Kerndatensatz Senologie - Local Development build (v0.9.0) built by the FHIR (HL7® FHIR® Standard) Build Tools. See the Directory of published versions

Auswertung

Anwendungsfall: Auswertung

Überblick

Die strukturierten FHIR-Daten des Kerndatensatz Senologie ermöglichen die Sekundärnutzung für Versorgungsforschung, Qualitätssicherung und klinische Studien. Die einheitliche Profilierung stellt sicher, dass Daten standortübergreifend vergleichbar und auswertbar sind.

Auswertungspipeline — Kohortendefinition über Ein-/Ausschlusskriterien, tabellarische Projektion via ViewDefinitions, Kalkulation über CQL oder SQL

Auswertungsszenarien

1. Qualitätsindikatoren (DKG-Zertifizierung)

Zertifizierte Brustzentren müssen jährlich Qualitätsindikatoren nach DKG-Vorgaben erheben. Die strukturierten Daten ermöglichen eine automatisierte Berechnung:

2. Versorgungsforschung

Die FHIR-Daten können über MII-Datenintegrationszentren für standortübergreifende Versorgungsforschung bereitgestellt werden:

• Behandlungspfadanalysen: Abgleich des tatsächlichen Versorgungspfads mit Leitlinienempfehlungen über die Sequenz von Diagnose → Tumorkonferenz → Therapie
• Outcome-Analysen: Verknüpfung von Therapiedaten (Operation, Systemtherapie, Strahlentherapie) mit Komplikationen und Verlaufsdiagnosen
• Risikostratifizierung: Korrelation von Genexpressionstestergebnissen mit Therapieentscheidungen und Outcomes
• Zeitanalysen: Time-to-treatment, Diagnoseverzögerungen, Therapiedauern

3. Klinische Studien

Das Modul unterstützt die Rekrutierung und Datenbereitstellung für klinische Studien:

• Machbarkeitsabfragen: Identifikation geeigneter Patientinnen über strukturierte Einschlusskriterien (Diagnose, Stadium, Rezeptorstatus, Vortherapien)
• Datenexport: Bereitstellung studienrelevanter Daten in FHIR-Format
• Studienteilnahme-Tracking: Dokumentation über ResearchSubject (geplant)

4. Leitlinien-Compliance

Durch die Annotation der S3-Leitlinie mit FHIR-Datenpunkten kann die Leitlinien-Adhärenz systematisch überprüft werden:

• Werden alle empfohlenen Diagnostikschritte durchgeführt?
• Entspricht die Therapieempfehlung der Tumorkonferenz den Leitlinien?
• Werden Genexpressionstests leitliniengerecht eingesetzt?

Abfragemuster

Beispielhafte FHIR-Abfragen für typische Auswertungen:

# Alle Patientinnen mit triple-negativem Mammakarzinom
GET Condition?code=http://snomed.info/sct|254837009
  &_has:Observation:subject:code=http://loinc.org|85337-4  # ER-negativ
  &_has:Observation:subject:code=http://loinc.org|85339-0  # PR-negativ
  &_has:Observation:subject:code=http://loinc.org|85319-2  # HER2-negativ

# Alle Operationen mit Komplikationen Clavien-Dindo ≥ III
GET Observation?code=clavien-dindo
  &value-concept=clavien-dindo-III,clavien-dindo-IV,clavien-dindo-V
  &_include=Observation:focus  # zugehörige Prozedur

Automatisierung durch CQL

Die Auswertungen (insbesondere Qualitätsindikatoren und Leitlinien-Compliance) können in zukünftigen Versionen dieses IGs durch die Clinical Quality Language (CQL) automatisiert werden. CQL ermöglicht die formale Definition von Qualitätsmaßen und Entscheidungslogik direkt auf FHIR-Ressourcen, sodass Kennzahlen reproduzierbar und maschinenlesbar berechnet werden können.

Eine erste CQL-Bibliothek mit den 17 Qualitätsindikatoren der S3-Leitlinie findet sich unter input/cql/SenologieQualitaetsindikatoren.cql. Sie ist gegen die synthetische 12-Patientinnen-Kohorte lauffähig (HAPI, Port 8095, Endpoint POST /fhir/$cql).

SQL on FHIR ViewDefinitions

Ergänzend zu CQL stellt das IG sechs SQL-on-FHIR v2 ViewDefinition-Ressourcen bereit. Sie definieren flache, tabellarische Projektionen (Spalten, where-Filter, forEach-Expansion) auf die Kerndatensätze und sind damit die Grundlage für Kohortenaufbau, Data-Lake-Persistierung (Parquet/Delta) und BI-Auswertungen (Superset, Metabase, Tableau).

Die kanonischen URLs folgen dem Schema https://www.senologie.org/fhir/ViewDefinition/{Name}. Ausführung z.B. über Pathling, sof-js oder direkt gegen eine HAPI-Instanz.

Ausführung mit Pathling

Pathling ist die von CSIRO als Open Source (Apache-2.0) entwickelte SQL-on-FHIR-Engine. Sie wird im IG als empfohlene Laufzeit für die sechs ViewDefinitions unterstützt; eine kommerzielle Lizenz ist nicht erforderlich. Das Repository stellt dafür zwei Integrationsvarianten bereit:

Variante A — Docker-Server (empfohlen für Teams / Shared Setup). Ein eigenständiges Compose-File docker-compose.pathling.yaml startet einen Pathling-FHIR-Server auf Port 8090. Der Datenimport erfolgt über ein kleines Python-Skript, das die 177 Beispiel-Ressourcen aus fsh-generated/resources/ per FHIR-REST in die Pathling-Instanz lädt:

docker compose -f docker-compose.pathling.yaml up -d
python3 scripts/load-to-pathling.py

Anschließend stehen die ViewDefinitions über die FHIR-Operation POST /ViewDefinition/$run zur Verfügung und können sowohl aus dem Jupyter-Notebook heraus als auch von BI-Tools oder CI-Pipelines abgefragt werden.

Variante B — Python-Bibliothek (lokale Ausführung, ohne Docker). Für einzelne Analysen und reproduzierbare Notebooks genügt die Pathling-Python-Bibliothek, die ein eingebettetes Spark betreibt und die Bundles direkt aus dem Dateisystem liest:

pip install pathling pandas

from pathling import PathlingContext

pc   = PathlingContext.create()
data = pc.read.bundles("../fsh-generated/resources/",
                       resource_types=["Patient", "Condition", "Procedure",
                                       "Observation", "DiagnosticReport", "CarePlan"])
for name, vd in VIEWS.items():
    df[name] = pc.view.execute(vd, data).toPandas()

Beide Varianten führen die sechs ViewDefinitions identisch aus; die im Notebook (notebooks/senologie-analyse.ipynb) gezeigten Auswertungen sind dadurch unverändert reproduzierbar, unabhängig von der gewählten Engine.

Interaktive Analyse

Ein lauffähiges Jupyter-Notebook notebooks/senologie-analyse.ipynb demonstriert die End-to-End-Auswertung der oben genannten ViewDefinitions gegen eine lokale HAPI-Instanz (Port 8095, 12 synthetische Patientinnen, 177 Ressourcen). Es zeigt 7 Beispielanalysen:

1. Fallzahl pro Subtyp (HR+/HER2-, HER2+, TNBC, DCIS)
2. BET-Rate (brusterhaltend vs. Mastektomie)
3. R0-Rate aus OP-Outcomes
4. Altersverteilung der Patientinnen (Boxplot)
5. Therapie-Mix pro Subtyp (Chemo / endokrin / zielgerichtet / Immun)
6. Time-to-Treatment (Diagnose → OP) Verteilung
7. Crosstab Subtyp × OP-Art

Verbindungsaufbau zu einem FHIR-Server aus Python heraus:

import requests, pandas as pd

FHIR_BASE = 'http://localhost:8095/fhir'
bundle = requests.get(f'{FHIR_BASE}/Condition?_count=200',
                      headers={'Accept': 'application/fhir+json'}).json()
df = pd.json_normalize([e['resource'] for e in bundle.get('entry', [])])

Das Notebook bietet drei austauschbare Ausführungsmodi, die oben über die Variable EXECUTION_MODE gewählt werden — die nachfolgenden Analysezellen sind modusunabhängig:

1. "docker" — Pathling FHIR Server (empfohlen): die sechs ViewDefinitions werden per POST /ViewDefinition/$run gegen den mit docker-compose.pathling.yaml gestarteten Pathling-Container ausgeführt.
2. "python" — Pathling Python-Bibliothek: lokale Ausführung über PathlingContext mit eingebettetem Spark; es ist kein Docker nötig (pip install pathling).
3. "custom" — eingebauter FHIRPath-Mini-Runner: Fallback ohne Pathling/Spark, nutzt den HAPI-Testserver oder direkt die JSON-Ressourcen aus fsh-generated/resources/.

Für produktive Datenmengen wird der Einsatz von Pathling (Modus 1 oder 2) empfohlen; der Custom-Runner ist bewusst als leichtgewichtige Alternative für Demo- und CI-Szenarien erhalten. Die Schritt-für-Schritt-Anleitung für alle drei Modi findet sich unter notebooks/README.md.

Datenschutz und Governance

Die Sekundärnutzung erfolgt ausschließlich über die etablierten MII-Governance-Strukturen:

• Pseudonymisierung durch das Datenintegrationszentrum
• Nutzungsanträge über das MII-Forschungsdatenportal
• Broad Consent als Rechtsgrundlage