Saaran osio - HackMD

# Saaran osio > Omat diat valmiit > Pari pientä kirjoitusvirhettä/korjattavaa kohtaa, tarkista!! > Muuta lähteiden järjestys ## Tiedonlouhinta terveydenhuollossa ### Näyttöön perustuva lääketiede (Evidence-based medice) ja hoitopolku (clinical pathway) Näyttöön perustuva lääketiede (NPL) on ajankohtaisen, parhaan näytön tunnollista, selkeää ja harkittua käyttöä yksittäisten potilaiden hoitopäätöksien tekoon (Wikipedia 2020). Sen harjoittaminen tarkoittaa ”kliinisen kokemuksen yhdistämistä parhaaseen saatavilla olevaan kliiniseen näyttöön, joka perustuu systemaattiseen tutkimukseen” (Sackett ym. 1996). NPL on kehitetty 1990-luvulla ja se on saavuttanut suuren suosion yksittäisten potilaiden hoidossa. Muun muassa Suomalaisen Lääkäriseuran Duodecimin Käypähoito-suositukset noudattavat tätä hoitomuoto (Wikipedia 2020). Yksi tapa, jota käytetään näyttöön perustuvassa lääketieteessä, on hoitopolku (clinical pathway) (CPW). Hoitopolun kuvantamismuoto on kaavio (esim. vuokaavion tapainen esitysmuoto) ja sen pyrkimys on yhdistää eri tieteenalojen ihmisiä, jotka työskentelevät potilashoidon ympärillä. Työkalun avulla parannetaan riskienhallintaa sekä hoitojen aikaista jäljitettävyyttä. Hoitopolut ovat potilaskeskeisiä. Näyttöön perustuvalla lääketieteellä ja hoitopoluilla pyritään tasalaatuisempaan potilashoitoon, joka taas mahdollistaa kustannusten pienentymisen, potilasajan lyhentymisen sekä resurssien paremman käytön. (Eindhoven University of Technology, 2014.) ”Tietokoneella tulkittavissa olevat ohjeet” tukevat hoitopolkujen automaatiota tietokoneistettujen järjestelmien kautta. Nämä ohjelmat mahdollistavat lääketieteen kulun uudelleen esityksen, sen suoran tulkinnan ja kliinisten reittien yhdistämisen potilastietojärjestelmiin. Ohjelmat ovat suunniteltu potilashoidon henkilökunnan jokapäiväiseen käyttöön. Tietokoneella tulkittavissa oleva ohjeiden esitysmuoto on samantapainen kuin päätöksentekokaaviossa. Mainittakoon tässä joitakin esimerkkejä näistä ohjelmista kuten GLIF, PROforma ja Asbru. (Eindhoven University of Technology, 2014.) ### Terveydenhoito prosessissa vastaan tulevia haasteita Massadata (big data) on mullistanut monien tieteenalojen tutkimustapoja mukaan lukien myös lääketieteelliset tutkimukset. Tänä päivänä lääkäreillä on mahdollisuus hyödyntää massadataa päivittäisissä rutiineissaan. Yksi tapa hyödyntää massadataa on päätöksen tukijärjestelmä (DSS = Decision Support System). Päätöksen tukijärjestelmä on tietokonejärjestelmä, joka tukee sekä organisaation liiketoimia, että päätöksentekotoimia. DSS on toteutettu niin, että muutkin kuin tietokoneita tuntevat ihmiset voivat käyttää niitä helposti. Nämä järjestelmät voivat olla joko ihmisten käyttämiä, täysin automatisoituja tai näiden yhdistelmiä. (Wikipedia 2021.) Järjestelmän tarkoitus on parantaa terveydenhoidon laatua, vahvistamalla lääkärin suorittamaa potilaan hoitoa. Samalla pyritään minimoimaan hoidon ei toivotut vaihtelut ja epäselvyydet ts. pyritään luomaan parempi hoitopolku (CPW). Ohjelman käyttö ei kuitenkaan ole terveydenhuollon parissa täysin mutkatonta ja kyseinen hoito onkin teettänyt/asettanut joitakin haasteita, joita seuraavaksi käsitellään. (Eindhoven University of Technology, 2014.) Hoitopolkujen luominen vaatii suuren määrän resursseja ja aikaa. Niiden määrittely on myös hyvin henkilökohtaista ja siksikin vaikeaa muodostaa. On myös mahdollista, että potilaan ympärillä työskentelevät henkilöt eivät näe potilaan ympärillä tapahtuvia asioita samalla tavalla. Maailmanlaajuisesti hoitoja ei toteuteta samalla tavalla. Syinä ovat muun muassa kulttuuri ja resurssi -erot. Tuleekin huomioida, että hoitopolkuja tulee soveltaa eri tavalla eri maissa ja kulttuureissa. Saman maan sisälläkin voi olla eroja resurssien saatavuudessa eri terveyskeskuksissa. Tulee myös huomioida, että saman potilaan hoitokäytäntö voi muuttua esimerkiksi siitä syystä, että hänellä on ilmennyt uusi sairaus. Lisähaastetta luo myös uusien lääketieteellisten näyttöjen liittäminen päivittäiseen käytäntöön. Viimeksi mainittu onkin ollut yksi perinteisistä haasteista näyttöön perustuvassa lääketieteessä. Hoitopolkujen suunnittelu on siis erittäin haasteellista ja se elää ja muuttuu myös matkan varrella. (Eindhoven University of Technology, 2014.) On tärkeää tarjota oikeita menetelmiä ja työkaluja terveydenhuollon ammattilaisille, jotta he ymmärtäisivät terveydenhuollon prosessia riittävästi. Päätösten tukijärjestelmää luodessa tulee olla erittäin tarkka ohjelman ikkunoiden/näkymien luonnissa, jotta terveydenhuollon ammattilaiset osaisivat tulkita niitä oikein. Ikkunoiden tulee olla selkeitä, helposti ymmärrettäviä ja niissä ei saa olla häiritseviä ja harhaanjohtavia yksityiskohtia. Yksi ratkaisu onnistuneeseen hoitopolkuun on tietoteknisen asiantuntijan mukaan ottaminen prosessiin, jotta kaikki hoitoprosessit löytyisivät ja ne analysoitaisiin oikein. (Eindhoven University of Technology, 2014.) ### Uudet suuntaukset terveydenhuollossa Uusien teknologioiden tullessa terveydenhuollon käyttöön, on terveydenhuollon kehitys muuttunut radikaalisti. On tärkeää, että uudet hoitomuodot mahdollistaisivat henkilökohtaisemman, ennakoivamman ja ennalta ehkäisevämmän hoidon. Uusien hoitomuotojen tarkoitus on mukauttaa yleinen hoitoprosessi potilaan yksilöllisiin ominaisuuksiin varmistaen näin tehokkaamman ja paremman hoidon. Nykyään tietotekniikalla voidaan luoda järjestelmiä ja työkaluja, jotka voivat tarjota yksilöllisiä käytösmalleja potilaista, simuloida potilasvirtaa ja tukea sellaisten potilaiden löytämistä, joille sopii samanlainen hoitomuoto kuin toiselle potilaalle. Uudet järjestelmät myös tarjoavat potilaalle kokonaisen hoitoprosessin, joka tapahtuu hoidon alusta hoidon loppuun asti. Tietoteknisten järjestelmien tarkoitus on löytää parhaat hoidot, jotka tukevat tieteellisiä todisteita. (Eindhoven University of Technology, 2014.) ### Ensiapupoliklinikan (ER) prosessien (tapaustutkimus, esimerkkitapaus) alkujärjestelyt Seuraava tapaustutkimus on toteutettu Chilen yhdessä suurimmassa yliopistollisessa sairaalassa. Tapaustutkimus kuvaa päivittäistä prosessianalyysia sairaalan päivystyksessä. Lähteenä käytettiin Marcos Sepulvedan luentomateriaalia. Sepulveda on tietokonetieteiden professori Universidad Catolica de Chile:ssä ja työskentelee tiimissä, joka on toteuttanut tämän tapaustutkimuksen (study case). Tämä tapaustutkimus on toteutettu yhteistyössä Red de Salud UC Christus organisaation kanssa. Kyseinen verkosto sisältää yli 11 lääketieteellistä keskusta, mukaan lukien yhden sairaalan ja kaksi klinikkaa, 1000 lääkäriä ja 4000 muuta ammattilaista. (Eindhoven University of Technology, 2014.) Tämä tapaustutkimus perustuu näyttöön, tutkimukseen ja tarjontaan hoitaa potilas tehokkaimmalla mahdollisella tavalla. ER prosessin avulla on parannettu palvelutasoja, vähennetty sairaalan potilasmääriä ja tarjottu nopeaa ja tehokasta hoitoa. Tämä ei kuitenkaan ole ollut helppoa, johtuen siitä, että ER prosessissa tulee sopeutua jokaisen potilaan erityispiirteisiin. Tapaustutkimuksen tiedot ovat talletettu sairaalan tietojärjestelmiin. Näitä tietojärjestelmiä kutsutaan sairaalan informaatiojärjestelmiksi (HIS = hospital information system). Informaatiojärjestelmien avulla hallitaan kaikkia sairaalan operaatioita sisältäen lääketieteellisen, hallinnollisen, taloudellisen ja oikeudelliset operaatiot. (Eindhoven University of Technology, 2014.) Tässä tapaustutkimuksessa työskennellään HIS järjestelmistä kerätyn tiedon kanssa. Se on nimetty ALERT ADW Phase 1:ksi ja sen tiedot on kerätty heinäkuussa 2014. Tiedot on talletettu CSV tiedostomuotoon. CSV tiedostoon talletetaan yksinkertaista taulukkomuotoista tietoa tekstimuodossa (Wikipedia 2020). ALERT ADW Prases 1:een on tallennettu erityisesti seuraavia tietoja: potilaiden ongelmien kuvaukset, diagnoosit, lääkitykset, elonmerkit, potilasluokittelut (hoidon kiireellisyyden mukaan), allergiat, kuljetukset ja siirrot yms. Tiedostoon on tallennettu kokonaisuudessaan 309,769 tapahtumaa, 7,160 jaksoa (episodia) ja 64 eri toimintoa/aktiviteettia. Nämä määrät kuvaavat tämän prosessin laajuutta ja sitä, miten sen tulee sopeutua ja joustaa eri potilaille sopivaksi. Tiedon valtava määrä mahdollistaa myös onnistuneen prosessilouhinnan käytön tämän tapauksen tutkimisessa ja toteuttamisessa. Prosessilouhinta antaa nopeasti vastauksia moniin tärkeisiin kysymyksiin. Mitä prosessia sovelletaan potilaalle, jonka potilasluokittelu on määritelty kiireelliseksi? Mitä hoitomuotoja tulisi käyttää niille potilaille, joilla on diagnosoitu vaikkapa keuhkokuume? Entäpä umpilisäkkeen tulehdus? Tärkeitä kysymyksiä on valtavasti ja prosessilouhinta tarjoaa vastauksen hetkessä vain nappia painamalla. (Eindhoven University of Technology, 2014.) ### Ensiapupoliklinikan (ER) prosessien (tapaustutkimus, esimerkkitapaus) tulokset Edellä mainittuun tapaustutkimukseen on käytetty seuraavia metodeja. Tiedon keruu sairaalan tietojärjestelmistä, tapahtuma lokien luominen, haluttujen asioiden suodattaminen, data-analyysin soveltaminen, prosessilouhinta tekniikan soveltaminen sekä tulosten analysointi yhteistyössä asiantuntijoiden kanssa. Seuraavassa käsitellään näitä asioita hieman yksityiskohtaisemmin. (Eindhoven University of Technology, 2014.) Sairaalan tietojärjestelmät ovat usein heterogeenisiä sisältäen vanhoja järjestelmiä ja sairaala kohtaisia sovellustoteutuksia, jotka saattavat poiketa toisistaan. Tämä asettaa tiedon keruuseen suuria haasteita. Jotta tiedon keruu olisi helpompaa, on käytössä datan referenssimalli (the data reference model). Referenssimalli kerää ja yhdistää tietoa mistä tahansa ensiapupoliklinikalta, eikä sitä ole sovitettu mihinkään tiettyyn järjestelmään, jolloin tietoa voidaan kerätä joustavammin. Tiedon keruussa tulee aina huomioida, ettei kaikkea tietoa ole mahdollista kerätä. (Eindhoven University of Technology, 2014.) Tiedon keruuseen ja sen analysointiin käytettiin yhteensä noin kolme kuukautta, joista tiedon keruu vei eniten aikaa. Jokaisesta tapauksesta kerättiin tapauksen ID, toiminnan nimi, tietoaineisto suoritetuista aktiviteeteistä, aikaleima sekä valinnainen sarja muita tapahtumia. Lisäksi kirjattiin ylös potilaan elintoiminnot ja lääkärin suorittamat ammatilliset tehtävät(/toiminnot). Tietojen poiminta suoritettiin yhteistyössä tietojärjestelmien asiantuntijan avustuksella, jotta tärkeää tietoa ei jäisi pois ja saadut arvot tulkittaisiin varmasti oikein. (Eindhoven University of Technology, 2014.) Seuraava vaihe oli haluttujen tapahtumalokien kerääminen/luominen. Tässä tapaustutkimuksessa erityisesti huomioitiin potilaiden elintoimintojen seuraaminen, lääketieteelliset kuvantamiset, lääkitykset ja toisista yksiköistä pyydetyt konsultaatiot(?). Kolmas vaihe oli tapahtumalokien suodatus niin, että haluttuihin kysymyksiin saatiin vastaukset. Tämä toteutettiin Disco-työkalulla. Neljäs vaihe, data-analyysi, toi esille paljon tärkeää tietoa. Esimerkiksi umpilisäkkeentulehdus tunnistettiin 33 potilaalta heinäkuussa 2014. Näiden potilaiden keskimääräinen hoitojakso oli pituudeltaan 6h 48min, lyhyimmänhoitojakson ollessa 3h 24min ja pisimmän 10h 26min. (Eindhoven University of Technology, 2014.) Tämän jälkeen keskityttiin prosessilouhinnan analyysiin. Tapahtumatutkimuksesta seuranneet prosessikaaviot olivat hyvin sekavia, eikä siis helposti luettavia. Näitä kutsutaankin osuvasti spagettikaavioiksi. Jotta näitä spagettikaavioita pystyttiin lukemaan, ryhmiteltiin ne aliprosesseihin yhdessä ER-asiantuntijan kanssa. Nämä aliprosessit analysointiin jokainen itsenäisesti. Lopussa saadut tulokset arvioitiin. Tämäkin toteutettiin yhdessä ER-asiantuntijan kanssa, jolloin tuloksia tulkittiin varmasti oikein. Loppupäätelmänä oli, että prosessilouhintatekniikalla saatua prosessikaaviota voitiin onnistuneesti käyttää tämän prosessin ymmärtämiseen ja tulkintaan. (Eindhoven University of Technology, 2014.) ### Ensiapupoliklinikan (ER) prosessien (tapaustutkimus, esimerkkitapaus) johtopäätökset Tämän tapaustutkimuksen tulosten lähteenä on käytetty Daniel Capurron luentomateriaalia. Koulutukseltaan hän on sisätautilääkäri sekä dosentti lääketieteellisessä tiedekunnassa Potificia Universidad Catolica de Chilessä. Hän toimii myös lääketieteellisenä johtajana Red de Salud UC Christuksessa ja on yksi tämän tapaustutkimuksen tiimin jäsenistä. (Eindhoven University of Technology, 2014.) Tämän ensiapupoliklinikan prosessianalyysi, joka siis toteutettiin tiedonlouhintaa apuna käyttäen, antoi vastauksia useisiin kysymyksiin, jotka ovat tämän kaltaisissa prosesseissa yleisiä. Prosessilouhinta mahdollisti eri vaiheiden tunnistamisen, rinnakkain tai peräkkäin suoritetut toiminnot sekä juuri tietyille potilaille suoritetut toiminnot. Oli myös mahdollista tarkastella, mitä kliinisiä ohjeita kulloinkin noudatettiin sekä esimerkiksi, miten ryhmätyö toimi. Prosessianalyysi antoi myös kullekin jaksotyypille liittyviä suorituskykytietoja. Potilashoidon prosessien eri vaiheita oli myös helpompaa tarkastella tarkemmin, kuin mitä aikaisemmilla menetelmillä oli. (Eindhoven University of Technology, 2014.) Prosessilouhinnan onnistumiselle oli oleellista seuraavat kolme seikkaa. Ensinnäkin jäsennelty tietomalli (CSV) loi pohjan vähimmäistietojen saamiselle. Tietomalleja tarvittiin, jotta voitiin luoda onnistuneita tapahtumalokeja ER-prosessin analysointia varten. Toiseksi tiedon onnistunut purkaminen oli todella tärkeää, jotta prosessilouhinta tuotti luotettavia tuloksia. Jos tätä vaihetta ei olisi tehty huolella tai se olisi tehty väärin, olisi lopputuloksena voinut olla vääristyneitä tutkimustuloksia. Tässä vaiheessa tärkeää oli myös saada prosessilouhinnan asiantuntijan sekä ER-asiantuntijan analyysit. Ratkaisevan tärkeää oli myös ER-asiantuntijan aktiivinen läsnäolo (kolmas vaihe) kaikissa prosessianalyysin vaiheissa. ER-asiantuntijan osallistuminen tiedon keruuseen, tärkeiden ja hoidon kannalta oleellisten kysymysten luomiseen sekä arvojen tulkitsemiseen oikein, mahdollisti onnistuneen prosessianalyysin. Lopputuloksena voidaan siis todeta prosessilouhinnan mahdollistavan monimutkaisten ER-prosessien toiminnan ymmärtämisen sekä niiden parantamisen. (Eindhoven University of Technology, 2014.) Edellisten lisäksi prosessilouhinnan on todettu helpottavan pullonkaulojen ja kehityskohteiden löytymistä terveydenhuollossa tapahtuvissa tutkimuksissa. Tämä mahdollistaa jatkoparannusten tekemisen terveydenhuollon prosesseihin. Prosessilouhinnan avulla myös prosessien etenemisen ennustettavuus paranee, joka taas helpottaa potilaiden käsittelyä sairaalassa. Suurta apua on myöskin siitä, että prosessilouhinnan tuloksia voidaan analysoida ja visualisoida automaattisesti. (Knuutinen 2020.) ### Lähteet: Wikipedia, 2020. Näyttöön perustuva lääketiede. Viitattu 22.04.2021. https://fi.wikipedia.org/wiki/N%C3%A4ytt%C3%B6%C3%B6n_perustuva_l%C3%A4%C3%A4ketiede Wikipedia, 2021. Dicision support system. Viitattu 10.05.2021. https://en.wikipedia.org/wiki/Decision_support_system Sackett DL, Rosenberg WMC, Gray JAM, Haynes RB, Richardson WS 1996. Evidence-based medicine: what it is and what it isn't. BMJ 1996; 312:71¤#8211;2. Eindhoven University of Technology, 2014. Process mining in healthcare. https://www.futurelearn.com/courses/process-mining-healthcare/7/todo/100464 . Viitattu 20.04.2021 Knuutinen, P, 2020. Prosessilouhinta osana liiketoimintaprosessien johtamista. http://jultika.oulu.fi/files/nbnfioulu-202005061622.pdf. s. 19.