Υπηρεσίες διαλειτουργικότητας δεδομένων με εφαρμογή σε ετερογενείς υποδομές και εφαρμογές υγείας

Abstract

In the last decade, there has been a transition from a data-poor to a data-rich world, with the aim of improving the quality of transport, governance, environment, communication and health. Much of this unprecedented increase in data generation can be attributed to the abundance of thousands of mobile devices, wearables, and sensors. Such thing results into a myriad of heterogeneous devices that will be connected to the world of Internet of Things (IoT), producing data of different types that may have been collected at different locations and time scales, by different devices. Most of these devices are typically characterized by a high degree of heterogeneity, in terms of having different characteristics, capabilities, or network specifications, needing to be easily manageable in particular with regard to the management of the heterogeneous data they generate. Especially for the Internet of Medical Things (IoMT) devices that are widely adopted and used in Healthcare 4.0, the need for using, understanding, and processing of these devices’ data is an issue of vital importance. However, with regard to the best use of this data, heterogeneity, complexity, noise and imperfection are among their most common challenges. It is undeniable that vast amounts of heterogeneous medical data are becoming available in various healthcare organizations and devices, thus completely reshaping the Healthcare 4.0. In order for these heterogeneous medical data to be exchanged with as many stakeholders as possible, and to be a key driver of providing personalized and efficient medical care to patients and citizens, interoperability is the only way. Additionally, the quality of the healthcare services can be improved, health costs and medical errors can be reduced, and patients’ privacy can be increased, while public health can be completely renewed.Currently, the rapidly increasing availability of health records is pushing towards the adoption of data-driven approaches, bringing the opportunities for more accurate disease and symptom prognosis, to automate healthcare related tasks, providing better disease detection, and more efficient clinical research. Nevertheless, the healthcare organizations are still facing many difficulties in implementing, maintaining and upgrading their healthcare systems, including many challenges in the technical, security and human interaction fields. Among others, what is missing is an integrated data exchange system for which, in order to exchange data with as many stakeholders as possible to improve public health, interoperability is the only way for letting systems interact with each other. Having in mind that the wearable medical devices market is expected to quadruple, and that hospitals and doctors’ offices nationwide could dramatically improve their patients’ quality of life, such thing results into making the health interoperability task even more daunting. For this purpose, many standardization techniques are annually invested in health data interoperability. Among the different existing researches and standards, the Health Level Seven (HL7) organization provides the development and the framework of standards that are widely used in the medical market and research, with HL7 Fast Healthcare Interoperability Resources (FHIR) being the latest standard created by this organization, for the exchange of clinical information.The current PhD dissertation aims to create an Interoperability Services’ approach in the form of an automated transformation of heterogeneous medical data deriving from heterogeneous devices. This approach will transform both semantically and syntactically health data of different representation and morphology, in order to identify, match into a single language, and eventually merge it into a common level. For this reason, the mechanisms that were studied more are those that aim in the interoperable exchange of health data and information, between systems belonging to different groups or under different health standards. Following this research, an approach was developed which was able to separate health data into categories according to how they were modelled, and then exporting knowledge, information and metadata, the data was translated into a single language, which retained combined data from other already-standardized health data representation languages. Subsequently, this translation approach was adapted to generate ontologies through specific metamodel layers and ontologies, with the ultimate goal of jointly rendering the data in a single format. Using the created ontologies, the next approach was to create ontologies and to compare them with individual HL7 FHIR resources’ ontologies due to its worldwide dissemination and adoption. This comparison concerned both the syntactic and the semantic mapping of the ontologies so that the ontologies of the health data can be mapped to the ontologies of the HL7 FHIR resources. The final approach was therefore based on the above-mentioned solution, where both the ontology implementation mechanisms, but also the syntactic and semantic comparison and mapping, were improved based on relevant experimental tests.Focusing on the healthcare domain, most of the existing health data interoperability practices and techniques are based on health standards as well as mechanisms for ontological transformations and mappings. However, these are designed for specific cases of use with the pre-defined format in which the data must be entered without having adaptability, without the ability to be considered as holistic solutions. This gap is covered by the current PhD dissertation, delivering a unified and generalized approach that can be applied automatically to any set of health data without the need for pre-processing, assigning and matching this data to one of the most powerful and promising health standards, the HL7 FHIR. The results of the experimental tests listed below, evaluate and demonstrate the operation and efficiency of the proposed approach, making it possible to use it for integration into multiple sectors and environments, particularly in the field of health care, as well as in the fields of telecommunications and networks, devices’ identification, e-Government and e-Procurement.

Την τελευταία δεκαετία, υπήρξε μια μετάβαση από έναν περιορισμένο σε δεδομένα κόσμο σε έναν πλούσιο σε δεδομένα κόσμο με στόχο τη βελτίωση της ποιότητας του τομέα των μεταφορών, της διακυβέρνησης, του περιβάλλοντος, της επικοινωνίας και της υγείας. Μεγάλο μέρος αυτής της άνευ προηγουμένου αύξησης της παραγωγής δεδομένων μπορεί να αποδοθεί στην παρουσία πολλών κινητών συσκευών, φορητών συσκευών και αισθητήρων. Αυτό έχει ως αποτέλεσμα ένα πλήθος συσκευών που έχουν τη δυνατότητα σύνδεσης με το διαδίκτυο, παράγοντας δεδομένα διαφορετικών τύπων που μπορεί να έχουν συλλεχθεί σε διαφορετικές χρονικές στιγμές και τοποθεσίες, από ετερογενείς συσκευές. Οι περισσότερες από αυτές τις συσκευές τυπικά χαρακτηρίζονται από υψηλό βαθμό ετερογένειας, όσον αφορά την ύπαρξη διαφορετικών χαρακτηριστικών, δυνατοτήτων ή προδιαγραφών δικτύου, τα οποία πρέπει να είναι αποδοτικά διαχειρίσιμα αναφορικά κυρίως με τη διαχείριση των ετερογενών δεδομένων που παράγουν. Ειδικά για τις ιατρικές συσκευές - Internet of Medical Things (IoMT), οι οποίες υιοθετούνται ευρέως και χρησιμοποιούνται στην 4η Βιομηχανική Επανάσταση του χώρου της Υγείας (Healthcare 4.0), η ανάγκη χρήσης, κατανόησης και επεξεργασίας των δεδομένων τους χρήζει ως ένα ζήτημα ζωτικής σημασίας. Αναφορικά ωστόσο με τη βέλτιστη αξιοποίηση των δεδομένων αυτών, η ετερογένεια, η πολυπλοκότητα, ο θόρυβος και η ατέλειά τους, συγκαταλέγονται στις πιο κοινές τους προκλήσεις. Είναι εμφανές πως μεγάλα ποσά ετερογενών ιατρικών δεδομένων καθίστανται διαθέσιμα σε διάφορους οργανισμούς και συσκευές υγειονομικής περίθαλψης, αναμορφώνοντας έτσι πλήρως το χώρο του Healthcare 4.0. Προκειμένου αυτά τα ετερογενή ιατρικά δεδομένα να ανταλλάσσονται με όσο το δυνατόν περισσότερους ενδιαφερόμενους και να αποτελούν βασικό γνώμονα παροχής εξατομικευμένης και αποδοτικής ιατρικής φροντίδας προς τους ασθενείς και τους πολίτες, η διαλειτουργικότητα είναι ο μόνος τρόπος. Σαν πρόσθετα αποτελέσματα, μπορεί να αυξηθεί η ποιότητα των υπηρεσιών υγείας, να μειωθεί το κόστος της και τα ιατρικά σφάλματα, να αυξηθεί η ιδιωτικότητα των ασθενών, και να ανανεωθεί ολοκληρωτικά η δημόσια υγεία.Επί του παρόντος, η ταχέως αυξανόμενη διαθεσιμότητα των ιατρικών αρχείων ωθεί στην υιοθέτηση προσεγγίσεων που βασίζονται σε δεδομένα, όπως η ακριβέστερη πρόγνωση ασθενειών και συμπτωμάτων, η αυτοματοποίηση των καθηκόντων που σχετίζονται με την υγειονομική περίθαλψη, η ευκολότερη ανίχνευση ασθενειών, και η αποδοτικότερη κλινική έρευνα. Παρόλα αυτά, οι οργανισμοί υγειονομικής περίθαλψης εξακολουθούν να αντιμετωπίζουν πολλές δυσκολίες στην εφαρμογή, στη συντήρηση και στην αναβάθμιση των συστημάτων υγειονομικής περίθαλψης, συμπεριλαμβανομένων πολλών προκλήσεων στους τομείς της τεχνολογίας, της ασφάλειας και της ανθρώπινης επικοινωνίας. Μεταξύ άλλων, μια πρόσθετη πρόκληση αναφέρεται στην έλλειψη μιας ολοκληρωμένης προσέγγισης ανταλλαγής δεδομένων, τα οποία προκειμένου να ανταλλάσσονται με όσο το δυνατόν περισσότερους ενδιαφερόμενους ώστε να βελτιώσουν τη δημοσία υγεία, απαιτούν την ύπαρξη της διαλειτουργικότητας, η οποία αποτελεί το βασικό μέσο για να δοθεί η δυνατότητα στα συστήματα να αλληλοεπιδρούν μεταξύ τους. Έχοντας κατά νου ότι η αγορά φορητών ιατρικών συσκευών αναμένεται να τετραπλασιαστεί, και πως τα νοσοκομεία και τα ιατρεία σε εθνικό επίπεδο θα μπορούσαν να βελτιώσουν δραματικά την ποιότητα ζωής των ασθενών, αυτό έχει ως αποτέλεσμα να καταστεί ακόμη πιο δύσκολο και επιτακτικό το έργο της διαλειτουργικότητας στον τομέα της υγείας. Για το σκοπό αυτό, πολλές τεχνικές τυποποίησης αλλά και έρευνες επενδύονται ετησίως στη διαλειτουργικότητα των δεδομένων για την υγεία. Μεταξύ των διαφόρων υφιστάμενων ερευνών και προτύπων, ο οργανισμός (Health Level 7) HL7 παρέχει την ανάπτυξη και το πλαίσιο των προτύπων που χρησιμοποιούνται ευρέως στην ιατρική αγορά και την έρευνα, με το HL7 Fast Healthcare Interoperability Resources (FHIR) να είναι το πιο πρόσφατο πρότυπο που δημιουργήθηκε από τον οργανισμό για την ανταλλαγή κλινικών πληροφοριών.Βάσει όλων των προαναφερθέντων υφιστάμενων προκλήσεων, η παρούσα Διδακτορική Διατριβή στοχεύει στη δημιουργία μιας προσέγγισης Υπηρεσιών Διαλειτουργικότητας Δεδομένων σε μορφή ενός αυτοματοποιημένου μετασχηματισμού ανομοιογενών δεδομένων υγείας από ετερογενείς πηγές δεδομένων. Η προσέγγιση αυτή είναι ικανή να μετασχηματίζει τόσο σε σημασιολογικό όσο και σε συντακτικό επίπεδο δεδομένα διαφορετικής αναπαράστασης και μορφής, προκειμένου αυτά να μπορούν να ταυτοποιούνται, να αντιστοιχίζονται σε μία ενιαία γλώσσα, και στο τέλος να συγχωνεύονται σε ένα κοινό επίπεδο. Για να επιτευχθεί αυτό, αρχικά έγινε εμβάθυνση στους μηχανισμούς που έχουν υλοποιηθεί ώστε τα δεδομένα υγείας και οι πληροφορίες να μπορούν να ανταλλάσσονται διαλειτουργικά μεταξύ συστημάτων που ανήκουν σε διαφορετικές ομάδες ή υπακούν σε διαφορετικά πρότυπα υγείας. Κατόπιν σχετικής έρευνας, προτάθηκε μία προσέγγιση η οποία είναι ικανή να διαχωρίζει τα δεδομένα υγείας σε κατηγορίες ανάλογα με τον τρόπο αναπαράστασής τους, και στη συνέχεια εξάγοντας γνώσεις, πληροφορίες και μεταδεδομένα, τα δεδομένα μετασχηματίζονται σε μία ενιαία γλώσσα, η οποία διατηρεί συνδυαστικά στοιχεία από άλλες ήδη προτυποποιημένες γλώσσες αναπαράστασης δεδομένων υγείας. Εν συνεχεία, η συγκεκριμένη προσέγγιση μετασχηματισμού προσαρμόστηκε ώστε να παράγει οντολογίες μέσω συγκεκριμένων επιπέδων μεταμοντέλου και οντολογιών, με απώτερο στόχο την κοινή αναπαράσταση των δεδομένων σε μία ενιαία μορφή. Χρησιμοποιώντας ως γνώμονα τις παραχθείσες οντολογίες, η προσέγγιση που ακολουθήθηκε εστίασε αφενός στη δημιουργία των οντολογιών, και αφετέρου στη σύγκρισή τους με τις οντολογίες των επιμέρους πόρων (resources) του προτύπου υγείας HL7 FHIR, λόγω της παγκόσμιας διάδοσης και υιοθέτησής του. Η σύγκριση αυτή αφορούσε τόσο τη συντακτική όσο και τη σημασιολογική απεικόνιση των εκάστοτε οντολογιών, ώστε στο τέλος να καθίσταται εφικτή η αντιστοίχιση των οντολογιών των δεδομένων υγείας με τις οντολογίες των πόρων HL7 FHIR. Η τελική προσέγγιση βασίστηκε στην προαναφερθείσα λύση, όπου τόσο οι μηχανισμοί υλοποίησης των οντολογιών όσο και της συντακτικής και της σημασιολογικής σύγκρισης και αντιστοίχισης βελτιώθηκαν, βάσει σχετικών πειραματικών δοκιμών.Εστιάζοντας στο χώρο της υγείας, οι περισσότερες από τις ήδη υπάρχουσες πρακτικές και τεχνικές διαλειτουργικότητας δεδομένων στηρίζονται σε πρότυπα υγείας όπως και σε μηχανισμούς οντολογικών μετασχηματισμών και αντιστοιχίσεων. Ωστόσο είναι σχεδιασμένες για συγκεκριμένες περιπτώσεις χρήσης με ήδη προκαθορισμένη τη μορφή με την οποία πρέπει να εισέρχονται τα δεδομένα, χωρίς να έχουν τη δυνατότητα προσαρμογής, μη μπορώντας έτσι να θεωρηθούν ως ολιστικές λύσεις. Η συγκεκριμένη πρόκληση απαντάται από την παρούσα Διδακτορική Διατριβή, αποδίδοντας μια ενιαία και γενικευμένη προσέγγιση η οποία μπορεί να εφαρμοστεί αυτοματοποιημένα σε οποιοδήποτε σύνολο δεδομένων υγείας, χωρίς την ανάγκη προ-επεξεργασίας τους, αποδίδοντας και αντιστοιχίζοντάς τα σε ένα από τα πιο ισχυρά πρότυπα υγείας, το HL7 FHIR. Τα αποτελέσματα των πειραματικών δοκιμών που πραγματοποιήθηκαν αξιολογούν και αποδεικνύουν τη λειτουργικότητα και αποδοτικότητα της προτεινόμενης προσέγγισης, καθιστώντας την εφικτή για χρήση και ενσωμάτωση σε πολλαπλούς τομείς και περιβάλλοντα, και ειδικότερα στο χώρο της υγειονομικής περίθαλψης, καθώς και στους τομείς των τηλεπικοινωνιών και των δικτύων, της αναγνώρισης συσκευών, της ηλεκτρονικής διακυβέρνησης και των ηλεκτρονικών προμηθειών.