Automatisierte Berechnung und Visualisierung von Komorbiditätsindizes für den Tumorboard-Entscheid

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

^* Beide Autoren haben gleichermaßen zu dieser Arbeit beigetragen und teilen die Erstautorenschaft.

• Literatur

• 1 Paleri V, Wight RG, Silver CE. et al. Comorbidity in head and neck cancer: a critical appraisal and recommendations for practice. Oral Oncol 2010; 46: 712-719 . doi:10.1016/j.oraloncology.2010.07.008
• 2 Piccirillo JF, Vlahiotis A. Comorbidity in patients with cancer of the head and neck: prevalence and impact on treatment and prognosis. Curr Oncol Rep 2006; 8: 123-129
• 3 Boje CR, Dalton SO, Gronborg TK. et al. The impact of comorbidity on outcome in 12 623 Danish head and neck cancer patients: a population based study from the DAHANCA database. Acta Oncol 2013; 52: 285-293 . doi:10.3109/0284186X.2012.742964
• 4 Göllnitz I, Inhestern J, Wendt TG. et al. Role of comorbidity on outcome of head and neck cancer: a population-based study in Thuringia, Germany. Cancer Med 2016; 5: 3260-3271 . doi:10.1002/cam4.882
• 5 ICD-10-GM. Im Internet: https://www.dimdi.de/dynamic/de/klassifikationen/icd/icd-10-gm/ ; Stand: 05.07.2019
• 6 Meier J, Boehm A, Kielhorn A. et al. Design and evaluation of a multimedia electronic patient record "oncoflow" with clinical workflow assistance for head and neck tumor therapy. Int J Comput Assist Radiol Surg 2014; 9: 949-965
• 7 Zebralla V, Pohle N, Singer S. et al. Introduction of the Screening Tool OncoFunction for Functional Follow-up of Head and Neck Patients. Laryngorhinootologie 2016; 95: 118-124 . doi:10.1055/s-0035-1549858
• 8 Mckinney W. Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference 2010.
• 9 Python Record Linkage Toolkit Documentation — Python Record Linkage Toolkit 0.12 documentation (24.03.2019). Im Internet: https://recordlinkage.readthedocs.io/en/latest/index.html ; Stand: 05.07.2019
• 10 Charlson ME, Pompei P, Ales KL. et al. A new method of classifying prognostic comorbidity in longitudinal studies. Development and validation. J Chronic Dis 1987; 40: 373-383
• 11 Charlson M, Szatrowski TP, Peterson J. et al. Validation of a combined comorbidity index. J Clin Epidemiol 1994; 47: 1245-1251
• 12 Quan H, Sundararajan V, Halfon P. et al. Coding algorithms for defining comorbidities in ICD-9-CM and ICD-10 administrative data. Med Care 2005; 43: 1130-1139
• 13 Krzywinski M. Intuitive design. Nature Methods 2016; 13: 895 EP . doi:10.1038/nmeth.4041
• 14 Wald T, Birnbaum K, Wiegand S. et al. Automatisierter Datenimport von Komorbiditätsdaten kann den Therapieentscheid im Tumorboard unterstützen. German Medical Science GMS Publishing House; 2017