FHIR – Überfälliger Standard im radiologischen Data-Warehouse

Zusammenfassung

Hintergrund

In der Radiologie hat der technologische Fortschritt zu einem enormen Anstieg der Datenmengen geführt. Um diese Daten während der Befundung oder späteren klinischen Auswertung effektiv nutzen zu können, müssen diese an einer zentralen Stelle aggregiert und im Kontext sinnvoll abrufbar sein. Diese Aufgabe übernehmen sogenannte radiologische Data-Warehouses: Sie integrieren vielfältige Datenquellen, ermöglichen eine patientenspezifische und untersuchungsspezifische Auswertung und bieten damit zahlreiche Vorteile in der Patientenversorgung, Ausbildung und klinischen Forschung.

Methode

Der internationale Standard Health Level 7 (HL7) Fast Healthcare Interoperability Resources (FHIR) eignet sich besonders für die Implementierung eines solchen Data-Warehouses. FHIR ermöglicht einen einfachen und schnellen Datenzugriff, unterstützt moderne Web-basierte Frontends und bietet aufgrund der Integration medizinischer Ontologien wie SNOMED-CT oder RadLex eine hohe Interoperabilität. Zudem verfügt FHIR über ein robustes Datensicherheitskonzept. Aufgrund dieser Eigenschaften wurde FHIR von der Medizin Informatik Initiative (MII) als Datenstandard für den Kerndatensatz ausgewählt und soll auch im European Health Data Space (EHDS) als internationaler Standard vorangetrieben werden.

Schlussfolgerung

Die Implementierung des FHIR-Standards in radiologischen Data-Warehouses ist daher ein logischer und sinnvoller Schritt hin zu einer datengetriebenen Medizin.

Kernaussagen

• Ein Data-Warehouse ist essenziell für datengetriebene Medizin, klinische Versorgung und Forschungszwecke.

• Data-Warehouses ermöglichen effiziente Integration von KI-Ergebnissen und strukturierte Befundvorlagen.

• Fast Healthcare Interoperability Resources (FHIR) ist ein geeigneter Standard für ein Data-Warehouse.

• FHIR bietet einen interoperablen Datenstandard, unterstützt durch bewährte Web-Technologien.

• FHIR verbessert die semantische Konsistenz und erleichtert einen sicheren Datenaustausch.

Zitierweise

• Arnold P, Pinto dos Santos D, Bamberg F et al. FHIR – Overdue Standard for Radiology Data Warehouses. Fortschr Röntgenstr 2024; DOI 10.1055/a-2462-2351

Einleitung

Ein medizinisches Data-Warehouse ist ein grundlegender Baustein auf dem Weg zur datengetriebenen Medizin in Klinik und Forschung [1].

Im klinischen Kontext stellt ein Data-Warehouse nicht nur relevante Patienten- und Untersuchungsdaten für die klinische Versorgung bereit, sondern dient auch als Grundlage für Entscheidungsunterstützungssysteme (Clinical Decision Support Systems – CDSS). CDSS tragen dazu bei, medizinische Fehler zu vermeiden und eine effiziente und sicherere Versorgung zu gewährleisten [2].

Insbesondere in der Radiologie kommt es durch technologischen Fortschritt zu einem starken Anstieg der erfassten Datenmengen pro Untersuchung [3]. KI-Systeme können helfen, die Arbeitslast des Radiologen zu verringern [4], jedoch stellen bildbasierte KI-Systeme die Ergebnisse meist in Form sogenannter DICOM Secondary Captures zur Verfügung, welche durch den Befunder im PACS-System einzeln aufgerufen und beurteilt werden müssen. Ein radiologisches Data-Warehouse ermöglicht hier nicht nur eine übersichtliche Zusammenstellung von KI-Ergebnissen aus verschiedenen Quellen in einheitlicher Weise, sondern auch deren Integration direkt in eine strukturierte Befundvorlage. Auch zum herstellerunabhängigen Speichern von strukturierten Befunden ist ein Data-Warehouse notwendig.

Die Einrichtung eines Data-Warehouses ermöglicht jedoch nicht nur die primäre klinische Nutzung von Daten, sondern auch die sekundäre Datennutzung für Forschungs- und Qualitätsverbesserungsstudien [5] sowie dem Training robuster KI-Algorithmen [6]. Umfangreiche, interoperable und semantisch annotierte Datensätze ermöglichen die zeitsparende Testung von Hypothesen in retrospektiven Analysen, aus denen sich generalisierbares Wissen generieren lässt [7], welches zukünftigen Patienten zugutekommt. Insbesondere bei translationaler Forschung und seltenen Krankheitsbildern ist eine standortübergreifende Datenaggregation notwendig [8]. Hierfür wurde im Rahmen der Medizin Informatik Initiative (MII) der Aufbau sogenannter Datenintegrationszentren (DIZ) initiiert. Diese speichern den sogenannten Kerndatensatz im Health Level 7 (HL7)- Fast Healthcare Interopeability Ressources (FHIR) Format [9]. Dabei handelte es sich zunächst um vorwiegend administrative Daten, aktuell wird der Kerndatensatz im Rahmen des OMI-Projekts um einen Bildkerndatensatz erweitert.

Fast Healthcare Interopeability Ressources (FHIR, 2014) ist nach HL7v1 (1987, proof-of-concept), HL7v2 (1988, aktuelle Version HL7v2.9), HL7v3 (aufgrund fehlender Rückwärtskompatibilität und Komplexität niemals richtig etabliert) der vierte und aktuelle Standard im Datenaustausch der Health Level 7 (HL7) Organization. Gegenüber den Vorgängerversionen basiert er auf modernen und breit etablierten Konzepten zum Datenaustausch und zur Datenspeicherung wie z.B. dem Hypertext Transfer Protokol (HTTP) und Representational State Transfer (REST) Application Interfaces (APIs) ([Tab. 1]) [10]. Im FHIR-Standard werden die Daten in sogenannte Ressourcen gespeichert, welche auf allgemeinen Konzepten im Gesundheitswesen (z.B. Patient, Observation, Encounter, DiagnosticReport, ImagingStudy, Questionnaire, QuestionnaireResponse, [Tab. 2]) beruhen. Diese granuläre Datenspeicherung reduziert die Komplexität der Daten, ohne jedoch Informationen zu verlieren. Über eine REST-API-Schnittstelle kann von unterschiedlichen Anwendungen (Desktop, Browser, App) und unterschiedlichen Benutzergruppen (Arzt, Pflege, Controlling, Forschung, Patient) auf die Daten zugegriffen und diese bei entsprechender Berechtigung verändert werden. FHIR ermöglicht zudem durch die Integration medizinischer Ontologien und Terminologien wie SNOMED-CT, LOINC, oder RadLex eine semantische Anreicherung der Daten.

Tab. 1 Web-Standards.

HTTP(S)	Hypertext Transfer Protocol (Secure), ein Protokoll zur Datenübertragung über das Internet, das häufig für die Webkommunikation verwendet wird. Bei HTTPS erfolgt der Datenaustausch verschlüsselt.
REST-API	Eine REST-API ist eine Reihe von Regeln und Konventionen für die Erstellung und Interaktion mit Webdiensten. Es ermöglicht die Kommunikation zwischen Anwendung und Server und erlaubt die Datenbearbeitung mithilfe von Standard-HTTP-Methoden.
TLS	Transport Layer Security ist ein kryptografisches Protokoll, das eine sichere Kommunikation über ein Computernetzwerk gewährleistet.
OAuth	Open Authorization ist ein Framework für die sichere Autorisierung von Drittanbieteranwendungen für den Zugriff auf Benutzerdaten, ohne Anmeldeinformationen preiszugeben.

Tab. 2 Übersicht über FHIR-Ressourcen.

Patient	Enthält Informationen über einen Patienten, einschließlich demografischer Daten, medizinischer Historie und Kontaktdaten.
ImagingStudy	Beschreibt eine medizinische Bildgebung, wie z.B. Röntgenaufnahmen oder CT-Scans, und enthält Informationen über den Patienten, den Bildgebungsprozess und die Ergebnisse.
Observation	Enthält Messwerte oder Beobachtungen, die während einer medizinischen Untersuchung oder Behandlung gemacht wurden, wie z.B. Strahlendosis oder Knochendichte.
Questionnaire	Definiert Fragen und Antwortmöglichkeiten für die Erfassung von Patientendaten oder z.B. strukturierte Befundvorlagen.
QuestionnaireResponse	Enthält die Antworten eines Patienten oder eines Arztes auf einen Questionnaire (s.o.).
ServiceRequest	Stellt eine Anfrage für eine medizinische Dienstleistung dar, wie z.B. eine Laboruntersuchung oder eine radiologische Bildgebung.
DiagnosticReport	Enthält Berichte über diagnostische Untersuchungen oder Tests, einschließlich Interpretationen und Ergebnissen.

Aus diesen Gründen bietet FHIR ein ideales Fundament für ein radiologisches Data-Warehouse. Dieser Artikel soll einen Überblick über FHIR geben und darlegen, wie sich mit FHIR ein radiologisches Data-Warehouse aufbauen lässt.

Überblick über aktuelle Standards in der Radiologie

Interoperabilität ist gemäß der Definition der Healthcare Information and Management Systems Society (HIMSS) die Fähigkeit verschiedener Informationstechnologiesysteme und Softwareanwendungen, untereinander zu kommunizieren, Daten auszutauschen und die ausgetauschten Informationen zu nutzen [11]. Für die datengetriebene Medizin im Allgemeinen und Data-Warehouses im Besonderen spielt die Interoperabilität von Daten eine entscheidende Rolle.

Interoperabilität basiert auf zwei grundlegenden Konzepten: Syntax und Semantik. Syntax bezeichnet ein System von Regeln, nach denen Daten organisiert sind. Diese entsprechen im sprachlichen Kontext einer Grammatik. Die Syntax ermöglicht so die definierte Verarbeitung von Daten zwischen verschiedenen IT-Systemen. Über eine Syntax können Dokumentenstandards ([Tab. 3]) definiert werden, wie z.B. Extensible Markup Language (XML), JavaScript Object Notation (JSON), Clinical Document Architecture (CDA) für klinische Dokumente oder DICOM Structured Reports (DICOM-SR) [12] [13]. Wie solche Daten zwischen verschiedenen Systemen ausgetauscht werden, wird in einem Datenaustauschstandard, wie z.B. DICOM, HL7v2, HL7v3 oder FHIR ([Tab. 4]), definiert.

Tab. 3 Dokumentenstandards.

CDA	CDA eine spezifische Implementierung und Teilmenge von HL7v3, die sich speziell auf die Struktur und den Austausch klinischer Dokumente konzentriert. Fokus ist die einheitliche Darstellung von Patienteninformationen, einschließlich Patientengeschichte, Beobachtungen und anderen Gesundheitsdaten. Während CDA-Dokumente den in HL7v3 definierten Prinzipien und Strukturen entsprechen, deckt HL7v3 selbst ein breiteres Spektrum von Standards für die Kommunikation im Gesundheitswesen ab, das über die klinische Dokumentation hinausgeht. Im Gegensatz zu HL7v3 ist CDA als Dokumentenstandard durchaus verbreitet.
DICOM-SR	DICOM Structured Reports (DICOM-SR) ist ein Standard für die Organisation und den Austausch strukturierter Informationen (z.B. Text oder Zahlen) in der medizinischen Bildgebung [13]. DICOM-SR ermöglicht die Verwendung von Ontologien und Terminologien (LOINC, SNOMED-CT, RadLex, [Tab. 5]), um eine semantische Interpretierbarkeit der Daten zu ermöglichen.
DICOM-SC	DICOM-Secondary Capture (DICOM-SC) ist ein spezielles Datenformat im DICOM-Standard für medizinische Bilddaten. Es wird verwendet, um Bilddaten zu speichern, die aus primären Bildern abgeleitet wurden, oft durch Bildbearbeitung oder Konvertierung in ein anderes Format wie JPEG. Diese abgeleiteten Bilder können für Referenzzwecke oder Berichte verwendet werden.

Tab. 4 Standards im Datenaustausch.

DICOM	Im radiologischen Kontext hat sich DICOM weltweit als zentraler Standard für den Austausch, die Speicherung und Anzeige in der medizinischen Bildgebung etabliert [14]. DICOM stellt die Interoperabilität zwischen verschiedenen Bildgebungsgeräten und Gesundheitsinformationssystemen sicher und ermöglicht die kollaborative Diagnostik und Behandlungsplanung sowie den nahtlosen Austausch radiologischer Daten.
HL7v2	HL7v2 ist der aktuell am weitesten verbreitete Standard für den Austausch klinischer und administrativer Daten zwischen unterschiedlichen Gesundheitssystemen [15]. Sein rein textbasiertes Austauschformat erschwert jedoch den Austausch komplexer Datensätze mit semantischen Informationen.
HL7v3	HL7v3 ist der Nachfolger von HL7v2 und basiert auf dem Reference Information Model (RIM), welches eine standardisierte, abstrakte Darstellung von Gesundheitsdaten und ihren Beziehungen definiert und somit HL7v2 um eine semantische Interpretierbarkeit der Daten erweitert [16]. Allerdings ist HL7v3 für seine Komplexität bekannt und erfordert für die Implementierung erhebliche Ressourcen und Fachwissen, weshalb HL7v3 sich nie flächendeckend durchgesetzt hat.
FHIR	Der Hauptunterschied von FHIR gegenüber seinem Vorgänger HL7v3 liegt im modularen Ansatz zur Strukturierung von Daten. FHIR zerlegt Gesundheitsinformationen in einzelne Komponenten, sogenannte Ressourcen. Diese Ressourcen können flexibel kombiniert und erweitert werden, was eine Anpassung an neue Gesundheitsanforderungen ermöglicht, ohne bestehende Implementierungen zu stören.

Während Syntax die formale Korrektheit der Daten sicherstellt, beschäftigt sich Semantik mit der Interpretation dieser Daten. Es geht darum, was die Datenelemente tatsächlich bedeuten und wie sie in einem bestimmten Kontext verstanden werden. Die semantische Interoperabilität stellt somit sicher, dass Daten nicht nur korrekt übertragen, sondern auch in den verschiedenen (IT)-Systemen richtig interpretiert werden können. Medizinische Terminologien bzw. Ontologien (SNOMED CT, LOINC, RadLex, [Tab. 5]) definieren die Semantik und bilden damit die Grundlage für die korrekte Interpretation medizinischer Daten. [21].

Tab. 5 Relevante Terminologien und Ontologien.

SNOMED CT	SNOMED CT (Systematized Nomenclature of Human and Veterinary Medicine – Clinical Terminology) ist eine Ontologie, welche weltweit zur Kodierung klinischer Begriffe und Konzepte genutzt wird und stellt so eine gemeinsame Sprache für den Austausch von Gesundheitsinformationen bereit [17].
RadLex	RadLex ist eine Ontologie, welche von der Radiological Society of North America (RSNA) entwickelt wurde, da SNOMED CT viele spezifisch radiologische Terme nicht enthält. RadLex bietet eine gemeinsame Sprache zur Beschreibung von Bildbefunden, Verfahren und anatomischen Strukturen. RadLex liegt auch in deutscher Sprache vor [18].
LOINC	LOINC (Logical Observation Identifiers Names and Codes) ist eine Terminologie und definiert Begriffe und Konzepte im Zusammenhang mit dem Austausch medizinischer Laborbeobachtungen, klinischer Messungen und anderer Gesundheitsbeobachtungen[19]. LOINC wurde zwischenzeitlich in das RadLex Playbook integriert und bietet einen universellen Terminologiestandard für radiologische Anforderungen und Ergebnisse [20].

Eine Terminologie ist in diesem Kontext lediglich eine Liste/Sammlung von Begriffen und deren Definitionen. Diese Begriffe können medizinische Diagnosen, Verfahren, Anatomie, Krankheiten, Symptome oder andere relevante Konzepte umfassen [22].

Eine Ontologie ist eine formale, explizite Spezifikation einer gemeinsamen Konzeptualisierung innerhalb eines bestimmten Bereichs. Sie repräsentiert die Entitäten (Begriffe) innerhalb dieses Bereichs und die Relationen (Beziehungen) zwischen den Entitäten in einer strukturierten und organisierten Weise [23].

IHE (Integrating the Healthcare Enterprise)

Die 1998 ins Leben gerufene Initiative „Integrating the Healthcare Enterprise“ (IHE) ist eine globale Initiative, die darauf abzielt, die Interoperabilität von Gesundheitsinformationssystemen zu verbessern. IHE definiert keine eigenen Standards sondern entwickelt Integrationsprofile auf der Grundlage vorhandener Standards, um einen nahtlosen Informationsaustausch zu ermöglichen [24]. Eine Übersicht über die erarbeiteten FHIR-Profile ist unter https://wiki.ihe.net/index.php/Category:FHIR abrufbar [25].

FHIR (Fast Healthcare Interoperability Resources)

Notwendigkeit für FHIR

HL7v2 wurde in seiner ersten Version 1988 eingeführt und hat trotz ständiger Weiterentwicklung (aktuelle Version: Version 2.9, veröffentlicht 2019 [26]) einige methodisch bedingte Einschränkungen. Dazu gehört insbesondere der Mangel an einer konsequenten Semantik, was zu einer Variabilität in der Interpretation der Daten führt und es für Systeme schwierig macht, Daten konsistent zu interpretieren [27]. Vereinfacht lässt sich eine HL7v2-Nachricht mit einer Excel-Tabelle vergleichen. Das nachträgliche Hinzufügen/Ändern von Zellen bzw. die Interpretation, was in einer Zelle genau steht, ist nicht zwingend eindeutig.

Um diese Missstände zu beheben, wurde der HL7v3-Standard entwickelt. Für den Datenaustausch wurden zum Zeitpunkt der Entwicklung modernere Transferprotokolle wie das Hypertext Transfer Protocol (Secure) (HTTP(S)), Simple Mail Transfer Protocol (SMTP) oder Minimal Lower Layer Protocol (MLLP) adaptiert ([Tab. 1]) [28]. Zudem sollte mit dem Reference Information Model (RIM) eine semantische Interpretierbarkeit der Daten gewährleistet werden [29]. Jedoch ist bereits die interne Dokumentation inkonsistent, was verständlicherweise zu sehr viel Kritik führte [30]. Die Komplexität von RIM setzt für die Implementierung viel Fachwissen voraus, was Projekte verzögerte und immense Kosten verursachte [27]. Diese Gründe sowie die fehlende Rückwärtskompatibilität zu HL7v2 führten dazu, dass HL7v3 von der Industrie nie breitflächig umgesetzt wurde und HL7v2 trotz seiner oben beschriebenen Schwächen weiterhin die am weitesten verbreitete Technologie im klinischen Datenverkehr darstellt.

Einführung in FHIR

Diese grundsätzlichen Probleme von HL7v2 und HL7v3 veranlasste HL7 dazu, einen grundlegend neuen Standard zum Datenaustausch zu entwickeln, welcher in seiner Implementierung einfacher, semantisch konsequent und auf Basis moderner Web-Standards mit etablierten Sicherheitskonzepten wie Transport Layer Security (TLS) und Open Authorization (OAuth) arbeitet ([Tab. 1]). Dadurch ist die Entwicklung neuer Anwendungen deutlich vereinfacht und führte zu einer breiteren Akzeptanz innerhalb der IT-Branche sowie bei Gesundheitsversorgern [31].

Die Entwicklung von FHIR begann offiziell im Jahr 2011 und findet sich seither in ständiger Weiterentwicklung mit iterativen Versionsveröffentlichungen bis zur aktuellen Version FHIR Version 5 vom 26.3.2023. Um nicht nur den aktuellen Anforderungen der Gesundheitsbranche gerecht zu werden, sondern um auch eine Grundlage für zukünftige Fortschritte beim Austausch von Gesundheitsdaten zu bieten, erfolgt die Weiterentwicklung im Austausch mit der Gesundheitsbranche.

Hauptmerkmale und Prinzipien

Ziel in der Entwicklung von Fast Healthcare Interoperability Resources (FHIR) war es, einen Standard zu schaffen, welcher in der Lage ist, die Komplexität des Datenaustauschs im Gesundheitswesen zu bewältigen.

Der Hauptunterschied von FHIR gegenüber der Vorgängerversion HL7v3 ist der modulare Ansatz im Aufbau der Daten. Gesundheitsinformationen werden hierbei in einzelne Komponenten, sogenannte Ressourcen, zerlegt. Beispiele für Ressourcen sind z.B. Patient, ImagingStudy oder DiagnosticReport. Diese Ressourcen ([Tab. 1], [Abb. 1]) können kombiniert und bei Bedarf erweitert werden, was trotz Einhaltung eines Standards Flexibilität ermöglicht und sich ändernden Gesundheitsanforderungen gerecht wird, ohne dass bestehende Implementierungen beeinträchtigt werden.

Abb. 1 Exemplarische Darstellung einer möglichen Verknüpfung von FHIR-Ressourcen.

Ein weiterer zentraler Punkt von FHIR ist die Interoperabilität. Dies wird zum einen durch Verwendung standardisierter Terminologien (z.B. LOINC) und Ontologien (SNOMED CT, RadLex) ([Tab. 5]) gewährleistet. Zum anderen nutzt FHIR weit verbreitete, herstellerunabhängige Webstandards wie HTTP(S), JSON und XML, was eine nahtlose Integration in bestehende webbasierte Systeme und die Entwicklung neuer Anwendungen vereinfacht. Somit können Daten von verschiedenen Anwendungen, Systemen und Geräten im Gesundheitswesen sicher ausgetauscht und interpretiert werden.

Zudem verfügt FHIR über robuste Sicherheits- und Datenschutzfunktionen, die den gesetzlichen Anforderungen des Gesundheitswesens entsprechen. Es umfasst Authentifizierungs-, Autorisierungs- und Verschlüsselungsmechanismen, um Patientendaten zu schützen und einen sicheren Informationsaustausch zu gewährleisten.

Die Wahl eines offenen Standards, welcher auf etablierten Technologien beruht, fördert eine rege Weiterentwicklung, welches zu einer immer weiteren Verbesserung von FHIR führt und den Standard nicht nur für den aktuellen Zeitpunkt, sondern auch für die Zukunft relevant halten wird.

Überlegungen beim Aufbau eines radiologischen FHIR-Data-Warehouse

FHIR-Server

Zentraler Baustein eines FHIR-Data-Warehouse ist der FHIR-Server, auf welchem die Daten als FHIR-Ressourcen gespeichert werden und als solche wieder abgerufen werden können (Online transaction processing, OLTP). Für FHIR-Server gibt es eine Vielzahl von Anbietern: zum einen kostenlose Open-Source-Varianten [32] als auch Lösungen kommerzieller Anbieter, welche on premise (lokal) oder in der Cloud angeboten werden (z.B. SMILE-CDR, Google, Microsoft, Amazon, Apple).

Ein Beispiel für eine Open-Source-Variante unter der Apache Software-Lizenz 2.0 ist der HAPI-FHIR-Server [33]. Neben einem öffentlichen Testserver (http://hapi.fhir.org/) kann sehr einfach eine lokale Instanz aufgesetzt werden. Ist eine lokale Docker-Instanz installiert [34], kann der HAPI-FHIR-Server über einfache Befehle heruntergeladen und gestartet werden [33].

Technische Überlegungen

Durch die ressourcenorientierte Architektur von FHIR lassen sich radiologische Daten systematisch organisieren. Die FHIR-Ressourcen, welche für strukturierte und interoperable Darstellung radiologischer Daten in einem Data-Warehouse am relevantesten sind, sind Patient, ImagingStudy, Observation, Device, Questionnaire, QuestionnaireResponse, ServiceRequest und DiagnosticReport ([Tab. 2], [Abb. 1])

Integration mit bestehenden Systemen

Um Daten auf den FHIR-Server speichern zu können, müssen diese in FHIR-Ressourcen umgewandelt werden. Da nicht alle Hersteller von Haus aus eine FHIR-Schnittstelle anbieten, besteht die Notwendigkeit einer Konvertierung in FHIR-Ressourcen, wenn man das FHIR-Data-Warehouse um solche Quellen erweitern möchte. Für die Konvertierung von Nachrichten vom HL7-Format in FHIR gibt es einige Open-Source-Lösungen [35] [36].

Die oben beschriebenen Inkonsistenzen und fehlende semantische Eindeutigkeit der HL7v2-Nachrichten erfordert jedoch eine auf spezifische Nachrichten adaptierte Konvertierung in FHIR-Ressourcen. Die Konvertierung von DICOM-SR gestaltet sich hierbei etwas einfacher, da DICOM-SR bereits über eine semantische Codierung verfügen.

Strukturierte Befundung

FHIR-Questionnaires eignen sich durch ihren modularen Aufbau in sogenannte „Items“ (i.e. Fragen) auch hervorragend für die strukturierte Befundung. Die Deutsche Röntgen Gesellschaft (DRG) ist deshalb dabei, ihre Befundvorlagen auf FHIR-Questionnaires auszuweiten. Eine einfach zu bedienende web-basierte Plattform zum Bau von FHIR-basierten Befundvorlagen wird hierfür unter https://drg-befundvorlagen.uniklinik-freiburg.de zur Verfügung stehen.

Integration von KI-Ergebnissen

Wurden die Ergebnisse von KI-Algorithmen in einen FHIR-Data-Warehouse gespeichert, ist es über eine semantische Zuordnung mittels der in einer Ontologie oder Terminologie vergebenen Codes möglich, diese einer entsprechenden Frage im FHIR-Questionnaire zuzuordnen. Dieses Fragefeld kann dann bei der Befunderstellung automatisch befüllt und muss nur noch durch den Radiologen validiert werden.

Ausblick: Semantisches Web im FHIR-Data-Warehouse

Die Ressourcen-basierte Architektur von FHIR erlaubt es, Daten im Resource Description Framework (RDF)-Format zu speichern [37]. RDF ist ein Teil des sogenannten „semantischen Webs“, das Tim Berners-Lee 2001 beschrieb [38] [39]. RDF arbeitet Hand in Hand mit SPARQL (SPARQL Protocol and RDF Query Language), einer Abfragesprache, und OWL (Web Ontology Language), einer Sprache zur Definition von Datenstrukturen im Internet. RDF verwendet eine einfache Struktur, die sogenannten „Triples“ bestehend aus „Subjekt“, „Prädikat“ und „Objekt“, um Daten, Begriffe und Zusammenhänge einheitlich darzustellen. Subjekt und Objekt stellen Knoten (nodes) dar, welche durch das Prädikat mit einer Kante (edge) verbunden werden. Das Subjekt ist hierbei der Ausgangspunkt des Triples, z.B. eine Person und das Prädikat stellt (analog zum Verb in einem Satz) eine Beziehung zwischen Subjekt und Objekt her. Die Kombination aus Prädikat und Objekt beschreiben das Subjekt. Dieser Aufbau aus durch Kanten verbundener Knoten ermöglicht es, Informationen aus verschiedenen Quellen zu einer großen, verknüpften Datenmenge zusammenzuführen, die auch als Wissensgraph bekannt ist [40]. Diese Wissensgraphen sind zwar durch SPARQL abfragbar, allerdings sind solche Abfragen recht kompliziert und normalerweise nicht für Endnutzer gedacht [41]. Hier bietet die Zukunft möglicherweise Erleichterungen durch KI-Systeme, die einfache Sprache in SPARQL-Abfragen umwandeln können [42].

Wissensgraphen und FHIR RDF haben somit auch im medizinischen Kontext ein großes Potenzial für die sekundäre Datenauswertung (Online Analytical Processing, OLAP) und bieten eine semantische Grundlage für die Nutzung künstlicher Intelligenz im Gesundheitswesen wie z.B. erklärbare KI-Anwendungen [43].

Schlussfolgerung

FHIR als Standard für ein radiologisches Data-Warehouse eröffnet Perspektiven, die das Potenzial besitzen, die primäre Datenauswertung in der klinischen Routine signifikant zu verbessern. Dies geschieht durch die Integration heterogener Datenquellen wie z.B. Decision-Support-Systemen und KI-Ergebnissen, was nicht nur die Qualität der Datenanalyse erhöht, sondern auch die Arbeitsabläufe für Radiologen vereinfacht. Zudem ermöglicht die hohe Interoperabilität von FHIR die Schaffung eines inter-institutionellen und translationalen Datenaustausches, was den Aufbau einer institutsübergreifenden Wissensdatenbank im Sinne des semantischen Webs fördert.

Obwohl die Integration von Daten aus älteren Systemen, die den FHIR-Standard nicht unterstützen, eine Herausforderung darstellt, rechtfertigen die erwarteten Synergien aus einem semantisch konsistenten und defragmentierten Data-Warehouse den Aufwand durch signifikante Verbesserungen in der Qualität der Patientenversorgung.

Ein auf FHIR basierendes Data-Warehouse ist daher ein entscheidender und sinnvoller Schritt hin zu einer datengetriebenen Medizin.

• References

• 1 Prather JC, Lobach DF, Goodwin LK. et al. Medical data mining: knowledge discovery in a clinical data warehouse. Proc AMIA Annu Fall Symp 1997; 4: 101
• 2 Kawamoto K, Houlihan CA, Balas EA. et al. Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. BMJ 2005; 330: 765
• 3 McDonald RJ, Schwartz KM, Eckel LJ. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol 2015; 22: 1191-1198
• 4 Xu L, Busch F, Adams LC. et al. Artificial intelligence in radiology and radiotherapy. Onkologie 2024; 1-7
• 5 Gagalova KK, Angelica Leon Elizalde M, Portales-Casamar E. et al. What You Need to Know Before Implementing a Clinical Research Data Warehouse: Comparative Review of Integrated Data Repositories in Health Care Institutions. JMIR Form Res 2020; 4
• 6 Nemati HR, Steiger DM, Iyer LS. et al. Knowledge warehouse: an architectural integration of knowledge management, decision support, artificial intelligence and data warehousing. Decis Support Syst 2002; 33: 143-161
• 7 Murphy SN, Dubey A, Embi PJ. et al. Current State of Information Technologies for the Clinical Research Enterprise across Academic Medical Centers. Clin Transl Sci 2012; 5: 281-284
• 8 MacKenzie SL, Wyatt MC, Schuff R. et al. Practices and perspectives on building integrated data repositories: results from a 2010 CTSA survey. J Am Med Informatics Assoc 2012; 19: e119-e124
• 9 Der Kerndatensatz der Medizininformatik-Initiative. Zugriff am 29. April 2024 unter: https://www.medizininformatik-initiative.de/de/der-kerndatensatz-der-medizininformatik-initiative
• 10 Ayaz M, Pasha MF, Alzahrani MY. et al. The Fast Health Interoperability Resources (FHIR) Standard: Systematic Literature Review of Implementations, Applications, Challenges and Opportunities. JMIR Med Inf 2021; 9 (07) e21929 https://medinform.jmir.org/2021/7/e21929
• 11 HIMSS Dictionary of Healthcare Information Technology Terms, Acronyms and Organizations. Taylor & Francis; 2006
• 12 Noumeir R. Benefits of the DICOM structured report. J Digit Imaging 2006; 19: 295-306
• 13 Clunie DA. DICOM structured reporting. PixelMed publishing 2000;
• 14 Mustra M, Delac K, Grgic M. Overview of the DICOM standard. In: 2008 50th International Symposium ELMAR. 2008
• 15 Benson T. HL7 Version 2 BT – Principles of Health Interoperability HL7 and SNOMED. In: Benson T. . London: Springer London; 2012: 101-119
• 16 Viangteeravat T, Anyanwu MN, Nagisetty VR. et al. Clinical data integration of distributed data sources using Health Level Seven (HL7) v3-RIM mapping. J Clin Bioinforma 2011; 1: 1-10
• 17 Lee D, de Keizer N, Lau F. et al. Literature review of SNOMED CT use. J Am Med Informatics Assoc 2014; 21: e11-e19
• 18 Marwede D, Daumke P, Marko K. et al. RadLex – Deutsche version: Ein radiologisches lexikon zur indexierung von bild- und befunddaten. Fortschr Röntgenstr 2009; 181: 38-44
• 19 McDonald CJ, Huff SM, Suico JG. et al. LOINC, a universal standard for identifying laboratory observations: a 5-year update. Clin Chem 2003; 49: 624-633
• 20 Vreeman DJ, Abhyankar S, Wang KC. et al. The LOINC RSNA radiology playbook – a unified terminology for radiology procedures. J Am Med Informatics Assoc 2018; 25: 885-893
• 21 Ivanović M, Budimac Z. An overview of ontologies and data resources in medical domains. Expert Syst Appl 2014; 41: 5158-5166
• 22 Cimino JJ. Desiderata for Controlled Medical Vocabularies in the Twenty-First Century. Methods Inf Med 1998; 37: 394
• 23 Gruber TR. Toward principles for the design of ontologies used for knowledge sharing?. Int J Hum Comput Stud 1995; 43: 907-928
• 24 Mildenberger P. The Essence of HL7, DICOM, and IHE BT – Basic Knowledge of Medical Imaging Informatics: Undergraduate Level and Level I. In: van Ooijen PMA. . Cham: Springer International Publishing; 2021: 15-23
• 25 IHE. IHR Category:FHIR. Zugriff am 01. Juli 2024 unter: https://wiki.ihe.net/index.php/Category:FHIR
• 26 HL7 Messaging Standard Version 2.9. Zugriff am 29. April 2024 unter: https://www.hl7.org/implement/standards/product_brief.cfm?product_id=516
• 27 Sharma M, Aggarwal H. HL-7 Based Middleware Standard for Healthcare Information System: FHIR. Lect Notes Networks Syst 2019; 46: 889-899
• 28 Zhu S-H, Rao N-N. Design and Implementation of HL7 V3 Gateway. J Electron Sci Technol China 2005; 3
• 29 Smith B, Ceusters W. HL7 RIM: An Incoherent Standard. Stud Health Technol Inform 2006; 124: 133-138
• 30 Bender D, Sartipi K. HL7 FHIR: An agile and RESTful approach to healthcare information exchange. Proc CBMS 2013 – 26th IEEE Int Symp Comput Med Syst. 2013
• 31 Marcus JS, Martens B, Carugati C. et al. The European Health Data Space. SSRN Electron J 2022;
• 32 Open Source Implementations – FHIR – Confluence. Zugriff am 29. April 2024 unter: https://confluence.hl7.org/display/FHIR/Open+Source+Implementations
• 33 GitHub – hapifhir/hapi-fhir-jpaserver-starter. Zugriff am 29. April 2024 unter: https://github.com/hapifhir/hapi-fhir-jpaserver-starter
• 34 Overview of Docker Desktop | Docker Docs. Zugriff am 29. April 2024 unter: https://docs.docker.com/desktop/
• 35 GitHub – microsoft/FHIR-Converter: Conversion utility to translate legacy data formats into FHIR. Zugriff am 29. April 2024 unter: https://github.com/microsoft/FHIR-Converter
• 36 GitHub – LinuxForHealth/hl7v2-fhir-converter: Converts HL7 v2 Messages to FHIR Resources. Zugriff am 29. April 2024 unter: https://github.com/LinuxForHealth/hl7v2-fhir-converter
• 37 Resource Description Framework (RDF) Model and Syntax Specification. Zugriff am 27. März 2024 unter: https://www.w3.org/TR/1999/REC-rdf-syntax-19990222/
• 38 Berners-Lee T, Hendler J, Lassila O. (PDF) The Semantic Web: A New Form of Web Content That is Meaningful to Computers Will Unleash a Revolution of New Possibilities. Sci Am 2001;
• 39 Fensel D, Facca FM, Simperl E. et al. Semantic Web. Semant Web Serv 2011; 87-104
• 40 Prud’hommeaux E, Collins J, Booth D. et al. Development of a FHIR RDF data transformation and validation framework and its evaluation. J Biomed Inform 2021; 117: 103755
• 41 Lehmann J, Bühmann L. AutoSPARQL: Let users query your knowledge base. Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics) 2011; 6643: 63-79
• 42 Perevalov A, Yan X, Kovriguina L. et al. Knowledge Graph Question Answering Leaderboard: A Community Resource to Prevent a Replication Crisis. Lang Resour Eval Conf Lr 2022; 2998-3007
• 43 Xiao G, Pfaff E, Prud’hommeaux E. et al. FHIR-Ontop-OMOP: Building clinical knowledge graphs in FHIR RDF with the OMOP Common data Model. J Biomed Inform 2022; 134: 1-23

Publikationsverlauf

Eingereicht: 08. Mai 2024

Angenommen nach Revision: 27. Oktober 2024

Artikel online veröffentlicht:
06. Dezember 2024