Zusammenfassung
Einleitung Komorbidität beeinflusst die für die kurative Therapie von Kopf-Hals-Karzinomen (HNC)
verfügbaren Optionen. Das manuelle Zusammentragen der Nebenerkrankungen vor der Anmeldung
im interdisziplinären Tumorboard (TB) ist zeitintensiv und oft unvollständig. Eine
automatisierte Erfassung von nach ICD-10 kodierten Komorbiditätsdaten und deren Darstellung
könnte die therapeutische Entscheidungsfindung im TB verbessern sowie bestehenden
Informationsbedarf aufzeigen.
Material und Methoden Die ICD-10-Codes unserer Patienten wurden aus 4 Datenbanken (hospital-information-system
(HIS*-MED), der klinikinternen Tumordatenbank, OncoFlow® und OncoFunction®) extrahiert. Nach der Datensatzverknüpfung mittels der Python-Programmbibliotheken
Pandas und Record Linkage wurden die ICD-10-Codes bezüglich des Charlson-Scores gewichtet
und für die Implementierung in OncoFlow visualisiert. Die Kodierqualität wurde am
Beispiel Diabetes an einer 1:1 gematchten Stichprobe von 240 Patienten überprüft.
Ergebnisse 29 073 ICD-10-Codes von 2087 Patienten mit HNC wurden extrahiert. Die Anmeldung eines
Patienten im TB triggert die sofortige automatische Erfassung und Visualisierung der
Daten als Piktogramm in OncoFlow. Dies ermöglicht die schnelle Erfassung und Bewertung
der Komorbidität sowie erforderlicher Diagnostik zur Komplettierung der Daten. Die
klinikinterne Validationsstudie ergab eine Präzision der durch Datenimport verfügbaren
Information zu Diabetes von 95,0 %.
Diskussion Patienten mit HNC weisen häufig für die Therapieentscheidung relevante Nebenerkrankungen
auf. Die automatisierte Erfassung der Komorbidität aus administrativen Daten und deren
intuitive Darstellung ist ressourcen- und kostengünstig möglich. Voraussetzung ist
eine präzise, vollständige Verschlüsselung der Krankheitsdiagnosen.
Abstract
Objective Comorbidity reduces treatment options for patients with head and neck cancer (HNC).
Utilization of ICD-10 codes instead of manual research may facilitate estimation of
comorbidity relevant for decision-making in the interdisciplinary tumor board (TB).
Providing this information immediately in an intuitively ascertainable way whenever
registering a patient for the TB would trigger awareness for comorbidities and shows
potentially missing information.
Material and Methods Administrative data was extracted of four databases at our clinic (hospital information
system (HIS*-MED), the clinic’s tumor database, OncoFlow® and OncoFunction®). After data extraction and record linkage facilitated by python libraries Pandas
and Record linkage, ICD-10 codes were rated applying the Charlson Score and prepared
for visualization within OncoFlow®. Coding quality was tested assessing the imported and manually researched diabetes
status of a 1:1 matched cohort of 240 patients.
Results 29 073 ICD-10 codes of 2087 HNC patients were extracted. Matched data are immediately
made available whenever registering a patient for the TB and are visualized in a pictogram
within OncoFlow® providing information about comorbidities and missing diagnostics. The precision
of diagnostic coding at our clinic was 95.0 %.
Conclusions The high prevalence of comorbidities in HNC patients with impact on their eligibility
for particular treatment indicates the usefulness of our algorithm for providing automatic
comorbidity assessment from administrative data for clinical routine and requires
high quality of coding diagnoses.
Schlüsselwörter
Charlson-Score - Komorbidität - Kopf-Hals-Tumoren - ICD-10 - administrative Daten
- Tumorboard - Entscheidungsfindung - personalisierte Medizin - Informationsintegration
- Digitalisierung
Key words
comorbidity - head and neck cancer - ICD-10 - administrative data - tumor board
