I Region Stockholm arbetar vi med att försöka digitalisera vårdförloppen, både cancervårdens standardiserade vårdförlopp och de personcentrerade sammanhållna vårdförloppen. Det finns många utmaningar med att gå från PDF-filer till IT-stöd som finns tillgängliga i patientmötet. Vi har delat in arbetet i behovsområden (figur 1).

Figur 1. Behovsområden: indata, utdata, beslutsstöd & processtöd.

Vi har börjat med att analysera vilken information som medarbetare & patienter behöver i olika skeden av vårdförloppen. Det handlar om den information som behövs i översikter, för kvalitetsuppföljning och för klinisk forskning. Det är tydligt att information som exempelvis diagnoser, åtgärder, läkemedel, röntgensvar, patologisvar, labsvar och administrativ information som vårdkontakter och vårdtillfällen behövs av flera aktörer. Idag finns den här informationen utspridd i flera olika vårdinformationssystem. Vi har därför börjat bygga ett kliniskt datalager (clinical data repository) baserat på OpenEHR. Information hämtas från journalsystem (TakeCare, Obstetrix, …), labsystem (Sympathy, Flexlab, …) och andra datakällor, informationen mappas från legacysystem till openEHR och lagras i datalagret. Därifrån tillgängliggörs informationen via standardiserade APIer (gränssnitt) som openEHR REST APIer, AQL och FHIR. På det här sättet kan vi bygga patientöversikter, göra analyser, använda data till forskning och rapportera till kvalitetsregister på basen av ett gemensamt datalager som har organiserat och strukturerat informationen på ett enhetligt sätt.

Vi har redan stött på problemet att datakvaliteten i källsystemen ofta är för dålig för att tillgodose behovet av data i datalagret. Vårddokumentationen är ofta ostrukturerad, PROM & PREM samlas på flera olika sätt inklusive på papper, labsvaren kommer på flera olika format och landar ibland som PDF-filer i journalsystemet och så vidare. Vi ser ett stort behov av att skapa bättre stöd för och göra det enklare att samla in data. När det gäller indata har vi börjat jobba med journaldata (strukturerad vårddokumentation), diagnostisk data (ex patologisvaren, PAD) och patientrapporterad data (PROM, PREM). Det är viktigt att vi kan skapa formulär & mallar på basen av strukturerad information vilket vi gör genom att använda verktyg som låter oss bygga datainmatningsfunktionalitet på basen av arketyper & templates.

När vi har ordning och reda på vår information så har vi förutsättningarna att bygga beslutsstöd till medarbetare och patienter. Vi har arbetat med ett proof-of-concept som låter reumatologer följa upp och analysera läkemedelsbehandlingen för patienter med reumatoid artrit. Detta proof-of-concept illustrerar hur man kan lösa det klassiska ”curly braces” problemet för kliniska beslutsstöd genom att använda openEHRs GDL (guideline definition language) och AQL (archetype query language).

Vi ser också stora behov att utveckla effektivare processtöd så att medarbetare och patienter får hjälp att hålla reda på vem som ska göra vad när men detta arbete har vi inte påbörjat ännu.

Utmaningar och pågående arbete

Just nu har vi fokus på behovet av bättre utdatahantering för att kunna tillgodose behovet av översikter, kvalitetsuppföljning och stöd till klinisk forskning. Figur 2 illustrerar de viktigaste stegen i vårt arbete just nu.

Figur 2. Från datakälla till nya applikationer baserade på data samlade i ett openEHR-baserat datalager.

Vi kommer i vår presentation att prata om hur vi arbetar med dessa steg och vilka utmaningar och möjligheter vi ser med denna lösning.