Skip to main content
Log in

Lernen aus Kodierungsdaten – chirurgische Behandlung des benignen Prostatasyndroms

Big Data bei N40-Diagnose

Learning from coding data—surgical treatment of benign prostatic syndrome

Big data for BPS

  • Leitthema
  • Published:
Der Urologe Aims and scope Submit manuscript

Zusammenfassung

Das benigne Prostatasyndrom (BPS) ist eine der häufigsten urologischen Erkrankungen. Derzeit bestehen zahlreiche Operationsmethoden. Die Digitalisierung der Medizin ermöglicht neue Studienansätze der Versorgungsforschung anhand der digitalen Daten zu Behandlungen. In der vorliegenden Arbeit wurden BPS-spezifische longitudinale Trendanalysen vorgenommen. Die Behandlungsvolumina sowohl in Projektion auf die Therapieverfahren als auch diverse Patientenkohorten konnten nach Definierung der Datensätze maschinell untersucht werden. Daraus ließen sich Informationen zu relevanten Merkmalen der chirurgischen BPS-Behandlung ablesen sowie Kalkulationen vornehmen, welche die Gesamtauswirkung dieser Prozesse spiegeln. In Zukunft ist damit zu rechnen, dass immer umfangreichere, qualitätsmäßig bessere digitale Datensätze zu unterschiedlichen Krankheitsbildern für Analysevorhaben zur Verfügung stehen werden. Eine Intensivierung der Forschungsprojekte auf diesem Gebiet ist erstrebenswert. Die damit gewonnenen Ergebnisse ermöglichen weitere Optimierungsschritte bestimmter Behandlungsstrategien und vermitteln wichtige Kennzahlen für die Strategieentwicklung einer medizinischen Einrichtung.

Abstract

Benign prostatic syndrome (BPS) is one of the most common urological diseases. Currently, there are numerous surgical methods to treat BPS. The digitalisation of medicine enables new study approaches in healthcare research using digital data from individual treatment pathways. In the present work, BPS-specific longitudinal trend analyses were performed. Treatment-related figures, both with regard to the therapy methods and predefined patient cohorts, could be examined after validating the datasets. This meant that information on relevant characteristics of surgical BPS treatment could be read and calculations made that reflect the overall impact of these processes. In the future, it is expected that increasingly comprehensive, higher-quality digital datasets on different clinical pictures will be available for analytical purposes. Intensification of research projects in this field is desirable. The results thus obtained enable further optimisation steps of certain treatment actions and provide important key figures for the strategy development of a medical facility.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Subscribe and save

Springer+ Basic
EUR 32.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or Ebook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5
Abb. 6
Abb. 7

Literatur

  1. Miernik A, Gratzke C (2020) Current treatment for benign prostatic hyperplasia. Dtsch Arztebl Int 117(49):843–854

    PubMed  PubMed Central  Google Scholar 

  2. Lee SWH, Chan EMC, Lai YK (2017) The global burden of lower urinary tract symptoms suggestive of benign prostatic hyperplasia: a systematic review and meta-analysis. Sci Rep 7(1):7984

    Article  Google Scholar 

  3. Gratzke C, Bachmann A, Descazeaud A, Drake MJ, Madersbacher S, Mamoulakis C et al (2015) EAU guidelines on the assessment of non-neurogenic male lower urinary tract symptoms including benign prostatic obstruction. Eur Urol 67(6):1099–1109

    Article  Google Scholar 

  4. Agarwal R, Gao G, DesRoches C, Jha AK (2010) Research commentary—the digital transformation of healthcare: current status and the road ahead. Inf Syst Res 21(4):796–809

    Article  Google Scholar 

  5. Gesetz über die Entgelte für voll- und teilstationäre Krankenhausleistungen (Krankenhausentgeltgesetz-KHEntgG). §21.

  6. McMillan B, Eastham R, Brown B, Fitton R, Dickinson D (2018) Primary care patient records in the United Kingdom: past, present, and future research priorities. J Med Internet Res 20(12):e11293

    Article  Google Scholar 

  7. Kraus S, Schiavone F, Pluzhnikova A, Invernizzi AC (2021) Digital transformation in healthcare: analyzing the current state-of-research. J Bus Res 123:557–567

    Article  Google Scholar 

  8. Miernik A, Fritzsche J, Libutzki B, Malka V, Kilemnik I, Mohebbi D et al (2021) Real-world data and treatment patterns of patients with lower urinary tract symptoms due to benign prostatic hyperplasia in Germany: an observational study using health insurance claims data. World J Urol 39(12):4381–4388

    Article  Google Scholar 

  9. Semler SC, Wissing F, Heyder R (2018) German medical informatics initiative. Methods Inf Med 57(S 01):e50–e56

    Article  Google Scholar 

  10. Krüger-Brand HE (2019) Medizininformatik-Initiative: Impulse für die digitale Medizin. Dtsch Arztebl Int 116:A-1883–A-1888

    Google Scholar 

  11. Murphy SN, Weber G, Mendis M, Gainer V, Chueh HC, Churchill S et al (2010) Serving the enterprise and beyond with informatics for integrating biology and the bedside (i2b2). J Am Med Inform Assoc 17(2):124–130

    Article  Google Scholar 

  12. R Core Team (2020) A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna

    Google Scholar 

  13. Cleveland WS, Devlin SJ (1988) Locally weighted regression: an approach to regression analysis by local fitting. J Am Stat Assoc 83(403):596–610

    Article  Google Scholar 

  14. Ayaad O, Alloubani A, ALhajaa EA, Farhan M, Abuseif S, Al Hroub A et al (2019) The role of electronic medical records in improving the quality of health care services: comparative study. Int J Med Inf 127:63–67

    Article  Google Scholar 

  15. Jayaraman PP, Forkan ARM, Morshed A, Haghighi PD, Kang Y (2019) Healthcare 4.0: a review of frontiers in digital health. WIREs Data Min Knowl Discov. https://doi.org/10.1002/widm.1350

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Nadine Binder.

Ethics declarations

Interessenkonflikt

C. Gratzke erhielt Honorare für Beratertätigkeiten von Astellas, Ipsen, Janssen, Steba, Bayer, Olympus, Medi-tate, MSD, AstraZeneca und Roche. Ihm wurden Teilnahmegebühren für Kongresse erstattet von Astellas, Olympus und Recordati. Ihm wurden Erstattungen für Reise- und Übernachtungskosten zuteil von Procept, Olympus, Medi-tate, MSD, AstraZeneca, Roche, GSK und Recordati. Für die Vorbereitung von wissenschaftlichen Fortbildungsveranstaltungen, bei denen ein Bezug zum Thema besteht, wurde er honoriert von Astellas, Amgen, Ipsen, Janssen, Bayer, Takeda und Medac. Für die Durchführung von klinischen Auftragsstudien erhielt er Gelder von Astellas Pharma, Neotract, Medi-tate und Recordati. Gelder für ein von ihm initiiertes Forschungsvorhaben bekam er von Recordati und Medi-tate. A. Miernik erhält Forschungsmittel durch das Bundesministerium für Bildung und Forschung (BMBF), Berlin (D). Unterstützung für seine Reisetätigkeit erfährt er durch die Europäische Gesellschaft für Urologie, Arnhem (NL), sowie durch die Deutsche Gesellschaft für Urologie, Düsseldorf (D). Des Weiteren leistete A. Miernik Beratungen für: KLS Martin, Tuttlingen (D), Avatera medical, Jena (D), LISA Laser Products GmbH, Katlenburg-Lindau (D), Schoelly fiberoptics GmbH, Denzlingen (D), Dornier MedTech Europe GmbH (D), Medi-Tate Ltd. (IL) und b.braun New ventures GmbH, Freiburg (D). Für die Firmen RichardWolf GmbH (D) und Boston Scientific (USA) war A. Miernik als Referent tätig. Des Weiteren übte er gutachterliche Tätigkeit für die Ludwig Boltzmann Gesellschaft (A) aus. A. Miernik ist beteiligt an zahlreichen Patenten und Erfindungen im Bereich der Medizintechnik. N. Binder, J. Franz und A. Sigle geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autor*innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien. Für die Durchführung der Arbeit liegt ein positives Votum der Ethikkommission der Albert-Ludwigs-Universität Freiburg (21-1521) sowie des Use & Access Committee des Universitätsklinikums Freiburg (026).

Additional information

figure qr

QR-Code scannen & Beitrag online lesen

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Binder, N., Franz, J., Sigle, A. et al. Lernen aus Kodierungsdaten – chirurgische Behandlung des benignen Prostatasyndroms. Urologe 61, 149–159 (2022). https://doi.org/10.1007/s00120-021-01739-7

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00120-021-01739-7

Schlüsselwörter

Keywords

Navigation