gms | German Medical Science

Einleitung: Bei der Integration von Medizintechnikprodukten in bestehende IT-Umgebungen muss vorhandene Soft- und Hardware von Fremdherstellern ebenso beachtet werden wie unterschiedliche Umsetzungen diverser Standards für Kommunikation und Datenaustausch (wie DICOM oder HL7) [1]. Verständlicherweise können im Test nicht alle möglichen Kombinationen und Nutzungsszenarien geprüft werden. Dies hat jedoch zur Folge, dass beim Einsatz des Produktes in Produktivumgebung Fehlverhalten auftreten kann. Die Ursachenforschung und Fehlerbehebung ist zu diesem Zeitpunkt der Produktentwicklung überaus teuer und verzögert die Einführung der neuen Medizintechnik. Wir untersuchen die Datenqualität von Testdaten, um durch gezielte Aussagen über den Testdatenbestand die Integrationsfähigkeit von Medizinprodukten zu verbessern. Das erlangte Wissen kann im Testdatenmanagement genutzt werden und beeinflusst die Auswahl von Testdaten für Testfälle positiv.

Material und Methoden: Im Projekt „Datenqualität und Integrationsfähigkeit von Medizinprodukten“ arbeiten wir mit der Firma sepp.med GmbH zusammen und forschen an Methodiken zur Beschreibung und Bewertung der Datenqualität von Testdaten und arbeiten an der Umsetzung in einem Werkzeugkasten. Wir passen unter Anderem Metriken traditioneller Datenqualitätsdimensionen auf Testdaten an und forschen nach neuen Datenqualitätsdimensionen speziell für Testdaten. Zur Validierung der Methodiken arbeiten wir mit Siemens (Abteilung Systemtest von Linearbeschleunigern) zusammen, beschränken uns jedoch auf einen speziellen Testfall und eine bestimmte Art von Testdaten (DICOM-RT Therapiepläne). Wir interviewen die Testleitung bei Siemens zum aktuellen Stand des Testens sowie zu Wünschen bezüglich der Testdaten und befragen Tester zum ihrem Vorgehen und ihrer Testdatenauswahl. Zudem können wir mit den von Siemens zur Verfügung gestellten Daten arbeiten und werden ebenfalls Therapiepläne aus dem klinischen Vortest bekommen.

Ergebnisse: Als ein wesentlicher Punkt wurde die Realitätsnähe von Testdaten als Maß ihrer Güte identifiziert. Zur Bestimmung der Realitätsnähe werden Testdaten und exportiere Daten aus der Produktivumgebung in einem DatawareHouse multidimensional klassifiziert. Die dabei verwendeten Dimensionen werden von Testern geliefert und spiegeln die, für den Test relevanten, Auswahlattribute der Testdaten wieder. Eine Faktentabelle ist die Anzahl von vorhandenen Datensätzen. Die Realitätsnähe wird über die Ähnlichkeit der Verteilungen beider Datenbestände bestimmbar. Durch Visualisierungen wird den Testern ein neuer Blickwinkel auf den Testdatenbestand geboten. Beispielsweise können Lücken oder im Bestand leichter identifiziert werden und entsprechende Maßnahmen ergriffen werden. Die erarbeiteten Datenqualitätsindikatoren und Methodiken sollen mit Hilfe eines geeigneten Werkzeuges für den Tester nutzbar gemacht werden. Die prototypische Konzeption und eine detailiertere Beschreibung der Methodik und wurde bereits in [2] vorgestellt. Der Prototyp wird zur Zeit entwickelt.

Diskussion: Wir ermöglichen mit der vorgestellten Methode den Testern einen neuen Blick auf die vorhandenen Testdaten. Durch die Visualisierung der Testdaten im multidimensionalen Raum lässt sich deren Verteilung greifbar machen. Werden Tests mit realitätsnahen Testdaten gefahren, werden Funktionalitäten und Arbeitsabläufe mit Daten getestet, die dem klinischen Alltag entsprechen. Somit steigt die Wahrscheinlichkeit Fehler zu finden, die sich erst im klinischen Vortest oder im Produktiveinsatz bemerkbar gemacht hätten.

Sollten keine exportierten Daten verfügbar sein, ist die Verteilung des vorhandenen Testdatenbestandes bezüglich der multidimensionalen Klassifizierung selbst nützlich für das Testdatenmanagement.

Danksagung: Das Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 01EX1013G gefördert.