Sie enthalten unter anderem Informationen zu Medikation, Laborwerten, Vitalparametern und Behandlungsverläufen. Eine direkte Nutzung dieser Daten für Forschungsfragen ist jedoch häufig schwierig: Die Datenstrukturen sind herstellerspezifisch, über verschiedene Tabellen und Dokumentationsbereiche verteilt und primär auf die laufende klinische Dokumentation ausgerichtet. Für die wissenschaftliche Sekundärnutzung müssen sie daher zunächst systematisch extrahiert, vereinheitlicht, geprüft und in analysierbare Formate überführt werden.
In Zusammenarbeit mit dem Servicezentrum Medizin-Informatik (SMI) wurde in der Klinik und Poliklinik für Anästhesiologie, Intensivmedizin, Notfallmedizin und Schmerztherapie des UKW ein modulares, Python-basiertes ETL-Framework entwickelt, also ein in Python entwickeltes, aus einzelnen Bausteinen aufgebautes Programm, das Daten automatisch sammelt, verarbeitet und in einer Datenbank speichert. ETL steht für Extraktion, Transformation und Laden. Das Framework ermöglicht eine flexible, domänenspezifische Extraktion hochfrequenter und multimodaler PDMS-Daten, ohne dass die Kernarchitektur für jede Fragestellung neu angepasst werden muss.
Klinische Datendomänen werden jeweils über ein eigenes, schemavalidiertes Datenmodell abgebildet. Dadurch werden einheitliche Ausgabestrukturen, konsistente Datentypen und automatisierte Plausibilitätsprüfungen sichergestellt. Der Datenbankzugriff erfolgt über eine Abstraktionsschicht, sodass Abfragen wiederverwendbar und an unterschiedliche lokale Gegebenheiten anpassbar bleiben. Standardisierte Vorverarbeitungsschritte helfen zudem, typische Inkonsistenzen der klinischen Dokumentation aufzulösen.
Ein integriertes Audit-Protokoll dokumentiert die verwendeten Extraktionsparameter, Verarbeitungsschritte und abgeleiteten Felder. Zusätzlich ist eine irreversible Pseudonymisierung direkt in den Bereitstellungsprozess eingebettet: Identifikatoren werden mithilfe eines zusätzlichen geheimen Zufallswerts so gehasht, dass sie sich nicht auf einzelne Patientinnen und Patienten zurückführen lassen. Dies unterstützt die Umsetzung datenschutzrechtlicher Anforderungen nach DSGVO sowie Art. 27 des Bayerischen Krankenhausgesetzes (BayKrG).
Das Ergebnis sind reproduzierbare und direkt analysierbare Datensätze, die in einem transparenten und überprüfbaren Prozess entstehen. In Tests konnte die Verarbeitungsebene etwa 180.000 Datensätze pro Sekunde verarbeiten; die Pseudonymisierung führte dabei nur zu einem moderaten Mehraufwand von etwa 13–15 %. Auch komplexe Extraktionen über mehrere Datendomänen hinweg skalierten nahezu linear und zeigten in den Tests keine Fehler in Struktur oder Plausibilität.
Das Framework ist so aufgebaut, dass es sich auf andere Standorte übertragen lässt: Ein stabiler, übertragbarer Kern bleibt unverändert, während standortspezifische PDMS-Abfragen über eine begrenzte Adapterschicht angebunden werden können. Statt eine sofortige Angleichung an ein gemeinsames Datenmodell vorauszusetzen, schafft das Framework eine Grundlage, auf der Interoperabilität, beispielsweise über OMOP oder FHIR, schrittweise ergänzt werden kann. Zugleich erleichtert es den Aufbau datenschutzkonformer Datenpipelines, mit denen Routinedaten im klinischen Alltag für Forschungszwecke nutzbar gemacht werden können.
Publikation: Nikolas B. Schrader, Burkhard Meißner, Paul Fischer, Daniel Röder, Maximilian Ertl, Patrick Meybohm, Benedikt Schmid. Extraction and processing of intensive care chart data from a patient data management system. Front. Digit. Health 2026;8:1747227. doi:10.3389/fdgth.2026.1747227
