gms | German Medical Science

64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

08. - 11.09.2019, Dortmund

Eine interaktive Kohorten-Zeitleiste für die klinisch-onkologische Routine: Ein Anwendungsbeispiel zum Multiplen Myelom

Meeting Abstract

  • Julia Dieter - Deutsches Krebsforschungszentrum, Heidelberg, Germany
  • Janko Ahlbrandt - Deutsches Krebsforschungszentrum, Heidelberg, Germany
  • Alexander Knurr - Deutsches Krebsforschungszentrum, Heidelberg, Germany
  • Janine Al-Hmad - Deutsches Krebsforschungszentrum, Heidelberg, Germany
  • Frank Ückert - Deutsches Krebsforschungszentrum, Heidelberg, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Dortmund, 08.-11.09.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. DocAbstr. 280

doi: 10.3205/19gmds180, urn:nbn:de:0183-19gmds1800

Veröffentlicht: 6. September 2019

© 2019 Dieter et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Einleitung: Die Behandlung von Krebspatienten setzt die Kenntnis relevanter Patienteninformationen aus der Krankengeschichte voraus.

Für Therapieentscheidungen und zur Erforschung ätiologischer onkologischer Mechanismen sind außerdem ein Vergleich von Patienten (-kohorten) sowie die Detektion von Patienten, die in bestimmten Eigenschaften von ihrer Kohorte abweichen, essenziell. Jedoch wird die Durchführbarkeit dieser Art von Anwendungsfällen durch die zunehmende Interdisziplinarität in der Krebstherapie, der damit einhergehenden Datenspeicherung in verschiedenen Systemen und der Notwendigkeit einer manuellen Datenangleichung sowie durch die ansteigenden Patientenzahlen erschwert.

Ein Ansatz zur Abhilfe sind Kohorten-Zeitleisten, die Daten aus unterschiedlichen Quellsystemen zusammenführen und für eine Kohorte zeitabhängig darstellen. Es existieren bereits erkrankungsübergreifende Ansätze für sowohl Einzelpatienten (z.B. LifeLines, KNAVE-II; [1], [2]. [3]) als auch Patientenkohorten (z.B. LifeLines2, VISITORS [2], [4], [5], [6]), die je eine Visualisierung von verschiedenen Datentypen ermöglichen (z.B. MIVA, WBIVS [2], [7]). Interaktive Werkzeuge wie z.B. Zoom, das Ein- und Ausblenden von Leisten, Tooltips, oder eine Funktion für das Durchsuchen nach Stichwörtern werden unterstützt. Jedoch ist die Erstellung einer Kohorten-Zeitleiste stets abhängig vom Anwendungsfall; es existiert keine universale Lösung. Bei bisherigen Visualisierungen in der Onkologie kommt hinzu, dass sich Platzprobleme bei der Darstellung von mehreren Patienten ergeben, weil jeder neue Parameter üblicherweise in einer eigenen Leiste dargestellt wird. Zusammengenommen gibt es einen hohen Bedarf an in der klinischen Routine implementierten Kohorten-Zeitleisten, jedoch wurde bislang kein Ansatz flächendeckend etabliert [8].

Methoden: Unter Berücksichtigung bisheriger Ansätze und dem bestehenden Visualisierungsbedarf wurde das Prototyp-Mockup einer interaktiven, onkologischen Kohorten-Zeitleiste erstellt [9]. Dazu wurde eine Synthese aus bereits in der Literatur beschriebenen Visualisierungsansätzen sowie eigenen Vorschlägen für Funktion und Design in iterativen Entwicklungszyklen mit klinischem, medizininformatischem, biologischem und user-experience-orientiertem Feedback und anschließender Anpassung des Entwurfs entwickelt. Das Prototyp-Mockup soll am spezifischen, klinischen Anwendungsfall des Multiplen Myeloms (MM) vorgestellt werden, da bei diesem Krankheitsbild die zeitliche Überwachung zahlreicher Parameter essenziell für Diagnose und Therapie ist.

Ergebnisse: Die vorgeschlagene Kohorten-Zeitleiste basiert wie frühere Ansätze auf horizontal aufeinandergeschichteten Leisten, die mit einer gemeinsamen horizontalen Zeitachse assoziiert sind (z.B. LifeLines, LifeLines2 [1], [2], [3], [6], [10]). Im vorgestellten Ansatz können die Leisten unterschiedliche Datentypen wie numerisch oder kategorial beherbergen, die anhand unterschiedlicher Diagrammtypen eingebunden sind. Hierbei repräsentiert eine Leiste je einen klinischen Parameter wie Diagnose, Therapie, Laborparameter oder MM-spezifische Werte (z.B. International Myeloma Working Group (IMWG) score und Revised-Myeloma Comorbidity Index (R-MCI)). Jedoch erfolgt pro Leiste im Gegensatz zu vorherigen Ansätzen keine patientenspezifische Darstellung, sondern die Anzeige der Werte aller Patienten innerhalb der ausgewählten Kohorte. Bei der Anzeige mehrerer Kohorten erfolgt eine farbliche Unterscheidung innerhalb einer Leiste. Weitere interaktive Eigenschaften wie die leistenübergreifende Markierung aller zugehörigen Werte zu einem Patienten, Filtern, Zoom, Ein- und Ausblenden von Achsen, speicherbare benutzerdefinierte Konfigurationseinstellungen der Ansicht und horizontale Scroll-Funktion sollen unterstützt werden.

Zusammenfassung: Aufgrund des Mock-up-Charakters des Entwurfs kann das Verhalten bei realen Daten nicht endgültig eingeschätzt werden. Trotzdem könnte die vorgeschlagene Kohorten-Zeitleiste eine vielversprechende Option zur Unterstützung klinischer Arbeitsabläufe für Patientenbehandlung und Forschung darstellen. Eine entsprechende Evaluation ist geplant. Design und Funktion der Kohorten-Zeitleiste werden anhand des klinischen Anwendungsfalls des MM vorgestellt, sowie die geplante Evaluation diskutiert.

Dieser Abstract befindet sich in abgewandelter Form im Review bei MedInfo2019.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.


Literatur

1.
Plaisant C, Mushlin R, Snyder A, Li J, Heller D, Shneiderman B. LifeLines: Using visualization to enhance navigation and analysis of patient records. In: Proceedings of the Annual AMIA Symposium; 1998 Nov 7-11. Burlington, Massachusetts: Morgan Kaufmann; 1998. p. 76-80.
2.
Rind A, Wang TD, Aigner W, Miksch S, Wongsuphasawat K, Plaisant C, Shneiderman B. Interactive information visualization to explore and query electronic health records. Foundations and Trends® in Human–Computer Interaction. 2013 Feb 22;5(3):207-98.
3.
Shahar Y, Goren-Bar D, Boaz D, Tahan G. Distributed, intelligent, interactive visualization and exploration of time-oriented clinical data and their abstractions. Artificial intelligence in medicine. 2006 Oct 1;38(2):115-35.
4.
Wang TD, Plaisant C, Quinn AJ, Stanchak R, Murphy S, Shneiderman B. Aligning temporal data by sentinel events. In: The 26th Annual CHI Conference on Human Factors in Computing Systems, CHI 2008: Conference proceedings; 2008 Apr 5-10; Florence, Italy. New York, NY: ACM; 2008. p. 457.
5.
Wang TD, Plaisant C, Shneiderman B, Spring N, Roseman D, Marchand G, et al. Temporal summaries: supporting temporal categorical searching, aggregation and comparison. IEEE Trans Vis Comput Graph. 2009; 15(6):1049–56.
6.
Klimov D, Shahar Y, Taieb-Maimon M. Intelligent visualization and exploration of time-oriented data of multiple patients. Artificial intelligence in medicine. 2010;49(1):11–31.
7.
Stevens SS. On the Theory of Scales of Measurement. Science. 1946;103(2684):677–80.
8.
Wanderer JP, Nelson SE, Ehrenfeld JM, Monahan S, Park S. Clinical Data Visualization: The Current State and Future Needs. J Med Syst. 2016;40(12):275.
9.
Dieter J, Ahlbrandt J, Knurr A, Al-Hmad J, Ückert F. An interactive timeline visualization for patient cohorts in the oncological routine: A use case on multiple myeloma. Stud Health Technol Inform. 2019 Aug 21;264:98-102.
10.
Ordóñez P, desJardins M, Feltes C, Lehmann CU, Fackler J. Visualizing Multivariate Time Series Data to Detect Specific Medical Conditions. In: Proceedings of the Annual AMIA Symposium; 2008 Nov 8-12; Washington, DC. Burlington, Massachusetts: Morgan Kaufmann; 2008. p. 530.