Úvod do biomedicínské informatiky 1. Úvod V dnešní době existuje celá řada zdravotnických problémů, které jsou v centru pozornosti inženýrů, protože v sobě zahrnují návrh a praktické aplikace lékařských přístrojů a systémů, bez kterých se lékařská praxe neobejde. Tyto problémy pokrývají celou škálu od velmi složitých a rozsáhlých celků, jako jsou návrh a implementace automatizovaných klinických laboratoří, screeningová zařízení (tj. centra, která umožňují provádět mnoho klinických testů), multifunkční zobrazovací centra a nemocniční informační systémy, až po návrh a vývoj relativně malých a "jednoduchých" nástrojů, jako jsou záznamové elektrody a biosenzory, dále inteligentních přístrojů, které lze použít pro monitorování specifických fyziologických procesů ať již ve výzkumu nebo klinické praxi. Současně zahrnují složitosti vzdáleného monitorování a telemetrie, jakož i bezkontaktních měření, včetně požadavků na záchranné vozy, operační sály a jednotky intenzivní péče. Biomedicínské inženýrství, jako prudce se rozvíjející vědní obor v posledních desetiletích, představuje interdisciplinární oblast, která integruje poznatky z oblasti technických a fyzikálních věd s cílem jejich využití při řešení problémů základních lékařských věd, klinické medicíny a biologie (viz obr. 1.1). V současnosti již biomedicínské inženýrství není tedy vznikající disciplínou, ale stalo se velmi důležitou a aktivní interdisciplinární oblastí. Biomedicínští inženýři se podílejí na návrhu, vývoji a využití materiálů, přístrojů (např. kardiostimulátorů) a metod (např. zpracování signálů, umělá inteligence) v klinickém výzkumu a klinické praxi. Dále pracují jako členové lékařských týmů (klinické inženýrství, lékařská informatika, rehabilitační inženýrství, apod.) a hledají nová řešení pro složité zdravotnické úlohy.
Řízení
Informatika biofyzika, biochemie biomatematika
základní lékařské vědy
biokybernetika modelování bionika biosnímače
Biomedicínské inženýrství
bioměření počítačové vidění zobrazovací metody
Mechanika
klinická medicína
teorie biosystémů biomechanika biomateriály biořízení bioprotézy bioelektronika
biomechatronika analýza bioorgánů umělá inteligence Elektronika
Obr. 1 Vazby biomedicínského inženýrství na ostatní disciplíny I když je vcelku zřejmé, co všechno zahrnuje oblast biomedicínského inženýrství, v otázce definice není tak úplně jasno. Pro naše účely chápeme pod pojmem biomedicínské inženýrství aktivity, vyjmenované v The Biomedical Engineering Handbook (J.D.Bronzino, editor; CRC Press&IEEE Press, Second Edition, 2000). Tyto oblasti zahrnují: • aplikace inženýrské systémové analýzy (fyziologické modelování, simulace, řízení) na biologické problémy; • detekce, měření a monitorování fyziologických signálů (tj. biosenzory a biomedicínská přístrojová technika); • diagnostická interpretace pomocí metod zpracování signálů aplikovaných na bioelektrická data; • terapeutické a rehabilitační procedury a přístroje (rehabilitační inženýrství);
1
• •
přístroje pro náhradu či posílení funkcí těla (umělé orgány); počítačová analýza dat pacientů a klinické rozhodování (tj. lékařská informatika a umělá inteligence); • lékařské zobrazování (tj. grafické znázornění anatomických detailů nebo fyziologických funkcí); • vytvoření nových biologických produktů (tj. biotechnologie a tkáňové inženýrství). Výzkum v biomedicínském inženýrství se v současnosti soustřeďuje zejména na následující oblasti: • výzkum nových materiálů a konstrukcí pro implantované umělé orgány a skeletární náhrady; • vývoj nových diagnostických nástrojů pro analýzu krve; • počítačové modelování funkce lidského srdce a mozku; • tvorba nových metod a softwaru pro analýzu lékařských dat; • analýza bezpečnosti lékařských přístrojů; • vývoj nových diagnostických zobrazovacích systémů; • návrh telemetrických systémů pro monitorování pacientů; • návrh biomedicínských senzorů pro měření proměnných veličin v lidském fyziologickém systému; • vývoj znalostních systémů pro diagnostiku; • aplikace metod strojového učení na podporu diagnostiky; • návrh zpětnovazebních řídicích systémů pro dávkování léků; • modelování fyziologických systémů lidského těla; • návrh přístrojové techniky pro sportovní lékařství; • vývoj nových dentálních materiálů a konstrukcí; • návrh komunikačních pomůcek pro postižené; • studium dynamiky plicní tekutiny; • studium biomechaniky lidského těla; • vývoj materiálů použitelných jako náhrada lidské kůže. Z těchto výčtů je evidentní, že biomedicínské inženýrství je interdisciplinární obor, který zahrnuje aktivity od základního teoretického výzkumu až po reálné aplikace v klinické praxi. Navíc existuje jistý překryv mezi biomedicínským inženýrstvím a lékařskou informatikou a hranice se stanovuje velmi obtížně. Tudíž témata jako digitální zpracování biomedicínských obrazů, aplikace umělé inteligence v medicíně můžeme najít pod oběma širšími oblastmi. Samozřejmě je nemožné, aby takovýto široký záběr měl jedinec. V tomto oboru se mohou uplatnit pouze výzkumné týmy, které využívají znalostí odborníků z mnoha inženýrských oborů. Ve světovém měřítku patří „Biomedicínské inženýrství“ k nejprogresivněji se rozvíjejícím oborům, protože představuje další krok ke zkvalitnění lékařské péče a také přispívá ke zvýšení kvality života populace a v neposlední řadě svými inovačními výsledky i ke zvýšení konkurenceschopnosti podniků na vyspělých trzích. Na významných světových univerzitách, stejně jako i na univerzitách v rozvojových zemích, se biomedicínské inženýrství stalo velmi významnou složkou výzkumu a vývoje a zaznamenává prudký nárůst zájmu nejen z řad organizací zadávajících výzkum, ale také z řad studentů (na Massachusetts Institute of Technology je zhruba 1/3 výzkumné kapacity věnována této problematice). 1.1 Počítače v medicíně Podobně jako banky nemohou provozovat moderní bankovnictví bez finančního softwaru a letecké společnosti nemohou zvládnout moderní plánování cest bez sdílených databank rozvrhu letů a rezervací, je dnes nemožné provozovat moderní medicínu bez informačních technologií. Velké procento činností ve zdravotnictví je spojeno s managementem informací: • získávání a zaznamenávání informací o pacientech • konzultace s kolegy • čtení vědecké literatury • plánování diagnostických postupů • navrhování strategií pro péči o pacienta • interpretace laboratorních výsledků • interpreteace radiologických vyšetření
2
• vedení případových studií atd. Medicína se ale odlišuje od jiných oborů, ve kterých se též pracuje s informacemi. Největší rozdíly jsou v následujícím: složitost, nejistota, starost společnosti o pacientovo zdraví, výsledná potřeba optimálního rozhodování. Přání poskytovat nejlepší zdravotní péči dává zvláštní význam efektivní organizaci a managementu velkých objemů dat, se kterými musejí zdravotníci pracovat. Z toho také vyplývá potřeba existence specializovaných přístupů a schopných vědců, kteří ovládají jak medicínu, tak informační technologie. 1.2 Informační management v biomedicíně I když využívání počítačů v biomedicíně zatím nemá dlouhou tradici, je klinický a výzkumný vliv lékařských počítačových systémů pozoruhodně široký. Klinické informační systémy, které poskytují funkce komunikační a funkce informačního managementu, jsou nainstalované v mnoha zdravotnických zařízeních. Lékaři mohou během několika sekund prohledat celý seznam léků s doplňujícími informacemi o možných negativních vedlejších účincích nebo interakcích léků. Elektrokardiogramy jsou často nejprve analyzovány počítačovými programy a podobné metody se používají pro interpretaci testů funkčnosti plic, celé řady laboratorních a radiologických abnormalit. Mikroprocesorové systémy rutinně monitorují pacienty a poskytují varování na kritických místech, jako je jednotka intenzivní péče nebo operační sál. Jak výzkumní pracovníci v biomedicíně, tak kliničtí lékaři využívají počítače pro vyhledávání lékařské literatury. Moderní klinický výzkum by byl vážně omezen bez existence metod ukládání dat na počítači a systémů pro statistickou analýzu. Z výzkumných laboratoří se pomalu do praxe dostávají moderní nástroje pro podporu rozhodování. Postupně se integrují se zdravotnickými systémy. Je pravděpodobné, že budou mít zásadní vliv na způsob, jakým bude medicína praktikována v budoucnosti. Praktická medicína je neoodělitelně provázána s managementem informací. V minulosti praktičtí lékaři pracovali s lékařskými informacemi výhradně prostřednictvím takových zdrojů jako knihovna nejbližší nemocnice nebo lékařské fakulty, osobní soubor knih, časopisů či kopií, záznamy o pacientech, konzultace s kolegy, manuální účetnictví ordinace a příliš často špatné memorování. I když jsou všechny tyto metody cenné, počítače nyní nabízejí nové metody pro hledání, naplňování a třídění informací: online systémy pro bibliografické vyhledávání, včetně plných textů publikací, osobní počítače s databázovým softwarem pro správu osobních informací, administrativní a klinické informační systémy pro zaznamenávání komunikaci a uchování klíčových prvků lékařských záznamů, konzultační systémy, které poskytnou poradu, když kolegové nejsou dosažitelní, systémy managementu pro integraci účtovacích a příjmových funkcí s dalšími aspekty úřadu či klinického pracoviště, a další online informační zdroje, které pomáhají redukovat tlak na memorování v oblasti, která je charaktrizována absolutním mistrovstvím všeho nejen z globálního pohledu, ale i v největším detailu. Nejdůležitější témata, která můžeme v této souvislosti definovat, zahrnují: • průnik počítačů s medicínou a biologií • lékařská data: jejich získávání, ukládání a používání • lékařská rozhodování: pravděpodobnostní lékařské usuzování • základní koncepty pro lékařské výpočty • návrh a realizace systémů • standardy v lékařské informatice • etika a lékařská informatika: uživatelé, standardy a výstupy • hodnocení technologie • počítačové systémy pro záznamy o pacientech • management informací v integrované síti • veřejné zdraví a konzumní užití zdravotnických informací: vzdělávání, věda, politika, prevence a kontrola kvality • systémy péče o pacienta • monitorovací systémy • zobrazovací systémy
3
• • • • • •
systémy pro vyhledávání informací klinické systémy pro podporu rozhodování počítače v lékařském vzdělávání bioinformatika zdravotnictví a informační technologie budoucnost počítačových aplikací ve zdravotnictví
Průnik počítačů s medicínou a biologií: zrození nového oboru Položme si hned na úvod následující otázky: • Proč je management informací ústřední otázkou v biomedicínském výzkumu a v klinické praxi? • Co jsou integrovaná prostředí managementu informací a jak by mohla ovlivnit lékařskou praxi a biomedicínský výzkum v příštích letech? • Co znamenají pojmy lékařské počítačové vědy, lékařská informatika, klinická informatika, ošetřovatelská informatika, bioinformatika a zdravotnická informatika? • Proč by se měli zdravotníci a studenti medicíny učit o konceptech lékařské informatiky a informatických aplikacích? • Jak změnil vývoj minipočítačů, mikroprocesorů a Internetu povahu biomedicínského využití počítačů? • Jaký má vztah lékařská informatika ke klinické praxi, biomedicínskému inženýrství, molekulární biologii, rozhodování, informatice a počítačovým vědám? • Čím se odlišují informace v klinické medicíně a zdravotnictví od informací v základních vědách (matematice, fyzice, chemii)? • Jak mohou změny ve výpočetní technice a způsobu financování lékařské péče ovlivnit integraci medicínského využití počítačů do klinické praxe? 1.3 Integrovaný management informací Enormní pokrok v technologiích, který jsme zaznamenali v posledních dvou desetiletích – osobní počítače, grafické stanice, nové metody interakce člověk – počítač, inovace v ukládání velkých objemů dat, personální digitální asistenti (PDA), Internet a World Wide Web, bezdrátové komunikace – má za následek nevyhnutelnost rutinního používání počítačů zdravotníky a vědci v oblasti biomedicíny. Nový svět je opravdu zde, ale jeho největší vliv teprve přijde. Na tomto místě je vhodné si připomenout, že první mikroprocesory, které umožnily výrobu osobních počítačů, se objevily až ke konci 70. let 20. st. a World Wide Web vznikl teprve na začátku 90. let 20. st. Tato závratná rychlost změny, kombinovaná se stejně pronikavými a revolučními změnami v téměř všech mezinárodních zdravotnických systémech v minulém desetiletí znesnadňuje plánovačům ve zdravotnictví a institucionálním manažerům snahy vypořádat se s oběma problémy současně. Mnoho pozorovatelů nyní věří, že obě témata jsou nesmírně spletitě spojena a že plánování pro nová zdravotnická prostředí 21. století vyžaduje hluboké pochopení role, kterou budou informační technologie s největší pravděpodobností hrát v těchto prostředích. Jedním z klíčových témat bezesporu už nyní je elektronický zdravotní záznam (electronic health record – EHR). 1.4 Elektronický zdravotní záznam: předjímání budoucnosti Mnoho zdravotnických institucí se snaží vyvinout integrované klinické stanice. Co si máme pod tímto pojmem vlastně představit? Jsou to body s jediným vstupem do lékařského světa, ve kterém výpočetní nástroje asistují v celé řadě různých činností: • klinické • zprávy o výsledcích testů • přímý vstup objednávek od klinických lékařů • přístup k záznamům převedeným do elektronické podoby • podpora telemedicínských aplikací • podpora rozhodovacích funkcí
4
•
•
•
•
administrativní a finanční • sledování pacienta v nemocnici (příjem, přemisťování mezi odděleními, propuštění) • sledování materiálu a inventáře • podpora personalistiky • mzdová agenda výzkumné • analýza výsledků (výstupů) spojených s léčbou a procedurami • provádění kontroly jakosti • podpora klinických testů • implementace různých léčebných protokolů vědecké informace • přístup do digitálních knihoven • podpora bibliografického vyhledávání • přístup k informačním databázím léků automatizace administrativy, analýza nákladů • využití příslušných softwarových balíků (např. Microsoft Office)
Ale klíčovou myšlenkou je, že v centru vyvíjející se klinické stanice leží lékařský záznam v nové podobě: elektronický, dostupný, důvěrný, bezpečný, přijatelný pro lékaře a pacienty a integrovaný s jinými typy informací nespecifickými pro pacienta. 1.5 Neadekvátnost tradičního papírového záznamu Papírový lékařský záznam vznikl v 19. st. jako vysoce personalizovaný „laboratorní poznámkový blok“, který lékaři používali pro zaznamenávání svých pozorování a plánů, aby si připomněli případné detaily, když příště prohlíželi téhož pacienta. Tehdy nebyly žádné byrokratické požadavky, žádné předpoklady, že záznam bude použit pro podporu komunikace mezi různými poskytovateli péče a také bylo málo dat z výsledků testů, které by bylo nutné vyplňovat. Záznam, který vyhovoval potřebám lékařů před sto lety, se během desetiletí upravoval, aby vyhovoval nově se objevujícím požadavkům měnícího se zdravotnictví a medicíny. Obtížnost, s jakou se získávají informace jak o konkrétním pacientovi, tak o obecných otázkách spojených s managementem pacientů, je frustrující, ale běžnou záležitostí pro lékaře. S tím, jak se zvyšuje tlak na růst produktivity klinických pracovišť, lékaři začali volat po spolehlivějších systémech, které poskytnou snadný, intuitivní přístup k informacím, které potřebují ve chvíli, kdy jsou u svých pacientů. Takovým nástrojem by se mohl stát EHR, který by měl zlepšit přístup k informacím o pacientovi a měl by přinést výhody i pro kvalitu péče a pro kvalitu práce lékaře. I když je potřeba zavedení nového způsobu udržování záznamů zřejmá, většina institucí a organizací má problémy s přechodem k bezpapírové, počítačové formě klinických záznamů. Toto pozorování nás nutí se ptát: • Co je zdravotní záznam v moderním světě? • Shodují se dostupné produkty a systémy s moderním pojetím úplného zdravotního záznamu? Firmy nabízejí produkty pro vytváření lékařských záznamů, ale tyto SW balíky mají zpravidla omezené možnosti a zřídka uspokojí celý rozsah potřeb definovaných v rámci složitých organizací zdravotní péče. Složitost spojená s automatizováním lékařských záznamů je nejzřejmější, když analyzujeme procesy spojené s tvorbou a používáním takových záznamů. Např. na straně vstupu (obr. 1.2) vyžaduje lékařský záznam integraci procesů pro zaznamenávání dat a spojení informací z různých zdrojů. Obsah papírových záznamů byl tradičně organizován chronologicky, což představuje závažné omezení, když lékař hledá specifické informace, které mohou být téměř kdekoliv v záznamu. Aby byl systém pro práci se záznamy užitečný, musí umožnit jednoduchý přístup k potřebným datům, jejich zobrazování, analýzu, sdílení mezi lékaři a dalšími uživateli, kteří nejsou zapojeni do přímé péče o pacienta (obr. 1.3). Tudíž počítačový zdravotní záznam musíme považovat ne za objekt či produkt, ale za množinu procesů, které se musejí uskutečnit (obr. 1.4). Implementace elektronických záznamů je ve své podstatě úloha systémové integrace;
5
nelze koupit systém pro zdravotní záznamy pro složitou organizaci jako hotový produkt. Klíčový je společný vývoj. Společný ve smyslu interakce mezi softwarovou firmou a zdravotním zařízením.
Obr. 1.2 Vstupy do lékařského záznamu
Obr. 1.3 Přístup k datům v lékařském záznamu
6
Obr. 1.4 Toky dat a informací spojené s lékařským záznamem 1.6 Lékařský záznam a klinické studie Jednou z funkcí, které nabývají na důležitosti, je využití elektronických záznamů pro podporu klinických studií. Klinické studie jsou experimenty, ve kterých jsou data ze specifických interakcí pacientů shromažďována a analyzována s cílem zjistit potřebné údaje o efektivitě a bezpečnosti nových léčebných postupů či testů a získat vhled do procesů dané choroby, které ještě nejsou zcela pochopeny. Lékařští výzkumníci jsou dnes omezeni těžkopádnými metodami pro získávání dat potřebných pro klinické studie, obecně spoléhající na manuální sběr informací do tabulek, které jsou později přepsány do počítačových databází pro statistickou analýzu (obr. 1.5). Tento přístup je pracný, zatížen možností chyby a zvyšuje již tak vysokou cenu spojenou s randomizovanými možnými výzkumnými protokoly.
Obr. 1.5 Schéma klasického postupu při klinické studii
7
Zavedení elektronických záznamů přináší celou řadu výhod i pro provádění a vyhodnocování klinických zkoušek. Nejzřejmější je eliminace manuálního získávání dat z papírových tabulek a grafů nebo vyplňování specializovaných tabulek. Data potřebná pro studii mohou být přímo získána z elektronického záznamu, tím se stává sběr výzkumných dat vedlejším produktem rutinního uchovávání klinických záznamů (obr. 1.6). Prostředí záznamu může pomoci zajistit shodu s výzkumným protokolem, upozornit lékaře na to, kdy je pacient vhodný pro studii nebo kdy protokol pro studii vyžaduje specifický plán managementu, jsou-li dána dostupná data o pacientovi. Nově vyvíjená autorizační prostředí pro protokoly klinických zkoušek mohou pomoci zajistit, aby datové elementy potřebné pro zkoušky byly kompatibilní s místními konvencemi EHR pro reprezentaci popisných elementů pacienta.
Obr. 1.6 Využití elektronických záznamů při klinických studií Existují minimálně čtyři velké problémy, které omezují naše snahy vytvořit efektivní systém elektronických zdravotních záznamů: 1. potřeba standardů v oblasti klinické terminologie 2. otázky týkající se soukromí, důvěrnosti a bezpečnosti dat 3. problémy pořizování vstupních dat lékaři (zejména praktickými lékaři) 4. obtíže spojené s integrací systémů EHR s jinými informačními zdroji v systému zdravotní péče 1.7 Integrace záznamu pacienta s jinými informačními zdroji Zkušenosti ukazují, že lékaři jsou „horizontální“ uživatelé informačních technologií. Nejsou „výkonnými uživateli“ úzce definovaného softwarového balíku, ale spíše hledají širokou funkčnost v celé škále systémů a zdrojů. Tudíž rutinního užívání počítačů a EHR se nejsnáze dosáhne, pokud nějaké softwarové prostředí nabídne kritickou míru funkčnosti, která zajistí, aby se systém snadno integroval a byl užitečný v podstatě pro každého příchozího pacienta. Jestliže zdravotnická zařízení využívají síťové systémy, vznikaji nové příležitosti pro integraci různorodých zdrojů existujících na jednotlivých pracovních stanicích či PC. Povaha integračních úloh je ilustrována na obr. 1.7, ve kterém jsou v levém horním rohu znázorněny různé pracovní stanice připojené do intranetu nebo vnitropodnikové sítě. V takovém prostředí je nutné mít přístup k datům a možnost je integrovat z různých klinických, finančních a administrativních databází. Zpravidla se používají obě sítě a celá řada standardů pro sdílení dat mezi nimi. Jako stále běžnější myšlenka se objevuje úložiště klinických dat. Tento pojem se vztahuje k centrálnímu počítači, který shromažďuje a integruje klinická data z různých zdrojů, jako jsou chemická a mikrobiologická laboratoř, lékárna, radiologické oddělení. Jak je navrženo na obrázku, může tato klinická databáze poskytnout zárodek toho, co se rozvine do EHR tak, jak bude k
8
dispozici čím dál tím více klinických dat v elektronické podobě a potřeba papírových dokumentů se bude snižovat, až zcela zanikne.
Obr. 1.7 Integrace dílčích systémů do počítačové sítě instituce Dalším rozvíjejícím se tématem je tvorba doporučených klinických postupů. I tady je důležitým bodem využití výpočetní techniky. Dokud bude většina těchto doporučení uložena pouze v knihách či časopisech, bude víceméně nedostupná pro většinu lékařů v okamžiku, kdy ji budou potřebovat v ordinaci. V tomto ohledu je v oblasti informačních technologií velký potenciál. Nástroje pro implementaci doporučených postupů a jejich integraci s EHR představují potenciální prostředek pro tvorbu vysoce kvalitních doporučení dostupných v rutinním klinickém provozu. Výlet do historie Internet začal v roce 1968 v USA jako výzkumná aktivita financováná ARPA (Advanced Research Projects Agency) Ministerstva obrany. Ze začátku se používal název ARPAnet. První funkcí bylo sdílení datových souborů mezi sálovými počítači na univerzitách a v obranném průmyslu. Brzy na to se objevil fenomén e-mailu. V roce 1973 byl připojen první počítač zaměřený na lékařský výzkum. V 80. letech 20. st. se technologie začala rozvíjet i v jiných oblastech světa. Americká National Science Foundation (NSF) rozběhla páteřní síť v USA. V dubnu 1995 se Internet v USA stal plně komerční. Explozivní nárůst Internetu nastal v 2. pol. 90. let, kdy byl zaveden World Wide Web. Další nové možnosti připojení přes mobilní telefon, PDA, bezdrátové připojení notebooků, apod. Výhled do budoucna V lékařském záznamu samozřejmě najdeme data o konkrétním pacientovi. V elektronické implementaci ale vedle nich najdeme data týkající se populací pacientů, je umožněn integrovaný přístup k biomedicínské literatuře a interaktivní prostředí pro nabídku klinických doporučených postupů nebo upřímná konzultační rada. Předvídáme svět, ve kterém je podnikový intranet z obr. 1.7 jednoduše (bez dalších spojů) připojen k plnému Internetu s integrovaným přístupem k širokému spektru informačních zdrojů, které jsou geograficky distribuované za hranice lokálních institucí (obr. 1.8). Pokud budou individuální lékařské záznamy udržovány v kompatibilních elektronických formátech ve všech zúčastněných institucích, pak bude Internet prostředníkem pro vytvoření „virtuálních lékařských záznamů“, elektronické kompilace pacientových zdravotních dat ze všech pracovišť, ve kterých jsou k dispozici. Samozřejmě při takovém předávání dat je nutné dbát na zajištění soukromí a důvěrnosti dat.
9
Obr. 1.8 Propojení všech institucí zainteresovaných ve zdravotní péči
10
2. Použití počítačů v biomedicíně Biomedicínské aplikace počítačů je slovní spojení, které evokuje různé představy podle toho, jak je konkrétní jedinec angažován v dané oblasti. Pro administrátora v nemocnici to může znamenat údržbu lékařských záznamů s využitím počítačů, pro lékaře v oblasti rozhodování využití počítačů při diagnostice nemocí, pro vědce v oblasti základních věd využití počítačů pro udržování a vybavování informací o sekvenování genů. Mnoho lékařů okamžitě myslí na takové praktické nástroje pro ordinaci, jako jsou systémy pro účtování pacientům nebo rozvrhování objednaných pacientů. Aplikace počítačů v biomedicíně zahrnuje výzkum všech těchto činností a ještě celé řady dalších. Co je ještě důležitější, že zahrnuje uvažování různých vnějších faktorů, které ovlivňují lékařské zařízení. Pokud nebudeme mít na paměti tyto vnější faktory, může být těžké pochopit, jak nám může lékařská informatika pomoci spojit různorodé aspekty lékařské péče a jejího poskytování. Pro dosažení jednotné perspektivy můžeme uvažovat tři příbuzná témata: 1) aplikaci počítačů v medicíně 2) koncept lékařské informatiky (proč je důležitá v lékařské praxi a proč chceme použít počítače pro zpracování) 3) strukturální znaky medicíny včetně všech podtémat, ve kterých mohou být počítače použity. Všechna tato témata jsou značně široká. Proto se budeme zabývat prvním z nich a zbývající dvě budou zmíněna pouze okrajově. Aby bylo možné vyvíjet počítačové nástroje pro podporu rozhodování, je nutné mnohem jasněji pochopit takové lidské procesy jako jsou diagnostika, plánování léčby, rozhodování a řešení úkolů v medicíně. 2.1 Terminologie Od 60. let 20. století, kdy začali mít pracovníci v oblasti biomedicínského využití počítačů přístup alespoň k nějakému počítačovému systému, nebylo jasné, jaký název by se měl používat pro lékařské aplikace počítačových věd. Název počítačová věda (computer science) samotný byl v roce 1960 nový a byl definovaný pouze vágně. Dokonce dnes je tento termín více používán jako konvence než jako vysvětlení obsahu této vědecké disciplíny. Používáme sousloví lékařská počítačová věda (medical computer science) jako označení části počítačové vědy, která aplikuje metody širší oblasti na lékařská témata. Jak uvidíme, medicína představuje bohatou oblast pro výzkum počítačových věd a několik základních výpočetních náhledů a metodologií bylo odvozeno z aplikovaného lékařského počítačového výzkumu. Pojem informační věda (information science), který je občas používán spolu s pojmem počítačová věda, má svůj původ v oblasti knihovnictví a používá se poněkud obecněji pro označení širokého spektra otázek spojených s managementem informací jak v papírové tak elektronické podobě. Značná část toho, co původně bylo zařazováno do informační vědy, je dnes předmětem oblasti, označované pojmem kognitivní věda. Informační teorie byla vyvinuta vědci, zabývajícími se tématy komunikace na fyzické úrovni zařízení. Rozvinula se do nové matematické disciplíny. Výsledky, kterých vědci dosáhli, objasnily mnohé procesy v komunikačních technologiích, ale měly malý vliv na naše porozumění lidskému zpracování informací. Pojem biomedicínské využití počítačů (biomedical computing) se používá řadu let. Je nepopisný a neutrální, pouze implikuje, že počítače jsou používány pro nějakou činnost v biologii nebo medicíně. Je často spojen s inženýrskými aplikacemi počítačů, ve kterých však jsou počítače nahlíženy spíše jako nástroje pro inženýrskou aplikaci než jako prvotní cíl výzkumu. Pojem původně zavedený v Evropě je lékařská informatika (medical informatics). Je širší než lékařské využití počítačů (zahrnuje taková témata jako lékařská statistika, uchovávání záznamů a studium povahy lékařských informací) a potlačuje důraz na počítač. Místo toho se soustředí na povahu oblasti, ve které je počítač využíván. Pojem informatika se v USA ujal až v 90. letech 20. století, předtím se používal pojem lékařská informační věda (medical information science). Jako širší pojem se začal používat termín zdravotnická informatika (health informatics, healthcare informatics). Je nutné zdůraznit, že lékařská informatika integruje více disciplín: počítačová věda, rozhodovací věda, kognitivní věda, informační věda a dokonce management.
11
Lékařskou informatiku definujeme jako vědeckou disciplínu, která pracuje s biomedicínskými informacemi, daty a znalostmi, s jejich ukládáním, vybavováním a optimálním použitím pro řešení úloh a proces rozhodování. Dotýká se všech základních a aplikačních oblastí v biomedicínské vědě a je úzce spojeno s moderními informačními technologiemi, zejména v oblasti výpočtů a komunikací. Zrození lékařské informatiky jako nové disciplíny je z větší části díky rychlému pokroku počítačových a komunikačních technologií, zvyšujícímu se uvědomování, že báze znalostí v medicíně je v podstatě nezvládnutelná tradičními papírovými metodami a rostoucímu přesvědčení, že proces informovaného rozhodování je pro moderní biomedicínu stejné důležité jako sběr faktů, na základě kterých jsou činěna technická i ekonomická rozhodnutí nebo výzkumné plány. 2.2 Historická perspektiva Moderní digitální počítač byl vytvořen na základě vývoje během 2. světové války. Na trhu se první počítače začaly objevovat v polovině 50. let 20. století (obr. 2.1). První otázky, týkající se formalizace, algoritmizace a simulace lidského uvažování, se objevily již ve středověku. Gottfried Wilhelm von Leibnitz, německý filozof a matematik 17. st. se snažil vyvinout aparát pro simulaci lidského uvažování. Pojem „logického stroje“ byl následně zaveden Charlesem Babbagem v polovině 19. st.
Obr. 2.1 Počítač ENIAC První praktickou aplikací automatického „počítání“ relevantního pro medicínu byl systém pro zpracování dat na děrných štítcích, vyvinutý Hermanem Hollerithem pro sčítání lidu v USA v r. 1890. Jeho metoda byla brzy adaptována pro epidemiologické studie a přehledy zdraví populace. Tím začala éra technologie zpracování dat na děrných štítcích elektromechanickým způsobem. První snahy o vytvoření systémů pro podporu rozhodování v medicíně se objevily již na počátku 60. let 20. st. Intenzivněji se rozvinuly v 70. a 80. letech 20. století, kdy se minipočítače a posléze mikropočítače a osobní počítače staly dostupnějšími. 2.3 Vztah k biomedicínské vědě a lékařské praxi Na dosavadní výsledky lékařské informatiky a implikovaný potenciál pro budoucí výhody pro medicínu se musíme dívat v kontextu naší společnosti a existujícího systému zdravotní péče. Již v roce
12
1970 vyslovil jeden prominentní lékař myšlenku, že počítače by za čas mohly mít revoluční vliv na lékařskou péči, na lékařské vzdělávání a dokonce na kritéria výběru pro budoucí pracovníky ve zdravotnictví. Následný enormní růst počítačových aplikací se setkal s určitými obavami u zdravotnických pracovníků. Ptají se, kde to všechno skončí. Nahradí postupně počítače zdravotnické pracovníky? Budou muset sestry a lékaři ovládat na vysoké úrovni výpočetní techniku, aby mohli efektivně vykonávat svou profesi? Budou pacienti a zdravotníci nakonec revoltovat a nebudou akceptovat trend směrem k automatizaci, který by podle nich mohl ohrozit tradiční humanistické hodnoty v poskytování zdravotní péče? Bude se na lékaře pohlížet jako na zpátečnické, když nepoužijí počítačové nástroje pro podporu informačního managementu a rozhodování? Lékařská informatika je neoddělitelně spojena s podstatou biomedicínské vědy. Určuje a analyzuje strukturu lékařských informací a znalostí, zatímco lékařská věda je touto strukturou omezena. Lékařská informatika spojuje studium lékařské počítačové vědy s analýzou lékařských informací a znalostí, čímž oslovuje specificky rozhraní mezi počítačovou a biomedicínskou vědou. Asi nejlepší je pohlížet na lékařskou informatiku jako na základní počítačovou vědu, která má celou řadu potenciálních aplikačních oblastí. Analogie s jinými základními vědami je v tom, že lékařská informatika používá výsledky minulé zkušenosti pro porozumění, strukturování a kódování objektivních a subjektivních lékařských nálezů a tudíž se připravuje do vhodné podoby pro zpracování. Tento přístup podporuje integraci nálezů a jejich analýzy. A obráceně, selektivní distribuce nově vytvořených znalostí může pomoci v péči o pacienta, plánování ve zdravotnictví a v základním biomedicínském výzkumu. Využití počítačů v medicíně je svou podstatou experimentální věda. Experimentální věda je charakterizována kladením otázek, navrhováním experimentů, prováděním analýz a užitím získaných informací pro návrh nových experimentů. Jeden cíl je jednoduše hledat nové znalosti – to je základní výzkum. Druhý cíl je použít tyto znalosti pro praktické účely – to je aplikovaný výzkum. Mezi těmito dvěma cíli je kontinuita. V lékařské informatice existuje velmi úzká vazba mezi aplikačními oblastmi (např. klinická, ošetřovatelská, veterinární, dentální informatika, bioinformatika) a identifikací základních výzkumných úkolů, které charakterizují vědecké základy této oblasti. Obecně řečeno, lékařští informatici odvozují svoji inspiraci z jedné z aplikačních oblastí, přitom identifikují fundamentální metodologické otázky, které mají být řešeny a testovány v prototypech systémů, nebo v případě zralejších metod, v aktuálních systémech, které se používají v klinických zařízeních nebo v biomedicínském výzkumu. Důležitou implikací tohoto názoru je, že základní disciplína je identická, bez ohledu na aplikační oblast. Jak ukazuje obr. 2.2, lékařští informatici pracující např. v oblasti klinické medicíny budou obecně hledat jak přispět k řešení rozpoznaného problému nebo požadavku v klinickém světě, tedy načrtnout inspiraci z pohledu aplikace a předat ji zpět do definice fundamentálních problémů základního výzkumu, které mají být adresovány.
Obr. 2.2 Vzájemné propojení jednotlivých disciplín
13
2.4 Vztah k biomedicínskému inženýrství Zatímco lékařská informatika je relativně nová disciplína, je biomedicínské inženýrství dobře zaběhnutou. Jaký je vztah mezi lékařskou informatikou a biomedicínským inženýrstvím, zejména v době, kdy se inženýrství a počítačová věda stále více propojují a navzájem ovlivňují? Oddělení a katedry biomedicínského inženýrství se začaly objevovat před 30 až 40 lety, kdy technika začala hrát stále více prominentní roli v lékařské praxi. Důraz byl kladen na výzkum a vývoj přístrojů (např. monitorovací systémy, specializované převodníky a měniče pro klinické nebo laboratorní použití, zobrazovací techniky pro použití v radiologii) s orientací na vývoj lékařských přístrojů, protéz a specializovaných výzkumných nástrojů a zařízení (např. CT, PET, MRI). Postupně se výpočetní technika začala uplatňovat při návrhu a výrobě lékařských přístrojů, ale také přímo jako součást těchto přístrojů. Např. „inteligentní“ přístroje, které nalézáme čím dál častěji ve většině oborů, silně závisejí na mikroprocesorové technice. Monitory na jednotkách intenzivní péče, které generují záznamy krevního tlaku a počítají průměrné hodnoty a hodinové součty, jsou příklady takových „inteligentních“ přístrojů. Překryv mezi biomedicínským inženýrstvím a lékařskou informatikou ukazuje, že by bylo nemoudré dělat striktní hranici mezi oběma oblastmi. Samozřejmě existují i rozdíly mezi nimi, zejména v tom, na co je kladen důraz. V biomedicínském inženýrství je důraz kladen na lékařské přístroje, v lékařské informatice je kladen na lékařské informace a znalosti a jejich management s využitím počítačů.
14
3. Lékařská data: získávání, ukládání a využití Základní otázky, na které si zde odpovíme, jsou následující: • Co jsou lékařská data? • Jak se lékařská data používají? • Jaké jsou nevýhody tradičních papírových lékařských záznamů? • Jaká je potenciální role počítače v ukládání, vyhledávání a interpretaci dat? • Čím se odlišuje databáze od báze znalostí? • Jak je v lékařské diagnostice spojen sběr dat a generování hypotéz? • Jaký je význam pojmů prevalence, prediktivní hodnota, senzitivita a specificita? Jak jsou tyto pojmy vzájemně provázané? • Jaké jsou alternativy pro vstup dat do lékařské databáze? 3.1 Co jsou lékařská data? Od dávných dob byly nemoci a jejich léčba svázány s pozorováním a interpretací dat. Ať už uvažujeme popisy nemocí a doporučené postupy v antické řecké literatuře nebo moderní využití komplexních laboratorních a rtg studií, je patrné, že shromažďování dat a interpretace jejich významu jsou ústředními tématy procesu zdravotní péče. Data jsou klíčová pro celou lékařskou péči, protože jsou klíčová pro proces rozhodování. Ve skutečnosti jednoduchá reflexe odhalí, že všechny činnosti v lékařské péči zahrnují sběr, analýzu nebo užití dat. Data poskytují základ pro kategorizaci problémů, kterými může pacient trpět, nebo pro identifikaci podskupin v populaci pacientů. Pomáhají lékaři také při rozhodování, jaké dodatečné informace jsou potřeba a jaké akce by se měly provést, aby bylo dosaženo lepšího pochopení pacientova problému nebo pro efektivnější léčbu diagnostikované nemoci. Nadmíru zjednodušený je pohled na data jako na sloupce čísel nebo monitorované průběhy, které jsou produktem zvyšujícího se podílu techniky ve zdravotní péči. Ačkoliv jsou výsledky laboratorních testů a další číselné údaje často neocenitelné, může být stejně důležitá celá řada dalších typů dat: postranní pohled pacienta, který se chce vyhnout odpovědi při rozhovoru s lékařem, informace o pacientově rodině, sociálním a ekonomickém zázemí, subjektivní pocit závažnosti nemoci, o kterém zkušený lékař ví během pár sekund pohledu na pacienta. Žádný lékař nediskutuje o důležitosti takových pozorování pro rozhodování během vyšetřování pacienta. Ale dosud přesně nerozumíme roli těchto dat a odpovídajícím kritériím pro rozhodování. Navíc je obtížné je zaznamenat způsobem, který by zachoval jejich plný význam i při přenosu od jednoho lékaře k druhému. Ale i s těmito omezeními musíme sdílet počítačové informace, když nemůžeme být v přímém kontaktu. Za lékařský údaj považujeme jedno pozorování pacienta – např. odečtení teploty nebo krevního tlaku, počet červených krvinek, prodělané spalničky. Jak ukazuje poslední případ, je otázkou pohledu, zda jedno pozorování představuje jeden nebo více údajů. Krevní tlak 120/80 může být zaznamenán jako jeden údaj v nastavení, kde znalost, že pacientův krevní tlak je normální, je vše, co potřebujeme. Je-li potřeba znát rozdíl mezi systolickým a diastolickým tlakem pro rozhodování až analýzu, pak musíme brát každou hodnotu zvlášť, člověk si snadno převede jednu reprezentaci na druhou. Pro počítače je však tento duální pohled mnohem složitější a musí mít zabudované mechanismy pro vzájemný převod. Myšlenka datového modelu pro lékařská data ukládaná v počítači se tak stává důležitou otázkou v návrhu lékařských datových systémů. Je-li lékařský údaj jedním pozorováním pacienta, potom lékařská data (údaje) jsou vícenásobným pozorováním. Taková data mohou zahrnovat několik různých pozorování prováděných paralelně, pozorování téhož parametru v různých časových okamžicích, nebo obojí. Tudíž jeden údaj obecně je definován 4 elementy: 1. Uvažovaný pacient 2. Sledovaný parametr (např. velikost jater, hodnota obsahu cukru v moči, průběh revmatické horečky, velikost srdce na hrudním rtg) 3. Hodnota uvažovaného parametru (např. hmotnost je 70 kg, teplota je 36,8 stupňů C, zaměstnání je hutník) 4. Čas pozorování (např. 10:30 14.2.2004)
15
Časový údaj může komplikovat hodnocení a počítačový management dat. V určitých případech je datum pozorování adekvátní – např. v ambulancích či ordinacích praktických lékařů, kam pacient přichází na kontrolu relativně zřídka, a tudíž shromažďované údaje stačí rozlišovat pouze kalendářním datem, a ne s přesností na hodiny, minuty a sekundy. Na druhé straně jsou situace, kde variace v rozmezí minut jsou velmi důležité – např. časté odečítání cukru v krvi u pacienta s diabetickou ketoacidózou (ketoacidóza je důsledek produkce kyseliny zapříčiněné špatným řízením hladiny cukru v krvi) nebo průběžné měření středního arteriálního krevního tlaku u pacienta v kardiogenním šoku (kardiogenní šok je nebezpečně nízký krevní tlak způsobený selháním srdce). Často je také důležité zaznamenat podmínky, za kterých byl údaj získán. Např.: měřil se krevní tlak na paži či noze? Pacient ležel nebo stál? Měřil se tlak ihned po cvičení? Během spánku? Jaký typ přístroje byl použit? Byl pozorovatel spolehlivý? Takové dodatečné informace, někdy označované modifikátory, mohou mít klíčový význam pro správnou interpretaci dat. Příbuzným problémem je nejistota či neurčitost v hodnotách údajů. Stává se zřídka, že pozorování – dokonce provedené zkušeným lékařem – může být akceptováno s absolutní jistotou. Uvažujeme následující příklady: • Dospělý pacient popisuje nemoc z dětství doprovázenou horečkami, červenou vyrážkou a bolestí kloubů. Mohla by to být spála. Pacient neví, jak tenkrát dětský lékař nemoc nazval. • Lékař poslouchá srdce astmatického dítěte a myslí si, že slyší šelest na srdci – ale není si jistý, protože pacient nahlas a těžce dýchá. • Radiolog se dívá na stín na rtg snímku hrudníku a není si jistý, zda stín reprezentuje překrývající se cévy nebo plicní tumor. • Zmatený pacient je schopen odpovídat na jednoduché otázky o své nemoci, ale jeho lékař si není jistý, nakolik je jeho odpověď spolehlivá. Existuje celá řada metod pro práci s neurčitostí v datech a jejich interpretacích. Jednou možností je shromáždit další data, která buď potvrdí nebo eliminují předpoklad vycházející z počátečního pozorování. Avšak toto řešení není vždy vhodné, protože je nutné uvažovat náklady na sběr dat. Další pozorování mohou být nákladná, riziková pro pacienta, nebo ztrátou času, během kterého by mohla již začít léčba. Z toho vyplývá, že myšlenka kompromisu (rovnováhy) při sběru dat se stává extrémně důležitou v lékařském rozhodování. 3.2 Jaké jsou typy lékařských dat? Příklady v minulé části ilustrovaly, že spektrum typů dat v lékařské praxi a zdravotnických vědách je velmi široké. Sahá od slovních popisů = textových dat po numerická měření, zaznamenané signály, kresby a i fotografie. Slovní popisy představují rozsáhlou část informací, které se sbírají během péče o pacienta. Např. pacientův popis aktuální nemoci, včetně odpovědí na cílené otázky lékaře, je zpravidla získáván ústně a zaznamenáván jako text v lékařském záznamu. Totéž platí o pacientově sociálním a rodinném zázemí a anamnéze, celkové prohlídce nového pacienta a lékařové zprávě o nálezech z jednotlivých vyšetření. Takové slovní popisy se tradičně zapisovaly ručně lékaři a zakládaly do pacientova lékařského záznamu. Někde se tato data diktují do diktafonu a následně je sekretářky přepisují na počítači. Vytištěný přepis se ukládá do lékařského záznamu. Elektronická verze se bude moci integrovat do elektronického zdravotního záznamu a úložiště klinických dat, takže lékaři mohou přistupovat k důležitým klinickým informacím i ve chvíli, kdy jsou papírové záznamy nedostupné. On-line přepis diktovaných informací často zahrnuje nejen pacientovou anamnézu a výsledky vyšetření, ale také jiné slovní popisy jako zprávy ze specializovaných konzultací, chirurgických zákroků, patologických vyšetření tkání a souhrn o hospitalizaci, když je pacient propuštěn. Některé slovní popisy jsou volně kódovány zkratkami, které jsou známé zdravotnickému personálu. Zejména se to týká dat shromažďovaných během vyšetření, u kterých zaznamenávaná pozorování odrážejí stereotypní vyšetření ovládané všemi lékaři. Je např. běžné najít u vyšetření oka notaci „PERRLA“ v angl. záznamu. Znamená to, že pacientovy „Pupils are Egual (in size) Round and Reactive to Light and Accommodation“. Celé fráze se staly volným standardem pro komunikaci mezi lékařským personálem. Je to jistý pokus použít konvenční textový popis jako formu sumarizace jinak heterogenních podmínek, které společně charakterizují jednoduchý koncept pacienta.
16
Mnoho údajů v medicíně je představováno diskrétními numerickými hodnotami. Ty zahrnují takové parametry jako laboratorní testy, vitální známky (např. teplota, tepová frekvence) a jistá měření prováděná během vyšetření. Při interpretaci takových numerických dat je také důležitá otázka přesnosti. Může lékař spolehlivě odlišit délku jater 9 cm od 10 cm při vyšetřování pacientova břicha hmatem? Má smysl udávat hladinu sodíku v séru na 2 desetinná místa? Je 1 kg fluktuace hmotnosti z jednoho týdne na druhý významná? Byl pacient vážen na stejné váze v obou případech (tj. nemohly by rozdílné hodnoty spíše odrážet rozdíly mezi měřicími přístroji než změny u pacienta)? V některých oblastech medicíny jsou analogová data ve formě kontinuálního signálu zvláště důležitá (viz kapitola 4). Asi nejznámějším příkladem je elektrokardiogram (EKG), záznam elektrické aktivity pacientova srdce; existuje mnoho podobných příkladů. Když se taková data ukládají do lékařských záznamů, často se také ukládá grafická podoba spolu se slovní interpretací. Samozřejmě to přináší problémy, jak taková data co nejlépe obhospodařovat v počítačovém systému. Vizuální obrazy – buď získané pomocí zobrazovacích metod nebo nakreslené lékařem – představují další důležitou kategorii dat. Zřejmým příkladem jsou radiologické obrazy. Pro lékaře je také běžné nakreslit jednoduché obrázky, které reprezentují abnormality, které pozoroval. Takové náčrtky mohou sloužit jako základ pro srovnání při další návštěvě pacienta. Např. náčrtek je vyčerpávající způsob, jak zaznamenat místo a velikost uzliny v předstojné žláze. Z těchto příkladů by mělo být jasné, že myšlenka dat je neoddělitelně spojena s myšlenkou záznamu dat. Lékaři a další zdravotnický personál se učí, že nemají důvěřovat své paměti, když jde o péči o pacienty. Musejí zaznamenávat svá pozorování, provedené akce a jejich zdůvodnění tak, aby v budoucnu měli podklady pro sebe i ostatní. Pohled na lékařský záznam rychle odhalí širokou pestrost technik pro záznam dat, které se postupně vyvinuly. Škála sahá od ručně psaného textu přes obecně chápané zkratky až po šifrové symboly, kterým rozumí pouze specialista; málo lékařů ví např., jak interpretovat konvence záznamu dat oftalmologa. Notace může být vysoce strukturovaný záznam stručného textu nebo numerická informace, rukou kreslené náčrtky, strojem generované záznamy analogických signálů nebo fotografie (pacienta nebo rtg či jiných vyšetření). Tato škála klade vysoké nároky na návrh a implementaci počítačového systému pro uchovávání lékařských záznamů. 3.3 Kdo sbírá data? Zdravotnická data o pacientech a populaci jsou sbírána různými zdravotnickými pracovníky. Ačkoliv konvenční představy zdravotnického týmu evokují obrazy spolupracovníků lečících nemocného pacienta, tým má mnohem širší zodpovědnost než jen samotnou léčbu. Sběr dat a jejich ukládání představují ústřední část úkolu. Lékaři jsou klíčovými hráči v procesu sběru dat a interpretace. Konverzují s pacientem, aby získali slovní popisná data o hlavních potížích, předchozích nemocech, rodině a sociální situaci. Vyšetří pacienta, shromáždí příslušná data a zaznamenají je během návštěvy nebo jejím konci. Navíc se rozhodují, která další data by byla potřeba – např. laboratorní testy nebo radiologické vyšetření nebo sledování pacientovy reakce na terapeutické zásahy (jiná forma dat, která přispívá k hodnocení pacienta). Jak v ambulantních, tak v nemocničních zařízeních hrají ústřední roli při sledování pacientů a záznamů pozorování zdravotní sestry. Data, která shromažďují, přispívají jak k plánům ošetřovatelské péče, tak k hodnocení pacientů lékaři a dalšími zdravotnickými pracovníky. Tudíž výuka sester zahrnuje instruktáž v pečlivém a přesném pozorování, zaznamenávání historie a vyšetřování pacienta. Protože sestry zpravidla tráví více času s pacienty než lékař, zejména v nemocnicích, vytvoří si s nimi často vztah, díky němuž odhalí informace a vhled, který přispěje ke správné diagnóze, k pochopení příslušných psychologických problémů nebo ke správnému plánování terapie. Ke sběru dat přispívají další pracovníci. Administrativní pracovníci a přijímací personál shromažďují demografické a finanční informace.Fyzioterapeuti zaznamenávají výsledky léčby a často podávají návrhy na další postup. Laboratorní personál provádí testy na biologických vzorcích, jako je krev nebo moč, a zaznamenává výsledky pro další použití lékaři a sestrami. Radiologický technik (asistent) provádí rtg. vyšetření; radiolog interpretuje výsledná data a nálezy předává pacientovu ošetřujícímu lékaři. Farmaceut se může pacienta dotázat na užívané léky nebo na alergie na léky a potom monitorovat, jak pacient užívá předepsané léky. A konečně tu máme technologická zařízení, která generují data – laboratorní přístroje, zobrazovací systémy, monitorovací zařízení na JIP a měřicí přístroje pro jednoduché odečítání (např. teploměry, EKG,
17
měřiče krevního tlaku, spirometry pro testování funkce plic). Někdy je výstupem papírová zpráva, kterou lze založit do tradičního lékařského záznamu. Některé přístroje indikují výsledky na stupnici nebo sledují výsledek, který musí být odečten operátorem a zaznamenán do grafu. Někdy musí výstup interpretovat školený specialista. Stále však narůstá množství přístrojů, které umožňují data nahrávat přímo do počítače, kde se analyzují, formátují pro elektronické ukládání a případně také tisknou. 3.4 Použití lékařských dat Lékařská data jsou zaznamenávána pro celou řadu účelů. Mohou být potřeba jako podpora vhodné péče o pacienta, od kterého byla získána, ale také mohou přispět k dobru společnosti prostřednictvím agregace a analýzy dat vztahujících se k populaci individuí. Problém tradičních metod zaznamenávání dat tkví v tom, že papírový záznam funguje dobře jako podpora péče o individuálního pacienta, ale pro klinický výzkum napříč populací je velmi těžkopádný. Základní možnosti využití lékařských dat jsou: • Vytvoření základu pro historické záznamy • Podpora komunikace mezi poskytovateli péče • Předvídání budoucích zdravotních problémů • Zaznamenání standardních preventivních opatření • Identifikace odchylek od očekávaných trendů • Poskytování záznamu použitelného z právního hlediska • Podpora klinického výzkumu Vytvoření základu pro historické záznamy Každý student technických a přírodovědných oborů se učí o důležitosti pečlivého sběru a záznamu dat při provádění experimentu. Přesně tak jako laboratorní deník poskytuje záznam přesného postupu vědce, pozorovaných experimentálních dat a důvodů pro dílčí rozhodovací kroky, mají lékařské záznamy poskytovat detailní kompilaci informací o individuálních pacientech: • Jaká je pacientova historie (anamnéza) (vývoj aktuální nemoci; další nemoci, které koexistují nebo se vyvinuly; pertinent rodinné, sociální a demografické informace)? • O jakých symptomech pacient mluvil? • Jaké fyzické projevy byly zaznamenány při vyšetření? • Jak se projevy a symptomy měnily v čase? • Jaké laboratorní výsledky jsou k dispozici? • Jaká radiologická nebo jiná specializovaná vyšetření byla provedena? • Jaké zákroky byly provedeny? • Jaké jsou důvody vedoucí ke konkrétním rozhodnutím? Každé nové pacientovo stěžování si na problémy a jeho řešení lze považovat za terapeutický experiment, přirozeně zatížený neurčitostí, jehož cílem je odpověď na 3 otázky: 1. Jaká byla povaha nemoci či symptomu? 2. Jaké bylo rozhodnutí o léčbě? 3. Jaký byl výsledek léčby? Lze říci, že o všech experimentech platí, že jedním z cílů je učit se ze zkušenosti prostřednictvím pečlivého pozorování a zaznamenávání dat. Naučené je však vysoce individualizované (např. lékař se může naučit jak konkrétní pacient reaguje na bolest nebo jak interakce s rodinou ovlivňuje pacientovu reakci na nemoc), nebo může být odvozené z dat shromážděných od mnoha pacientů, kteří mají podobné problémy, a analýzy výsledků různých variant léčby ve vztahu k jejich efektivitě. Ačkoliv laboratorní výzkum zejména v uplynulých 50. letech významně přispěl k našim znalostem o nemocech a jejich léčbě, stále je základem pro získávání znalostí o péči o pacienta pečlivé pozorování a zaznamenávání informací, prováděné zkušeným zdravotnickým personálem. Učíme se z agregace informací od velkého množství pacientů. Proto mají historické záznamy jednotlivých pacientů takovou důležitost pro klinický výzkum.
18
Podpora komunikace mezi poskytovateli péče Hlavní funkcí sběru a záznamu strukturovaných dat ve zdravotnických zařízeních je asistovat personálu při poskytování koordinované péče pacientovi v čase. Většina pacientů, kteří mají závažné problémy, je sledována mnoho měsíců či let z důvodu jedné či více nemocí, které vyžadují průběžné hodnocení a péči. V minulosti bylo běžné, že se pacientovi dostávalo téměř veškeré péče od jediného poskytovatele: rodinného lékaře, který ošetřoval děti a dospělé, často po celý jejich život. Takoví lékaři měli úzký vztah se svými pacienty – znali rodiny a sdíleli celou řadu událostí v životě pacienta, zejména v menších místech. Nicméně si vedli záznamy o všech návštěvách, aby se mohli odkazovat na data o prodělaných nemocech a léčbě jako vodítku pro vyhodnocení budoucích otázek péče. Ve světě moderní medicíny položil vznik subspecializací a nárůst poskytování péče týmy zdravotníků velký a nový důraz na klíčovou roli lékařského záznamu. Nyní záznam neobsahuje jen pozorování lékaře jako referenci pro další návštěvu, ale také slouží jako komunikační mechanismus mezi lékaři a dalším zdravotnickým personálem, jako jsou fyzioterapeuti, zdravotní sestry, radiologičtí technici, sociální pracovníci. V mnoha ambulantních zařízeních jsou pacienti ošetřováni řadou lékařů – počínaje praktickým lékařem až po specialisty, ke kterým je poslán na odborné vyšetření. Není neobvyklé slyšet nářky pacientů, kteří ještě zažili praxi rodinného lékaře, ke kterému měli důvěru a který je dobře znal. Lékaři jsou v tomto bodě dosti citliví, a proto jsou si vědomi důležitosti lékařských záznamů pro zajištění kvality a kontinuity péče prostřednictvím adekvátního zaznamenávání detailů a logiky předchozích zákroků a probíhajících léčebných zákroků. Předvídání budoucích zdravotních problémů Poskytování vysoce kvalitní lékařské péče zahrnuje více než reakci na pacientovy akutní nebo chronické zdravotní problémy. Vyžaduje také informování pacientů o tom, jakým způsobem může jejich okolí a životní styl přispět nebo naopak redukovat riziko budoucího rozvoje nemoci. Podobně i data sbíraná rutinně v rámci probíhající péče o pacienta mohou indikovat, že je u něj vysoké riziko rozvoje specifického problému, i když se v současnosti cítí dobře a nemá žádné příznaky. Proto jsou lékařská data důležitá pro screening rizikových faktorů, sledování rizikových profilů pacientů v čase a poskytování základu pro specifické vzdělávání pacientů nebo preventivní zásahy jako dieta, léky nebo cvičení. Asi nejobvyklejšími příklady probíhajícího hodnocení rizik v naší společnosti jsou rutinní monitorování nadváhy, vysokého krevního tlaku a zvýšené hladiny cholesterolu. V těchto případech mohou abnormální data predikovat potenciální chorobu; optimální péče vyžaduje včasný zásah dříve, než se mohou komplikace plně rozvinout. Zaznamenávání standardních preventivních opatření Lékařské záznamy také slouží jako zdroj dat o zásazích (intervencích), které byly provedeny jako prevence před běžnými či vážnými nemocemi. Nejlepším příkladem takových zásahů je očkování: očkování začíná v raném dětství a pokračuje celý život, zahrnuje i speciální očkování prováděné, je-li osoba zvlášť ohrožena (např. očkování gamaglobulinem jako prevence hepatitidy před cestou do oblastí, kde je hepatitida endemická). Když pacient přijde na místní pohotovost s tržnou ránou, lékař provede rutinní kontrolu, zda a kdy byl pacient naposledy očkován proti tetanu. Je-li tato informace snadno dostupná (buď v záznamu nebo od pacienta), může zabránit nadbytečnému léčení (v tomto případě infekci), které bývá spojeno s rizikem či významnými náklady. Identifikace odchylek od očekávaných trendů V lékařské péči jsou data často užitečná jedině tehdy, když na ně pohlížíme jako na kontinuum v čase. Příkladem je rutinní sledování růstu a vývoje dítěte (obr. 3.1). Jednotlivé body reprezentující výšku a hmotnost nejsou užitečné samy o sobě. Pouze trend v datech sledovaný měsíce nebo roky může ukázat první záchytný bod zdravotního problému. Takové parametry se běžně zaznamenávají do grafů, protože tak jsou trendy zřejmé na první pohled.
19
Obr. 3.1 Zaznamenávání růstu dítěte Poskytování záznamu použitelného z právního hlediska Další možnosti, jak využít lékařská data poté, co jsou analyzována, je vypracování podkladů pro právní záznam, který může v případě nutnosti použít soud. Lékařský záznam je právní dokument. Většina klinických informací, která je zaznamenána, musí být podepsána zodpovědnou osobou. Navíc by záznam měl popisovat a zdůvodňovat jak předpokládanou diagnózu pacienta, tak volbu ošetření a léčby. Již dříve jsme zdůraznili důležitost zaznamenávání dat. Ve skutečnosti data neexistují, dokud nejsou zaznamenána. Právní systém tento bod také zdůrazňuje. Lékařovo nepodložené vybavení si z paměti, co
20
pozoroval či proč provedl tu či onu akci, má v soudní síni malou hodnotu. Základem pro rozhodnutí, zda byla poskytnuta odpovídající péče, je lékařský záznam. Tudíž dobře udržovaný záznam je důležitý pro ochranu jak pacientů, tak lékařů. Podpora klinického výzkumu Zkušenosti získané během péče o jednotlivé pacienty sice poskytují lékařům speciální návyky a schopnost kvalitnějšího rozhodování. Nicméně pouze formální analýza dat shromážděných od velkého množství pacientů umožňuje výzkumným pracovníkům rozvíjet a ověřovat nové klinické znalosti, které jsou obecně použitelné. Tedy další využití lékařských dat je podpora klinického výzkumu pomocí agregace a statistické analýzy pozorování shromážděných z populace pacientů (viz obr. 1.5, 1.6). Randomizované klinické studie jsou obecnou metodou, při které jsou experimentálně řešeny specifické klinické úlohy. Typicky zahrnují náhodné přiřazení skupin pacientů k alternativním léčebným postupům v situacích, kdy existuje nejistota, který postup je nejvhodnější pro danou chorobu. Jsou měřeny a zaznamenávány proměnné, které by mohly ovlivnit pacientův stav (např. věk, pohlaví, hmotnost, koexistující zdravotní problémy). Během studie jsou data pečlivě sbírána pro vytvoření záznamu, jak se každému pacientovi daří po léčbě, a přesně, jak byla léčba administrována. Sběrem takových dat, někdy po letech experimentování (to závisí na časovém průběhu zkoumané nemoci), jsou výzkumní pracovníci schopni ukázat statistický rozdíl mezi sledovanými skupinami v závislosti na přesných charakteristikách přítomných u pacientů, když studie začala, nebo na detailech postupů, jakými byly pacienti léčeni. Takové výsledky potom pomáhají při definování standardů péče o budoucí pacienty se stejnými nebo podobnými nemocemi. Lékařské znalosti mohou být také odvozeny z analýzy rozsáhlých souborů dat o pacientech, i když pacienti nebyli přímo zahrnuti do nějaké klinické studie. Velká část epidemiologických výzkumů zahrnuje analýzu populačních dat tohoto typu. Např. naše znalosti o rizicích spojených s kouřením cigaret jsou založeny na neoddiskutovatelných statistikách, vycházejících z velkých populací jedinců majících a nemajících rakovinu plic, jiné nemoci dýchacího ústrojí a nemoci srdce. Slabiny tradičního systému lékařských záznamů. Jako každý systém, má i tento svoje výhody a nevýhody. Některé z výhod jsme již zmínili. Nyní se podíváme na slabiny, které omezují efektivitu jeho využití. Těmi nejpodstatnějšími jsou: • Pragmatické a logistické problémy • Redundance a neefektivnost • Vliv na klinický výzkum • Pasivní charakter papírových záznamů Pragmatické a logistické problémy Připomeňme si, že data nemohou efektivně sloužit při poskytování zdravotní péče, pokud nejsou zaznamenána. Jejich optimální použití závisí na pozitivních odpovědích na následující otázky: • Mohu nalézt data, které potřebuji, v okamžiku, kdy je potřebuji? • Mohu nalézt lékařský záznam, ve kterém jsou uložena? • Mohu nalézt data v záznamu? • Mohu nalézt, co potřebuji, rychle? • Dokážu přečíst a interpretovat data, když jsem je nalezl(a)? • Dokážu data spolehlivě aktualizovat novými pozorováními ve formě, která je konzistentní s požadavky na budoucí přístup i dalšími lidmi? Příliš často se ale u tradičních papírových záznamů stává, že na výše uvedené otázky musíme odpovědět záporně. Např.: • Pacientův záznam je nedostupný, když ho lékař potřebuje. Může ho v daný okamžik mít někdo jiný někde jinde. Může být špatně uložen, i když se používá systém pro sledování oběhu dokumentů. Nebo si ho někdo neúmyslně vzal a leží teď na jeho stole. • I když už máme záznam v ruce, může být obtížné najít hledanou informaci. Data mohla být již dříve známa, ale nebyla zaznamenána kvůli přehlédnutí lékaře či jiného zdravotnického pracovníka. Špatná organizace záznamu může mít za následek nepřiměřeně dlouhou dobu hledání dat, zejména v objemném záznamu pacienta s dlouhou a bohatou anamnézou.
21
• •
•
Poté, co lékař najde hledaná data, může zjistit, že jsou obtížně čitelná. Důvodem může být jak rukopis, tak i heslovitě vedené poznámky, např. s neobvyklými zkratkami či znaky. Když je záznam nedostupný, je péče poskytnuta bez jeho znalosti. Lékaři se tedy rozhodují na základě informací od pacienta a z provedených vyšetření. Potom napíší poznámky, které by se měly přidat do existujícího záznamu (pokud je nalezen). Ve velké instituci s tisícovkami lékařských záznamů se může stát, že tyto poznámky nejsou vloženy do záznamu daného pacienta nebo nejsou vloženy časově správně. Pacienti, kteří jsou často nebo chronicky nemocní, navštěvují lékaře zpravidla dlouhé měsíce či roky. Jejich záznamy tím pádem narůstají, takže musejí být rozděleny do více svazků. Když si klinika nebo pohotovost objedná pacientův záznam, zpravidla dostane pouze poslední svazek. Stará ale potřebná příslušná data jsou v předchozích svazcích, které jsou již uloženy v archivu nebo jsou jinak nedostupné.
Redundance a neefektivnost Pro rychlé nalezení dat si zdravotníci vytvořili celou řadu technik, které umožňují redundantní ukládání tak, aby bylo možné použít pro vyhledávání různé režimy přístupu. Např. výsledky radiologického vyšetření jsou uvedeny na standardním radiologickém formuláři, který je založen do části záznamu označené „rtg“. U komplikovaných vyšetření jsou data sumarizována na stručné poznámce radiologa přímo v textové části záznamu během vyšetření. Následně je do záznamu zanesena formální zpráva. Navíc jsou výsledky často zmíněny v poznámkách psaných přijímajícím a konzultujícím lékařem a sestrami. Ačkoliv mohou existovat dobré důvody pro několikanásobné zaznamenávání takové informace různými způsoby a na několika místech záznamu, objem těchto poznámek urychluje nárůst dokumentu a tak komplikuje úlohu logistického managementu záznamů. Navíc se ztěžuje úloha nalezení specifických dat pacienta v objemném záznamu. Podobná neefektivnost se objevuje kvůli rozdílným cílům návrhu formulářů výsledků používaných mnoha laboratořemi. Většina zdravotníků dává přednost konzistentním a známým papírovým formulářům, často barevným, protože toto rozlišení pomáhá nalézt příslušné informace rychleji. Např. lékař ví, že zpráva o analýze moči je vytištěna na žlutém papíře a informace o množství bakterií v polovině prostředního sloupce. Tudíž lékaři stačí krátký pohled na příslušný list papíru a má příslušnou informaci. Problémem je ale to, že takové formuláře obsahují často pouze jeden nebo několik málo údajů, ale v záznamu zabírají dost místa. Vliv na klinický výzkum Každý, kdo se účastnil nějakého projektu v rámci klinického výzkumu, jehož součástí bylo hodnocení záznamů, může potvrdit únavnost procházení velkého množství papíru. Jak už jsme se také zmínili, extrakce dat ze záznamů a jejich formátování pro strukturovanou statistickou analýzu je náročný proces, ve kterém může navíc při přepisu docházet k chybám. Nezasvěcení se často diví, kolik lékařských znalosti leží ladem v lékařských záznamech. Důvod je prostý: neexistuje jednoduchý způsob, jak analyzovat zkušenosti shromážděné ve velké populaci pacientů, aniž aby se nejprve extrahovala příslušná data z papírových záznamů. Předpokládejme například, že lékař zaznamená, že pacienti, kteří dostávají určitý běžný lék na cukrovku orálně (označme jej lék X), mají s větší pravděpodobností významnou postoperační hypotenzi (nízký krevní tlak). Na rozdíl od nich pacienti, kteří dostávají jiné léky na cukrovku, tuto hypotenzi nemají. Lékař založil svou hypotézu – že lék X ovlivňuje postoperační krevní tlak – jen na několika pozorováních. Ale rozhodl se, že se podívá do existujících nemocničních záznamů, zda se tato korelace objevila s s postačující frekvencí, která ospravedlní formální výzkum. Nejlepším způsobem, jak sledovat svou teorii v existujících lékařských datech, je projít záznamy všech pacientů s cukrovkou, kteří podstoupili chirurgický zákrok. Úkol tedy zní: projít tyto záznamy a poznamenat si všechny pacienty, zda 1) užívali lék X při příjmu a 2) měli postoperační hypotenzi. Jestliže statistika ukáže, že u pacientů užívajících lék X se s vyšší pravděpodobností objevil nízký krevní tlak po operaci, než u pacientů užívajících jiné léky, potom je řízený experiment (prospektivní pozorování a sběr dat) zcela na místě. Všimněme si rozdílu mezi retrospektivní analýzou záznamů a prospektivní studií. Retrospektivní analýza zkoumá problémy, které nebyly předmětem studie v době, kdy byla data shromažďována. V prospektivní studii známe klinickou hypotézu předem a pro sběr budoucích dat relevantních k danému problému je navržen výzkumný protokol. Subjekty jsou náhodně zařazeny do různých skupin, což pomáhá zabránit výzkumných pracovníkům – kteří by mohli být zaujatí, protože navrhli hypotézu – aby neúmyslně
22
zkreslili výsledky tím, že zařadí specifickou třídu pacientů celou do jedné skupiny. Ze stejného důvodu, jeli to možné, jsou studie dvojitě slepé, což znamená, že ani výzkumníci ani subjekty nevědí, jaká léčba je aplikována. Samozřejmě takové zaslepení je nepraktické, když je zřejmé pacientům či lékařům, jaká léčba je použita (chirurgický zákrok versus léky). Prospektivní, randomizované, dvojitě slepé studie jsou považovány za nejlepší metodu pro určení nejlepšího způsobu léčby nemoci. Vraťme se k našemu příkladu. Uvažujeme problémy, se kterými se setká výzkumník, hledající retrospektivně odpověď na otázku postoperační hypotenze. Nejprve musí identifikovat příslušné záznamy: podmnožinu lékařských záznamů chirurgických pacientů, kteří mají cukrovku. V nemocniční kartotéce obsahující tisíce záznamů může být výběr odpovídajících záznamů nadlidským úkolem. Zpravidla se v kartotékách udržují indexy diagnostických a procedurálních kódů s křížovými referencemi na jednotlivé pacienty. Tudíž by bylo možné využít tyto indexy pro nalezení všech záznamů, ve kterých se objevuje diagnóza cukrovky a v procedurálních kódech větší chirurgický zákrok. Tak lze získat seznam identifikačních čísel pacientů a nechat si dohledat příslušné záznamy v kartotéce. Dalším úkolem je projít každý záznam a zjistit, jaká byla léčba cukrovky v době chirurgického zákroku a zda měl pacient postoperační hypotenzi. Hledání těchto informací může být extrémně časově náročné. Informace o lécích na cukrovku může být obsažena v přijímacím protokolu, ale je nutné zkontrolovat na listu léků, zda během pobytu v nemocnici byly podávány tytéž nebo jiné léky. Hledání informace o hypotenzních epizodách může být stejně složité. Začít lze u poznámek z pooperačního pokoje nebo s daty od anesteziologa z operačního sálu. Ale pacient nemusel mít hypotenzi ani během operace ani během pobytu na pooperačním pokoji. Mohla se objevit teprve po převozu na standardní pokoj. Proto je nutné prověřit i záznam z tohoto lůžka. Stejně tak je nutné projít list s daty o vitálních funkcích, poznámky lékaře o vývoji zdravotního stavu pacienta a propouštěcí protokol. Z tohoto příkladu je jasné, že provádět retrospektivní analýzu je pracný a náročný proces a že může být zatížen chybami při přepisu a přehlédnutím klíčových dat. Proto je zavedení počítačových lékařských záznamů velkým příslibem. Umožňuje totiž významně zjednodušit proces vyhledávání relevantních dat. Odstraní též možnost zavlečení dalších chyb. Nemluvě o snadné statistické analýze a dalších podobných metodách vyhodnocování. Pasivní povaha papírových záznamů Tradiční manuální systém má další omezení, které by bylo nevýznamné, pokud by se neobjevila éra počítačů. Normální archivační systém je ve své podstatě pasivní; záznamy čekají, až se s nimi něco udělá. Jsou necitlivé k vlastnostem dat zaznamenaných na jejich stránkách, jako čitelnost, přesnost nebo implikace pro léčbu pacienta. Nemohou převzít aktivní roli ve vhodné reakci na tyto implikace.
Obr. 3.3 Typický záznam vyšetření v papírové podobě
23
Počítačové systémy změnily náš pohled na to, co mohou zdravotníci očekávat od lékařských záznamů. Automatické systémy přinášejí nové příležitosti pro dynamické odpovědi na data, která jsou v nich uložena. Počítačové metody pro ukládání, vyhledávání a analýzu dat umožňují vyvinout takové systémy, které 1. monitorují svůj obsah a generují varování či radu uživateli na základě jednoho pozorování nebo logické kombinace dat. 2. poskytují automatizovanou kontrolu kvality, včetně označení potenciálně chybných dat; nebo 3. poskytují zpětnou vazbu o odchylkách specifických pro daného pacienta nebo pro populaci od požadovaného standardu. 3.5 Struktura lékařských dat Vědecké disciplíny obecně si vytvářely a vytvářejí přesnou terminologii, která je standardizovaná a akceptovaná všemi pracovníky v oboru. Jako příklady si uveďme univerzální jazyk v chemii zabudovaný do chemických vzorců, přesné definice a matematické rovnice používané fyziky, predikátovou logiku používanou logiky nebo konvence pro popis obvodů používanou elektroinženýry. Medicína je pozoruhodná tím, že nevytvořila standardizovaný slovník a nomenklaturu. To samozřejmě znesnadňuje výzkumné práce v celém oboru. Byl položen důraz na problémy zavedení počítačů pro management dat, protože počítačové systémy vyžadují shodu standardů dat a definic. Jinak by otázky vyhledávání a analýzy dat byly narušeny či přímo znemožněny diskrepancemi mezi významem zamýšleným pozorovatelem či zapisovatelem a významem chápaným jedinci vyhledávajícími informace nebo provádějícími analýzu dat. Co je „infekce horních cest dýchacích“? Zahrnuje infekci trachei nebo hlavní průdušky? Jak velké musí být srdce, abychom mohli mluvit o „kardiomegalii“? Jak bychom měli pracovat s nadměrným množstvím nemocí založených na eponymech (např. Alzheimerova choroba, Hodgkinova choroba), které nepopisují nemoc a nemusejí být známé všem praktickým lékařům? Co se myslí výrazem „akutní břicho“? Jsou jasně definované hranice břicha? Jaká jsou časová omezení, která odpovídají „akutnosti“ bolesti břicha? Je to „ache“ nebo „pain“? A co třeba „občasné“ křeče? Nepřesnosti a chybějící standardizovaný slovník jsou zvláště problematické, když chceme agregovat data pořízená různými zdravotníky nebo analyzovat trendy v čase. Bez řízeného, předdefinovaného slovníku je interpretace dat velmi komplikovaná a automatizovaná sumarizace dat úplně nemožná. Např. jeden lékař může zapsat, že pacient má dýchavičnost. Později jiný lékař uvede, že má dušnost nebo dyspneu. Pokud tyto výrazy nejsou označeny jako synonyma, automatický program selže a neoznačí, že v obou případech měl pacient stejný problém. Nehledě na argument, že v medicíně jsou prvky „umění“, je potřeba efektivní komunikace mezi zdravotnickým personálem jasná jak v zařízeních akutní péče, tak při dlouhodobém sledování pacientů. Jak vysoce kvalitní péče, tak vědecký pokrok závisejí na jisté standardizaci terminologie. Jinak rozdíly v zamýšleném významu nebo definování kritérií povedou k chybné komunikaci, nesprávné interpretaci a potenciálně negativním důsledkům pro pacienty. Je pozoruhodné, že i přes chybějící definice mnoha lékařských pojmů spolu zdravotníci komunikují docela dobře. Jen výjimečně způsobí špatná komunikace problémy v péči o pacienta. Jestliže budeme chtít, aby počítačové záznamy byly dynamickými a reagujícími manipulátory dat pacienta, jejich logický mechanismus musí být schopen předvídat specifický význam pojmů a datových elementů zaznamenávaných pozorovateli. 3.6 Kódovací systémy Zvykli jsme si, že jsou uveřejňovány údaje o vzrůstajícím počtu určitých nádorů, smrti jako následku chřipky v zimě, depresím na podzim a další podobné statistiky. Jak se taková data shromažďují? Jejich role v plánování a financování zdravotní péče je jasná, ale je zřejmé, že se neshromažďují metodou retrospektivního prohlížení papírových záznamů. Protože je potřeba znát zdravotní trendy populace a rozpoznat epidemie v jejich raném stádiu, existují různé požadavky na hlášení z nemocnic (a dalších veřejných institucí) a od praktických lékařů. Např. případy kapavky, syfilis a tuberkulózy se musejí hlásit nadřízeným zdravotním orgánům, které kromě jiného kódují data pro analýzu trendů v čase.
24
Další typ zpráv zahrnuje kódování všech diagnóz při propouštění hospitalizovaných pacientů a kódování určitých procedur (např. typ chirurgického zákroku) provedených během pobytu v nemocnici. Tato data slouží jednak interně v nemocnici (pro sledování relativních frekvencí různých chorob v hospitalizované populaci a průměrné doby pobytu pro každou kategorii chorob), jednak pro výzkum, jednak pro hlášení zdravotním pojišťovnám a statistickému úřadu. V současnosti je jednotnost přiřazení kódů diagnózám a lékařským úkonům definována Ministerstvem zdravotnictví ČR. Podobné systémy existují i v mnoha dalších zemích. Dá se říci, že byly do jisté míry vynuceny zdravotními pojišťovnami, protože bez jejich existence by nebylo možné zvládnout financování zdravotnických zařízení podle vykonaných úkonů. V USA vláda uveřejňuje národní diagnostické kódovací schéma, označené ICD – International Classification of Disease. Jeho stávající verzi používají všechny civilní nemocnice v USA při propouštění pacientů a musí být uvedena na účtech pro většinu zdravotních pojišťoven. Patologové vyvinuli jiný široce používaný diagnostický kódovací systém, původně známý jako SNOP (Systematized Nomenclature of Pathology); později byl rozšířen a je znám pod názvem SNOMED (Systematized Nomenclature of Medicine). Dalším systémem je CPT (Current Procedural Terminology), vyvinutý Americkou lékařskou asociací (American Medical Association). Každý systém díky svému vzniku se soustředí na některé oblasti a ostatní pokrývá pouze stručně. Např. kódování v ICD – 9 bylo odvozeno z klasifikačního schématu pro epidemiologické hlášení. Proto má více než 50 samostatných kódů pro popis tuberkulózních infekcí. SNOMED má detailní kódování patologických nálezů, ale teprve postupně se zavádějí kódy pro vyjádření pacientova funkčního stavu. Podobně se může i jednotlivým specialistům jevit systém jako málo detailní. Např. hematolog rozlišuje celou řadu hemoglobinopatií (poruchy struktury a funkce hemoglobinu), které jsou v ICD kódovány jediným kódem. Na druhé straně praktický lékař by uvítal spojení mnoha samostatných kódů do jediného, např. aktivní tuberkulóza. Postupně se však vyvíjejí jisté standardy, které by měly usnadnit komunikaci i mezi zdravotníky z různých zemí v souvislosti se zaváděním elektronických zdravotních záznamů.
25
Obr. 3.4 Příklad kódování diagnóz
26
Obr. 3.5 Příklad dalšího typu kódování nemocí 3.7 Spektrum data – znalosti V centru pozornosti lékařské informatiky je báze informací, která představuje „substanci medicíny“. Nejprve si musíme vyjasnit rozdíly mezi pojmy data (údaje), informace a znalosti, které se často zaměňují. Jeden údaj je jeden bod pozorování, který charakterizuje určitý vztah. Obecně to může být hodnota určitého parametru jistého objektu (např. pacienta) v daném časovém okamžiku. Znalost je odvozena formální nebo neformální analýzou (nebo interpretací) z dat. Tudíž obsahuje výsledky formálních studií a také fakta, předpoklady, heuristiky (strategická pravidla vycházející ze zkušenosti „selského rozumu“) a modely. Kterákoliv položka může odrážet zkušenosti nebo předsudky lidí, kteří interpretují primární data. Pojem
27
informace je obecnější, protože zahrnuje organizovaná data a znalosti. Ačkoliv data považujeme za informace až tehdy, když jsou nějak uspořádána pro analýzu či zobrazení. Pozorování, že pacient Novák má krevní tlak 180/110, je jeden údaj stejně jako zpráva, že pacient prodělal infarkt myokardu. Když výzkumníci shromažďují a analyzují taková data, mohou určit (zjistit), že pacienti s vysokým krevním tlakem dostanou s větší pravděpodobností infarkt než pacienti s normálním nebo nízkým krevním tlakem. Tato analýza dat vygenerovala novou znalost o světě. Lékařovo přesvědčení, že předepsat dietetické omezení soli nebude pravděpodobně efektivní pro kontrolu vysokého krevního tlaku u pacientů s ekonomickými problémy (protože si zřejmě nebudou moci dovolit speciální potraviny s nízkým obsahem soli), je dodatečnou osobní znalostí – heuristikou, která lékaři pomáhá při rozhodování. Všimněte si, že správná interpretace těchto definic závisí na kontextu. Znalost na jedné úrovni abstrakce může být považována za data na vyšších úrovních. Krevní tlak 180/110 mm Hg představuje nezpracovaná data; výrok, že pacient má hypertenzi, je interpretací těchto dat a tudíž reprezentuje znalost vyšší úrovně. Avšak jako vstup do diagnostického systému pro podporu rozhodování může být požadována odpověď na otázku, zda pacient má či nemá hypertenzi. V tomto případě je odpověď považována za datovou položku. Databáze je kolekce individuálních pozorování bez jakékoliv sumarizující analýzy. Proto je počítačový systém lékařských záznamů primárně považován za databázi – místo, kde jsou uložena pacientova data. Báze znalostí je soubor faktů, heuristik a modelů, které mohou být použity pro řešení úloh a analýzu dat. Jestliže báze znalostí má dostatečnou strukturu, včetně tématických vztahů mezi jednotlivými položkami znalostí, pak mohou být tyto znalosti použity jako podpora pro případové usuzování. 3.8 Strategie výběru a užití lékařských dat Je iluzorní snažit se pochopit „úplnou množinu lékařských dat“. Všechny lékařské databáze a záznamy jsou nutně neúplné, protože odrážejí výběrový sběr a zaznamenávání dat zdravotníky zodpovědnými za pacienta. Je možné najít odlišnosti jak ve stylu, tak řešení, které jsou dané odlišnostmi ve způsobu, jak lékaři sbírají a zaznamenávají data o stejném pacientovi za stejných podmínek. Takové odchylky neodrážejí zpravidla dobrou praxi. Proto je velká část lékařského vzdělávání zaměřena na pomoc lékařům a dalším zdravotnickým pracovníkům, aby se naučili, jaká pozorování mají dělat a jakým způsobem (výběr správné metody), jak je interpretovat a jak rozhodnout, zda se mají formálně zaznamenat. Příkladem tohoto jevu je rozdíl mezi první lékařskou anamnézou, vyšetřením a psanou zprávou provedenou studentem medicíny a podobným procesem provedeným logicky uvažujícím zkušeným klinickým lékařem u stejného pacienta. Studenti medicíny vycházejí z vyčerpávajícího mentálního přehledu otázek, které chtějí použít, testů a dodatečných dat, které chtějí získat. Protože ještě nezískali zručnost výběru, může proces získání anamnézy a vyšetření trvat déle než 1 hodinu. Poté student napíše rozsáhlou zprávu o tom, co pozoroval a jak interpretoval pozorování. Pro praktického lékaře by samozřejmě bylo nepraktické, neefektivní a nevhodné strávit tolik času hodnocením každého nového pacienta. Tudíž částí úkolu pro nováčka je naučit se, jak klást pouze nutné otázky, jak provádět pouze požadovaná vyšetření a zaznamenávat pouze ta data, která budou relevantní ve zdůvodnění probíhajícího diagnostického přístupu a při vedení budoucí péče o pacienta. Co máme na mysli pod pojmem selektivita ve sběru a zaznamenávání dat? Právě tento proces je často považován za centrální část „umění medicíny“, prvek, který objasňuje individuální styky a někdy označuje rozdíly mezi lékaři. Výzkum v lékařské informatice se mimo jiné soustředí právě na otázku porozumění, jak si lékaři ve své mysli ukládají tento proces, a formalizaci myšlenek a znalostí, aby se daly snáze učit a vysvětlovat. 3.9 Hypoteticko-deduktivní přístup Výzkum procesu rozhodování v medicíně ukázal, že strategie sběru a interpretace dat jsou součástí iterativního procesu, který je známý pod názvem hypoteticko-deduktivní přístup. Ústřední myšlenkou je sekvenční sběr dat, následovaný interpretací dat a generování hypotéz. To vše vede k hypotézami řízenému výběru dalších nejvhodnějších dat, která se mají sbírat. Data se sbírají v každém stádiu, jsou přidávána k rostoucí databázi pozorování a jsou použita pro reformulaci či zjemnění aktivních hypotéz. Tento proces probíhá iterativně, dokud jedna hypotéza nedosáhne prahu jistoty (např. se dokáže, že platí, nebo že alespoň je neurčitost snížena na uspokojivou úroveň). Pak je možné učinit rozhodnutí o dalším postupu nebo léčbě.
28
Obr. 3.6 Proces upřesňování hypotéz na základě nových informací Tento proces je znázorněn na obr. 3.6. Sběr dat začíná ve chvíli, kdy pacient přijde k lékaři s nějakými obtížemi (symptomy či nemocí). Lékař zpravidla položí několik otázek, které mu pomohou se zaměřit na povahu problému. V písemné zprávě se takto shromážděná data objeví zpravidla jako identifikace pacienta, hlavní obtíže a první část historie probíhající nemoci. Zkušený lékař si vytvoří soubor počátečních hypotéz poté, co si vyslechne pacientovy odpovědi na prvních 6 či 7 otázek. Tyto hypotézy pak slouží jako základ pro výběr dodatečných otázek. Na obr. 3.6 je znázorněno, jak dodatečné otázky umožní lékaři zpřesnit hypotézy o tom, co je příčinou pacientových problémů. Lékaři označují soubor aktivních hypotéz jako diferenciální diagnózu pacienta. Diferenciální diagnostika je založena na souboru možných diagnóz, mezi nimiž musí lékař rozlišit, aby následně určil nejlepší způsob léčby. Všimněme si, že proces výběru otázek je v principu heuristický. Např. je personalizovaný a efektivní, ale negarantuje, že budou shromážděny všechny informace, které by mohly být relevantní. Lidé používají heuristiky téměř vždy při svém rozhodování, protože je často nepraktické nebo nemožné použít vyčerpávající prohledávání všech možných řešení. Obecným příkladem heuristického řešení úloh jsou šachy a další podobně složité hry. Definování všech možných tahů a protitahů by si vyžádalo enormně dlouhý čas, proto špičkový hráči mají své vlastní heuristiky pro hodnocení hry v jednotlivých okamžicích a výběr strategie pro další postup. Lékaři si vytvořili jistá „bezpečnostní“ opatření, která jim pomáhají vyhnout se problémům, zejména opomenutí důležitých otázek při shromažďování dat v hypotézami řízeném postupu při zjišťování anamnézy. Tato opatření jsou zaměřena na 4 obecné kategorie otázek, které následují po sběru informací o hlavních obtížích: • minulé zdravotní problémy • rodinná anamnéza • otázky týkající se sociálné úrovně • stručná revize funkce systému (při ní se lékař ptá na zdravotní stav hlavních ústrojí v těle – např. dýchací ústrojí, trávicí ústrojí) Přitom může náhodně objevit úplně nové problémy nebo nalézt nové informace, které modifikují seznam hypotéz nebo možné varianty léčby (např. jestliže pacient informoval o vážných reakcích na některé léky nebo o alergii). Poté, co lékař dokončí kladení otázek, má zpřesněný seznam hypotéz (někdy zredukovaný na jedinou hypotézu), který slouží jako podklad pro cílené fyzické vyšetření. Teď už ví, co může nejpravděpodobněji vyšetřením odhalit, nebo které specifické testy bude nutné udělat pro další zpřesnění diagnózy (zúžení seznamu hypotéz). Když lékař ukončí vyšetření, je zpravidla hypotéza zpřesněná natolik, že je možné nasadit specifickou léčbu. Často je však nutné získat další data. Takové testy vycházejí z aktuálních hypotéz. Dostupné možnosti zahrnují laboratorní testy (krve, moči, dalších tělních tekutin, nebo biopsii), radiologické
29
vyšetření (rtg, MRI, CT, PET, sono, atd.) a další specializované testy (EKG, EEG, EMG, EGG, vodivost nervů, atd.). JAkmile jsou dostupné výsledky testů, může lékař dále revidovat a zpřesňovat svůj seznam hypotéz. Nakonec když si je dostatečně jistý příčinou pacientových problémů, vytvoří konkrétní plán léčby. Během léčby je pacient sledován. Jeho reakce na léčbu jsou opět data, která se shromažďují a která mohou ovlivnit i vlastní hypotézy o pacientově nemoci. Jestliže pacient nereaguje na léčbu, může to znamenat, že nemoc je rezistentní vůči dané léčbě. Lékař by tedy měl zkusit alternativní přístup. Dále to ale může znamenat, že původní diagnóza byla nesprávná, a v takovém případě musí lékař zvažovat alternativní vysvětlení pacientových obtíží. Pacient může zůstat v cyklu léčení a pozorování po dlouhou dobu. Tento dlouhý cyklus odráží povahu zvládání chronických nemocí – aspekt lékařské péče, který vysvětluje vzrůstající podíl práce lékařské komunity (a nárůst výdajů). Samozřejmě pacient může být vyléčen rychle a nepotřebuje další léčbu a vyšetření. Na druhé straně může také zemřít. Poznamenejme ještě, že hypotézami řízený proces sběru dat, tvorby diagnózy a léčby je ve své podstatě založen na znalostech. Nezávisí jen na významné bázi faktů, která umožňuje správnou interpretaci dat a výběr vhodných otázek a testů, ale také na efektivním využití heuristických technik, které charakterizují individuální expertízu. Dalšími důležitými aspekty, které musí lékař mít na paměti, jsou finanční náklady a zdravotní rizika sběru dat a jejich přiměřenost ve vztahu k potenciálnímu informačnímu zisku z takových dat. Např. vyšetření pacienta na lůžku nebo získání odpovědí na otázky nestojí nic než čas lékaře. Na druhé straně vyšetření na rentgenu, koronární angiografie nebo CT hlavy jsou spojena s dalšími riziky a náklady. Neinvazivní vyšetření, jako např. EKG, EEG, nepřinášejí žádná rizika, pouze náklady za úkony. Je tedy nutné zvážit podle stavu pacienta a dosud získaných dat a informací, zda další léčba vyžaduje náročná vyšetření, zatěžující pacienta a zvyšující náklady.
Obr. 3.7 Záznam EKG
30
