[Learning from coding data-surgical treatment of benign prostatic syndrome : Big data for BPS].
Lernen aus Kodierungsdaten – chirurgische Behandlung des benignen Prostatasyndroms : Big Data bei N40-Diagnose.
Journal
Der Urologe. Ausg. A
ISSN: 1433-0563
Titre abrégé: Urologe A
Pays: Germany
ID NLM: 1304110
Informations de publication
Date de publication:
Feb 2022
Feb 2022
Historique:
accepted:
26
11
2021
pubmed:
25
12
2021
medline:
15
2
2022
entrez:
24
12
2021
Statut:
ppublish
Résumé
Benign prostatic syndrome (BPS) is one of the most common urological diseases. Currently, there are numerous surgical methods to treat BPS. The digitalisation of medicine enables new study approaches in healthcare research using digital data from individual treatment pathways. In the present work, BPS-specific longitudinal trend analyses were performed. Treatment-related figures, both with regard to the therapy methods and predefined patient cohorts, could be examined after validating the datasets. This meant that information on relevant characteristics of surgical BPS treatment could be read and calculations made that reflect the overall impact of these processes. In the future, it is expected that increasingly comprehensive, higher-quality digital datasets on different clinical pictures will be available for analytical purposes. Intensification of research projects in this field is desirable. The results thus obtained enable further optimisation steps of certain treatment actions and provide important key figures for the strategy development of a medical facility. Das benigne Prostatasyndrom (BPS) ist eine der häufigsten urologischen Erkrankungen. Derzeit bestehen zahlreiche Operationsmethoden. Die Digitalisierung der Medizin ermöglicht neue Studienansätze der Versorgungsforschung anhand der digitalen Daten zu Behandlungen. In der vorliegenden Arbeit wurden BPS-spezifische longitudinale Trendanalysen vorgenommen. Die Behandlungsvolumina sowohl in Projektion auf die Therapieverfahren als auch diverse Patientenkohorten konnten nach Definierung der Datensätze maschinell untersucht werden. Daraus ließen sich Informationen zu relevanten Merkmalen der chirurgischen BPS-Behandlung ablesen sowie Kalkulationen vornehmen, welche die Gesamtauswirkung dieser Prozesse spiegeln. In Zukunft ist damit zu rechnen, dass immer umfangreichere, qualitätsmäßig bessere digitale Datensätze zu unterschiedlichen Krankheitsbildern für Analysevorhaben zur Verfügung stehen werden. Eine Intensivierung der Forschungsprojekte auf diesem Gebiet ist erstrebenswert. Die damit gewonnenen Ergebnisse ermöglichen weitere Optimierungsschritte bestimmter Behandlungsstrategien und vermitteln wichtige Kennzahlen für die Strategieentwicklung einer medizinischen Einrichtung.
Autres résumés
Type: Publisher
(ger)
Das benigne Prostatasyndrom (BPS) ist eine der häufigsten urologischen Erkrankungen. Derzeit bestehen zahlreiche Operationsmethoden. Die Digitalisierung der Medizin ermöglicht neue Studienansätze der Versorgungsforschung anhand der digitalen Daten zu Behandlungen. In der vorliegenden Arbeit wurden BPS-spezifische longitudinale Trendanalysen vorgenommen. Die Behandlungsvolumina sowohl in Projektion auf die Therapieverfahren als auch diverse Patientenkohorten konnten nach Definierung der Datensätze maschinell untersucht werden. Daraus ließen sich Informationen zu relevanten Merkmalen der chirurgischen BPS-Behandlung ablesen sowie Kalkulationen vornehmen, welche die Gesamtauswirkung dieser Prozesse spiegeln. In Zukunft ist damit zu rechnen, dass immer umfangreichere, qualitätsmäßig bessere digitale Datensätze zu unterschiedlichen Krankheitsbildern für Analysevorhaben zur Verfügung stehen werden. Eine Intensivierung der Forschungsprojekte auf diesem Gebiet ist erstrebenswert. Die damit gewonnenen Ergebnisse ermöglichen weitere Optimierungsschritte bestimmter Behandlungsstrategien und vermitteln wichtige Kennzahlen für die Strategieentwicklung einer medizinischen Einrichtung.
Identifiants
pubmed: 34950966
doi: 10.1007/s00120-021-01739-7
pii: 10.1007/s00120-021-01739-7
doi:
Types de publication
Journal Article
Review
Langues
ger
Sous-ensembles de citation
IM
Pagination
149-159Informations de copyright
© 2021. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.
Références
Miernik A, Gratzke C (2020) Current treatment for benign prostatic hyperplasia. Dtsch Arztebl Int 117(49):843–854
pubmed: 33593479
pmcid: 8021971
Lee SWH, Chan EMC, Lai YK (2017) The global burden of lower urinary tract symptoms suggestive of benign prostatic hyperplasia: a systematic review and meta-analysis. Sci Rep 7(1):7984
doi: 10.1038/s41598-017-06628-8
Gratzke C, Bachmann A, Descazeaud A, Drake MJ, Madersbacher S, Mamoulakis C et al (2015) EAU guidelines on the assessment of non-neurogenic male lower urinary tract symptoms including benign prostatic obstruction. Eur Urol 67(6):1099–1109
doi: 10.1016/j.eururo.2014.12.038
Agarwal R, Gao G, DesRoches C, Jha AK (2010) Research commentary—the digital transformation of healthcare: current status and the road ahead. Inf Syst Res 21(4):796–809
doi: 10.1287/isre.1100.0327
Gesetz über die Entgelte für voll- und teilstationäre Krankenhausleistungen (Krankenhausentgeltgesetz-KHEntgG). §21.
McMillan B, Eastham R, Brown B, Fitton R, Dickinson D (2018) Primary care patient records in the United Kingdom: past, present, and future research priorities. J Med Internet Res 20(12):e11293
doi: 10.2196/11293
Kraus S, Schiavone F, Pluzhnikova A, Invernizzi AC (2021) Digital transformation in healthcare: analyzing the current state-of-research. J Bus Res 123:557–567
doi: 10.1016/j.jbusres.2020.10.030
Miernik A, Fritzsche J, Libutzki B, Malka V, Kilemnik I, Mohebbi D et al (2021) Real-world data and treatment patterns of patients with lower urinary tract symptoms due to benign prostatic hyperplasia in Germany: an observational study using health insurance claims data. World J Urol 39(12):4381–4388
doi: 10.1007/s00345-021-03787-2
Semler SC, Wissing F, Heyder R (2018) German medical informatics initiative. Methods Inf Med 57(S 01):e50–e56
doi: 10.3414/ME18-03-0003
Krüger-Brand HE (2019) Medizininformatik-Initiative: Impulse für die digitale Medizin. Dtsch Arztebl Int 116:A-1883–A-1888
Murphy SN, Weber G, Mendis M, Gainer V, Chueh HC, Churchill S et al (2010) Serving the enterprise and beyond with informatics for integrating biology and the bedside (i2b2). J Am Med Inform Assoc 17(2):124–130
doi: 10.1136/jamia.2009.000893
R Core Team (2020) A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna
Cleveland WS, Devlin SJ (1988) Locally weighted regression: an approach to regression analysis by local fitting. J Am Stat Assoc 83(403):596–610
doi: 10.1080/01621459.1988.10478639
Ayaad O, Alloubani A, ALhajaa EA, Farhan M, Abuseif S, Al Hroub A et al (2019) The role of electronic medical records in improving the quality of health care services: comparative study. Int J Med Inf 127:63–67
doi: 10.1016/j.ijmedinf.2019.04.014
Jayaraman PP, Forkan ARM, Morshed A, Haghighi PD, Kang Y (2019) Healthcare 4.0: a review of frontiers in digital health. WIREs Data Min Knowl Discov. https://doi.org/10.1002/widm.1350
doi: 10.1002/widm.1350