Blog

Verwendung der Datensatzverknüpfung zur Behebung von Fehlern bei der Patientenzuordnung

„Die landesweite Reaktion auf die Pandemie, einschließlich der Einführung der Impfprogramme, hat deutlich gemacht, welche Auswirkungen es hat, wenn es keine landesweite Strategie gibt, um Patienten mit ihren Daten in Verbindung zu bringen.
– AHIMA CEO Wylecia Wiggs Harris

Für Gesundheitsdienstleister können saubere und zuverlässige Daten den Unterschied zwischen einer erfolgreichen Patientendiagnose und dem Tod aufgrund einer falschen Medikamentenverschreibung und -behandlung ausmachen. Dennoch ist eine der Hauptursachen für medizinische Fehler, die in den USA jedes Jahr zu mehr als 250 000 Todesfällen führen, der unzureichende Zugang zu Patienteninformationen.

Das Fehlen eines angemessenen Einblicks in den Gesundheitszustand der Patienten, ihre Krankengeschichte, Testergebnisse usw. bringt alarmierende Probleme der Datenqualität im Gesundheitswesen zutage, von denen einige zu nennen sind:

  • Fast 18 % der Patienten-EHRs im Jahr 2019 wurden als Duplikateidentifiziert
  • 38 % der Gesundheitsdienstleister in den USA erlebten ein unerwünschtes Ereignis aufgrund eines Problems bei der Patientenabstimmung
  • Doppelte Datensätze kosten das durchschnittliche Krankenhaus etwa 1,5 Millionen Dollar.

Eine Software zur Verknüpfung medizinischer Daten kann eine entscheidende Rolle bei der genauen Verknüpfung unzusammenhängender Datenquellen spielen und ungeklärte Patientenidentitäten aufgrund fehlender eindeutiger Identifikatoren und doppelter Datensätze vermeiden.

Gehen wir der Frage nach, wie dies der Fall sein kann.

Herausforderungen bei der Zusammenführung von Patienten

Patient Matching Challenges

Laut HealthIT ist die Übereinstimmung von Patienten definiert als:

Die Identifizierung und Verknüpfung der Daten eines Patienten innerhalb und zwischen den Gesundheitssystemen, um einen umfassenden Überblick über die Gesundheitsakte dieses Patienten zu erhalten.

Der Patientenabgleich wird in der Regel durch die Verknüpfung mehrerer Patientendatenfelder wie Name, Telefonnummer, Adresse und Geburtsdatum erreicht. Die nahtlose Verknüpfung medizinischer Daten kann jedoch durch verschiedene Probleme eingeschränkt werden, z. B:

  • Fehler im Master-Patienten-Index: Unter Verwendung von Identifikatoren wie Patientenname und Geburtsdatum wird für jeden Patienten ein Master-Patienten-Index (MPI) erstellt, um alle medizinischen Daten in verschiedenen administrativen und klinischen Systemen zu speichern und zu verknüpfen. Wenn jedoch die Daten eines Patienten nicht in einem bestimmten MPI gefunden werden können, wird eine neue medizinische Identitätsnummer erstellt. Infolgedessen erhöht sich das Risiko doppelter Datensätze und Datensilos, was die Verknüpfung von Längsschnitt-Patientendaten erschwert.
  • Doppelte Datensätze: Wiederholte Datensätze und Informationen entstehen durch verschiedene Formatierungs- und Rechtschreibfehler. Ein von der AHIMA-Stiftung veröffentlichtes Journal, in dem fast 400.000 Patientendatensätze analysiert wurden, ergab, dass zwei der häufigsten Felddiskrepanzen bei der Erstellung einer einzelnen Patientenansicht der mittlere Name (über 58 %) und die Sozialversicherungsnummer (etwa 54 %) waren. Die Forscher stellten ferner fest, dass diese Unstimmigkeiten auf Rechtschreibfehler (fast 53 %) und Namensumkehrungen (fast 34 %) zurückzuführen waren.
  • Begrenzte Interoperabilität: Interoperabilität ist definiert als die Leichtigkeit des Datenaustauschs zwischen verschiedenen Datengeräten und -systemen. Allerdings können uneinheitliche Datenstandards und -formate, die auf eine fehlende Standardisierung zurückzuführen sind, die Interoperabilität beeinträchtigen. Das Fehlen eindeutiger Identifikatoren bedeutet, dass demografische Daten der Patienten als sekundäre Grundlage für Abgleichskriterien herangezogen werden müssen, aber aufgrund der Variabilität der Adressstandards und -formate ist der Patientenabgleich oft ineffizient. Eine Studie der American Medical Informatics Association aus dem Jahr 2019 hat ergeben, dass die Standardisierung von Adresse und Nachname die Sensitivität des Patientenabgleichs bei HIE-Datensätzen (Health Information Exchange) von 81,3 % auf 91,6 % verbessert hat.

Bedeutung von Record Linkage Software für das Gesundheitswesen

Bei derDatensatzverknüpfung werden Datensätze aus zwei oder mehr unterschiedlichen Quellen miteinander verknüpft und verglichen, um festzustellen, ob sie sich auf dieselbe Person beziehen oder nicht. Dazu gehört nicht nur die Identifizierung scheinbar unterschiedlicher Datensätze, bei denen es sich um Duplikate handeln könnte, sondern auch die Identifizierung ansonsten ähnlicher Datensätze, bei denen es sich um völlig unterschiedliche Einheiten handelt.

In der Gesundheitsbranche ist die Verknüpfung von Krankenakten von entscheidender Bedeutung für die Lösung von Problemen im Zusammenhang mit dem Patientenabgleich zwischen verschiedenen EHR- und Anspruchsdatenbanken und Patientenregistern unter Verwendung eindeutiger Identifikatoren. Dadurch können Gesundheitsdienstleister von den folgenden Vorteilen profitieren:

  • Bessere Diagnosen und Behandlungen: Durch die genaue Zuordnung von Patienten kann sichergestellt werden, dass das medizinische Personal ausreichend Zugang zur Krankengeschichte eines Patienten hat, einschließlich früherer Behandlungen und eingenommener Medikamente, um Behandlungen zu diagnostizieren und Medikamente zu verschreiben.
  • Verbesserte Interoperabilität: Einheitliche Datenstandards und -formate sowie eine einzige eindeutige Kennung können zu einer höheren Interoperabilität und einem besseren Datenaustausch zwischen den wichtigsten Beteiligten führen.
  • Kürzere Wartezeiten für Patienten: Durch automatisierte Datenbereinigung, -abgleich und -deduplizierung können erhebliche Verzögerungen bei der Klärung von Patientenidentitäten minimiert und die Zeit bis zur Behandlung kritischer Patienten verkürzt werden.
  • Kosteneinsparungen: Das Fehlen doppelter medizinischer Aufzeichnungen und Unstimmigkeiten kann dazu beitragen, unnötige Ausgaben für Behandlungsgeräte und medizinisches Personal zu vermeiden.

So wichtig die Verknüpfung von Datensätzen für das Gesundheitswesen auch ist, nur wenige Gesundheitsdienstleister haben es geschafft, die Herausforderungen des Patientenabgleichs zu bewältigen. Das liegt vor allem daran, dass man sich auf alte Lösungen verlässt, bei denen große Datensätze manuell konsolidiert werden, Skripte zur Erkennung und Behebung von Datenfehlern ausgeführt werden und eine eindeutige Kennung erstellt wird, die konsistent auf Millionen von Datensätzen angewendet werden kann.

Durch den Einsatz einer speziellen Software zur Verknüpfung von Datensätzen können Gesundheitsdienstleister hingegen von der Skalierbarkeit der Datenkonsolidierung und der Abgleichprozesse sowie von der Automatisierung profitieren, um die Zeit bis zur Behandlung zu verkürzen und Wartezeiten zu verringern.

Datensatzverknüpfung mit DataMatch Enterprise

DataMatch Enterprise ist die Softwarelösung von Data Ladder für die Verknüpfung von Datensätzen, die eine genaue Verknüpfung von unterschiedlichen Datenquellen ermöglicht und verschiedene Datenqualitätsprozesse durchführt, um saubere und zuverlässige Daten zu erhalten. Im Gegensatz zu manuellen Prozessen oder spezialisierten Tools bietet DataMatch Enterprise eine All-in-One-Datenqualitäts- und Matching-Engine, die in der Lage ist, eine Vielzahl von Datenqualitätsproblemen zu lösen, von Rechtschreibfehlern und unterschiedlichen Formaten bis hin zu abgeglichenen Entitäten und Duplikaten.

Methoden der Datensatzverknüpfung zur Verbesserung der Datenqualität im Gesundheitswesen

  • Datenimport aus unterschiedlichen Quellen: DataMatch Enterprise ist in der Lage, medizinische Datensätze in verschiedene Arten von Datenbanken und Quellen wie SQL Server, MySQL, PostgreSQL, MongoDB, JSON und auch proprietäre Datenbanken über ODBC und Rest APIs zu importieren. Mit diesen nativen Integrationen kann DataMatch Enterprise Datensätze mit Millionen von Datensätzen verknüpfen.
  • Standardisierung von Namen und Adressen: Nach dem Import unterschiedlicher Datenquellen verfügt DataMatch Enterprise über eine Fülle von Optionen zur Datenstandardisierung und -bereinigung, darunter das Entfernen führender und nachfolgender Leerzeichen, das Korrigieren von Groß- und Kleinschreibung, das Ersetzen von Nullen durch O’s und umgekehrt und vieles mehr. Für die Standardisierung von Adressen verfügt DataMatch Enterprise über eine integrierte USPS-Datenbank, die als Referenzdatensatz verwendet werden kann, mit dem fehlende Ortsangaben wie Wohnungsnummer, Straßenname und Postleitzahl gemäß den USPS-Richtlinien ergänzt und standardisiert werden können.
  • Erstellen Sie eindeutige Identifikatoren: Da es möglich ist, dass Patienten unter verschiedenen medizinischen Identitätsnummern erfasst werden, können Sie mit DataMatch Enterprise Abgleichsdefinitionen und -kriterien erstellen, die auf proprietären Fuzzy-Matching-Algorithmen basieren, um nicht exakte Datensätze mit minimalen Fehlalarmen abzugleichen. Das Ergebnis sind präzisere Übereinstimmungen, die durch Änderung der Abgleichsempfindlichkeit leicht manipuliert werden können.

Schlussfolgerung

Gesundheitsdienstleister stehen vor der großen Herausforderung, medizinische Datensilos in unterschiedlichen Systemen genau zu verknüpfen, um Diagnosen und Behandlungen für Patienten effektiv zu verwalten. Aufgrund manueller und veralteter Datenqualitäts- und -abgleichsprozesse werden Patientendaten fragmentiert und nicht richtig abgeglichen, was die Interoperabilität im Gesundheitswesen einschränkt.

Mit einer Software zur Datensatzverknüpfung wie DataMatch Enterprise können jedoch Datenanomalien wie unterschiedliche und unvollständige Patientenadressen, mittlere Namensdaten und andere Fehler leicht identifiziert, bereinigt und standardisiert werden, um die Abgleichgenauigkeit zu erhöhen.

Für weitere Informationen nehmen Sie bitte
kontaktieren Sie uns
mit uns in Verbindung, um zu erfahren, wie DataMatch Enterprise für den Patientenabgleich eingesetzt werden kann, oder
laden Sie unseren kostenlosen Produkttest herunter
um sofort loszulegen.

In this blog, you will find:

Try data matching today

No credit card required

Hidden

Want to know more?

Check out DME resources

Merging Data from Multiple Sources – Challenges and Solutions

Oops! Wir konnten dein Formular nicht lokalisieren.