Aufrufe
vor 3 Wochen

Netzwoche 14/2020

  • Text
  • Transformation
  • Beschwerde
  • Digitale
  • Zuschlag
  • Microsoft
  • Huawei
  • Schweizer
  • Netzmedien
  • Schweiz
  • Unternehmen

34 Web Fachbeitrag In

34 Web Fachbeitrag In wenigen Schritten zu einem gewinnbringenden Data Warehouse In Spitälern kommen immense Datenmengen zusammen. Mit Data Warehousing (DWH) ist es möglich, alle Daten zentral zur Verfügung zu stellen. Dies bringt jedoch Herausforderungen mit sich. Eine Herangehensweise in Etappen hilft jedoch, diese Herausforderungen in realisierbare Aufgaben herunterzubrechen. DIE AUTORINNEN Andrea Sommer Consultant, Indema MSc in Biostatistik Anna Hitz Partnerin Health, Indema MSc in Business Information Systems Data Warehouse … Quelle 1: LIS Quelle 2: KIS Quelle 3: ERP Quellen Auswertungen sind effizient und vertrauenswürdig. Dediziertes Team sorgt für Standard. Die gleichen Aufwände werden mehrmals von verschiedenen Personen betrieben. Standard und Qualität werden stets neu definiert und erarbeitet. Zentrale, standardisierte Datenhaltung als Kernelement für Qualität und Effizienz. Seite 1 Der Begriff des Data Warehousing wird seit den 90er- Jahren häufig erwähnt. Die Idee, im Moment des Informationsbedarfs alle Daten vereint an einem Ort zur Verfügung zu haben, ist somit nicht neu oder überraschend. Die Notwendigkeit und die Vorteile eines Data Warehouse Systems sind bereits viel besprochen und beschrieben worden. Doch gerade in kleineren Organisationen mit beschränkten IT-Ressourcen wird oft auf ein solches Data Warehouse verzichtet, aus Respekt vor der Komplexität oder aus finanziellen Gründen. Dies führt zum Problem, dass für Auswertungen und Reports keine standardisierten und bereinigten Daten zur Verfügung stehen. Mehraufwände, inkonsistente Datengrundlagen und nicht nachvollziehbare Datenänderungen sind die unschönen Folgen. Unter dem Stichwort «Data Warehouse» (DWH) versteht man einen unternehmensinternen Datenbestand, der durchgängig konsistente, zuverlässige, genaue und aktuelle Daten beinhaltet. Diese zentral gelagerten Daten, die als Single Point of Truth fungieren, können von autorisierten Nutzern jederzeit abgerufen werden. In Spitälern kommen immense Datenmengen zusammen. Die Daten werden in administrative und klinische Daten unterteilt. Ein DWH kann beide Bereiche umfassen oder es können zwei dedizierte Systeme für die jeweiligen Bereiche geführt werden. Eine strikte Trennung ist aber in vielen Fällen nicht möglich und auch nicht sinnvoll. Für Use Cases, etwa im Bereich der Qualitätssicherung oder Planung, werden Daten aus beiden Bereichen benötigt. Etliche Anbieter liefern eine gute und einfach einzurichtende Software für das Data Warehousing. Solche Applikationen können laufend weiter ergänzt und aufgebaut werden. Wo die administrativen Daten gewissen, teils auch branchenübergreifenden Standards folgen, stellen die klinischen Daten oftmals eine grössere Herausforderung dar. Etliche Quellsysteme verfügen über sehr unterschiedliche Datentypen und -modelle, auch bedingt durch die diversen Funktionalitäten, die abgedeckt werden müssen. Wir zeigen, wie der pragmatische, aber sehr wichtige Start mit einem DWH in kleineren und mittleren Spitälern gelingt und dass dieser Start Sinn ergibt. Denn dieser gesetzte Grundstein ermöglicht die stetige und ressourcenschonende Erweiterung dieses Systems. Unsere Erfahrungen zeigen, dass alle Fachbereiche eines Spitals Bedarf haben für Grafiken, Reports und Auswertungen, die gewisse Daten aus zentralen oder bereichsübergreifenden Systemen benötigen. Als konkretes Beispiel dient eine Erregerüberwachung aus dem Bereich der Spitalhygiene. Für viele Auswertungen reichen die Daten aus dem Laborinformationssystem (LIS) nicht. Es werden zusätzliche Daten aus dem Krankenhausinformationssystem (KIS) oder dem ERP benötigt, um vollständige und aussagekräftige Analysen generieren zu können. Doch auch für einfache Auswertungen über die Erreger, für die Daten aus dem Laborinformationssystem (LIS) genügen, sind die Berichte und Grafiken einfacher zu generieren und verfügen über eine viel höhere Qualität und Nachverfolgbarkeit, wenn die Daten aus dem DWH kommen. 14 / 2020 www.netzwoche.ch © netzmedien ag

Web Fachbeitrag 35 Etappenweise Einführung bietet grosses Potenzial Etliche Anbieter liefern eine gute und einfach einzurichtende Software für das Data Warehousing. Solche Applikationen können laufend weiter ergänzt und aufgebaut werden. Durch die gegebene Skalierbarkeit werden allzu detaillierte und zeitraubende Anforderungsanalysen vermieden. Einzig das Datenmodell sollte von Beginn an so designt werden, dass es einfach zu warten und leicht zu erweitern ist. Des Weiteren sollte die Dokumentation des umgesetzten Modells stets aktuell und genau gehalten werden. Verschiedene Notationen und Diagrammtypen existieren, um diese Anforderung abzudecken. Tatsächlich lohnt sich ein DWH auch dann schon, wenn nur ein Quellsystem angeschlossen ist. Die Anbindung an ein DWH gewährleistet nämlich die komplette Änderungshistorie der Daten. Zusätzlich gibt dies die Möglichkeit, die Daten einer selbstdefinierten Qualitätsprüfung zu unterziehen und die Daten, falls nötig, entsprechend aufzubereiten. So kann man zum Beispiel © sicherstellen, dass ein Code für positive Testresultate einheitlich ist und nicht einmal auf Englisch, einmal auf Deutsch und einmal als Plus-Zeichen gespeichert wird. Ebenfalls kann man Prüfungen auf fehlende Daten durchführen und gleich entsprechende Aktionen für die manuelle oder automatisierte Vervollständigung anstos sen. Sobald zwei oder mehrere Datenquellen an das DWH angeschlossen sind, kommen weitere Vorteile hinzu und der Aspekt von bereinigten Daten bekommt besondere Wichtigkeit. Die Existenz von bereinigten und soweit möglich vereinten Daten in einem DWH bringt neue Möglichkeiten für vereinfachte Auswertungen und spannende Analysen. Die Daten kommen in Dashboards zusammen und dienen zum Steuern und Überwachen der Geschäftsprozesse, der Patientendaten oder Auslastungszahlen. Abweichungen werden sofort bemerkt und es kann schnell gehandelt werden. Somit lohnt sich der Initialaufwand, in die ursprünglichen Quellsysteme einzutauchen, die Datenstrukturen zu verstehen, eine standardisierte Verknüpfung zu Daten aus anderen Quellsystemen auszuarbeiten und die Datenkodierung den internen Kodierungsstandards anzupassen. Der Initialaufwand, der anfangs immens zu sein scheint, gleicht sich rasch aus mit dem Zeitaufwand, den man ansonsten für jede neue Auswertung und für erneute Validierung und Qualitätsüberprüfung hat. Die Transformation und Qualitätsprüfung in der Schlüsselrolle Bevor das DWH mit sauberen Daten zur Verfügung steht, gibt es einige Dinge in der Transformationsphase zu berücksichtigen und zu überprüfen. Dies bedeutet Arbeit. Diese Arbeit öffnet aber nicht nur neue Türen, sie ersetzt Aufwände, die bisher nachgelagert, oft unstrukturiert und dezentral erledigt werden mussten. Die Standardisierung von Masseinheiten ist ein anschauliches Beispiel. Viele Etappenweise Einführung eines Data Warehouses. Data Warehouse … Quelle 1: LIS Quelle 2: KIS Quelle 3: ERP Quelle n Etappe 1 Etappe 2 Etappe 3 numerische Merkmale besitzen eine solche Masseinheit, etwa Länge, Gewicht, Temperatur oder Geschwindigkeit. Die Verwendung einer skalierten Masseinheit je Merkmal ist essenziell, um die Daten vereinen zu können. Dasselbe gilt für Datumsangaben. «MM-DD-YYYY» oder «DD. MM.YYYY» sind beides gängige Datumsformate. Moderne Datenbanksysteme unterscheiden mittlerweile zwischen einer internen und externen Darstellung. So wird oft auch ein bestimmtes, proprietäres Datenformat für die interne Datumsdarstellung erwartet. Eine entsprechende Konvertierung in das benötigte Format, die zusätzlich berücksichtigt, dass der Datentyp der Datumsangabe aus dem Quellsystem als «date» hinterlegt ist und nicht als «character», ist somit unvermeidbar. Das Monitoring löst nicht nur den Datenbeschaffungsprozess (Extraktion, Transformation und Laden) aus, es überwacht auch die Datenquelle und liefert bei Datenänderungen Hinweise darauf. Das Überprüfen und Vereinheitlichen sind auch zentral für codierte Attribute. Viele Attribute liegen codiert vor, dies kommt insbesondere auch in medizinischen Datenbanken sehr häufig vor. Für gewisse Codierungen haben sich bereits Standards etabliert, so zum Beispiel, dass bei einem binären Ja/Nein-Attribut stets «Ja» als 1 und «Nein» als 0 codiert sein sollte. Anders sieht es aber aus mit Codierungen für «männlich» und «weiblich». Oft wird die alphabetische Reihenfolge zu Hilfe genommen. Dies bringt aber den Nachteil, dass es sprachabhängig ist. So ist es nicht unwahrscheinlich, dass das eine Quellsystem mit deutschem Hintergrund «männlich» als 0 und «weiblich» Lesen Sie weiter auf Seite 42 Etappe n Seite 2 www.netzwoche.ch © netzmedien ag 14 / 2020

Archiv