Embedding the evidence information in computer-supported guidelines into the decision-making process

Abstract

Klinische Leitlinien (KL) dienen dem medizinischen Personal zur Unterstützung bei der Planung und der Entscheidungsfindung in der medizinischen Versorgung.<br />KL beinhalten wichtige Empfehlungen für eine bestimmte Krankheit, die normalerweise auf klinische Studien basieren. Diese klinischen Studien weisen auf den Grad der Evidenz und infolgedessen auf die Stärke der Empfehlungen hin. Doch nicht alle KL bieten explizite Informationen über den Grad der Evidenz oder die Stärke der Empfehlung (nicht-gradierte Evidenzinformation).<br />Viele wissenschaftliche Projekte beschäftigen sich mit der computerbasierten Darstellung und Implementierung von KL um die Effektivität und die Qualität der medizinischen Versorgung zu erhöhen. Für die Computer-interpretierbare Darstellung von KL werden Modellierungssprachen verwendet, die aufgrund ihrer Komplexität den Formulierungsprozess erschweren.<br />In dieser Arbeit stellen wir eine Methode vor, die auf eine semi-formale Darstellung der Evidenzinformation in den KL basiert und die Nutzer der KL während dem Entscheidungsprozess unterstützt. Eine semi-formale Darstellung ist notwendig, um die Evidenzinformation anhand von computer-interpretierbaren Modellierungssprachen zu verarbeiten. Für diesen Zweck haben wir ein Meta Schema entwickelt, das verschiedene Gradierungssysteme einschliesslich gradierte und nicht-gradierte Evidenzinformationen beinhaltet. Die Klassifikation von verschiedenen Empfehlungen in KL ist einer der wichtigsten Informationsquellen, die wir nutzen. Allerdings existiert ein Mangel an Übereinsimmung zwischen den Entwicklern von KL in Bezug auf diese Klassifikationsschemata. Um dieses Problem zu behandeln bilden wir verschiedene Gradierungssysteme auf unser Meta Schema ab. Ausserdem erweitern wir zwei Modellierungssprachen (Asbru, PROforma) um unser Meta Schema zu modellieren.<br />Zuletzt präsentieren wir die Ergebnisse von unserer qualitativen Studie, die wir mit Ärzten, Organisationen, die KL entwickeln und Entwicklern von Modellierungssprachen durchgeführt haben, um die Korrektheit, Realisierbarkeit und die Verständlichkeit unseres Meta Schemas und der Spracherweiterungen zu überprüfen.<br />Die Ergebnisse unserer Evaluierung haben deutlich gemacht, dass die Verwendung einer semi-formalen Darstellung der Evidenzinformation besonders wichtig ist, um den medizinischen Entscheidungsprozess zu erleichtern.<br />

Clinical practice guidelines (CPGs) are widely used to support medical staff in treatment planning and decision-making during health care. To increase the effectiveness and the quality of health care, many research projects deal with computer-based representations and implementations of CPGs. Representation languages to formulate CPGs in a computer-interpretable way are complex, what makes the formulation process difficult and time-consuming. CPGs contain major recommendations about a certain disease that are usually based on clinical studies indicating the level of evidence and hence the strength of the recommendations. However, not all CPGs provide explicit information about the level of evidence or the strenght of recommendation (i.e., ungraded evidence information).<br />In this thesis we propose a methodology that supports guideline users during the decision-making process on the basis of a semi-formal representation of the evidence information that can be found in CPGs. A semi-formal representation is required to handle evidence information in computer-interpretable guideline representation languages. For this purpose, we have developed a meta schema that covers various kinds of grading systems including graded and ungraded evidence informaton. The classification of different recommendations in CPGs are one of the most important information sources to use. However, there is a lack of consensus amongst guideline developers, regarding those classification schemes. To address this problem, we mapped various kinds of grading systems into our meta schema. Furthermore, we extended two guideline representation languages (Asbru, PROforma) to model our meta schema.<br />Finally, we present the results of our qualitative study we performed with physicians, guideline developing organizations, and guideline representation language developers to examine the correctness, feasibility, and understandability of our meta schema and language extensions. The results of our evaluation indicate that using a semi-formal representation of the evidence information is of particular importance to facilitate the decision-making process.