Klinische Data in Beeld: Integratie en Visualisatie van Hoge Resolutie Bewakingsdata met Lage Resolutie EPD data: Onderzoek en Proof of Concept

De maatschappij, onze zorg en technologie digitaliseren steeds verder, waarbij ook kunstmatige intelligentie en slimme algoritmes een steeds grotere rol spelen. Ook in de zorg wordt in groeiende mate digitale informatie geproduceerd, maar deze wordt nog maar beperkt gebruikt. Kwetsbare patiënten op de operatiekamer (OK) en intensive care (IC) worden continu bewaakt op vitale functies, zoals bloeddruk en ademhaling. Deze vitale parameters worden op bewakingsmonitoren weergegeven als golfvormen (ECG, bloeddruk etc.) en als waarden (hartslag, ademhalingsfrequentie etc.). Deze hoge resolutie bewakingsdata wordt nu alleen real-time beoordeeld of later teruggekeken in lagere resolutie voor trendbeoordeling in het elektronisch patiënt dossier (EPD). Deze hoge resolutie bewakingsdata bevat veel meer informatie over de medische conditie van de patiënt dan nu gebruikt wordt. Deze informatie is moeilijk om continu uit de data te halen voor een mens
omdat het te veel data is om te interpreteren of de informatie te subtiel in de data verborgen ligt.
Sinds 2024 heeft het CZE het mogelijk gemaakt om de hoge resolutie bewakingsdata van de IC en OK voor de komende 10 jaar op te slaan in een hoge resolutie monitoringsdatabase (HRM database). Dit maakt het mogelijk om AI en algoritmes te ontwikkelen en te trainen met deze data, wat kan bijdragen aan klinische beslissingsondersteuning van zorgverleners. Op dit moment bestaat er nog geen praktische, efficiënte en
doeltreffende wijze om de gewenste data uit de HRM database beschikbaar te maken, te bewerken, te combineren met andere medische data, te controleren en inzichtelijk te maken.
In dit ontwerpproject is in opdracht van het Catharina Ziekenhuis Eindhoven, onderzoek gedaan naar een oplossing om hoge resolutiebewakingsdata te combineren met data uit het elektronisch patiënt dossier en deze te visualiseren in originele resolutie. Het Catharina Ziekenhuis Eindhoven (CZE) wil deze nieuwe mogelijkheden inzetten binnen de volgende drie pijlers: 1) klinische (beslissings)ondersteuning, 2)
wetenschappelijk onderzoek en 3) kwaliteit van zorg. Zo kan dit leiden tot verbeteringen in (1) klinische protocollen en medicatie, (2) nieuwe wetenschappelijke inzichten en data, (3) trendanalyses en verbeteringen van kwaliteit van zorg door meer op maat gemaakte persoonlijke zorgverlening. Het doel van dit project is om een proof of concept te onderzoeken en te realiseren voor de combinatie en visualisatie van retrospectieve hoge resolutie bewakingsdata in combinatie met EPD-data aan de hand van een relevante klinische casus.
Er is een multidisciplinaire stakeholder analyse gedaan en er is een pakket van eisen opgesteld. Hiermee is een marktverkenning gedaan en zijn er twee softwarepakketten geselecteerd voor het onderzoek en proof of concept: PowerBI en DeepBreath. Voor beiden is met succes een proof of concept gerealiseerd en zijn resultaten verzameld. Er is een datastroom architectuur ontworpen waarmee data van 16 patiënten
gestructureerd is geïmporteerd in de software. Binnen deze softwarepakketten zijn dashboards ontwikkeld voor deze data. De data is hier in originele resolutie succesvol gecombineerd en gesynchroniseerd gevisualiseerd. Middels een algoritme is de dataset geanalyseerd op afwijkingen in het ECG om geautomatiseerd hartritmestoornissen op te sporen. Deze resultaten zijn ook gevisualiseerd in het dashboard.
In dit project zijn twee werkende proof of concepts ontwikkeld voor de combinatie en visualisatie van hoge resolutie bewakingsdata en EPD-data in originele resolutie. Zowel PowerBI als DeepBreath zijn in hoofdlijnen geschikt voor de huidige vraag om deze retrospectieve datasets te combineren en visualiseren en ze voldoen grotendeels aan het PVE. Beiden hebben hun eigen voor- en nadelen, welke nader zijn toegelicht in dit verslag.
Hiermee is het ook mogelijk om de data te analyseren middels slimme algoritmes en AI en deze resultaten te visualiseren. Hiermee is aangetoond dat deze nieuwe combinatie van medische data mogelijk is en waardevol is voor nieuwe inzichten voor de toepassing binnen de (1) kliniek, (2) wetenschappelijk onderzoek en (3) kwaliteit van zorg. Dit kan bijvoorbeeld bijdragen aan het verbeteren van de kwaliteit en efficiënte van zorg en is van meerwaarde voor zowel de patiënt als de zorgverlener. Het advies is om beide proof of concepts verder op te schalen naar productie. Voor PowerBI dient geïnvesteerd te worden in een betere tijdelijke opslag met meer automatische datastroom. Voor DeepBreath moet de focus naast retrospectief datagebruik en verbreden van de klinische focus ook op real-time datagebruik liggen.