Onkologische Behandlungsplattform
Itransition entwickelte eine maßgeschneiderte, HIPAA-konforme Onkologie-Behandlungsplattform, die heute von mehr als 700 medizinischen Mitarbeitern genutzt wird, um evidenzbasierte Behandlungsentscheidungen für Patienten zu treffen.
Kontext
Unser Kunde ist ein in den USA ansässiger Anbieter von Gesundheitsinformationslösungen für praktizierende Onkologen. Er wollte eine HIPAA-konforme Plattform entwickeln, die Ärzten helfen sollte, zeitnahe und evidenzbasierte Behandlungsentscheidungen für Patienten zu treffen.
Der Kunde verfügte über einen funktionierenden Software-Prototyp, der es ihm ermöglichte, Krankheitsberichte und Forschungsergebnisse aus relevanten Quellen zu sammeln und in seiner Wissensdatenbank zu speichern. Dieser Prototyp erfüllte jedoch nicht alle Anforderungen des Unternehmens, darunter die Verwaltung der Wissensdatenbank und die Erstellung von Berichten. Darüber hinaus plante das Unternehmen die Entwicklung einer Lösung, die die Analyse von Patientenfällen rationalisieren und die Behandlungsauswahl durch den Zugang zu relevanten Forschungsstudien erleichtern sollte.
Der Kunde war auf der Suche nach einem Software-Anbieter für Softwareentwicklung im Gesundheitswesen, um eine solche Plattform von Grund auf aufzubauen. Die Wahl fiel auf Itransition, da wir über einschlägiges Fachwissen und eine nachweisliche Erfolgsbilanz im Bereich des Gesundheitswesens verfügen.
Lösung
Itransition lieferte eine Plattform, die das Sammeln von onkologischen Behandlungsinformationen aus der medizinischen Forschung, die Erstellung von Behandlungsaufträgen und die Erstellung von Berichten für empfohlene Therapien rationalisiert. Die Plattform besteht aus drei miteinander verknüpften Modulen: einer Wissensdatenbank, einem Berichtsmodul und einem Portal für Präzisionsmedizin.
Die Wissensdatenbank und das Berichtsmodul sind die Backoffice-Teile der Lösung, die nur von den medizinischen Experten oder Kuratoren des Kunden genutzt werden. Die App für Präzisionsmedizin wird von Ärzten oder Krankenpflegern genutzt, die in ihrem Auftrag in medizinischen Einrichtungen tätig sind, mit denen der Kunde zusammenarbeitet. Die Lösung ist mit EHR- und LIMS-Systemen sowie mit Labor- und Versicherungsdienstleistern integriert.
Knowledge base
Die Wissensdatenbank speichert Informationen über relevante medizinische Studien, einschließlich zielgerichteter Therapien, klinischer Studien und mehr, und liefert Onkologen evidenzbasierte Erkenntnisse über die Behandlung von Patienten. Mit Hilfe des Moduls Wissensbasis können Kuratoren medizinische Forschungs- und Therapiedaten sammeln, strukturieren und analysieren sowie Therapieregeln erstellen und ändern.
Um die Arbeit des Kurators zu vereinfachen, haben wir eine Webbrowser-Erweiterung implementiert, die mit den 20+ populärsten onkologischen Fachzeitschriften verbunden ist, darunter The Lancet Oncology, Journal of Clinical Oncology, Annals of Oncology, American Society of Clinical Oncology (ASCO) und European Society for Medical Oncology (ESMO). Wenn der Kurator eine Website besucht, prüft die Erweiterung den Status einer relevanten medizinischen Veröffentlichung im System und bietet an, sie zur Wissensdatenbank hinzuzufügen.
Wir haben auch einen Daten-Crawler implementiert, der automatisch die neuesten Forschungsergebnisse zur onkologischen Behandlung aus der angegebenen Liste von Quellen in die Wissensdatenbank einspeist und die Dokumente filtert und kennzeichnet, damit sie von den Kuratoren manuell genehmigt werden können.
Außerdem ermöglicht das System die automatische oder manuelle Aufstellung von Therapieregeln auf der Grundlage der Forschung mit Testgruppen. Die Kuratoren erfassen die Anzahl der Patienten mit bestimmten Markern und die Wirkung der Therapie auf sie aus der Forschung. Den Therapieregeln werden außerdem Evidenzstufen zugeordnet, die sich nach ihrer Neuartigkeit und der Genehmigung durch medizinische Einrichtungen richten. Wenn die Behandlung eines Patienten festgelegt wird, helfen die Therapieregeln den Ärzten bei der Entscheidung über den am besten geeigneten Therapieplan.
Darüber hinaus verfügt das Modul über einen Bereich für klinische Studien, der Informationen aus der aktuellen experimentellen Forschung enthält, wobei die Daten der klinischen Studien automatisch über eine API aus der nationalen Datenbank aktualisiert werden.
Berichtsmodul
Wir haben das Berichtsmodul mit benutzerdefinierten Vorlagen ausgestattet, um die Erstellung von Berichten zu rationalisieren und praktizierenden Ärzten zu helfen, fundierte Diagnose- und Behandlungsentscheidungen zu treffen. Jeder Bericht enthält durchgeführte Tests und deren Ergebnisse, die gewählte Therapie und deren Wirksamkeit, die empfohlene Behandlung und vieles mehr.
Berichte werden nur mit den Daten erstellt, die von den Kuratoren genehmigt wurden und für die interne Veröffentlichung bereit sind. Die Daten werden von den Labors über das SSH File Transfer Protocol im XML-Format empfangen und direkt in das Berichtsmodul hochgeladen. Die Berichte verwenden auch Therapieregeln, die durch die medizinische Forschung gestützt werden. Wenn Gentestergebnisse mit den Therapieregeln abgeglichen werden, prüft die Lösung, ob dieser Fall bereits existiert. Ist dies der Fall, wird automatisch ein Berichtsentwurf unter Verwendung der vorhandenen Vorlage erstellt, der bearbeitet werden kann.
Die Berichte durchlaufen vor der Freigabe mehrere Überprüfungsstufen und werden dann als PDF und im JSON-Format generiert, um im Portal für Präzisionsmedizin als dynamischer Bericht angezeigt zu werden.
Präzisionsmedizin-Portal
Itransition hat ein Portal für Präzisionsmedizin entwickelt, das die Erstellung von Therapieaufträgen automatisiert, die Koordination von Ärzten, medizinischen Labors, Patienten und Versicherern unterstützt und eine evidenzbasierte Therapie erleichtert. Das Portal wurde als SaaS-Lösung entwickelt und kann mit anpassbaren Workflows und Integrationen, von denen einige von unserem Team auf Anfrage bereitgestellt wurden, so konfiguriert werden, dass es den Anforderungen der Partner des Kunden entspricht.
Um medizinische Anordnungen zu erstellen, füllen Ärzte oder Krankenschwestern zunächst einen dynamischen Fragebogen mit Patienteninformationen, Daten zu früheren Behandlungen und Tests sowie Verwaltungsinformationen aus.
Durch Integrationen mit EMR, Versicherungssoftware und anderen Systemen können die Benutzer leicht auf die erforderlichen Daten zugreifen. Ausgehend vom Versicherungsplan des Patienten analysiert das System die Vollständigkeit der Tests und schlägt eine Reihe von Markern für weitere Tests zusammen mit dem geeigneten Labor vor. Nachdem alles geklärt ist, unterschreibt der Arzt die ärztliche Anordnung und reicht sie ein. Zusätzlich muss der Auftrag von der Leitung der medizinischen Einrichtung genehmigt werden.
Danach sendet das System automatisch per Fax eine Testanforderung an ein ausgewähltes Labor, die alle erforderlichen Informationen enthält. Gleichzeitig wird ein Fax an die Versicherungsgesellschaft geschickt, um die angeforderten Leistungen zu genehmigen. Der Versicherer kann den Antrag ganz oder teilweise genehmigen oder ablehnen.
Nach Erhalt der Genehmigung sendet das System das endgültige Fax an das Labor, das die Informationen über Genehmigungen und Ablehnungen für bestimmte Tests enthält. Sobald die Ergebnisse des Labors vorliegen, werden sie automatisch in das Berichtsmodul hochgeladen. Die Ärzte können die Berichte mit den Testergebnissen und den empfohlenen Therapien herunterladen oder im Portal einsehen.
Zusätzliche Merkmale
Itransition implementierte ein Analysemodul, das auf den Datenwissenschaftlichen Fähigkeiten von Tableau basiert, um Kliniken, Laboren und Versicherungen tiefgreifende Einblicke in alle Daten des Systems zu ermöglichen.
Wir haben auch eine JSON-API zur Unterstützung klinischer Entscheidungen als separate Lösung implementiert, um die Nutzer bei der Auswahl der erforderlichen Gentests zu unterstützen. Jetzt können Kunden eine Anfrage zur Auftragserstellung an die Plattform senden, einen Fragebogen ausfüllen und Marker für den Test auswählen, woraufhin die Plattform geeignete Labore vorschlägt.
Integrationen
Wir haben die Plattform über eine API mit dem EHR-System ELLKAY, das der Partner des Kunden nutzt, integriert. Das EHR-System stellt seinerseits die Verbindung zu verschiedenen von ihm unterstützten EMR-Systemen her und ermöglicht die Integration mit Laboren, Versicherungen, Datenanalysesystemen etc.
Da ELLKAY nicht alle Integrationen abdeckt, haben wir die Plattform auch mit einem LIMS-System verbunden, das eine Untergruppe der EHR-Systeme darstellt und für die Integration mit einigen Labors notwendig ist.
Die Kommunikation mit den EHR- und LIMS-Systemen orientiert sich an HL7-Standards zur Übertragung medizinischer Informationen und basiert auf TCP/IP.
Wir haben auch eine separate Integration mit einem großen Labor realisiert und einen bidirektionalen Datenaustausch ermöglicht. Da das Labor Papierdokumente und Faxe verarbeitet, haben wir eine Integration mit Sfax implementiert, um den digitalen Versand und Empfang von Faxen zu ermöglichen.
Technologien
Wir haben die Wissensdatenbank und die Berichtsmodule mit Java, dem Spring-Framework und der MySQL-Datenbank erstellt und JavaScript und das Angular-Framework für die Entwicklung des Frontends verwendet. Um das Backend und das Frontend der Wissensdatenbank und der Berichtsmodule zu trennen und Änderungen separat zu implementieren, haben wir ihre Architektur von JSP auf SPA umgestellt.
Anfänglich plante der Kunde, die Wissensdatenbank und die Berichtsmodule für den internen Gebrauch zu nutzen, aber nach einer Weile entschied er sich, an die Öffentlichkeit zu gehen und ein Portal für Präzisionsmedizin zu entwickeln. Dazu musste die Plattform hoch skalierbar sein, hohen Belastungen standhalten und mehrere Integrationen und Anpassungen durch den Endkunden unterstützen. In Anbetracht dieser Anforderungen entschieden wir uns für eine Microservices-Architektur für die Portalimplementierung.
Wir verwendeten TypeScript, das Angular-Framework und die Angular Material UI-Komponentenbibliothek, um das Frontend des Portals für Präzisionsmedizin zu entwickeln. Das Backend haben wir mit Java und Kotlin entwickelt. Als Datenbanken verwendeten wir PostgreSQL, MongoDB und Redis, wobei das ORM-Tool Hibernate den Datenbankzugriff ermöglichte.
Die Microservice-Architektur nutzt Spring Cloud Netflix, so dass jeder Microservice als Spring Boot-Anwendung mit einer eigenen Datenbank fungiert. Insgesamt gibt es rund 40 Microservices, die über Feign-Anfragen und AMQP-Nachrichten kommunizieren, wobei RabbitMQ als Message Broker für das AMQP-Protokoll fungiert.
Die Architektur der Lösung ermöglicht es, eine Reihe von Entitäten gemäß der Vorlage zu konfigurieren, die erforderliche und optionale Konfigurationen definiert.
Wir haben den Release-Build mit dem Build-Automatisierungstool Gradle durchgeführt. Wir verwendeten Jenkins für die Erstellung und Bereitstellung des Projekts, wobei alle Build-Konfigurationen als Jenkins-Pipelines im Git-Versionskontrollsystem gespeichert wurden. Wir setzten Prometheus ein, um den Zustand des Systems und die Verfügbarkeit der Dienste zu überwachen, und verwendeten Graylog für die Analyse der Protokolle. Unser Team nutzte auch die Mirth-Engine für die Integration des Portals mit dem Berichtsmodul und die Verbindung der Lösung mit Drittsystemen. Darüber hinaus verwendeten wir JUnit und Mockito, um Unit- und Integrationstests für das Backend des Portals zu schreiben und auszuführen, und setzten Jasmine und Karma ein, um Unit-Tests für das Frontend zu schreiben und auszuführen.
Wir haben die Lösung auf AWS gehostet und die folgenden Amazon-Services eingesetzt:
- Amazon VPC zum Starten von Umgebungen in einem logisch isolierten virtuellen Netzwerk.
- Amazon EC2 als virtueller Computer für die Bereitstellung jeder Umgebung.
- Amazon S3 zum Speichern von statischen Frontend-Dateien, vom System generierten und verarbeiteten Dateien, Benutzeranhängen, Server- und PHI-Protokollen und temporären Backups.
- Amazon Glacier für die langfristige Speicherung von Backups und Protokollen.
- Amazon CloudFront für die schnelle Verteilung von statischen Dateien, wie z.B. Frontend-Dateien.
- AWS Lambda und Amazon SNS für die Verwaltung von Benachrichtigungen von einem Alarmdienst, der den Zustand der Server überwacht.
- AWS WAF für die Zugriffskontrolle auf die Ressourcen der Lösung.
- Amazon EFS für skalierbaren, elastischen und gleichzeitigen Speicher für EC2-Instanzen.
- Amazon Route 53 als DNS-Service für die Auflösung des Projektdomainnamens und die Weiterleitung zur benötigten Ressource.
- AWS KMS für die Erstellung und Verwaltung von kryptografischen Schlüsseln.
- Amazon CloudWatch für die Überwachung des Zustands der AWS-Infrastruktur.
- AWS IAM für die sichere Verwaltung des Zugriffs auf AWS-Dienste und -Ressourcen.
- AWS CodeDeploy für die Automatisierung von Softwarebereitstellungen auf EC2-Instanzen im Rahmen des CI/CD-Prozesses.
DevOps
Unser Team richtete eine AWS DevOps-Architektur ein, die aus vier separaten Umgebungen für die Wissensbasis und die Berichtsportale besteht, nämlich für Entwicklung, Staging, Testing und Produktion. Außerdem wurden fünf Umgebungen für das Portal für Präzisionsmedizin eingerichtet, mit einer zusätzlichen Umgebung für Beta-Tests durch den Kunden. Darüber hinaus richtete das Team zwei Demo-Umgebungen mit leicht unterschiedlichen Portalkonfigurationen ein, um die Lösung den künftigen Partnern des Kunden zu demonstrieren.
Um eine stabile, vorhersehbare und wiederholbare Bereitstellung zu gewährleisten, implementierte unser DevOps-Team CI/CD-Verfahren, einschließlich kontinuierlicher Codeüberprüfung und Qualitätssicherung. Das Team führte auch die Überwachung der Bereitstellung, die Protokollierung von Ereignissen und die Alarmierung durch, so dass wir schnell auf Probleme im Frühstadium reagieren konnten.
Das DevOps-Enablement half uns, die Agilität zu verbessern und die Lieferzyklen auf 20-30 Minuten zu beschleunigen. Darüber hinaus konnte der Kunde durch die optimierte Ressourcennutzung die Bereitstellungskosten um 50 % senken.
Das DevOps-Team wendet derzeit den Infrastructure-as-a-Code-Ansatz auf das Projekt an und nutzt AWS Code Deploy, Terraform und Kubernetes, was Flexibilität, Skalierbarkeit, Lastausgleich und -kontrolle, Optimierung der Infrastrukturressourcen und Automatisierung von Bereitstellungen und Updates ermöglicht.
Testing
Um neue Funktionen der Plattform zu testen, schrieb unser QA-Team Testfälle und nutzte Zephyr integriert mit Jira, um sie zu verwalten und Testläufe für Regressionstests zu erstellen.
Unsere QA-Aktivitäten bei diesem Projekt umfassten auch Fehlervalidierung, Smoke-Tests, Kompatibilitätstests und Regressionstests. Darüber hinaus führte unser Team Betatests mit echten Benutzern durch, um die Funktionen vor der Produktion zu prüfen.
Wir haben Postman verwendet, um einige Aufgaben, die keine Benutzeroberfläche haben, sowie die APIs der Lösung zu überprüfen. Unser Team setzte auch DevTools ein, um Protokolle zu lesen und Benutzeraktivitäten zu emulieren, um verschiedene Indikatoren zu messen. Außerdem setzten wir Browser-Erweiterungen ein, um das Testen von Eingabefeldern zu beschleunigen.
HIPAA-Konformität
Wir haben die onkologische Behandlungsplattform in Übereinstimmung mit den HIPAA-Anforderungen entwickelt und einen umfassenden Schutz sensibler Gesundheitsinformationen darin sichergestellt.
Erstens haben wir dafür gesorgt, dass nur praktizierende Onkologen Zugriff auf Patienteninformationen haben und jede Sitzung protokolliert und fünf Jahre lang im System gespeichert wird.
Zweitens haben wir den Advanced Encryption Standard (AES-256) eingeführt, um sicherzustellen, dass alle Patientendaten verschlüsselt und sicher in der Datenbank gespeichert werden. Zusätzlich hat unser Team Transport Layer Security (TLS) eingesetzt, um die Daten während der Übertragung zu verschlüsseln.
Wir haben außerdem dafür gesorgt, dass alle Aktionen mit PHI separat protokolliert werden, wobei die Protokolle vom AWS Key Management Service verschlüsselt und sechs Jahre lang im AWS Glacier-Speicher aufbewahrt werden.
Schließlich übergab der Kunde die Plattform für das Service Organization Control 2 Audit an ein Drittunternehmen.
Verfahren
Unser Entwicklungsteam bestand zunächst aus vier Spezialisten und wurde mit der Zeit auf 16 Mitglieder aufgestockt, als QA- und DevOps-Ingenieure zum Projekt hinzukamen. Wir organisierten unsere Arbeit nach der Scrum-Methodik und hatten zweiwöchige Sprints, tägliche Besprechungen mit dem Kunden, Backlog-Reviews, Demo-Sessions und Retrospektiven. Einmal wöchentlich hielten wir außerdem Besprechungen über technische Schulden ab, an denen Entwickler, QA- und DevOps-Ingenieure teilnahmen.
Der Kunde übernahm die Rolle eines Product Owners, der für die Produktentwicklung verantwortlich war, und kommunizierte ständig mit unserem Team, um seine Plattformvision zu diskutieren. Gelegentlich gab es auch Meetings zu speziellen Themen wie der Integration von Drittanbietern.
Ergebnisse
Itransition lieferte eine maßgeschneiderte onkologische Behandlungsplattform, die die Patientenversorgung rationalisiert, indem sie die Ärzte in die Lage versetzt, Entscheidungen auf der Grundlage relevanter Studien zu treffen und für jeden Patienten eine geeignete Therapie zu verschreiben. Die Plattform erleichtert auch die Arbeit mit Tests und Laborauswahl erheblich, da 90 % der Ärzte die automatisch empfohlenen Testsets ohne Änderungen akzeptieren.
Die Lösung wird derzeit von mehr als 700 Mitarbeitern aus mehr als 30 medizinischen Einrichtungen in den USA genutzt, wobei jeden Monat etwa 1.000 Therapieaufträge erstellt werden. Außerdem waren mehrere potenzielle Kunden daran interessiert, die Clinical Decisions Support API in ihre bestehenden Lösungen einzubinden, um die Auswahl der erforderlichen Gentests zu erleichtern.
Das Team von Itransition entwickelt die Plattform kontinuierlich weiter und fügt ständig neue Funktionen und Integrationen mit Laboren und Versicherungsgesellschaften hinzu, da immer mehr Kliniken das System übernehmen.
