 (0,7%), hintere

Synechien 32 (3,0%), Rubeosis iridis 7 (0,7%), Retinopathia diabetica 37 (3,5%),

und andere Netzhauterkrankungen 94 (8,8%).

1.4. Schlussfolgerungen

Die vorliegende Arbeit hat gezeigt, dass ein Drittel der Gewebeproben einer nicht

elektronisch erfassten Biobank auf Grund fehlender klinischer Daten für

Auswertungen nicht zur Verfügung stehen. Die Digitalisierung mit

Implementierung der klinischen Daten steigert die Effizienz des wissenschaftlichen

Arbeitens signifikant. Die Abfrage-Algorithmen erlauben eine Bereitstellung der

Gewebeproben entsprechend der jeweiligen wissenschaftlichen Fragestellung.

Darüber hinaus liegen die Qualitäten dieser Datenbank neben der schnellen

Zugreifbarkeit in der Erweiterbarkeit der Datensätze.

7

2. English Summary

2.1. Backround and objectives

Up to now, the conventional way to handle tissue materials obtained by surgical

interventions was based on the manual pick up of the samples from archived data

lists. After subsequent investigation and analysis of the tissue samples, the obtained

clinical data has to be completed in the data system. Since this process requires a

time-consuming file search within the current file pool as well as in the archive of

the ophthalmological clinics, important data may be excluded from the research due

to missing information in the system of stored data. As such lack of information

affects the scientific work drastically, a new database has to be established.

The aim of this study was the buildup of a digital data base for tissue materials

“Biobank” to offer a rapid and systematic overview of the data list in the stored

system. Moreover, an automatically generated query of samples being available for

investigation and their direct connection to relevant clinical patient data was

established in order to avoid any further manual integration on the files.

2.2. Methods

In a first step, a database structure was created using Microsoft Access 2010 with

the general parameters including name, age, sex, laboratory number as well as type

and number of the tissue samples and the eye side. Clinically relevant specific

parameters, such as systemic diseases, diagnoses, medications, surgery, types of

surgery and medical history data were captured in the form of six tables in the

database within subgroups. Following implementation of querying algorithms

enabled the automatic sample search, which depend on the research criteria.

In a second step, the data of 1677 existing tissue samples (trabecular meshwork,

iris, lens capsule and aqueous humor), which were obtained from

ophthalmosurgical intervention in the time period between 2008 and 2010, were

digitized and analyzed concerning their specific information from the relevant

patient records. The analysis was carried out according to the specific parameters

established in the database and subsequently transferred to the Access 2010

program.

8

2.3. Results

Form a total amount of 1677 tissue samples, an amount of 1072, which corresponds

to 63.9% of the data content could be correlated to patient data and added to a digital

system. Thereby following statistical results were obtained: 544 times the left, 518

times affected the right eye and 10 times both eyes. Systemic diseases included:

diabetes mellitus 258 (24.1%), hypertension 721 (67.3%), combination of diabetes

mellitus and hypertension 212 (19.8%), cardiovascular disease 348 (32.5%),

neurological disorders 89 (8.3%), Alzheimer's disease 36 (3.4%), Parkinson's

disease 24 (2.2%), 77 cancer (7.2%), liver disease 22 (2.1%), kidney disease 98

(9.1%), lung disease 117 (11.0%), gastrointestinal diseases 24 (2.2%), infectious

diseases 7 (0.7%). Eye diseases included: Pseudoexfoliation (PEX) 267 (24.9%),

cataract 893 (83.3%), including cortical 359 (33.5%), nuclearis 357 (33.3%) and

corticonuclearis 479 (44.7%), pseudophakic 53 (4,9%), glaucoma 370 (34.5%), of

primary open-angle glaucoma, 203 (18.9%), age-related macular degeneration

(AMD) 111 (10.3%), corneal diseases 49 (4.6%), Iris diseases 7 (0.7%), posterior

synechiae 32 (3.0%), rubeosis iridis 7 (0.7%), diabetic retinopathy 37 (3.5%) and

other retinal disorders 94 (8.8%).

2.4. Conclusion

It could be demonstrated that in a non-electronic documented “Biobank”, a third of

the existing tissue material samples are not available for investigation due to

missing clinical data and correlation to the patient. Therefore a digital

implementation of the data leads to a significant increase of the scientific effect due

to reliable as well as complete data bank. The query algorithms are able to provide

tissue samples in respect to the specific scientific question and research criteria.

Moreover, the creation of the presented data base offers on the one hand a high

potential for a rapid access to the stored data and on the other hand it permits a

permanent expandability of the data sets. It can be concluded, that a digital

“Biobank” represents an essential time-saving and innovative technique for an

efficient scientific work.

9

3. Einleitung

„Der Zugriff auf und die Verwaltung von Information spielt eine immer wichtiger

werdende Rolle in der heutigen Gesellschaft - sei es für Unternehmen, Politiker,

Wissenschaftler, Verwaltungen, etc. Es wird geschätzt, dass sich die

„Informationsmenge“ derzeit alle 5 Jahre verdoppelt […]. Während in früheren

Zeiten der Großteil der Information auf Papier abgelegt war, werden wir heute von

einer elektronischen Informationsflut „überrollt“. Deshalb gewinnen

Datenbankverwaltungssysteme (engl. database management systems, abgek.

DBMS) eine immer größere Bedeutung. Heute findet sich kaum noch eine größere

Organisation oder ein größeres Unternehmen, das nicht ein DBMS für die

Informationsverwaltung einsetzt. Man denke etwa an Banken, Versicherungen,

Flugunternehmen und Universitätsverwaltungen […].“ [13]. Das oben genannte

Zitat verdeutlicht die Relevanz der vorgelegten Arbeit, indem es die Notwendigkeit

der Speicherung und Verwaltung von Informationen aufzeigt. Zudem kann mit

dieser Arbeit getestet werden, ob auch zukünftig erhobene Datenmengen der

medizinischen Forschung in digitaler Form gespeichert werden sollten. Ein

weiteres Ziel war es, bereits erhobene und in Papierform gesammelte

Patienteninformationen der Augenklinik unter, im Vorfeld festgelegten Parametern

zusammenzutragen zu digitalisieren und zu katalogisieren. Es sollte möglich sein,

jederzeit den Ist-Zustand der vorhandenen Gewebeproben des

Universitätsklinikums abzurufen. Aus diesen Umständen entstand jenes

Pilotprojekt, bei dem ausgewählte Informationen einer kleinen Datenbank unter

Zuhilfenahme des Programmes Access 2010 von Microsoft zugeführt wurden. Die

sechs Tabellen, die miteinander verknüpft sind, enthalten Informationen über

Name, Vorname, Geburtsdatum von Patienten, Allgemeinerkrankungen,

Operationen der Augen, Medikamente und die Diagnosen. Um die Diagnosen

besser einordnen zu können, werden im Folgenden die Hauptdiagnosen kurz

umrissen. Da es in der medizinischen Fachrichtung der Ophthalmologie viele

mögliche Differentialdiagnosen gibt, wird hier nur die kleine Auswahl der für die

Datenbank relevanten Diagnosen erläutert. Als eines der aktuellen Themen in der

modernen Forschung der Augenheilkunde ist das Pseudoexfoliationssyndrom

(PEX) in der Literatur zu finden. Eine Pseudoexfoliation liegt vor, wenn fibrilläre

Basalmembranproteine im vorderen Augenabschnitt zu finden sind. Es kommt so

zu Veränderungen der Linse (z.B. Katarakt, Subluxation der Linse) und/oder zu

10

Irisveränderungen (weißliche Flocken am Pupillarsaum). Circa 60% der Augen mit

PEX entwickeln ein Glaukom. Durch Verlegung des Trabekelwerks mit

Pseudoexfoliationsmaterial steigt der Augeninnendruck und führt zu einer

Schädigung des Auges [1]. Bei der Katarakt, im Volksmund auch `grauer Star`

genannt handelt es sich um eine Linsentrübung. Ein grauer Star liegt vor, wenn das

Sehen des Patienten in einer hinderlichen Weise herabgesetzt ist. Katarakt kann als

physiologischer Prozess im Alter angesehen werden. Seine Pathogenese ist noch

nicht vollständig geklärt. Die Symptome umfassen z.B. Sehverschlechterung,

Kontrastabschwächung und reduzierte Farbwahrnehmung. Man kann Katarakt zum

Beispiel bezüglich der Ätiologie einteilen. Man unterscheidet den Altersstar

(Cataracta senilis) von Katarakt bei Allgemeinerkrankungen (häufig Diabetes), bei

Augenerkrankungen (Cataracta complicata), nach intraokularen Operationen, durch

Verletzungen (Cataracta traumatica), durch Medikamente oder physikalisch

bedingten Katarakt sowie kongenitalen und konnatalen Katarakt. Eine weitere

Einteilung ist bezüglich der Lokalisation der Trübung möglich. Man differenziert

Rindenstar (Cataracta corticalis), subkapsuläre hintere Rindentrübung (Cataracta

subcapsularis posterior), Kernstar (Cataracta nuclearis), Schichtstar (Cataracta

zonularis) und Kranzstar (Cataracta coronaria). Eine dritte Einteilung richtet sich

nach dem Entwicklungsstadium der Krankheit,zum Beispiel: Cataracta incipiens

(geringe Linsentrübung), Cataracta provecta (fortgeschrittene Linsentrübung),

Cataracta praematura (trotz Trübung ist zurückfallendes Licht der Aderhaut

erkennbar), Cataracta matura (völlig getrübte Linse), Cataracta hypermatura (Kern

in der verflüssigten Linse abgesackt) und Cataracta intumescens (durch

Wasseraufnahme vergrößerte Linse) [6]. Das Glaukom wird umgangssprachlich als

`grüner Star` betitelt. Es bezeichnet mehrere Krankheiten verschiedener Ätiologie,

die alle eine Schädigung des Sehnervs und des Gesichtsfeldes verbindet. Man

unterscheidet primäre Glaukome, die spontan auftreten, von sekundären

Glaukomen, welche Folge anderer Augenerkrankungen oder

Allgemeinerkrankungen sein können. Ein gemeinsamer pathogenetischer

Risikofaktor ist der erhöhte Augeninnendruck. Dieser entsteht durch eine

Abflussbehinderung des Kammerwassers im Trabekelwerk und kann die

Optikusfasern schädigen [7]. Es werden drei Formen des Glaukoms unterschieden.

Die kongenitalen Glaukomformen umfassen die dysgenetischen Glaukome sowie

Glaukome bei systemischen Fehlbildungen. Die Offenwinkelglaukome werden

11

unterteilt in primäre und sekundäre Glaukome. Die primären Offenwinkelglaukome

(POWG) kommen sehr häufig vor (>90%). Zu den sekundären

Offenwinkelglaukomen (SOWG) zählen unter anderem das

Pseudoexfoliationsglaukom und das Pigmentdispersionsglaukom. Die dritte

Gruppe der Glaukome stellen die Engwinkelglaukome dar. Auch sie werden in

primäre und sekundäre Glaukome differenziert. Bei den primären Glaukomen

handelt es sich um einen akuten Winkelblock oder einen sogenannten

Glaukomanfall. Zu den sekundären zählt ein Winkelblock mit oder ohne

Pupillarblock [9]. Eine weitere Hauptgruppe der Diagnosen sind die altersbedingten

Makuladegenerationen (AMD). Bei dieser Erkrankung wird das Netzhautzentrum

durch eine Ansammlung von Stoffwechselprodukten zerstört [8]. Sowohl Drusen,

retinale Pigmentepithelverschiebung, geographische Atrophie des retinalen

Pigmentepithels als auch die choroidale Neovaskularisation zählen zu dieser

Gruppe. Außerdem wurden in die Tabelle der Diagnosen auch Erkrankungen der

Hornhaut (z.B.: hereditäre Hornhautdystrophie), der Netzhaut (z.B.: Amotio

retinae) und der Iris aufgenommen. Des Weiteren wurden auch Abfragen zu

hinteren Synechien, Rubeosis Iridis, Retinopathia Diabetica und zu Pseudophakie

eingefügt.

12

4. Problemstellung

Die Aufgabe der Erstellung einer biometrischen Datenbank erforderte im Vorfeld

eine detaillierte Planung und Vorbereitung der theoretischen Anforderungen an

solch eine Datenbank. Zuerst musste ein theoretischer Grundstock für die

enthaltenen Parameter der Datensammlung erstellt werden, der den Anforderungen

der künftigen Nutzer gerecht wird. Diese Planung übernahm Prof. Dr. A. Jünemann.

Die technische Umsetzung dieser Arbeit wurde von den Diplominformatikern

Herrn Frank Lauterwald und Herrn Alexander Wege übernommen. Es wurden 6

Tabellen erstellt, die miteinander in Beziehung stehen. Diese setzen sich aus einer

Tabelle für die Patienten (Name, Vorname, Geburtsdatum), für die

Allgemeinerkrankungen, die Diagnose, die Medikamente, die Operationsmethode

zusammen sowie aus einer, welche die entnommenen Gewebeproben näher

bestimmt. Während der Sichtung der angestrebten 1677 Akten stellte sich die

Auffindbarkeit der Patientenakten als limitierendes Problem dar. Lediglich 1072

Karteien konnten zusammengetragen und ausgewertet werden. Die restlichen

Akten waren trotz intensiver Suche nicht auffindbar. Um einen solchen Verlust von

ca. 36,1% zu vermeiden, bietet sich eine elektronische Datenbank als geforderte

Lösung an. Ziel dieser Arbeit war es, einen effizienten Weg zu finden,

Patientenakten zu digitalisieren, also auch zu katalogisieren, um auf dieses Archiv

schnell und gezielt zugreifen zu können

13

5. Material und Methoden

5.1. Definition und Eigenschaften von Datenbanken

In Datenbanken sollten die zu erfassenden Informationen in einer strukturierten und

„durchsuchbaren“ Form elektronisch gespeichert werden. Eine Datenbank muss die

Möglichkeit bieten, Informationen, also interpretierte Daten zu erfassen,

auszuwerten und zu verwalten. Als interpretierte Daten werden verwendete Werte

in Feldern der Tabellen bezeichnet, welche kodiert sind (z.B. als Zahlen). Es muss

dabei jedem Feld eine bestimmte Aussage zugeordnet werden (z.B. Art der

Diagnose), die bekannt sein muss, um die jeweilige Information entnehmen zu

können (z.B. Katarakt). Eine biometrische Datenbank dient der Erfassung und

Auswertung spezifischer Werte zu einzelnen Probanden oder Patienten. Die

Schwierigkeit bei der Speicherung biometrischer Daten liegt in den verschieden

ausgeprägten Datenmengen und deren Relationen zueinander. Beispielsweise

können einem Patient mehrere Operationen und damit mehrere entnommene

Proben zugeordnet werden. Als Abbildung dieser verschiedenen Datenmengen und

Datenbeziehungen ist eine einzelne, isolierte Tabellenstruktur nicht geeignet. Zur

Speicherung der Daten müsste eine Tabelle die maximal mögliche Menge an

Operationen als Spalten enthalten. Allerdings lässt sich die maximale Menge an

Eingriffen (bis zu „n“ OP´s) bei Beginn der Dateneingabe nicht abschätzen. Die

Tabelle müsste, bei jedem Patienten mit einer größeren Menge an Operationen als

bisher erfasst, angepasst werden.

Pat

ien

t

Geb

. D

atu

m

Lab

orn

um

mer

1

Lab

orn

um

mer

2

Lab

orn

um

mer

3

…

Lab

orn

um

mer

7

Dia

gn

ose

1

…

Dia

gn

ose

5

Patient 1 01.12.56 12376 15678 16668 17890

Patient 2 23.02.86 11564 12358 14673 16542

Tabelle 1: Bsp. Datenablage in einer Tabelle

Zur Datenablage ist eine relationale Datenbank geeignet. „Eine Datenbank ist eine

Sammlung von Daten, die einen Ausschnitt der realen Welt beschreiben. Unter

14

Daten verstehen wir bekannte Tatsachen, die aufgezeichnet werden können und

eine implizite Bedeutung haben.“ [4]

Eine Datenbank hat folgende Eigenschaften:

• „Eine Datenbank stellt Aspekte [bzw. einen Ausschnitt] der realen Welt dar,

die auch als Miniwelt oder Universe of Disclosure (UoD) bezeichnet wird.

Änderungen in der Miniwelt spiegeln sich in der Datenbank wieder.

• Eine Datenbank ist eine logisch zusammenhängende Sammlung von Daten

mit einer bestimmten inhärenten Bedeutung. […]

• Eine Datenbank wird für einen bestimmten Zweck entworfen, entwickelt

und mit Daten gefüllt. Sie wird von einer bestimmten Benutzergruppe in

zweckbezogenen Anwendungen verwendet, an denen eben diese Benutzer

interessiert sind.“ [4] „Unter einer relationalen Datenbank wird eine bestimmte

Zuordnung von Werten zu Eigenschaften der Anwendung verstanden. Diese

Zuordnungen können in Tabellen besonders günstig dargestellt werden.“ [3] „Eine

Datenbank kann manuell oder computergestützt erzeugt oder gepflegt werden.

[…].“ [5] Die biometrische Datenbank der Augenklinik soll computergestützt

erstellt werden, um eine einfache Dateneingabe und Suche zu gewährleisten. „Eine

computergestützte Datenbank kann […] mit Hilfe eines

Datenbankmanagementsystems (DBMS) erstellt und gepflegt werden.“ [5] „Die

Hauptaufgabe eines DBMS besteht darin, seinen Anwendern die Möglichkeit zu

geben,

• Daten in die Datenbank einfügen,

• Daten aus der Datenbank zu löschen,

• Daten in der Datenbank zu ändern und

• Daten in der Datenbank zu suchen“ [14]

5.2. Gewähltes Datenbank-Managementsystem

Für die Realisierung der biometrischen Datenbank wurde als

Datenbankmanagementsystem das Produkt Access der Firma Microsoft verwendet.

„Access 2010 ist ein Tool zu Entwurf und Bereitstellung von

Datenbankanwendungen, […].“ [11], das zum einfachen und schnellen Entwickeln

von relationalen Datenbankanwendungen dienen kann, die […] beim Verwalten

von Informationen unterstützen. [Man kann] eine Datenbank erstellen, um […]

beim Nachverfolgen nahezu jeder Art von Informationen zu unterstützen, z. B.

15

Lagerbestände, [...] oder Geschäftsprozesse. Access umfasst von vornherein eine

Reihe von Vorlagen, die [verwendet werden] können, um auf der Stelle mit dem

Erfassen einer Vielzahl von Informationen zu beginnen, was auch Einsteigern die

ersten Schritte erleichtert.“ [10] „Access enthält […] das DBMS (Microsoft Jet

Engine), das die in separaten Dateien mit der Endung .accbd (.mdb in der Version

2003) hinterlegten Daten verwaltet. Es enthält jedoch auch Werkzeuge zum

Erstellen der grafischen Benutzeroberfläche mit entsprechenden Fenstern zum

Bearbeiten der Daten.“ [16] Der Programmcode für diese grafische

Benutzeroberfläche ist ebenfalls in den .accbd Dateien enthalten. Microsoft Access

übernimmt also nicht nur die Funktionalitäten eines DBMS (Daten einfügen,

ändern, löschen, suchen), sondern auch das Anzeigen der jeweils für die Funktionen

generierten grafischen Oberfläche. Es gibt unterschiedliche grafische Oberflächen

für:

• Maske zur Dateneingabe,

• Maske zur Datenausgabe,

• Maske zum Suchen von Informationen.

Die meisten anderen am Markt befindlichen Datenbanksysteme (Oracle DB,

Microsoft SQL Server, IBM DB2, MySQL) bieten lediglich die Funktionalitäten

eines DBMS ohne Unterstützung für die Erstellung von grafischen

Benutzeroberflächen. Für diese Datenbanksysteme müssen die grafischen

Oberflächen und die dazugehörige Anwendungslogik separat mit Hilfe einer

Programmiersprache entwickelt werden. Es werden einzelne beliebige

Informationen in Tabellen zusammengefasst. Jedes Thema sollte in einer neuen

Tabelle angelegt werden, um eine Datenredundanz (Mehrfach-Einträge) zu

vermeiden. Um später gezielt nach Informationen suchen zu können, sollte jedes

Feld einer Tabelle nur eine Art von Information beinhalten [12]. Es werden

sogenannte Schlüssel benötigt, um mehrere Tabellen sinnvoll miteinander zu

verknüpfen. „Für die Arbeit mit Tabellen ist es essentiell, dass jede Tabellenzeile

von allen anderen Zeilen unterschieden werden kann, oder mit anderen Worten:

Eine einzelne Tabellenzeile muss eindeutig identifizierbar sein, eine eigene

Identität besitzen. Andernfalls werden Aktualisierungs- oder Löschoperationen für

einzelne definierte Tabellenzeilen nicht möglich sein, da eine Selektion der für

diese Operationen erforderlichen Zeilen unmöglich ist. Eine Zeilenidentität für eine

Tabelle wird durch die Vergabe eines Primärschlüssels für diese Tabelle eingeführt.

16

Ein solcher Primärschlüssel besteht letztlich aus einer Aneinanderreihung von

Spalten, die zusammengenommen eine Tabellenzeile als eindeutig kennzeichnen.“

[15] „Wenn eine Tabelle ein Feld enthält, das dem Primärschlüssel einer (anderen)

Tabelle entspricht, wird dieses Feld als Fremdschlüssel bezeichnet. Der

Unterschied zwischen einem Primär- und einem Fremdschlüssel besteht darin, dass

ein Fremdschlüssel nicht eindeutig sein muss. Verschiedene Datensätze einer

Tabelle dürfen im Fremdschlüssel gleiche Werte speichern. Das Zusammenpassen

des Primärschlüssels und des Fremdschlüssels stellt die Beziehung in einer

relationalen Datenbank dar. In einer 1:n-Beziehung zwischen zwei Tabellen wird

auf der einen Seite der Primärschlüssel als das zu verbindende Feld verwendet. In

der Tabelle der n-Seite wird dann dasselbe Feld eingefügt, dessen Inhalt aber nun

natürlich nicht mehr eindeutig ist, sondern mehrfach vorkommen kann. Dieses Feld

in der Tabelle der n-Seite heißt Fremdschlüssel.“ [2] Bei der vorliegenden

biometrischen Datenbank wird die 1:n Verknüpfung verwendet. Beispielsweise

kann man einem Patienten mehrere Diagnosen oder auch mehrere Labornummern

zuordnen, da eventuell in verschiedenen Operationen unterschiedliche Proben bei

einem Patienten entnommen wurden. Das bedeutet, dass genau einem bestimmten

Datensatz aus der ersten Tabelle mehrere (also n) verschiedene Datensätze aus

weiteren Tabellen zugeordnet werden können. Dies geschieht wie oben

beschrieben, indem die Fremdschlüssel jeder Tabelle auf den einen Primärschlüssel

der ersten Tabelle verweisen und so die Verbindung hergestellt wird. Access bietet

die Vorteile der Verwaltung und Speicherung großer Datenmengen in bereits

vorhandenen Datenbanken sowie der selbständigen Erstellung einer Datenbank.

Weiterhin können beliebig enthaltene Daten der Bank bearbeitet, entfernt und

hinzugefügt werden. Außerdem besteht die Möglichkeit der Sortierung, Filterung

und Auswertung der Daten nach gewünschten Kriterien. Jedes Datenbanksystem ist

individuell unterschiedlich aufgebaut oder trägt verschiedene Bezeichnungen.

Diese Individualität findet bei Access 2010 Ausdruck in spezifischen Objekten. Es

sind Tabellen, Abfragen, Formulare, Berichte, Module und Makros vorhanden,

wobei die letzten vier Bezeichnungen nur bei Microsoft Access verwendet werden.

17

5.3. Projektspezifische Anwendung des

Datenbankmanagementsystems

Die erstellte Biodatenbank enthält sechs Tabellen, kurz „tbl“, die die

Themengruppen Allgemeinerkrankungen, Diagnosen, Medikamente, Operationen,

Operationsarten und anamnestische Informationen über den Patienten umfassen.

Auf der Startmaske der Datenbank wählt der Benutzer zwischen den Aktionen

`Patienten verwalten`, `Labornummer suchen` und `Beenden`. Mit dem Button

`Patienten verwalten` gelangt man zu den gesammelten Datensätzen behandelter

Patienten. Wird nach bestimmten Patienten oder deren entnommenen Bioproben

gesucht, wählt man `Labornummer suchen`. (Vgl. Abb. 1)

Abbildung 1: Screenshot der Haupteingabemaske von Microsoft Access 2010

Abbildung 2: Screenshot der Patienteneingabemaske von Microsoft Access 2010

18

In jede der Tabellen der erstellten Datenbank wurden die relevanten und

vorhandenen Datensätze manuell eingegeben. Attribute, die Patientennamen und

deren Geburtsdatum enthalten, finden sich in der Patiententabelle. (Vgl. Abb. 2)

Die sogenannten Attribute der Tabelle Allgemeinerkrankungen umfassen Diabetes

Mellitus, Hypertonus, kardiovaskuläre Erkrankungen, neurologische

Erkrankungen, Demenz mit Alzheimer, Parkinson oder nicht näher bezeichnet,

Tumorleiden, immunologische Erkrankungen, Lebererkrankungen,

Nierenerkrankungen, Lungenerkrankungen, Magen-Darm-Erkrankungen und eine

Infektiösität des Patienten. (Vgl. Abb. 3)

Abbildung 3: Screenshot der Anamnesemaske von Microsoft Access 2010

Die Attribute der Diagnosetabelle beinhalten allgemeine Informationen wie die

Labornummer der einzelnen Patienten, das Operationsdatum und die operierte

Augenseite. Außerdem sind mögliche Diagnosen erfasst wie PEX

(Pseudoexfoliationssyndrom), Katarakt und dessen Subformen ( Bsp.: C. nuclearis,

C. corticalis, C. complicata, C. brunescens, C. matura, C. congenita und

Mischformen), Glaukom mit entsprechenden Subformen ( Bsp.: primäres

Offenwinkelglaukom, sekundäres Offenwinkelglaukom

(Pseudoexfoliationsglaukom), Engwinkelglaukom, Winkelblockglaukom) und

nähere Beschreibungen der glaukomatösen Erkrankung. Des Weiteren enthält die

Diagnosetabelle die Attribute altersbedingte Maculadegenerationen, kurz „AMD“

(Bsp.: Drusen, Verschiebungen des retinalen Pigmentepithels, geographische

Atrophie des retinalen Pigmentepithels, choroidale Neovaskularisation und

19

andere), Zustand nach Verletzung, Hornhauterkrankungen, Iriserkrankungen,

hintere Synechien, Rubeosis iridis, Retinopathia diabetica, Netzhauterkrankungen,

Zustand nach Operation und Pseudophakie. (Vgl. Abb. 4 / Abb. 5 / Abb. 6)

Abbildung 4: Screenshot der Diagnosemaske von Microsoft Access 210 1/3

Abbildung 5: Screenshot der Diagnosemaske von Microsoft Access 2010 2/3

20

Abbildung 6: Screenshot der Diagnosemaske von Microsoft Access 2010 3/3

In der Tabelle der Medikamente finden sich folgende Attribute:

Prostaglandinderivate, A2-Agonisten, CAI, Pilocarbin, Beta-Blocker, Steroide,

NSAID, Antibiotika, Nahrungsergänzungen und sonstige Medikamente. (Vgl. Abb.

7)

Abbildung 7: Screenshot der Medikamentenmaske von Microsoft Access 2010

Die Tabelle der Operationen enthält Daten wie die Labornummer, die operierte

Augenseite, das Datum der Operation sowie Informationen über entnommene

Proben von Iris, Kammerwasser, Trabekelwerk, Tenon, Bindehaut, Linsenkapsel,

Glaskörper und Blut/EDTA. In der Tabelle mit den Operationsarten lässt sich

zwischen Katarakt, Glaukom (Trabekulektomie, Trabekulotomie, tiefe

Sklerektomie, Sinusotomie, Laser, andere), Vitrektomie, retinale Argon-

21

Laserkoagulation, Kanaloplastik, Viskokanalostomie, endoskopische

Zyklophotokoagulation und Andere wählen. (Vgl. Abb. 8 / Abb. 9)

Abbildung 8: Screenshot der Operationsmaske von Microsoft Access 2010 1/2

Abbildung 9: Screenshot der Operationsmaske von Microsoft Access 2010 2/2

22

5.4. Anleitung für die Erstellung einer projektspezifischen

Abfragetabelle

Die vorgestellte Datenbank verfügt über die gesammelten und eingefügten Daten.

Da nun aber nicht jede der vorhandenen Informationen für geplante Studien

benötigt wird, ist es notwendig, gezielt Informationen aus der Datenbank filtern zu

können. Dies wird mithilfe eines Abfrageeditors realisiert. Dieser Editor ermöglicht

es, Abfragetabellen individuell zusammenzustellen und so nur benötigte

Informationen zu erhalten. Im Folgenden soll erklärt werden, wie dieser Tool

anzuwenden ist, um selbständig die gewünschte Abfrage generieren zu können. In

das vorhandene Programm Access 2010 wurde bereits eine Basistabelle

(qryOperationenBasis) eingefügt. Da diese Tabelle alle vorhandenen Datensätze

bereits beinhaltet, stellt sie den Ausgangspunkt jeder neu zu erstellenden

Abfragetabelle dar und ist unter den Access-Objekten „Abfragen“ am linken

Bildschirmrand zu finden. Um nun die gewünschte Abfragetabelle zu erstellen,

muss man in der Startleiste am oberen Bildschirmrand unter der Rubrik „Erstellen“

den Tool „Abfrageentwurf“ wählen. (Vgl. Abb. 10)

Abbildung 10: Screenshot der Erstellungsmaske von Microsoft Access 2010 1/2

Daraufhin wird gefragt, welche Tabelle angezeigt werden soll. Hier wählt man

immer die Basistabelle (qryOperationenBasis), wenn man aus der gesamten

Datenbank filtern möchte. Unter dem Tool „Abfragen“ ist dann die Basistabelle

auszuwählen und hinzuzufügen. Anschließend wird das Fenster geschlossen. (Vgl.

Abb. 11)

23

Abbildung 11: Screenshot der Erstellungsmaske von Microsoft Access 2010 2/2

Jetzt kann die gewünschte Abfrage erstellt werden. Aus dem geöffneten

Auswahlfenster sollte immer zuerst „*“ der Abfragetabelle hinzugefügt werden, da

dieses Zeichen alle Informationen der Tabelle in sich vereint und aus eben diesen

Informationen alle Folgenden gefiltert werden sollen. Im Folgenden werden zwei

Beispiele zur Erstellung einer individuellen Abfragetabelle vorgestellt.

Beispiel 1.:

Geforderte Abfragekriterien: Gesucht werden alle Patienten mit nicht

ausdifferenzierter Glaukomdiagnose. Sie sollen zum Zeitpunkt der OP über 50

Jahre alt sein und weder die Diagnose Diabetes Mellitus noch Hypertonie

aufweisen.

Vorgehen: Nachdem die Basistabelle gewählt und „*“ mit Doppelklick zur Abfrage

hinzugefügt wurde, werden nun die anderen Kriterien hinzugefügt. Also wird die

Abfrage „Glaukom“, „Alter bei OP“, „Diabetes Mellitus“ und „Hypertonie“ mit

Doppelklick zugefügt.

24

Abbildung 12: Screenshot der Auswahlmaske von Microsoft Access 2010 1/2

Alle Patienten sollen eine Glaukomdiagnose aufweisen, wobei hier die Diagnose

nicht näher beschrieben werden soll. Deshalb wird „Glaukom“ ausgewählt und in

die Abfragetabelle mit Doppelklick hinzugefügt. Wichtig ist, dass das Kriterium in

diesem Fall mit „wahr“ angegeben wird, da alle Patienten einen Haken bei dem

Diagnosefeld Glaukom haben sollen. Da nun aber Diabetes und Hypertonie nicht

erwünscht sind, muss in die Zeile „Kriterien“ das Wort „falsch“ eingefügt werden,

um festzulegen, dass diese Kriterien für keine der Datensätze gelten sollen. Da alle

Patienten über 50 Jahre alt sein sollen, muss bei „Kriterium“ die Prämisse „>=50“

eingetragen werden. (Vgl. Abb. 12) Sind alle Voraussetzungen erfüllt, kann der

Suchlauf mit dem Button „Ausführen“ in der linken oberen Ecke gestartet werden.

Beispiel 2.:

Geforderte Abfragekriterien: Gesucht werden alle Patienten, die einen Cataracta

nuclearis aufweisen und zusätzlich Prostaglandinderivate einnehmen.

Vorgehen: Zunächst wie oben beschrieben. Die Basistabelle muss ausgewählt und

„*“ hinzugefügt werden. Anschließend werden die individuellen Kriterien

ausgewählt.

25

Abbildung 13: Screenshot der Auswahlmaske von Mircosoft Access 2010 2/2

Es wird „Cataract“ ausgewählt und als „wahr“ markiert, ebenso wie

„Prostaglandinderivate“. Die „Cataractform“ soll nun das Kriterium „corticalis“

aufweisen. (Vgl. Abb. 13) Wenn alle gesuchten Kriterien vorhanden sind, wird der

Suchlauf mit dem Button „Ausführen“ gestartet.

26

6. Ergebnisse

Zunächst wurde mit der Datenerfassung der Patienten, die in der Augenklinik der

Universität Erlangen-Nürnberg behandelt wurden, begonnen. Eigentlich sollten

1677 Akten in die biometrische Datenbank aufgenommen werden, jedoch wurden

lediglich 1072 Akten, also 63,9% aufgefunden. Dabei fiel auf, dass manche Akten

gut sortiert im Kardex der Anmeldung der Poliklinik aufbewahrt wurden und ältere

Karteien im Archiv im Keller der Augenklinik. Viele Akten (36,1%) allerdings

waren nicht auffindbar, unvollständig oder leer. Mit dieser statistischen und

elektronischen Datenerfassung mithilfe von Microsoft Access 2010 sollte eine

erweiterbare und übersichtliche Sammlung von bereits erhobenen Datensätzen der

Augenklinik erstellt werden. Durch die Arbeit an der biometrischen Datenbank sind

einige Aspekte klar geworden. Zunächst wäre da die Tatsache, dass es von großem

Vorteil ist diese Art der Datenbank anzuwenden, da man so die Möglichkeit besitzt,

mithilfe einer Online-Vernetzung der Universitätskliniken Erlangen-Nürnberg die

jeweils erhobenen Daten zwischen den verschiedenen Abteilungen der Universität

auszutauschen. Weiterhin könnte zum Beispiel die Beschaffung von Daten für

klinische Studien vereinfacht werden, indem ein schneller Zugriff auf

entsprechende Datensätze möglich wäre. Während der Arbeit an diesem Projekt

wurden stichpunktartig die Zeiten notiert, die für das Auffinden der einzelnen

Akten nötig waren. Wie schon erwähnt werden Patientenakten an verschiedenen

Orten verwahrt, je nach Datum des letzten Besuches des Patienten in der

Augenklinik. Zunächst wurden die Karteikarten der Jahre 2008 bis 2010 im

Aktenpool der Poliklinik gesucht, da dort die aktuellen Unterlagen der jeweiligen

letzten zwei Jahre aufbewahrt werden. Im Schnitt dauerte die Suche 2,17 Minuten

pro Kartei, sowohl für die Akten, die dort gelagert wurden, als auch für jene, die

nicht ausfindig zu machen waren. Die benötigte Zeit wurde stichprobenartig an

verschiedenen Tagen 89-mal gemessen, gemittelt und so die Durchschnittszeit von

2,17 Minuten errechnet. Das bedeutet, dass ca. 60,65 Stunden (1677x2,17 min)

damit zugebracht wurden, die Akten an nur einem der möglichen Orte zu suchen.

Da etwa 40% der Akten (671 Akten) der Gesamtanzahl der Karteien in der

Ambulanz gefunden wurden, verringerte sich auch die Zeit, die für den Rest der

Akten im Archiv im Keller der Klinik benötigt wurde. Hier waren es im Mittel 2,51

Minuten, die für die Suche errechnet werden konnte. Die Zeit, die im Archiv im

Keller aufgewendet wurde, betrug 42,08 Stunden (1006x2,51 min). Weiterhin ist

27

zu erwähnen, dass sich die benötigte Zeit pro Akte auch im Laufe der Arbeit

verringerte, da ich zunehmend Einblick in das System der Kartenarchivierung der

Universität gewann. Nichtsdestotrotz wurden von 1677 nur 1072 Patientenakten

gefunden. Das ergibt einen Zeitverlust von 23,59 Stunden (605x2,34 min), die für

Akten, die nicht auffindbar waren, aufgewendet werden mussten. Im Vergleich

hierzu ist das Suchen nach Informationen mithilfe der Datenbank sehr viel

komfortabler und schneller. Es dauert maximal einige Sekunden, den Namen oder

die Labornummer des gesuchten Patienten in die Suchmaske einzugeben und die

Ergebnisse zu entnehmen. Die statistischen Ergebnisse der Datenbank sind im

Folgenden tabellarisch aufgeführt.

Patientenanzahl

Allgemein:

Mittleres Alter

Linke Augenseite

Rechte Augenseite

Beide Augen

Ca. 70

544

518

10

Allgemeinerkrankungen:

Diabetes Mellitus

Hypertonus

Kardiovaskuläre Erkrankungen

Neurologische Erkrankungen

Demenz-Alzheimer

Demenz-Parkinson

Tumorleiden

Immunologische Störung

Lebererkrankungen

Nierenerkrankungen

Lungenerkrankungen

Magen-Darm-Erkrankungen

Infektiös

258

721

348

89

36

24

77

1

22

98

117

24

7

Entnommene Gewebeproben:

Kammerwasser

Iris

Trabekelwerk

Tenon

Bindehaut

1012

43

5

2

1

28

Linsenkapsel

Glaskörper

Blut/EDTA

5

135

2

Diagnosen:

PEX

Catarakt insgesamt

Bsp.: Catarakta nuclearis

Catarakta corticalis

Catarakta corticonuclearis

Glaukom insgesamt

Bsp.: Primäres Offenwinkelglaukom

Sekundäres Offenwinkelglaukom

Winkelblockglaukom

Altersbedingt. Makuladegeneration insgesamt

Bsp.: Drusen

Retinale Pigmentepithelverschiebung

Geograph. Atrophie d. retinal. Pigmentepithels

Choronoidale Neovaskularisation

Andere

Hornhauterkrankungen

Iriserkrankungen

Hintere Synechien

Retinopathia Diabetica

Rubeosis Iridis

Netzhauterkrankungen

Pseudophakie

267

893

357

359

479

370

203

25

10

111

61

43

1

6

2

49

7

32

37

7

94

53

Medikamente:

Prostaglandinderivate

A2-Agonisten

Beta-Blocker

CAI

Pilocarbin

Steroide

NSAID

Antibiotika

211

97

221

181

23

80

2

6

Tabelle 2. Statistische Ergebnisse der Datenbank

29

7. Diskussion

In der vorliegenden Arbeit wurde eine biometrische Datenbank erstellt. Die

Datenbank erlaubt die Erhebung, Speicherung und Verarbeitung von Informationen

der Patienten (Probanden). Darüber hinaus sind einige Probleme aufgetreten. Es

besteht die Möglichkeit, dass sich, trotz wiederholter Kontrolle und Sorgfalt,

vereinzelt Fehler in die Datenbank integriert haben. Dieses Problem könnte man

durch eine doppelblinde mehrfache Eingabe der Daten minimieren. Wenn zwei

oder mehr Personen die Datenlage erfassen würden, könnte man die entstandenen

Versionen der Datenbanken vergleichen und die nicht übereinstimmende

Schnittmenge kontrollieren, korrigieren und somit Fehlerquellen auf ein Minimum

reduzieren. Um dieser Forderung allerdings nachzukommen, ist Personal und ein

hoher Aufwand erforderlich. Würde man diese Fehlerquellen nicht eliminieren und

Dritte würden verschiedene Daten der Sammlung entnehmen, um anderweitige

Studien zu betreiben, würden sich eventuelle Fehler potenzieren und so auch

weitere, fortführende Studien unbrauchbar machen. Ein Vorteil dieser

biometrischen Datenbank gegenüber der jetzigen Methode liegt in der

Erweiterbarkeit der Technik. Zum einen ist die Patientenliste erweiterbar und zum

anderen könnte man beispielsweise bestimmte Suchoptionen einfügen, die für

zukünftige Studien von Bedeutung sein können. Man kann Suchoptionen so

generieren, dass sie die Patientendaten filtern, die z.B. eine gewünschte Diagnose

und ein zusätzlich verwendetes Medikament enthalten. Positiv zu erwähnen wäre

auch, dass zukünftig geführte Studien mithilfe dieser Datenbank anonymisiert

durchgeführt werden können, indem nur die jeweiligen Labornummern der

Patienten verwendet werden. So kann der erforderliche Datenschutz gewahrt

werden. Mit dieser Datenbank ist man außerdem in der Lage, großangelegte

Studien, die das Sammeln vieler Patientendaten erfordern, in einer Zeit zu

bewältigen, die mit den bisherigen Methoden nicht zu schaffen ist. Es ist eine

effiziente, schnelle Suche nach Datensätzen möglich geworden, die es erlaubt,

riesige Datenmengen in kurzer Zeit zusammenzutragen und zu speichern. Wie oben

bereits erwähnt, wurden von 1677 ca. 1072 Patientenakten gefunden und

eingegeben. Die größten Probleme waren hierbei die Beschaffung sowie die

Auffindbarkeit etlicher Patientenakten. Schnell wurde deutlich, dass viele dieser

Akten nicht in den entsprechenden Ablagesystemen der Universitätsklinik zu

finden waren. Eine weitere Schwierigkeit war weiterhin die relative oder absolute

30

Unvollständigkeit mancher Akten, welche die Realisierung der Studie erschwerten.

Aufgrund dieser Tatsache kann die Notwendigkeit der Digitalisierung von Daten in

der heutigen Zeit deutlich gemacht werden. Wenn man die Patientendaten sofort

elektronisch erfassen würde, würden weniger Daten verloren gehen und man könnte

jederzeit darauf zurückgreifen. Die Informationen könnten in großen Datenbanken

gespeichert, bearbeitet sowie erweitert werden und klinikintern verfügbar sein.

Dieser Umstand könnte wissenschaftlichen Mitarbeitern und autorisierten Personen

der Uniklinik den Zugang zu entsprechend benötigten Patienteninformationen

erleichtern. So müssten beispielsweise künftige Doktoranden nicht jede Kartei

eigenhändig in den Archiven suchen, sondern könnten die benötigten Daten einfach

aus der erstellten Datenbank entnehmen. So könnte wissenschaftliches Arbeiten

effizienter gestaltet werden. Der Nutzen dieser Arbeit liegt in der schnellen

Verfügbarkeit der gesammelten Datensätze sowie der Möglichkeit, einzelne

Informationen zu selektieren und aufzuarbeiten. Ein anderer Aspekt, der für solch

eine Datenbank spricht, wäre die Tatsache, dass bestimmte Bezeichnungen

vereinheitlicht werden könnten. Diese Vereinheitlichung würde auch der exakteren

Dokumentation der Patientenfälle entgegenkommen. Es könnte entweder der

Markenname oder der Wirkstoff von Medikamenten verwendet werden. Was

allerdings in einer neuprogrammierten Tabelle festgelegt werden müsste. So

könnten beispielsweise auch pharmakologische Studien unterstützt werden. Ein

weiteres Problem der handschriftlich geführten Patientenakten war die teilweise

vorkommende unleserliche Handschrift mancher Klinikmitarbeiter. Daraus

ergaben sich teilweise massive inhaltliche Probleme die Daten überhaupt korrekt in

die Datenbank eingeben zu können. Würde man die Patientendaten elektronisch

erfassen und eingeben, wäre auch dieses Problem gelöst.

31

8. Literaturverzeichnis

[1] Augustin, A. J., Augenheilkunde – Begründet von J. F. Collins, 2.Auflage,

Springer Verlag Berlin Heidelberg, 2001, S.300-301

[2] Bauder, I., Microsoft SQL-Server 2008 für Administratoren, Carl Hanser Verlag

München, 2008, S.241

[3] Eirund, H., Kohl, U., Datenbanken - leicht gemacht: Ein Arbeitsbuch für Nicht-

Informatiker, 3. Auflage, Vieweg+Teubner GWV Fachverlage GmbH, Wiesbaden,

2010, S.10

[4] Elmasri, R. A., Navathe, S. B., Grundlagen von Datenbanksystemen, 3.Auflag,

Pearson Studium, München, 2009, S.18

[5] Elmasri, R. A., Navathe, S. B., Grundlagen von Datenbanksystemen, 3.Auflage,

Pearson Studium, München, 2009, S.19

[6] Grehn, F., Augenheilkunde, 31. Auflage, Springer Verlag Berlin Heidelberg,

2012, S.155-157

[7] Grehn, F., Augenheilkunde, 31. Auflage, Springer Verlag Berlin Heidelberg,

2012, S.316

[8] Grehn, F., Augenheilkunde, 30. Auflage, Springer Verlag Berlin Heidelberg,

2008, S.242

[9] Hahn, G., Kurzlehrbuch Augenheilkunde, Georg Thieme Verlag KG Stuttgart,

2012, S.162

[10] http://office.microsoft.com/de-de/access-help/grundlegende-aufgaben-in-

access-2010-HA101829991.aspx#_Toc254780070 „Relationale Datenbanken in

Access“, Microsoft 2012 (Zugriff am 8.April 2012)

32

[11] http://office.microsoft.com/de-de/access-help/grundlegende-aufgaben-in-

access-2010-HA101829991.aspx#_Toc254780070 „Was ist Access?“, Microsoft

2012 (Zugriff am 8.April 2012)

[12] http://www.teialehrbuch.de/Kostenlose-Kurse/Access-2002/13621-Regeln-

zum-Aufbau-von-Tabellen.html (Zugriff am 28. Juli 2013)

[13] Kemper, A., Eickler A., Datenbanksysteme: Eine Einführung, 6. Auflage,

Oldenbourg Wissenschaftsverlag GmbH, München, 2006, S.17

[14] Piepmeyer, L., Grundkurs Datenbanksysteme - Von den Konzepten bis zur

Anwendungsentwicklung, Carl Hanser Verlag, München, 2011, S.4

[15] Schmeling, H., Datenbankentwicklung mit dem Microsoft SQL-Server 2005,

Carl Hanser Verlag München, 2007, S.95

[16] Stern A., Keine Angst vor Access!: Datenbanken verstehen, entwerfen und

entwickeln für Access 2003 bis 2010. O'Reilly, Köln, 2011, S.24

33

9. Anhang

Tabellenverzeichnis

Tabelle 1: Bsp. Datenablage in einer Tabelle……………………………………..4

Tabelle 2: Statistische Ergebnisse der Datenbank……………………………….28

Abbildungsverzeichnis

Abbildung 1: Screenshot der Haupteingabemaske von Microsoft Access 2010 .. 17

Abbildung 2: Screenshot der Patienteneingabemaske von Microsoft Access 2010

....................................................................................................................... 17

Abbildung 3: Screenshot der Anamnesemaske von Microsoft Access 2010 ........ 18

Abbildung 4: Screenshot der Diagnosemaske von Microsoft Access 210 1/3 ..... 19

Abbildung 5: Screenshot der Diagnosemaske von Microsoft Access 2010 2/3 ... 19

Abbildung 6: Screenshot der Diagnosemaske von Microsoft Access 2010 3/3 ... 20

Abbildung 7: Screenshot der Medikamentenmaske von Microsoft Access 2010 . 20

Abbildung 8: Screenshot der Operationsmaske von Microsoft Access 2010 1/2 . 21

Abbildung 9: Screenshot der Operationsmaske von Microsoft Access 2010 2/2 . 21

Abbildung 10: Screenshot der Erstellungsmaske von Microsoft Access 2010 1/2

....................................................................................................................... 22

Abbildung 11: Screenshot der Erstellungsmaske von Microsoft Access 2010 2/2

....................................................................................................................... 23

Abbildung 12: Screenshot der Auswahlmaske von Microsoft Access 2010 1/2 .. 24

Abbildung 13: Screenshot der Auswahlmaske von Mircosoft Access 2010 2/2 .. 25

34

10. Danksagung

Frau Prof. Dr. rer. nat. U. Schlötzer-Schrehardt danke ich für die Möglichkeit, die

vorliegende Dissertationsarbeit in der Augenklinik der Friedrich-Alexander-

Universität Erlangen/ Nürnberg durchführen zu können.

Meinem Doktorvater, Herrn Professor Dr. A. Jünemann, möchte ich ganz herzlich

für die Bereitstellung des Themas und die hervorragende Betreuung meiner Arbeit

danken.

Herrn F. Lauterwald und Herrn A. Wege danke ich für die Hilfe bei der

Programmierung der biometrischen Datenbank.

Mein persönlicher Dank gilt meinem Mann, der mich jederzeit unterstützt und

motiviert hat.