Begriffliche Ordnungssysteme und Textmining für die ... · Gastritis Magen- Herzinfarkt geschwür...
42
Medizinische Informatik Universitätsklinikum Freiburg MedInfo Symposium, Graz 27.-28.09.2007 Begriffliche Ordnungssysteme und Textmining für die Klinische Medizin R. Klar Abt. Medizinische Informatik, Universitätsklinikum Freiburg www.imbi.uni-freiburg.de/medinf
Transcript of Begriffliche Ordnungssysteme und Textmining für die ... · Gastritis Magen- Herzinfarkt geschwür...
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMedInfo Symposium Graz 27-28092007
Begriffliche Ordnungssysteme und Textmining fuumlr die Klinische Medizin
R KlarAbt Medizinische Informatik Universitaumltsklinikum Freiburg
wwwimbiuni-freiburgdemedinf
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Gliederung
1 Einfuumlhrung
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
3 Textmining Informationsextraktion aus der Elektronischen Patientenakte
4 Ausblick
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g 1 Einfuumlhrung11 Historischesbull Medizinische Schule von Knidos
Betrachtung der Kranken
bull Medizinische Schule von Kos HippokratesBetrachtung der Kranken undder Krankheiten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Goethe Faust ISCHUumlLER
Kann Euch nicht eben ganz verstehen
MEPHISTOPHELES (als Faust verkleidet)Das wird naumlchstens schon besser gehenWenn Ihr lernt alles reduzierenUnd gehoumlrig klassifizieren
SCHUumlLERMir wird von alledem so dummAls ging mir ein Muumlhlrad im Kopf herum
MEPHISTOPHELESNachher vor allen andern SachenMuumlszligt Ihr Euch an die Metaphysik machenDa seht daszlig Ihr tiefsinnig faszligtWas in des Menschen Hirn nicht paszligtFuumlr was drein geht und nicht drein gehtEin praumlchtig Wort zu Diensten stehtDoch vorerst dieses halbe JahrNehmt ja der besten Ordnung wahr
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWilliam Farr Statistik und
bdquoNomenklaturldquo (1839)bull bdquoThe advantages of a
uniform statisticalnomenclature howeverimperfect are so obvioushellip
bull Each disease has in many instances beendenoted by three or fourterms and each term has been applied to as manydifferent diseases vague inconvenient names havebeen employed orcomplications have beenregistered instead of primary diseasesldquo
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Gliederung
1 Einfuumlhrung
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
3 Textmining Informationsextraktion aus der Elektronischen Patientenakte
4 Ausblick
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g 1 Einfuumlhrung11 Historischesbull Medizinische Schule von Knidos
Betrachtung der Kranken
bull Medizinische Schule von Kos HippokratesBetrachtung der Kranken undder Krankheiten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Goethe Faust ISCHUumlLER
Kann Euch nicht eben ganz verstehen
MEPHISTOPHELES (als Faust verkleidet)Das wird naumlchstens schon besser gehenWenn Ihr lernt alles reduzierenUnd gehoumlrig klassifizieren
SCHUumlLERMir wird von alledem so dummAls ging mir ein Muumlhlrad im Kopf herum
MEPHISTOPHELESNachher vor allen andern SachenMuumlszligt Ihr Euch an die Metaphysik machenDa seht daszlig Ihr tiefsinnig faszligtWas in des Menschen Hirn nicht paszligtFuumlr was drein geht und nicht drein gehtEin praumlchtig Wort zu Diensten stehtDoch vorerst dieses halbe JahrNehmt ja der besten Ordnung wahr
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWilliam Farr Statistik und
bdquoNomenklaturldquo (1839)bull bdquoThe advantages of a
uniform statisticalnomenclature howeverimperfect are so obvioushellip
bull Each disease has in many instances beendenoted by three or fourterms and each term has been applied to as manydifferent diseases vague inconvenient names havebeen employed orcomplications have beenregistered instead of primary diseasesldquo
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g 1 Einfuumlhrung11 Historischesbull Medizinische Schule von Knidos
Betrachtung der Kranken
bull Medizinische Schule von Kos HippokratesBetrachtung der Kranken undder Krankheiten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Goethe Faust ISCHUumlLER
Kann Euch nicht eben ganz verstehen
MEPHISTOPHELES (als Faust verkleidet)Das wird naumlchstens schon besser gehenWenn Ihr lernt alles reduzierenUnd gehoumlrig klassifizieren
SCHUumlLERMir wird von alledem so dummAls ging mir ein Muumlhlrad im Kopf herum
MEPHISTOPHELESNachher vor allen andern SachenMuumlszligt Ihr Euch an die Metaphysik machenDa seht daszlig Ihr tiefsinnig faszligtWas in des Menschen Hirn nicht paszligtFuumlr was drein geht und nicht drein gehtEin praumlchtig Wort zu Diensten stehtDoch vorerst dieses halbe JahrNehmt ja der besten Ordnung wahr
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWilliam Farr Statistik und
bdquoNomenklaturldquo (1839)bull bdquoThe advantages of a
uniform statisticalnomenclature howeverimperfect are so obvioushellip
bull Each disease has in many instances beendenoted by three or fourterms and each term has been applied to as manydifferent diseases vague inconvenient names havebeen employed orcomplications have beenregistered instead of primary diseasesldquo
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Goethe Faust ISCHUumlLER
Kann Euch nicht eben ganz verstehen
MEPHISTOPHELES (als Faust verkleidet)Das wird naumlchstens schon besser gehenWenn Ihr lernt alles reduzierenUnd gehoumlrig klassifizieren
SCHUumlLERMir wird von alledem so dummAls ging mir ein Muumlhlrad im Kopf herum
MEPHISTOPHELESNachher vor allen andern SachenMuumlszligt Ihr Euch an die Metaphysik machenDa seht daszlig Ihr tiefsinnig faszligtWas in des Menschen Hirn nicht paszligtFuumlr was drein geht und nicht drein gehtEin praumlchtig Wort zu Diensten stehtDoch vorerst dieses halbe JahrNehmt ja der besten Ordnung wahr
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWilliam Farr Statistik und
bdquoNomenklaturldquo (1839)bull bdquoThe advantages of a
uniform statisticalnomenclature howeverimperfect are so obvioushellip
bull Each disease has in many instances beendenoted by three or fourterms and each term has been applied to as manydifferent diseases vague inconvenient names havebeen employed orcomplications have beenregistered instead of primary diseasesldquo
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWilliam Farr Statistik und
bdquoNomenklaturldquo (1839)bull bdquoThe advantages of a
uniform statisticalnomenclature howeverimperfect are so obvioushellip
bull Each disease has in many instances beendenoted by three or fourterms and each term has been applied to as manydifferent diseases vague inconvenient names havebeen employed orcomplications have beenregistered instead of primary diseasesldquo
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
12 Begriffliche Ordnungssysteme in der Medizin
Ruumldiger Klar Susanne HanserAbteilung Medizinische Informatik
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMoumlgliche Ordnung von
Krankheiten
Polyhierarchie mehr als ein Oberbegriff erlaubt
Gastritis HerzinfarktMagen-geschwuumlr
HirntumorHirnhaut-entzuumlndung
NeubildungKrankheitd Magens
Krankheitd Herzens
Krankheitd Gehirns
EntzuumlndlKrankheit
Krankheit
IschaumlmischeKrankheit
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen sind iAllg monohierarchisch in Ober- und Unterklassen strukturiertJeder Unterbegriff hat genau einen
Oberbegriff
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Klassifikation
bull Klassifikationen fassen Begriffe mit gemeinsamen Merkmalen in Klassen zusammen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gWichtige med
Klassifikationen OPSbull Operationen- und Prozedurenschluumlssel
(OPS)Eingefuumlhrt 1995 fuumlr AbrechnungszweckeAuf der Basis der ICPM (WHO 1978)Inhalt
bull Diagnostische Maszlignahmenbull Bildgebende Verfahrenbull Operationenbull Nichtoperative Therapiebull Ergaumlnzende Maszlignahmen
(ua Geburtsbegleitung Psychotherapie Praumlventive Maszlignahmen)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g5 Kapitel1 - Diagnostik3 - Bildgebende Verfahren5 - Operationen8 - Nichtoperative Therapie9 - Ergaumlnzende Maszlignahmen
BereichsuumlberschriftenzB 5-08hellip5-16 Operationen an den Augen
3-StellerzB 5-09 Operationen an den Augenlidern
4-StellerzB 5-095 Naht des Augenlides
5-StellerzB 5-0951 Verschluss tiefer Liddefekte
5-08 5-09 5-16
OPS
1 3 5 8 9
6-StellerzB 5-09510diams Verschluss tiefer Liddefekte ohne Beteiligung der Lidkante
diams plus bdquoRldquo bdquoLldquo bdquoBldquo fuumlr betroffene Seite
5-090 5-091 5-093 5-095 5-099
5-09510diams 5-09511diams
5-0950 5-0951 5-095y
5-01hellip5-05 5-08hellip5-16 5-93hellip5-99
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
bull ThesaurusOrdnungssystem bei dem die verschiedenen
Bezeichnungen eines Anwendungsgebietes in einer systematischen Struktur stehen
Begriffseinheiten sind in ihrer Vielfalt mit allen Formulierungsvarianten Synonymen und Beziehungen zueinander geordnet und strukturiert
bull Standardisierung der Begriffswelt eines Fachgebietes
Nutzung als strukturiertes Schlagwortverzeichnis
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gMeSH Medical Subject Headings
bull Herausgeber National Library of Medicinebull Urspruumlnglich Schlagwortverzeichnis zum Index
Medicusbull Katalogisierung der Buch- und Medienbestaumlnde bull Indexierung biomedizinischer Literatur
MedLine 10-15 Deskriptoren pro Journal Article1-2 fuumlr bdquoMajor Topicldquo
bull gt 23000 Deskriptoren (MeSH Terms)plus Entry Terms (Synonyme Schreibvarianten)
bull Verweise auf semantisch nahe Begriff (bdquoseealsoldquo)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKlassifikation versus
ThesaurusKlassifikation Thesaurus
Beispiele ICD OPS TNM MeSH Alpha-betischesVerzeichnis ICD
Zweck Zaumlhlen VergleichenKommunikationStatistik
KennzeichnenRetrieval(Kommunikation)
Begriffs-Relationen
Ober- und Unter-Begriff
Ober- und Unter-Begriff Synonyme
Hierarchie Monohierarchie Polyhierarchie
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g Groupingbull Grouping = Zuordnung eines
Behandlungsfalls zu einer DRG bull Dabei beruumlcksichtigte Merkmale (G-
DRG)HauptdiagnoseNebendiagnosen (Begleiterkrankungen
Komplikationen)Prozeduren (va OPs invasive Diagnostik
Beatmung)BeatmungsdauerAlter GeschlechtAufnahme-Geburtsgewicht bei NeugeborenenVerweildauer Art der Aufnahme Art der
Entlassung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZusammenfassung
Begriffsordnungbull Ordnungssysteme fuumlr medizinische Begriffe
bilden medizinische Aussagen systematisch auf Begriffseinheiten ab
bull Ordnung nach begrifflich systematischen Achsen (zB Lokalisation Pathologie Schweregrad) und verschiedenen Hierarchien
bull Ordnungssysteme dienen im Prinzip der Repraumlsentation medizinischer
Begrifflichkeit und medizinischen Wissensin der Praxis der Kommunikation Statistik
Abrechnung und der automatisierten inhaltlichen Erschlieszligung medizinischer Texte
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
2 Nutzung begrifflicher Ordnungssysteme in einem Krankenhausinformationssystem
Modernes Beispiel das Freiburger KIS
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gDas FreiburgerKIS Enterprise Application Integration
ElektronischesArchiv
Operative KrankenhausfuumlhrungAdministrationVersorgung
Zentrales Patienten Management System
u ICD-OPS-Dokumentation
Medizinisches Auskunftssystemu Zugriffsberechtigung
LaborXLAB
RadiologieRADOS PACS
PathologiePATSY
MikrobiologieMLAB BactLab
Kommunikation und Sicherheit (HL7)
Kranken-versorgung
Funktions- Leistungsstellen Doktoranden
Forschung
TransfusionsmedFITMED
Integrierterklinischer
Arbeitsplatz
CO
MM
HR
SAP R3FIAM PM
PDV-FRMIRAplus
Data-Ware-House
MeDocmedizin Arbeitsplatz
AnaumlsthesieANDOK QS
PeLi kaStationAmbulPflege
PROMetheusAmbulOPBetten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Aufnahme
Diagnostik
Therapie
Station
OP Intensivbehandlung
Entlassung
Arztarbeitsplatz
22 Workflow-unterstuumltzteOrganisation und Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g23 KIS-FR Dokumentation
DRG Arbeitsplaumltze
bull Dokumentation unabhaumlngig von Aufnahme- u Abrechnungsart - enge Verzahnung stationaumlr ambulant
bull Anzeige der CCL-Relevanz bei Nebendiagnosenbull Speicherung eigener Texte und Hinweisebull Hinweis auf ungenaue Kodierung (4 Steller)bull Abweisung fehlerhafte Hauptdiagnosebull KreuzStern-Problematik (Primaumlr- und Sekundaumlrdiagnosen)bull interaktive Kodierregeln (Intranet)bull Fachabteilungsbezogene Favoriten Hitlistenbull Setbildungbull pflegerelevante Diagnosenbull bei Behandlungsrecht Sicht auf
- abteilungsuumlbergreifende Gesamtfallsicht- Patientenhistorie mit chronologischer Dokumentation
bull Pruumlfung der Hauptdiagnose in Beziehung zum OPS (i A)bull Hinweis auf redundante und ggf uumlberfluumlssige Dokumentation
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAufnahmemeldung
bull Stationsuumlbersicht
bull verschiedene Sichten Filterbull alle anwesenden Patienten auf Stationbull alle in einem Zeitbereich aufgenommene Patientenbull Patienten ohne Aufnahmemeldungbull hellip
bull Kennzeichnung der Patienten to do-Liste
bull Arzt erstellt Aufnahmemeldung nach sect301 bull mit voraussichtlicher Verweildauerbull 1 DRG-Ermittlung moumlglich (VWD)
Hinweis DRG wird erst bei Abrechnungsfreigabe als abrechenbare Leistung uumlbernommen (2 verschiedene Entitaumlten in DB)
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Arzt
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowPflegedokumentation
bull Stationsuumlbersicht
bull Erfassung von pflegerelevanten Diagnosenbull als Vorschlagbull zur Nachbearbeitung durch den Arzt (verantwortlich)
bull DRG-Ermittlung mit diesen Daten moumlglich
Hinweis Pflege traumlgt auch alle Patienten-Bewegungen ein
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gRolle Pflege
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowEntlassmeldung
bull Stationsuumlbersicht (fuumlr Arzt mit Behandlungsrecht)bull Kennzeichnung der Patientenbull verschiedene Sichten Filter
bull alle in einem Zeitbereich entlassenen Patientenbull Patienten ohne Entlassmeldungbull Patienten ohne Entlassdiagnose
bull Sicht auf alle Dokumentationen des Fallesbull Pruumlfung auf Konsistenz und Vollstaumlndigkeitbull Festlegung der Fachabteilungs-Hauptdiagnosebull DRG-Ermittlung mit diesen Daten moumlglich
bull Arzt erstellt Entlassmeldung nach sect301bull Daten sind geschuumltzt (protected)bull automatische DRG-Ermittlung
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowDRG-Ermittlung
bull automatisch bull nach Aufnahmemeldung Sperre Aufnahme-Dokubull nach Entlassmeldung Sperre Dokubull bei Freigabe Abrechnung Sperre Falldaten
bull manuell (Arzt medizin Controlling Abrechnung)bull Test-Groupen (ohne Speicherung)bull Groupen (mit Speicherung des Grouping-Ergebnisses)
Grouping-Daten werden erst bei Abrechnung (bzw Freigabe) als abrechenbare Leistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gKIS-FR WorkflowAbrechnung
bull Freigabe Abrechnung
bull automatisch bull ohne fachabteilungsuumlbergreifende Verlegung
wird Freigabe Abrechnung automatisch gesetzt
bull manuellbull via Arbeitsliste bdquooffene Rechnungenldquobull Fallhauptdiagnosebull Freigabe zur Abrechnung
bull ggf im Dialog abrechnen oder so
Grouping-Daten werden erst bei Abrechnung als abrechenbareLeistungsdaten (mit Ab- bzw Zuschlaumlgen) eingetragen
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
AbteilungssichtRolle Controlling Abtlgs-Ltr
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
Joachim WermterUdo Hahn
Stefan SchulzRuumldiger Klar
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gProbleme der Informationsextraktion
aus der EPA
bull groszlige und besonders wichtige Teile der EPA sind textliche medizinische Dokumente
bull Texte sind im Gegensatz zu kodierten Angaben schwierig und aufwendig auszuwerten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
gZiele des Textmining in der EPA
bull automatische inhaltliche Erschlieszligung von medizinischen Texten fuumlr Krankenversorgung Administration und Forschung
bull Unterstuumltzung der aumlrztlichen Dokumentations- und Kodierarbeit
bull Hilfen bei der automat Suche nach text Dokumenten und Fakten
bull Erleichterung und Verbesserung der Pflege von medizinischen Ontologien Thesauren Vokabularen
bull Standardisierung textlicher Aussagen ohne begriffliches Zwangskorsett
bull Nutzung der Textmining Methoden auch fuumlr Literatur- und Faktenretrieval in der Medizin
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Lexikon GrammatikTreebank
PropositionBank
DomaumlnenOntologie
endV + edPastTen
ended
infection pregnancy
a severe the
EndingPregnancyInfection
severe
E-patientE-agent
I-degree
MorphPOSProzessor
SyntaxChunker
Parser
SemantikInterpreter
InferenzMaschine
P-patient
IF Pregnancy amp infectTHEN mortal danger
The baby survived
FemaleFoetus
Pregnancy
P-co-patientInfectionP-affected-by
Architektur eines Textanalysesystems
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
NLPSystem
Textdokumente
Dokumentenkollektion
allgemeine Informationsextraktion
Slot 4
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Fakten- Template
Slot 1
Slot 2
Slot 5
Slot 3
Sprachuumlbergreifendes Textmining
Slot 4
Fakten- Template
Slot A
Slot B
Slot C
Slot D
Information aus Biomedizinischer Literatur
Information aus Elektronischer Patientenakte
Ontologien BiomedizinischeBegriffssysteme
(nur bedingtsprachuumlbergreifend)
MorphoSaurus-Indexierungssystem
Terminologiedienste
Aussagen uumlber Klassen Aussagen uumlber Instanzen
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
MorphoSaurus Semantisches Mapping
high tsh value s suggest thediagnos is of primar y hypothyroid ismer hoeh te tsh wert e erlauben die diagnos e einer primaer en hypo thyre ose
ZerlegungsalgorithmusSubwort-Lexikon
High TSH values suggest thediagnosis of primary hypo-thyroidism
Original
Erhoumlhte TSH-Werte erlauben die Diagnose einer primaumlren Hypothyreose
high tsh values suggest thediagnosis of primary hypo-thyroidism erhoehte tsh-werte erlauben die diagnose einer primaerenhypothyreose
OrthografischeRegeln
Orthografische Normalisierung
up tsh value suggestdiagnost primar smallthyre
Interlingua
up tsh value permitdiagnost primar smallthyre
Subwort-Thesaurus
Semantische Normalisierung
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
num Daten(Labor) textliche Dokumentation
Arztbriefe BefundberichteOP-BerichteArzneiverordnungen
HL7 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion Nach Ruumlcksprache mit dem HepatologenProf Leber haben wir der Patientin die nochmalige Kontrolle der Hepatitis-Serologie im Dezember 2004 nahegelegt Von der von Frau Luumldenscheidgewuumlnschten Nachsorge in der Schwarzwaldklinik haben wir ihr striktabgeratenmit freundlichen kollegialen GruumlszligenProf Dr Dr Baum Dr Herz
bull Stammdaten
AdministrativeDaten
ID 459300402Luumldenscheid Iris 1212196179138 WaldkirchAOK Suumldl Oberrhein
B169F320K700
manuellkodierteDiagnosen+ Prozeduren
bull Falldaten
2004-09-02 12 25 342004-09-03 13 19 182004-09-03 13 06 07
GGT ALAT ASAT459300402
459300402
ElektronischePatientenakte
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Fakten- Phaumlnotypen-etc- Template
Diagnose
Datum
Status
Verfahren
K700
Ausschluss
10-Dec-2004Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischen
Leberbefundes war von einer Steatose (DD
Zirrhose) ausgegangen worden Beides konnte
am Aufnahmetagfeinnadelbioptisch
so gut wieausgeschlossen werden
MedNLPSystem
Arztbriefe (Entlassungsberichte)
Befundberichte
Elektronische Patientenakte(n)
Informationsextraktion aus der EPA
zB DiagnosenMedikationenLaborbefundeTumordokumentation
Biopsie
Sicherheit 99
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Aufgrund des klinischen und sonographischenLeberbefundes war von einer Steatose (DD Zirrhose) ausgegangen worden Beides konnte am Aufnahmetagfeinnadelbioptischso gut wieausgeschlossen werden
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g4 Ausblick
Die Medizinische Informatik muss
1 sich weiterhin um den systematischen Ausbau begrifflicher Ordnungssysteme in der Medizin kuumlmmern
2 rollenspezifische IT Tools zur Medizinischen Dokumentation und Klassifikation ins KIS integrieren
3 Forschung und Entwicklung zum Textmining fuumlr die Informationsextraktion aus der EPA leisten
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
Med
izin
isch
e In
form
atik
Uni
vers
itaumlts
klin
ikum
Fre
ibur
g
Vielen Dank fuumlr ihre Aufmerksamkeit
- MedInfo Symposium Graz 27-28092007
- Gliederung
- 1 Einfuumlhrung
- Goethe Faust I
- William Farr Statistik und bdquoNomenklaturldquo (1839)
- 12 Begriffliche Ordnungssysteme in der Medizin
- Moumlgliche Ordnung von Krankheiten
- Klassifikation
- Klassifikation
- Wichtige med Klassifikationen OPS
- MeSH Medical Subject Headings
- Klassifikation versus Thesaurus
- Grouping
- Zusammenfassung Begriffsordnung
- 2 Nutzung begrifflicher Ordnungssysteme in einem KrankenhausinformationssystemModernes Beispiel das Freiburger KIS
- 3Text Mining Informationsextraktion aus der Elektronischen Patientenakte
- Probleme der Informationsextraktion aus der EPA
- Ziele des Textmining in der EPA
- allgemeine Informationsextraktion
- Sprachuumlbergreifendes Textmining
- MorphoSaurus Semantisches Mapping
- Informationsextraktion aus der EPA
- 4 Ausblick
- Vielen Dank fuumlr ihre Aufmerksamkeit
-
