Summary
TBase将电子健康记录与肾脏移植受者的创新研究数据库相结合。TBase建立在内存数据库平台上,连接到不同的医院系统,并用于常规门诊护理。它自动集成所有相关的临床数据,包括移植特定数据,创建一个独特的研究数据库。
Abstract
TBase是用于肾移植受者(KTR)的电子健康记录(EHR),通过标准化接口与常规治疗期间的手动数据输入(例如,临床记录,药物清单和移植数据)相结合,自动输入关键临床数据(例如,实验室值,医疗报告,放射学和病理学数据)。通过这种方式,KTR创建了一个全面的数据库,对常规临床护理和研究有好处。它既可以方便地进行日常临床使用,也可以快速访问具有最高数据质量的研究问题。这是通过临床常规中的数据验证概念实现的,其中临床用户和患者必须依靠正确的数据进行治疗和药物治疗计划,从而在日常实践中验证和纠正临床数据。该EHR是为移植门诊护理的需求量身定制的,并在柏林Charité - Universitätsmedizin证明了其20多年的临床效用。它通过结构良好、全面的长期数据促进高效的日常工作,并允许其轻松用于临床研究。到目前为止,其功能包括通过来自不同医院信息系统的标准化接口自动传输常规数据,移植特定数据的可用性,具有药物间相互作用集成检查的药物列表以及半自动生成医疗报告等。最新重新设计的关键要素是强大的隐私设计概念,模块化,因此可移植到其他临床环境中,以及基于HTML5(超文本标记语言)的响应式网页设计实现的可用性和平台独立性。这允许快速轻松地扩展到其他疾病领域和其他大学医院。全面的长期数据集是机器学习算法研究的基础,模块化结构允许将这些算法快速实施到临床护理中。患者报告的数据和远程医疗服务被集成到TBase中,以满足患者的未来需求。这些新颖的功能旨在改善临床护理,并创造新的研究选择和治疗干预措施。
Introduction
建立集成电子健康记录和研究数据库的动机
临床研究基于高质量数据的可用性,无论是否使用经典统计方法或机器学习(ML)技术进行分析1,2。除了常规数据(例如,人口统计学、实验室和药物数据)外,还需要具有高粒度的领域特定数据(例如,移植相关数据)3,4。然而,许多大学医院的常规护理都是使用医院信息系统(HIS)进行的,该系统既不允许系统地收集研究特定数据,也不允许轻松提取常规数据5,6,7。因此,临床研究人员创建了特定的研究数据库,这些数据库存在各种问题,包括建立数据库的复杂过程,手动数据输入,数据保护问题和长期维护(表1)。有限的数据量,缺失的数据和不一致是临床研究的主要问题,并阻碍了ML技术的使用8,9,10,11,12,13。这些独立的研究数据库通常专注于某些疾病或患者方面,不与其他数据库连接,并且通常在一段时间后停止使用,导致无法访问的"数据孤岛"。最终,关于各种疾病方面的高质量、长期数据很少。在数字医学时代,对综合电子健康记录(EHR)7,14,15的需求日益增加,这使得可以轻松记录特定领域的数据,并从住院和门诊护理系统自动收集常规数据。
这些一般考虑因素也适用于移植医学16。因此,患者病史的完整记录,包括所有住院和门诊治疗,临床常规数据以及移植特异性数据对于成功的随访护理是必要的17,18。由于普通HIS是静态的,并且专注于住院治疗,因此它们无法整合移植特异性数据,例如供体数据,冷缺血时间和人白细胞抗原(HLA)数据。然而,这些数据是移植研究的基本先决条件19,20,21,22 以及长期临床护理。虽然最初的住院时间通常只有1-2周,肾移植后的过程和早期结果在许多移植中心之间是可比的,但移植后的终身护理很复杂,缺乏一种通用的结构化方法。这激发了一个集成的EHR和研究数据库,以捕捉移植后患者的终身旅程。22
为了将这些功能整合到KTR的常规护理和研究中,开发了一个名为"TBase"的EHR,其想法是移植后护理的常规使用将创建一个具有最高数据质量的独特研究数据库(表2)。
设计与建筑
TBase 基于典型的客户端-服务器体系结构。在开发过程中,使用了 SAP 高性能分析设备扩展应用程序高级 (SAP HANA XSA) 的组件和工具。基于最新的超文本标记语言5(HTML5)网络技术,EHR已经针对Google Chrome引擎进行了开发和测试。此 Web 引擎由 Chrome 和 Microsoft Edge 浏览器使用,并允许在最常用的 Web 浏览器24 中使用 EHR,而无需本地安装。应用的技术可实现响应式网页设计,并允许在所有设备(PC,平板电脑,智能手机)上使用基于Web的EHR。创新的高性能开发平台由各种组件(Web IDE、UI5 和 HANA DB)组成,使我们能够使用最先进的软件工具快速实现 EHR 项目 TBase(图 1)。
对于患者数据的表示,实现了简单的表结构,以实现EHR的直观且不言自明的设计。例如,以 Patient ID 为主键的患者表位于表结构的中心。几乎所有表(单个子表除外)都通过 PatientID 连接到此中央表(图 2)。
图 3 显示了 TBase 表结构的一部分以及更详细地使用的数据类型。最终用户可以通过图形用户界面 (GUI) 访问数据字段, 图 4 显示了一个示例。
此 EHR 包含所有当前患者数据,用于常规门诊护理。重要的常规临床数据(例如,实验室数据、医疗结果、放射学、微生物学、病毒学和病理学数据、医院数据等)通过标准化接口(例如,基于健康七级(HL7) - 医疗保健领域数字通信标准)直接导入TBase25)。移植特异性数据,如感冒缺血时间,供体数据,HLA数据以及随访记录,生命体征,医疗报告和药物清单由用户通过GUI输入到EHR中。在将数据传输到数据库之前,将执行自动合理性检查,以及时检测错误数据输入,并提供立即更正的选项。此外,数据验证在临床常规期间参与,临床用户定期向患者和医生撰写报告和信件。这些信件必须提供正确的数据(例如,关于药物,实验室价值和临床备注),以便进一步治疗和用药计划。因此,医生和患者在日常实践中不断验证和纠正临床数据,这一过程导致高数据质量。如果通过应用程序编程接口 (API) 或其他接口输入数据,则在后端执行合理性检查,类似于在前端执行合理性检查。
前端 (图形界面)
为了实现前端,使用 UI5 框架。该框架为前端元素提供了一个广泛的库,以及各种附加功能,例如多语言和用于数据可视化的图形库。目前,TBase 前端元素以英语或德语显示,具体取决于浏览器的语言设置。
前端使用大纲-细节界面,以确保简单直观的页面结构。查看页面的上半部分由详细信息页面(基本数据、医疗数据、移植数据等)的各个选项卡组成。无论下面显示哪个详细信息页面,此主部件都保持不变(图 4)。每个页面的详细信息视图都可以轻松概览页面主题。
对于数据操作,EHR 具有不同级别的用户权限("读取"、"写入"、"删除"和"管理员")。除了"查看"级别之外,还有一个"编辑"级别,该级别只能由具有高于"读取"权限的用户激活。如果用户具有写入权限,则用于数据输入的所有输入字段都将被激活,并且可以用数据填充。具有"删除"权限的用户可以通过相应的按钮删除数据,但只有在通过弹出窗口确认后才能删除数据。
数据库结构和接口
TBase 的开发在开发数据库中执行。在质量保证数据库中对所有软件更改(如新功能)进行广泛而详细的测试。通过质量控制检查的软件更新将传输到实时系统。出于研究目的,实时系统被复制到复制数据库中,可以通过标准的开放数据库连接(ODBC)接口(例如,通过开源软件R Studio)进行查询。由于复制和实时系统之间没有直接连接,因此实时系统中的数据可以防止数据损坏、丢失或操纵。这种模块化结构和四个数据库(开发、质量保证、实时系统和复制数据库)的明确分离,这些数据库是根据开发人员、研究人员和临床医生的特定需求量身定制的,有助于敏感患者数据的维护和数据保护。
EHR完全集成到Charité的数据基础设施中,并依靠不同的接口从各种数据源导入数据。HIS的界面导入所有相关数据,例如行政数据,检查,药物,实验室调查结果和出院信。此接口通过暂存区连接两个系统。在这里,所有新数据(数据增量)都实时从HIS传输到TBase。通过患者编号或病例编号识别患者,并导入来自HIS的相应数据(如果TBase中尚不可用)。
对于门诊患者,我们的实验室合作伙伴通过HL7消息提供实验室结果。这些被部署到实验室系统中的共享区域,并通过HL7接口拾取并导入EHR。为了与KTR(通过智能手机应用程序)和家庭肾脏科医生进行双向通信和数据交换,实现了HL7快速医疗保健互操作性资源(HL7 FHIR)接口26。该接口为将来与其他数据源(例如,Eurotransplant,患者应用程序)的安全数据交换提供了互操作性和灵活性。
用户管理和数据保护
TBase 基于应用程序级别的用户管理。因此,用户只能访问应用程序的前端,而不能访问数据库本身。如上所述,选择了四阶段授权概念,为具有管理权限的用户保留用户管理。管理员使用"身份管理控制台"应用程序从 TBase 应用程序的 Charité 用户池添加新用户,并维护其用户权限(图 5)。大多数用户可以访问数据库中的所有患者。但是,可以将特定用户的访问(例如研究监视器)限制为一组患者。
使用商用内存数据库平台,使用安全数据库技术,该技术使用应用程序级授权、单点登录 (SSO)、MIT-Kerberos 协议和安全断言标记语言 (SAML) 等策略来保护数据。该平台使用最新的加密和测试技术保护通信、数据存储和应用程序服务。数据库的所有开发都由授权控制。这确保了高级别设计的数据安全性。此外,所有数据都保存在经过认证的Charité防火墙后面。根据最新的欧盟通用数据保护条例(EU GDPR),实施了强大的数据保护概念,包括数据流图,数据保护风险评估(DSFA)和授权概念。所有文件都列在Charité数据保护办公室的程序目录中。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
该协议演示了电子健康记录TBase的使用,如何将数据添加到数据库中,以及如何提取它们用于研究目的。所有步骤均符合柏林慈善大学人类研究伦理委员会的指导方针。
1. 注册新患者并将基本患者数据添加到 TBase 中
- 注册后,将患者的基本数据(姓名,出生日期和健康保险数据)从患者的健康保险卡传输到医院信息系统。在此过程中,将创建一个新的唯一案例编号。如果患者从未在柏林慈善大学接受过治疗,则还会创建一个新的唯一患者编号,以清楚地识别医院系统中的特定患者。
- 在此注册过程中,根据欧盟GDPR,获得患者对柏林慈善大学和夏里特门诊诊所(Ambulantes Gesundheitszentrum der Charité)进行TBase数据处理的书面知情同意。
- 让具有适当权限的员工将此新患者添加到 TBase。首先,通过 GUI 登录到 TBase。为此,请在Charité Intranet中基于Chrome引擎的Web浏览器中输入"https://nephro.tbase.charite.de"。接下来,输入 TBase 管理员分配的用户名和密码。单击"登录"。
- 接下来,单击左侧 "患者 概述"框底部的"添加新 患者 "按钮。然后,将出现一个输入屏幕。
- 输入患者的姓名、出生日期、Charité 医院患者编号(见上文,或者 Charité 医院病例编号)以及有关患者数据处理同意的信息(如果患者已授予、未授予或撤销)。数据输入完成后,单击右下角的" 保存 "按钮。
注意:现在,一名新患者已被添加到TBase中,并且所有可用的患者数据现在自动从HIS传输到TBase EHR系统中。
2. 在 TBase 中查看数据并将其添加到患者记录中:主数据、医疗数据、医生、诊断、程序、移植数据、医院
- 按步骤 1.3 中所述登录到 EHR。
- 通过左上角的搜索字段通过姓名或出生日期搜索所需的患者。单击搜索字段右侧的搜索按钮或按 Enter。从左侧 "患者 概述"框架中的结果中,选择正确的患者,然后单击名称。将出现一个新屏幕,显示所选患者的 主数据。
- 搜索患者后,默认情况下会显示患者的 主数据 查看页面。要从另一个页面导航到该页面,请单击左上角的主 数据 选项卡。
- 要更改 主数据,请单击右下角的 更改 按钮。将出现一个新的输入屏幕。
- 现在,通过在指定的输入字段中键入新信息来更改患者电话号码,地址,添加或更正识别码等数据。数据输入完成后,通过单击右下角的" 保存 "按钮提交更改。重定向到 主数据 查看页面后,可以查看并验证更改。
- 要查看和更改 医疗数据,请单击左上角的" 医疗数据 "选项卡。此时将显示 "医疗数据 "概述,并显示现有的医疗数据。它们的结构如下:患者的身高,血型,首次透析日期,原发性疾病,HLA,遗传学数据,透析数据,现有HLA抗体数据,输血数据,危险因素,过敏,结构化病史数据,死亡。
- 要更改某些医疗数据,请单击右下角的" 更改 "按钮。将出现一个新的输入屏幕。
- 例如,通过单击"原发性疾病"以展开或折叠数据输入表单,将 原发性疾病 添加到患者的医疗数据中。在右侧, 原发性疾病 输入字段可用于从先前存在的建议中选择一种疾病(例如,从 Eurotransplant 原发性疾病表中)或输入新疾病。此外,还可以输入有关诊断日期,疾病确定性(活检是否经过活检证实)和注释的信息。输入数据后,单击" 提交值"按钮进行提交 。
- 输入并提交所有更改后,单击右下角的" 保存 "按钮保存更改。重定向到 "医疗数据 "查看页面后,可以看到所有更改以及是否已正确保存。
- 要查看有关主治医生的信息,请单击" 医生 "选项卡。 医生查看 页面打开,并显示有关治疗医生的现有数据。它们的结构如下:医生的姓名和地址,专业,类型(顾问,全科医生,住院医师),工作设施(透析病房,门诊诊所等),电话号码。
- 要添加新的医生,请单击右下角的" 新 "按钮。将打开一个新的输入屏幕。或者,可以通过先单击医生的姓名,然后单击右下角的" 更改 "按钮来修改有关现有医生的信息。
- 例如,可以将新医生添加到患者的EHR中。通过在搜索字段中输入姓名并单击不同建议中的正确条目来搜索以前添加的医生列表。或者,如果所需的医生不在列表中,请在选择"添加新 医生 "后,在下面的输入字段中输入数据。
- 输入所有更改后,通过单击右下角的"保存"按钮 保存 更改。重定向到 "医生 "查看页面后,所有更改都可见,用户可以验证更改是否已正确应用。
- 要查看和更改诊断,请单击左上角的" 诊断 "选项卡。
注意:大多数诊断、程序和检查都是通过预定义的接口从 HIS 中自动导入的关于住院治疗数据的。- 通过单击右下角的" 新建 "按钮输入门诊诊所的诊断。
- 可以根据《国际疾病分类10:修订版》(ICD-10)输入新的诊断。在屏幕中央的搜索字段中输入ICD-10代码或诊断名称,然后单击建议列表中选择正确的代码或诊断名称。接下来,通过将这些数据键入指定的输入字段,定义开始日期和结束日期以及进行诊断(住院或门诊)的上下文。
- 通过单击右下角的 "保存" 按钮提交数据。重定向到 "诊断" 查看页后,更改将变为可见,用户可以查看数据输入是否正确。
- 要查看和更改过程,请单击顶部的" 过程 "选项卡。
- 通过单击右下角的" 新建 "按钮,输入在门诊诊所执行的其他程序。
- 可以根据OPS代码(国际医学程序分类(ICPM)代码的德语版本)输入新程序。在屏幕中央的搜索字段中输入 OPS 代码或过程名称,然后单击建议列表中的右侧代码或过程名称。接下来,通过将这些数据键入指定的输入字段,定义本地化(左、右、无)和执行过程(住院或门诊)的上下文。
- 通过单击右下角的 "保存" 按钮提交数据。重定向到" 过程 "查看页后,验证是否已正确应用更改。
- 要查看和更改有关调查的数据,请单击顶部的" 调查 "选项卡。
注意:由于HIS中的大多数报告都是以文本文件的形式提供的,因此EHR中的大多数相应结果也是基于文本的。相比之下,肾移植活检的病理报告根据Banff Classification 201727,28进行分类,并将得到的离散分类数据保存到EHR中的相应表中。- 要查看特定调查的结果,请单击下面列表中的右侧,或使用上面的搜索字段从建议列表中选择它。
- 通过单击右下角的" 新建 "按钮输入在门诊诊所进行的其他检查。
- 通过输入日期,类型(超声波,动态心电图监测等),涉及的器官和结果输入指定的输入字段来输入新的调查。
- 通过单击右下角的 "保存" 按钮提交数据。重定向到" 调查 "查看页面后,用户可以查看并验证更改。
- 要查看和更改有关住院的数据,请单击顶部的" 医院 "选项卡。
注意:通常,在Charité移植的KTR在移植中心住院治疗后续并发症。生成的数据首先存储在HIS中,相关数据(例如,有关入院或出院的数据,医疗报告)通过HIS接口导入EHR。外部住院治疗必须手动输入EHR。- 住院数据的结构如下:入院,出院,医疗报告(如果有的话),医院,病房和住院原因。要阅读医疗报告,请单击列表中右侧的报告,或使用上面的搜索字段从建议列表中选择它。
- 点击右下角 的新建 按钮,输入其他住院治疗(例如,外部住院治疗)。
- 通过在指定的输入字段中输入上述数据来输入新的住院治疗。
- 通过单击右下角的 "保存" 按钮提交数据。重定向到 医院 查看页面后,更改将变为可见并可以验证。
- 要查看和更改移植数据,请单击右上角的" 移植 "选项卡。此时将显示 "移植 "查看页面,并显示现有的移植数据。在顶部,如果已经进行了多次移植,请单击相应的按钮在不同的移植之间导航。
- 要查看或更改有关捐赠者的信息,请单击相应移植日期下方的 "查看捐赠者 "按钮。要输入或更改有关捐赠者的信息,请单击右下角的" 更改 "按钮,然后在指定的输入字段中输入数据,然后单击右下角的" 保存 "按钮保存更改。
- 要将新的移植添加到患者的EHR中,请单击"移植"查看页面上右下角的"新建"按钮。根据输入字段输入移植特定数据(包括有关器官类型,移植日期,缺血时间,手术并发症等的信息)。通过单击右下角的"保存"按钮将数据保存到EHR。然后,用户将被重定向到"移植"查看页面,以查看更改是否已正确保存。
- 要更改有关现有移植的信息,请单击"移植"查看页面上右下角的"更改"按钮,此时将显示所选移植的现有数据的新输入屏幕。根据输入字段更改这些移植特定数据(包括有关器官类型,移植日期,缺血时间,手术并发症等的信息)。通过单击右下角的"保存"按钮,将新的条目数据保存在EHR中。重定向到移植查看页面后,查看更改并检查更改是否正确输入。
3. 查看和选择实验室数据
- 登录到 TBase 并按 1.3 和 2.2 中所述选择所需的患者。
- 要查看实验室数据,请单击顶部的" 实验室 "选项卡,将显示最新实验室结果的表格概述。在顶部,可以看到上次调查的所有数据,下拉菜单用于搜索以前的实验室数据,并在其旁边显示一个搜索字段,可以在其中搜索特定的实验室值(例如肌酐)。
注:实验室值显示如下:样品接收日期,处理日期,实验室值名称,值,单位,参考范围,注释(H ...高,L ...低,N ...正常),以及前两个历史实验室值进行比较。 - 要更改查看历史实验室调查的日期,请单击左上角的下拉菜单,然后单击它以选择所需的日期。然后,将显示此日期以来的所有相应实验室值,如上所述。
- 要选择特定的实验室值(如肌酐)并检查其随时间推移的过程,请在顶部的搜索字段中输入其名称,然后从建议列表中选择正确的名称。单击" 显示人工 "按钮后,该患者的选定值的每个结果都显示在下图中。
- 或者,只需在单个调查的初始表格显示中单击所需值即可。这再次显示了此特定实验室值的所有先前和当前结果。
- 要绘制实验室值的过程,请单击所需值旁边的绘图符号。这将自动创建此值的所有现有结果的图解。如果需要,通过在右上角的输入字段中选择开始日期和结束日期来指定绘图的时间范围,并通过在指定的输入字段中选择该值来向绘图添加第二个值。通过单击右下角的"返回"按钮返回实验室查看页面。
4. 查看和更改用药数据:根据德国法规("Bundeseinheitlicher Medikationsplan")创建标准化的用药清单
- 登录到 TBase 并按 1.3 和 2.2 中所述选择所需的患者。
- 要查看药物数据,请单击顶部的" 药物 "选项卡。将显示有关患者当前药物的表格概述。药物数据显示如下:开始日期,活性物质,单剂量(例如,以mg为单位),交易名称,剂量方案,日剂量,剂型,通知,适应症,处方类型(内部或外部医生,或患者的自我治疗)。
- 要添加新的药物,请单击右下角的" 新建 "按钮。输入物质的名称(或者商品名称)、加样方案和开始日期,这些日期在当前日期自动设置,但如果开始日期是过去的,则可以更改。此外,指示和备注可以添加到指定的输入字段中。通过单击右下角的" 保存 "按钮将药物添加到列表中。
- 要更改现有药物,请单击药物列表中的相应项目,然后单击右下角的" 更改 "按钮。现在,有关剂量,申请表的更改可以输入到指定的输入字段中,并且可以通过单击右下角的 "保存 "按钮来应用更改。
- 要停用药物,请单击指定的药物,然后单击顶部的 "停止" 按钮。
- 要搜索以前的药物,请在左上角的搜索字段中输入活性物质,然后通过从历史药物列表中单击它来选择右侧的药物。将出现包含以前所有药物的图表,其结构如4.2中所述。
- 要根据德国法规为患者创建标准化的药物清单,请单击右上角的 "联邦医疗计划 "按钮。PDF 文件会自动创建并下载以进行打印输出。
5. 查看和添加医疗课程条目:半自动生成医疗报告
- 登录到 EHR 并按照 1.3 和 2.2 中所述选择所需的患者。
- 要查看医学课程,请单击 顶部的课程 选项卡。提供了有关患者以前预约文档的表格概述。数据结构如下:预约日期,下次预约日期,血压,心率,体温,体重,体重指数,尿量和三个文本字段,分为对患者的公开评估,在Charité使用的内部评估和其他医生的医疗评估。
注意:此外,底部有一个摘要字段,用于汇总有关患者病史的重要信息,并使其一见钟情。 - 要向医学课程添加新条目,请单击右下角的" 新建 "按钮。将评估的信息输入到所需的输入字段中(例如,生命体征、治疗医生、内部评估或公共评估)。将下一个约会的日期添加到右上角的指定输入字段中。通过单击右下角的 "保存" 按钮提交数据。然后,用户将被重定向到 课程 查看页面。
- 要更改现有条目,请单击相应的条目,然后单击右下角的" 更改 "按钮。现在,在指定的输入字段中输入其他数据或更改现有数据。通过键入通知字段中的信息来更改或更新通知字段中的信息,然后单击右下角的" 保存 "按钮提交更改。然后,用户将被重定向到 课程 查看页面。
- 要创建自动医疗报告,请单击右下角的 "医疗报告 "按钮。将出现一个新屏幕,其中包含18个不同的选项(从实验室结果到完整的医疗报告)。
- 例如,只需单击几下即可创建医疗报告:单击门 诊医疗报告。患者姓名,治疗医生,实验室值的最后日期和医疗课程的最后日期会自动填写,但如果需要,可以更改。单击" 确定"进行确认后,将创建并下载格式正确的单词(.doc-)文档文件,以便打印出包含所选信息的文档。
6. 注销
- 要主动注销 TBase,请单击右下角的 注销 按钮。此外,一个在不活动 60 分钟后或浏览器关闭后自动注销。
7. 使用收集的数据
- 若要查询收集的数据,请使用复制服务器(图 1),如数据库结构和接口部分所述。任何可以通过开放式数据库连接 (ODBC)、Java 数据库连接 (JDBC) 连接到数据库的数据处理程序都可用于查询。建立与数据库的连接后,请使用开源软件 R Studio。
- 例如,若要设置 ODBC 数据库连接,请在 Windows 操作系统中打开 ODBC 工具,然后单击"控制面板和安全管理"下的新用户数据源名称 (DSN) 的" 添加 "。在此处,输入到复制数据库的可用连接数据。输入以下数据:"驱动程序名称"、"ODBC 连接名称"(由用户设置)、"主机名"和 SQL 身份验证详细信息"用户名"、"密码"和"数据库名称"。
- 为了在建立ODBC数据库连接后在开源软件R Studio中生成非常简单的查询(例如,2000-2020年按性别划分的移植数量),请在左上角的应用程序R Studio中打开File,New File,然后单击R Script。示例脚本代码(代码 1)在打开的空脚本窗口中输入。
- 单击脚本窗口顶部的" 源 "按钮,脚本正在运行,然后使用连接数据库中的数据生成脚本中定义的条形图(图 6)。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
TBase于1999年在Charité Campus Mitte首次发布,并一直沿用至今。20多年来,TBase-EHR前瞻性地从所有KTR收集数据。从2001年开始,Charité的其他移植项目也使用TBase对KTR和候补患者进行常规护理。自2007年以来,该EHR用于活体捐赠者和肾脏病科所有患者的常规护理。
通过为TBase软件提供其功能,近年来已进一步发展为具有现代软件架构的模块化基于Web的研究数据库,在20多年的时间里,共有6,317名患者进行了7,595例肾移植。KTR总共有220,877例诊断,332,299例手术,1,033,941份实验室报告,24,478,441份实验室值,539,922次用药发作,324,339项调查,6,489份供体数据和54,350封出院信等(表3)。
此外,还收集了20,724名患者的数据,包括等待名单上的患者,活体捐赠者和慢性肾脏病患者。这些患者共有232,783次诊断,408,857次手术,546,661份实验室报告,13,399,048份实验室评估,114,657次用药发作,226,206次检查和70,278份出院信。
在过去的10年中,TBase数据库中有50多篇科学出版物作为同行评审期刊的原创研究发表1,2,3,4,6,9,10,11,12,13,17,18,19,21,29,30,31,32,33,34,35
,36.对数据保护官进行了彻底的数据保护评估并进行了评估。TBase由一个由四名全职计算机科学家组成的开发团队监督,并得到IT部门和肾脏病学部门的支持。
医院信息系统(HIS)的缺点 | 独立研究数据库的缺点 |
相关数据尚未完全可用 | 手动数据录入,无需自动传输常规临床数据 |
没有或只能适应特定领域的需求 | 数据输入仅限于关键变量,从而阻碍了机器学习应用 |
专为住院或门诊护理而设计 | 数据验证既困难又耗时 |
用于研究目的的困难数据提取 | 通常因新需求而无法就业。因此,将创建一个新数据库。 |
更改 HIS 通常会导致丢失以前的数据。 | 单用户独立系统通常会导致短暂的数据孤岛。 |
表1:临床数据库和独立研究数据库的问题。 该表一方面列出了医院信息系统(HIS)的问题,另一方面列出了具有各种问题的特定研究数据库。
临床实践中的益处 | 对研究的好处 |
接口实现自动导入 | 轻松收集用于临床观察性研究以及病例报告/病例系列 |
·临床报告(实验室,病理学,放射学,病毒学,微生物学) | |
·医院数据 | |
·ET 供体数据(正在进行中) | |
文档字段(部分带有选择列表)允许包含大量特定主题的数据以及由主治医生维护的数据 | 快速访问临床试验/研究中的文档数据 |
·人口统计数据,个人数据(地址,电话号码,电子邮件等),基本医疗数据,诊断,病史,程序,实验室数据,药物,检查,医院数据,移植数据,捐赠者数据,拒绝 | |
通过不断开发同一数据库,为个体患者提供了20多年的随访数据 | 100%随访患者和移植存活率,完整且经过验证的实验室价值数据集,药物清单,诊断,程序和检查,供体和移植数据可用 |
在门诊、医疗病房和急诊室轻松访问所有相关医疗数据,包括: | 与其他研究人员就不同方面(例如,欧洲移植高级计划,新药疗法,重症监护期,术后并发症患者)进行研究项目的简单数据提取 |
· 移植数据 | |
·检查结果、实验室值、医疗报告和注意事项 | |
·药物清单(当前和历史) | |
·电话号码和其他核心数据 | |
半自动生成 | 由于临床用户在常规护理中持续进行数据验证,因此数据质量高 |
·外部医生的医疗报告 | |
·患者的药物清单和实验室值 | |
符合欧盟 GDPR 数据保护要求 | 通过标准接口连接到不同的统计分析工具(例如 SPSS、R) |
图形化历史数据显示(例如 随时间推移的多个实验室值及其在图表中的相关性,只需单击几下即可) | 通过使用现代文本挖掘技术,从非结构化数据(笔记,信件,医疗报告)中轻松提取数据 |
显示年度全球植物遗传资源下降情况(计划) | |
监控仪表板,用于实时显示结果参数,候补名单,特殊患者组(计划) | |
促进质量保证 | 使用人工智能方法进行分析,可以开发预测模型 |
·自动将相关数据导出到医院QA模块(计划) | |
·轻松查询质量控制或其他评估 | |
在临床常规中实施新方法,如远程医疗,或用于识别有风险患者的预测性AI模型 | 分析来自远程医疗和移动活动跟踪器的新数据源 |
表2:TBase在临床护理和研究中的益处。 下表列出了集成的EHR和研究数据库对临床用途和研究的好处。
肾移植患者 | N = 6.317 |
肾移植 | 7,595 |
诊断 | 2,20,877 |
程序 | 3,32,299 |
实验室 | 10,33,941 |
实验室值 | 2,44,78,441 |
药物 | 5,39,922 |
调查 | 3,24,339 |
出院信 | 54,350 |
捐赠者数据 | 6,489 |
表 3:患者记录数和患者数据。 20多年来,TBase前瞻性地从所有KTR收集数据。从2001年开始,Charité的其他移植项目也使用TBase对KTR和候补患者进行常规护理。
图1 - TBase架构。 EHR TBase基于四个不同的数据库,以实时系统为核心,使不同的代理组能够并行工作。临床用户通过图形用户界面(GUI)输入数据并保持高数据质量。大多数信息通过医院信息系统、实验室合作伙伴和药物相互作用检查器的接口自动导入。开发人员可以实现新功能,这些功能在集成到实时系统之前在质量数据库上进行测试。出于研究目的,定期复制实时数据库,因此当临床研究人员执行数据库查询时,不需要干扰实时系统。 请点击此处查看此图的放大版本。
图 2:TBase 数据表。 对于患者数据的表示,实现了简单的表结构,以实现直观且不言自明的设计。例如,以 PatientID 为主键的患者表位于表结构的中心。几乎所有表(单个子表除外)都通过 PatientID 连接到此中央表。 请点击此处查看此图的放大版本。
图 3:TBase 数据类型。 为了说明如何在基础 TBase 数据库中表示不同的关键临床数据,显示了"药物"、"患者"和"移植"表的各个部分以及相应的数据类型。数据字段在 TBase GUI 中表示。例如, "药物" 表的典型代表是 "药物" 面罩。 请点击此处查看此图的放大版本。
图 4:TBase 屏幕截图。 在顶部 ,主 视图显示患者姓名和不同 详细信息 面罩的不同选项卡,此处为 药物 面罩。在左侧,药物 - 药物相互作用通过颜色代码显示。在每行中,显示开始日期,药物和交易名称,剂量时间表,潜在注意事项和处方适应症。面罩和下方的附加按钮指示不同的功能,例如历史搜索,药物的开始和停止,以及为患者打印的药物计划。 请点击此处查看此图的放大版本。
图 5:授权概念。 EHR 基于应用程序级别的用户管理。因此,用户只能访问应用程序的前端,而不能访问数据库本身。选择了四阶段授权概念,为具有管理权限的用户保留用户管理。管理员使用"身份管理控制台"应用程序从 TBase 应用程序的 Charité 用户池添加新用户,并维护其用户权限。 请点击此处查看此图的放大版本。
图 6:一个非常简单的数据库查询的结果。 数据库可以通过数据库接口(例如,ODBC)进行连接。数据处理软件(例如,开源软件R Studio)可以很容易地将查询发送到数据库并且可以生成图形结果。 请点击此处查看此图的放大版本。
图 7:基于专业现代内存数据库系统的 TBase。 使用开发系统有助于在不同的开发容器中同时开发 TBase 应用程序,以满足具有其独特域要求的其他用户组。不同用户组的特定容器并行运行,并通过 TBase 主模板引入实时系统。 请点击此处查看此图的放大版本。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
TBase将KTR专业门诊护理的基于网络的EHR与研究数据库相结合,为肾脏疾病患者创建了一个全面的长期数据库6,11,15,37。关于组织结构,这是通过作为机构代理实施现代软件设计流程来实现的,并且包括作为开发人员,临床用户和研究人员的20多年经验来开发当前版本。此外,它根据临床用户的需求不断改进和更新,因为它是柏林慈善大学肾脏病患者的主要门诊文档软件。对于临床用户,该EHR可以自动集成来自住院和门诊系统的所有相关数据,并允许轻松直观地记录移植特定数据和长期患者路径。关于药物数据,一个商业数据库连接到EHR,提供有关德国批准的每种药品的信息,该数据库每两周更新一次。通过API与海德堡大学医院临床药理学和药物流行病学系的商业系统合作,检查处方药的药物相互作用。随着TBase中每次药物的变化,相应的药物数据都会以假名形式发送到系统。该软件可识别活性剂的潜在药物间相互作用。结果被发送回EHR,在那里它们被实时存储并显示在药物面罩中。颜色代码标记潜在交互的严重性,弹出窗口提供有关交互类型的详细信息(图 4)。患者可以访问与标准化药物列表相同的药物数据,作为半自动医疗报告的一部分或通过智能手机上的实时更新16。
关于其数据库架构,EHR基于四个不同的数据库,以实时系统为核心,因此使不同的代理组能够并行工作。实践认可,开发,测试和临床工作不会相互阻碍。出于研究目的,每周复制一次实时系统,但不是自动复制,需要改进的是正在开发中。最重要的是,实时系统与开发人员和研究人员分开,通过设计为合理的患者数据提供最高级别的数据保护。此外,通过这种方式,数据操作和损坏是有限的,并且尽可能地保持数据有效性。
从技术上讲,EHR基于现代内存数据库技术,该技术由各种组件组成,并保证了安全的通信和数据存储。在后端,患者数据受到粒度授权概念的保护。为此,开发平台与实时系统分离,并部署了不同的授权级别。此外,所有数据都保存在经过认证的防火墙后面的Charité服务器上,从而进一步增强了数据保护。
关于前端,EHR基于HTML5技术,该技术可实现响应式网页设计,并允许在医院任何地方的所有终端设备上使用基于Web的EHR。开发环境支持许多标准编程语言,如Java,Javascript,PHP和Python,从而可以轻松成功地招募开发人员。此外,还提供了许多预先设计的可视化选项,可为实验方案中描述的实验室参数过程生成图形。在接下来的发育步骤中,将整合对患者数据(例如,肾功能,生命体征)和重要结局(例如患者和移植物存活率)的实时监测。自动显示候补名单患者及其当前状态将改善有关欧洲移植器官分配的过程管理。为此,与外部合作伙伴(医生,透析病房,欧洲移植)的接口是必要的,如下所述。
创建TBase时的一个主要目标是将所有门诊和住院患者常规数据整合到一个数据库中。这是通过API和自主开发的接口实现的,到目前为止,它们从住院和门诊治疗中导入不同类型的实验室结果和其他检查,而与Eurotransplant和其他外部合作伙伴的新接口正在开发中。关于门诊患者的实验室数据,我们的实验室合作伙伴通过HL7消息提供实验室结果。这些被部署到实验室系统中的共享区域,并通过HL7接口拾取并导入TBase系统。由于它是外部提供者,无法访问医院信息系统,因此Charité医院患者编号或病例编号不能用于患者识别。到目前为止,通过实验室订单号进行识别的唯一其他可能性也无法使用,因为电子实验室订单是在单独的系统中生成的,EHR无法自动访问这些订单。因此,传入的数据只能通过姓名、名字和出生日期自动识别。由于不同系统中的拼写可能不同,因此偶尔会发生数据无法在 TBase 中自动匹配的情况。这些观察结果缓存在队列中,直到用户手动将它们分配给EHR中的正确患者。分配的患者标识符存储在系统中,并将用于将来的自动识别。
设计临床数据库时的一个重要问题是随着时间的推移改变数据质量。由于影响取决于所考虑的数据类型,因此我们根据 表3中提到的数据类型,针对不同的数据类型单独考虑了这一点。TBase中的大多数数据都是常规实验室数据。虽然实验室方法可能已经改变,但参数本身在整个过程中保持不变,例如肌酐,尿素,电解质,肝酶测定,凝血参数和血细胞计数。参数和相应的正常范围随时间推移具有可比性,即使后者在不同测定之间略有不同。在我们的实验室,大多数实验室测量不使用SI单位,而是使用公制单位。虽然这需要在纳入外部数据时实施转换因子,但它确保了过去20年中内部实验室数据的可比性。第二大组是药物数据。尽管标准免疫抑制方案已经改变,但有关药物的数据质量并没有随着时间的推移而改变。程序被编码为OPS代码,这是德国对国际医学程序分类(ICPM)的改编,并被普遍接受和使用,以确保随着时间的推移持续的数据质量。诊断数据也是如此,这些数据根据ICD-10进行编码,自2000年以来,ICD-10是德国门诊医学的强制性要求。另一大组数据是关于医疗调查的数据。在肾移植中,特别是有关肾移植活检的数据很重要。对于肾移植活检的病理学数据,目前使用的是Banff 2017分类,但肾移植活检的分类在过去20年中发生了多次变化。因此,我们决定根据Banff 2017对柏林夏里特进行的所有肾移植活检进行重新分类,以显着提高研究目的的数据质量27,28。其他医疗数据(如成像报告)或来自结肠镜检查或支气管镜检查等检查的数据被记录为字符串。为了根据最新的医疗标准重组这些数据,并将其用于研究目的,我们目前致力于对这些数据进行追溯分类。这同样适用于医疗记录。它们的格式和结构因不同部门而异,因此我们目前决定将它们记录为字符串。这使我们能够在临床和研究目的中使用合并的信息。最后一组数据是患者数据,如年龄,性别,治疗医生,但也是一般的医疗数据,如过敏,持续时间和透析形式。在过去的二十年里,这些并没有显著改变。事实上,关于潜在肾脏疾病的数据质量有所提高,在检测遗传疾病方面取得了最大进展。极少数情况下,注册进行第二次移植的患者接受遗传性疾病检测,随后纠正其诊断,但对于大多数患者而言,无法实现此类纠正。同样,在移植数据方面也取得了进展。特别是供体特异性抗HLA抗体的检测是一个高度动态的研究领域,来自HLA实验室的源数据填充了自己的数据库。因此,仅当存在供体特异性HLA抗体时,才会记录该病毒。因此,不考虑检测方法的更改。总体而言,对于大多数数据类型,我们已经确保了同质数据质量。将来,我们将实施自然语言处理等方法,从基于文本的数据(如医疗报告或检查报告)中提取相关信息。
展望 - TBase用户组,人工智能和远程医疗
由于TBase是以模块化方式设计的,因此可以扩展到其他移植中心和其他医院的不同门诊诊所,并且目前正在开发中(图1)。特别是Charité的其他移植中心和专门的门诊诊所现在正在实施EHR,用于其个人临床和研究目的。基本结构得到维持,并根据个人需求为内分泌学,风湿病学,神经病学,心脏病学和胃肠病学进行扩展。不同部门的一个主要优势是TBase以最先进的数据保护概念集成到Charité的IT环境中。由于模块化结构和现有接口,不同的 TBase 容器在短时间内实现(图 7)。最近,还建立了基于TBase的COVID-19患者随访和临床研究数据库。
与其他部门和医院共享和开发集成数据库有助于建立一个向其他移植中心开放的更可持续的研究平台。这种开源开发过程的目标是通过TBase用户组创造协同效应。这引发了不同机构数据保护措施不同的新问题,但提供了通过包括具有额外专业知识的其他机构代理来促进进一步发展的可能性。用户组可以联合起来实施新的模块(例如,用于临床试验)或接口(例如,用于欧洲移植,质量保证,移植登记)。TBase的另一个重要视角是作为医疗设备的认证,如果多个合作伙伴共同努力,可以更好地实现这一点。TBase用户组的目标是创建一个灵活的平台,每个部门都可以单独使用,但也可用于更大的常见临床研究项目。
另一个值得考虑的重要方面是,在对高质量健康数据执行时,将算法(尤其是机器学习技术)集成到医疗工作流程中最有希望16,38。TBase似乎非常适合通过各种捕获的变量在肾移植中开发和实施新的AI方法,结构化和非结构化数据的可用性以及高质量的长期数据。未来基于AI的临床决策支持系统可以无缝集成到EHR的图形用户界面中。在部署此类系统之前,必须克服临床、技术、伦理和法律方面的挑战。首先,必须证明这种基于AI的算法的临床效用。因此,我们目前进行了一项研究,其中我们测试了基于AI的算法在KTR中预测排斥,移植移植失败或感染的准确性。该算法由德国人工智能研究所(DFKI)基于TBase数据使用梯度提升回归树开发。该研究将比较有经验的医生在有和没有AI模型提供的信息的情况下预测不同终点的能力。在下一步中,我们将应用自然语言处理领域的文本挖掘和方法。因此,我们的目标是从医疗报告和检查报告中创建结构化数据,以使大量有价值的数据可供研究和临床医生使用。这将在以后提高基于AI的预测模型的模型准确性,这些模型目前尚未纳入这些非结构化数据。除了这些技术和医学考虑之外,还必须应对道德和法律挑战。因此,我们在上述实验中还研究了人机交互,以了解从医生的角度实施此类系统时会出现哪些机会,以及出现的风险和劣势。因此,我们进行结构化访谈,并研究此类决策支持系统的使用如何改变医生的医疗决策方法。
TBase的第三个前瞻性模块化扩展是集成远程医疗解决方案。与许多无法传输到现有数字基础设施中的远程医疗方法相比,将远程医疗项目MACCS1,18,19,21,26,39的所有传入患者数据完全集成到这些EHR中。为此,直接在TBase中构建了远程医疗仪表板,该仪表板通过HL7 FHIR接口连接到患者和家庭肾脏科医生的智能手机。因此,医院的远程医疗医生可以获得患者在家中收集的生命体征20。从家庭肾脏科医生自动传输相关患者数据(包括实验室数据)为医生提供了额外的临床益处,并为研究创建了一个更全面的数据库。未来,通过实施新的接口,EHR应该能够从在线患者通信(例如聊天),物联网设备(例如,移动心电图,护理点设备)捕获数据,并实时集成所有传入的数据,并在AI算法的帮助下显示处于危险中的患者。
结论
总之,TBase为KTR提供了实践批准和全面的电子患者记录,该记录针对以研究为导向的移植中心进行了优化。由于其模块化和平台独立性,它可以很容易地转移到其他移植中心。它的设计允许集成来自家庭监控的数据和AI驱动的数据分析。TBase用户组将推动其进一步发展,目标是促进移植研究。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
通讯作者无需声明。
Acknowledgments
在过去的20年中,所提交的EHR的发展得到了内部研究资金以及来自不同机构和基金会的公共资金的支持。
Materials
Name | Company | Catalog Number | Comments |
Developer platform SAP Web IDE | SAP SE | ||
GUI Toolbox SAPUI5 | SAP SE | ||
In-memory database SAP-HANA | SAP SE | ||
Interface Standard HL7 | Health Level Seven International | ||
Interface Standard HL7 FHIR | Health Level Seven International | ||
RStudio | RStudio Inc. | ||
TBase - Electronic Health Record | Charité - Universitätsmedizin Berlin | ||
Webserver SAP-HANA XSA | SAP SE |
References
- Halleck, F., et al. Integrated care of renal transplant patients - Development of an electronic health care service platform. Dialyse aktuell. 20 (06), 285-290 (2016).
- Sonntag, D., et al. The Clinical Data Intelligence Project. Informatik-Spektrum. 39 (4), 290-300 (2016).
- Kara, E., et al. A Domain-adapted Dependency Parser for German Clinical Text. Proceedings of the 14th Conference on Natural Language Processing. , Vienna Austria. (2018).
- Maier, C., et al. Experiences of Transforming a Complex Nephrologic Care and Research Database into i2b2 Using the IDRT Tools. Journal of Healthcare Engineering. 2019, 5640685 (2019).
- Jensen, P. B., Jensen, L. J., Brunak, S. Mining electronic health records: towards better research applications and clinical care. Nature Reviews Genetics. 13 (6), 395-405 (2012).
- Schmidt, D., et al. A novel tool for the identification of correlations in medical data by faceted search. Computers in Biology and Medicine. 85, 98-105 (2017).
- Veit, K., Wessels, M., Deiters, W. Gesundheitsdaten und Digitalisierung - Neue Anforderungen an den Umgang mit Daten im Gesundheitswesen. Digitale Transformation von Dienstleistungen im Gesundheitswesen VI: Impulse für die Forschung. , 19-33 (2019).
- Ehrler, F., Geissbuhler, A., Jimeno, A., Ruch, P. Data-poor categorization and passage retrieval for gene ontology annotation in Swiss-Prot. BMC Bioinformatics. 6, Suppl 1 23 (2005).
- Esteban, C., Schmidt, D., Krompaß, D., Tresp, V. Predicting Sequences of Clinical Events by Using a Personalized Temporal Latent Embedding Model. 2015 International Conference on Healthcare Informatics. , 130-139 (2015).
- Roller, R., et al. Detecting Named Entities and Relations in German Clinical Reports. Language Technologies for the Challenges of the Digital Age. , 146-154 (2018).
- Roller, R., et al. A fine-grained corpus annotation schema of German nephrology records. Clinical Natural Language Processing Workshop (ClinicalNLP). , Osaka, Japan. (2016).
- Esteban, C., Staeck, O., Baier, S., Yang, Y., Tresp, V. Predicting Clinical Events by Combining Static and Dynamic Information Using Recurrent Neural Networks. IEEE International Conference on Healthcare Informatics (ICHI). , 93-101 (2016).
- Schmidt, D., Niemann, M., Trzebiatowski, G. L. v The Handling of Missing Values in Medical Domains with Respect to Pattern Mining Algorithms. Proceedings of the 24th International Workshop on Concurrency, Specification and Programming (CS&P 2015). 1492, 147-154 (2015).
- Burchardt, A., Uszkoreit, H. IT für soziale Inklusion: Digitalisierung - Künstliche Intelligenz - Zukunft für alle. De Gruyter. , (2018).
- Schroter, G., Lindemann, L. F. TBase2 - A Web-Based Electronic Patient Record. Fundamenta Informaticae. 43 (1-4), 343-353 (2000).
- Duettmann, W., et al.
eHealth in Transplantation. Transplant International. , (2020). - Durr, M., et al. Late Conversion to Belatacept After Kidney Transplantation: Outcome and Prognostic Factors. Transplantation Proceedings. 49 (8), 1747-1756 (2017).
- Halleck, F., et al. MHealth and digital management after kidney transplantation. Nieren- und Hochdruckkrankheiten. 46, 474-480 (2017).
- Düttmann-Rehnolt, W., et al. Neuartige Kommunikationswege und Strukturen zur Optimierung der häuslichen Versorgung am Beispiel von nierentransplantierten Patienten. Digitale Transformation von Dienstleistungen im Gesundheitswesen VI: Impulse für die Forschung. , 407-421 (2019).
- Hils, S., Bogatyreva, L., Hauschke, D., Pisarski, P. Telemedical Supported Aftercare as an Innovative Project-Study Improves the Quality of Life After Living Kidney Transplantation - A Single Center Experience. American Journal of Transplantation. 14 (3), 843 (2014).
- Schmidt, D., et al. Integrierte Versorgung chronisch kranker Patienten am Beispiel von MACSS: Digitalisierung - Künstliche Intelligenz - Zukunft für alle. IT für soziale Inklusion. , 41-50 (2018).
- Massie, A. B., Kucirka, L. M., Segev, D. L. Big data in organ transplantation: registries and administrative claims. American Journal of Transplantation. 14 (8), 1723-1730 (2014).
- McAdams-DeMarco, M. A., et al. Frailty, Length of Stay, and Mortality in Kidney Transplant Recipients: A National Registry and Prospective Cohort Study. Annals of surgery. 266 (6), 1084-1090 (2017).
- The Most Popular Browsers. w3schools.com. , Available from: https://www.w3schools.com/browsers/ (2020).
- H.L.S.I. HL7 International. , Available from: https://www.hl7.org/ (2020).
- Duettmann, W., et al. Digital home monitoring of patients after kidney transplantation: The MACCS platform. Journal of Visualized Experiments. , (2021).
- Haas, M., et al. The Banff 2017 Kidney Meeting Report: Revised diagnostic criteria for chronic active T cell-mediated rejection, antibody-mediated rejection, and prospects for integrative endpoints for next-generation clinical trials. American Journal of Transplantation. 18 (2), 293-307 (2018).
- Roufosse, C., et al. A 2018 Reference Guide to the Banff Classification of Renal Allograft Pathology. Transplantation. 102 (11), 1795-1814 (2018).
- Duerr, M., et al. Increased incidence of angioedema with ACE inhibitors in combination with mTOR inhibitors in kidney transplant recipients. Clinical Journal of the American Society of Nephrology. 5 (4), 703-708 (2010).
- Lachmann, N., et al. Invited letter in response to "Predicted indirectly recognizable HLA epitopes (PIRCHE): Only the tip of the iceberg?". American Journal of Transplantation. 18 (2), 523-524 (2018).
- Huber, L., Naik, M., Budde, K.
Desensitization of HLA-incompatible kidney recipients. The New England Journal of Medicine. 365 (17), 1644-1645 (2011). - Choi, M., et al. Low Seroprevalence of SARS-CoV-2 Antibodies during Systematic Antibody Screening and Serum Responses in Patients after COVID-19 in a German Transplant Center. Journal of Clinical Medicine. 9 (11), (2020).
- Lehner, L. J., et al. Analysis of Risk Factors and Long-Term Outcomes in Kidney Transplant Patients with Identified Lymphoceles. Journal of Clinical Medicine. 9 (9), (2020).
- Zhang, Q., et al. The relationship between proteinuria and allograft survival in patients with transplant glomerulopathy: a retrospective single-center cohort study. Transplant International. , (2020).
- Bissler, J., et al. Everolimus for angiomyolipoma associated with tuberous sclerosis complex or sporadic lymphangioleiomyomatosis (EXIST-2): A multicentre, randomised, double-blind, placebo-controlled trial. Lancet. 381, (2013).
- Budde, K., et al. Everolimus-based, calcineurin-inhibitor-free regimen in recipients of de-novo kidney transplants: an open-label, randomised, controlled trial. Lancet. 377 (9768), 837-847 (2011).
- Lindemann, G., Schröter, K., Schlaefer, A., Budde, K., Neumayer, H. H. Web-Based Patient Records - The Design of TBase2. New Aspects of High Technology in Medicine. , (2000).
- Big Data Project | BigMedilytics | The largest initiative to transform healthcare sector. BigMedilytics. , Available from: https://www.bigmedilytics.eu/big-data-project/ (2020).
- Duettmann, W., et al. Telemedizinische Betreuung von Patienten nach Nierentransplantation: Was beinhaltet MACCS. Nieren- und Hochdruckkrankheiten. 49, (2020).