Mannleg tenging: Ný nálgun á heilbrigðisþjónustu með persónumiðuðu heilbrigðisgrafi

Heilbrigðisþjónusta getur oft virst sundurleit og ópersónuleg. Sjúkraskrár eru á víð og dreif, samskipti geta verið erfið og sjúklingar upplifa sig jafnvel týnda í kerfinu. Í samstarfi okkar við Helix tökumst við beint á við þessa áskorun með nýstárlegum tæknilausnum sem byggja á netafræði.

Vanalega eru heilbrigðisgögn geymd í venslagagnagrunnum, þar sem upplýsingum er skipt niður á marga staði. Þótt þetta gagnalíkan henti oft vel á það stundum erfitt með að endurspegla hversu flókin og samtvinnuð tengslin í heilbrigðisþjónustu eru. Ferðalag sjúklings í gegnum kerfið felur yfirleitt í sér samskipti við marga lækna, heilsugæslustöðvar og aðra tengda aðila. Þegar reynt er að lýsa þessum flóknu tengslum í venslalíkani getur það leitt til flókinna fyrirspurna, flöskuhálsa í afköstum og sundurleitar myndar af heilsufarssögu sjúklingsins.

Við höfum þróað nýja nálgun: persónumiðað heilbrigðisnet, graf af samtengdum gagnapunktum þar sem einstaklingurinn er í miðjunni. Þetta felur í sér grundvallar breytingu á viðhorfi. Í stað þess að meðhöndla sjúklinga, lækna og stofnanir sem aðskildar færslur í mismunandi töflum, túlkum við þau sem punkta í grafi sem tengjast með mismunandi venslum.

Þessi nálgun byggir á hugtökum úr netafræði (e. graph theory). Í samhengi heilbrigðisþjónustunnar getum við fylgt venslum til að finna tengingar: Heimilislæknir sjúklings tengist sérfræðingum, sem tengjast aftur öðrum heilbrigðisstarfsmönnum. Þannig verður til umfangsmikið net tengsla innan heilbrigðisþjónustunnar sem hægt er að kanna á skilvirkan máta með þekktum reikniritum.

Til að byggja upp persónumiðað kerfi þurfum við gagnalíkan sem endurspeglar raunveruleika heilbrigðisþjónustunnar. Í grafi hugsum við ekki í töflum og línum, heldur í einingum og tengslum þeirra á milli.

Grafarkitektúrinn okkar inniheldur samtengdar tegundir gagnapunkta eins og:

• Persónur: Einstaklingarnir sem eru í miðju heilbrigðisþjónustunnar, hvort sem þeir eru sjúklingar eða heilbrigðisstarfsfólk.

• Stofnanir: Sjúkrahús, heilsugæslustöðvar og aðrar stofnanir sem veita heilbrigðisþjónustu.

• Hlutverk og ábyrgð: Tiltekin hlutverk sem fólk gegnir innan stofnana, svo sem læknir, hjúkrunarfræðingur eða stjórnandi.

• Aðföng: Til dæmis lækningatæki eða rými sem eru hluti af umönnunarferlinu.

• Meðferðir og meðferðaráætlanir: Tengslin milli sjúklings og þeirrar þjónustu sem hann fær, allt frá einstökum tímabókunum til langtíma meðferða.

Í stað þess að nota flóknar tengingar (joins) í gagnagrunni til að tengja þessi hugtök saman búum við til bein vensl (edges) á milli þeirra. Þannig getum við nýtt öflug reiknirit fyrir gröf sem kanna vensl á skilvirkan hátt. Þegar sjúklingur er til dæmis útskrifaður getum við sjálfkrafa fundið alla viðeigandi meðlimi meðferðarteymisins sem þarf að láta vita og samræmt eftirfylgnitíma. Uppbygging grafsins styður þessa nálgun á náttúrulegan hátt og gerir flókna verkferla bæði sjálfvirka og afkastamikla.

Heilbrigðisgögn eru viðkvæm og því skiptir sköpum að hafa stjórn á því hver hefur aðgang að hvaða upplýsingum. Hefðbundin aðgangsstýringarkerfi geta verið stirð og flókin í umsjón. Með grafinu okkar höfum við innleitt nálgun sem kallast aðgangsstýring byggð á venslum (Relationship-Based Access Control, RelBAC).

Með RelBAC eru aðgangsheimildir ekki aðeins safn hlutverka og reglna, heldur hluti af gagnalíkaninu sjálfu. Við getum beint fyrirspurnum til grafsins og kannað venslin til að svara spurningum á borð við:

• „Er þessi einstaklingur læknir á sömu deild og þessi sjúklingur er á?“
• „Hefur þessi hjúkrunarfræðingur rétt tengsl til að skoða niðurstöður þessara rannsókna?“
• „Getur þessi sérfræðingur nálgast heilsufarsgögn þessa sjúklings í gegnum tilvísunarnet sitt?“

Grafgagnagrunnurinn getur svarað þessum spurningum með því að keyra reiknirit sem fylgja þeim venslum sem við höfum skilgreint hratt og örugglega. Til að ákvarða hvort hjúkrunarfræðingur hafi aðgang að rannsóknaniðurstöðum sjúklings rekur kerfið til dæmis eftirfarandi venslakeðju: hjúkrunarfræðingur → starfar á → hjartadeild → meðhöndlar → sjúkling → hefur → rannsóknarniðurstöður. Ef þessi leið er til og uppfyllir öryggisskilyrði okkar er aðgangur veittur. Kerfið okkar getur reiknað þessar aðgangsleiðir hratt og örugglega og tryggt að gögn séu aðeins aðgengileg þeim sem hafa tilskilin vensl við þau. Útkoman er sveigjanlegt og traust öryggislíkan sem getur þróast samhliða breytingum á venslum.

Til að byggja upp heilbrigðisnetið völdum við Neo4j, sem er leiðandi tækni á sviði grafgagnagrunna. Bakendaþjónustur okkar eiga samskipti við gagnagrunninn með Cypher-fyrirspurnum sem geta farið hratt yfir flókin tengslamynstur. Ein lykilákvörðunin í höguninni var þó að innleiða blandaða lausn þar sem geymsla á venslum og geymsla á eiginleikum er aðskilin.

Í Neo4j grafinu geymum við tengslin milli eininga í heilbrigðisþjónustunni — hver tengist hverjum og hvernig þau tengjast. Við höldum grafinu sjálfu hins vegar „þunnu“ og nafnlausu með því að geyma sem minnst af gögnum beint í punktunum. Hver punktur inniheldur fyrst og fremst auðkenni sem nýtist sem lykill að samsvarandi skjali eða skjölum í DynamoDB.

Þessi blandaða högun hefur nokkra mikilvæga kosti:

• Persónuvernd og öryggi: Gögnin í grafinu eru nafnlaus og innihalda aðeins upplýsingar um venslamynstur, en engar viðkvæmar persónu- eða heilsufarsupplýsingar.

• Afköst: Yfirferð um grafið er mjög hröð þar sem punktarnir eru léttir. Uppflettingar á eiginleikum eru jafnframt hagkvæmar þar sem sömu lyklar eru notaðir í grafinu og skjalageymslunni.

• Skalanleiki: Við getum skalað venslafyrirspurnir í Neo4j og geymslu eiginleika í DynamoDB hvort í sínu lagi, eftir ólíkum notkunarmynstrum.

• Sveigjanleiki: Skjalalíkan DynamoDB gerir okkur kleift að geyma mismunandi skemu fyrir ólíkar tegundir eininga, án þess að þurfa að reiða okkur á stífa töfluuppbyggingu.

Þegar fyrirspurnir eru keyrðar förum við fyrst yfir grafið til að finna viðeigandi gagnapunkta og vensl. Síðan flettum við upp í DynamoDB með viðeigandi lyklum til að sækja ítarlegri eiginleika. Þannig getum við nýtt styrkleika beggja tæknilausnanna.

Með því að setja einstaklinginn í miðju gagnalíkansins og nýta reiknigetu grafgagnagrunna erum við að byggja upp snjallari, öruggari og betur samtengt kerfi fyrir heilbrigðisþjónustu. Persónumiðaða heilbrigðisnetið okkar er ekki aðeins tæknileg útfærsla, heldur breyting á hugmyndafræði sem gerir okkur kleift að nýta lögmál netafræðinnar við meðhöndlun heilbrigðisgagna.

Þessi nálgun hefur gert okkur kleift að innleiða þróaða virkni á borð við RelBAC og leggur jafnframt sveigjanlegan grunn að næstu kynslóð hugbúnaðar í heilbrigðiskerfinu, knúnum af netafræði og tengslagreiningu.