Hoe LOGEX gegevensgedreven inzichten ondersteunt in het ECO-ARWEN longkankerproject

Interview with Dr. Víctor Cuadrado Martínez [1]

Digitalisering en data-analyse hebben de aanpak van uitdagingen binnen de oncologie ingrijpend veranderd. Ze zorgen voor procesoptimalisatie en verbeteren de gezondheidsuitkomsten door middel van voorspellende modellen en geavanceerde analyses. In deze context speelt de ECO Foundation een sleutelrol in het bevorderen van het gebruik van zowel gestructureerde als ongestructureerde data in oncologisch onderzoek. Een van de innovatieve initiatieven die hieruit voortvloeien is het "ECO EVIDENCE" - Evidence Generation in Oncology-programma.

Dit programma past zich aan de datavolwassenheid van elk deelnemend ziekenhuis aan en biedt verschillende soorten projecten, afhankelijk van de mate van datastructurering en de aard van de onderzochte hypotheses. Een succesverhaal binnen dit kader is het "ECO-ARWEN LC"-project, dat vooruitgang heeft geboekt in de integratie en benutting van real-world data (RWD) binnen de oncologie. Dit vergemakkelijkt evidence-based klinische besluitvorming en stimuleert samenwerking tussen ziekenhuizen in Spanje en daarbuiten.

Om dieper in te gaan op deze initiatief sprak Rocío Casado Seminario, Head of European Affairs & Evidence Generation, met Victoriano Cuadrado Martínez, Hoofd Informatiesystemen bij het Gregorio Marañón Universitair Ziekenhuis. In dit interview bespreken de twee data-analyse-experts de cruciale rol van het Life Science-team bij de implementatie van ECO-ARWEN, de technische en methodologische uitdagingen rondom databeheer, en de lessen die hieruit zijn geleerd — met waardevolle inzichten voor andere ziekenhuizen.

Introductie en algemene ervaring

Wat was de rol van het bio-informaticateam binnen het project?

Het bio-informaticateam heeft een sleutelrol gespeeld bij het identificeren, extraheren, transformeren en anonimiseren van gevoelige data uit verschillende bronnen, waaronder elektronische medische dossiers, apotheeksystemen en laboratoria. Ze waren ook verantwoordelijk voor het aanpassen van specifieke software om de data-extractie aan te passen aan de vereisten van dit cohort en om ervoor te zorgen dat de informatie intact en beschermd bleef tijdens het hele proces.

Wat is de ervaring van het bio-infomaticateam van het Gregorio Marañón Ziekenhuis bij het werken aan dit project? Welke aspecten zou je als het meest positief aanmerken?

De ervaring was verrijkend en stelde het team in staat om nieuwe strategieën voor data-integratie en -transformatie te ontwikkelen. Tot de meest positieve aspecten behoren de implementatie van geavanceerde anonimiseringstechnieken, het efficiënte gebruik van ETL-tools en verbeterde data management processen voor observationele projecten.

Welke uitdagingen of barrières kwam je tegen bij de start van het project, vooral op het gebied van databeheer, en hoe heb je deze overwonnen?

Aan het begin van het project was een van de belangrijkste uitdagingen het aanpassen van de data-extractiesystemen aan de specifieke vereisten van het ECO-ARWEN Longcohort. Bovendien vond er in 2024 een verandering plaats in het microbiologie-informatiesysteem, waardoor aanzienlijke aanpassingen nodig waren om een goede data-extractie en -transformatie te garanderen. Deze belemmeringen werden overwonnen door bestaande programma's bij te werken en aan te passen en door een gedetailleerde planning voor de overgang naar het nieuwe systeem.

Welke belangrijke lessen of verbeteringen werden tijdens het proces bereikt die nuttig zouden kunnen zijn voor andere bio-informatici bij soortgelijke projecten?

We hebben geleerd hoe belangrijk het is om veranderingen in informatiesystemen goed te plannen en om robuuste technieken voor anonimisering en kwaliteitscontrole van data toe te passen. Deze lessen kunnen nuttig zijn voor andere teams die voor soortgelijke uitdagingen staan.

Hoe lang duurt de data-extractie voor ECO-ARWEN Long?

De data-extractietijd voor ECO-ARWEN Long hangt grotendeels af van de complexiteit en het volume van de data. Het proces nam enkele weken in beslag, vooral vanwege de noodzakelijke systeemaanpassingen en validatie van de data-integriteit.

De data verlaten nooit het ziekenhuis en anonimisering wordt gegarandeerd door technieken zoals HMAC-encryptie, generalisatie en ruisonderdrukking.

Data-extractieproces

Wat waren de belangrijkste stappen in het data-extractieproces? Kunt u de workflow van het verzamelen van monsters tot het verkrijgen van bruikbare datagedetailleerd beschrijven?

Identificatie van de velden die nodig zijn voor het onderzoek.
Classificatie van data in identificerende en niet-identificerende data.
Toepassing van anonimiseringstechnieken (HMAC-codering, generalisatie, ruisonderdrukking).
Extraheren van data uit verschillende bronnen (medische dossiers, apotheek- en laboratoriumsystemen).
Validatie en transformatie van data met behulp van ETL-tools.
Uiteindelijke export van verwerkte data.

Welke specifieke bio-informatica technologieën of tools werden gebruikt voor data-extractie en -verwerking in dit project?

ETL-tools zoals Pentaho Data Integration (PDI) en Apache NiFi werden gebruikt voor het extraheren, transformeren en laden van data. Met deze tools kan de workflow worden geautomatiseerd en geoptimaliseerd.

Hoe beheer je de datakwaliteit tijdens het hele project? Welke strategieën gebruiken jullie om de integriteit en betrouwbaarheid van de data te waarborgen?

De kwaliteit van de data werd beheerd door periodieke integriteits-, consistentie- en nauwkeurigheidscontroles. Automatische en handmatige validatiemechanismen werden toegepast om potentiële datafouten op te sporen en te corrigeren.

Met betrekking tot de interoperabiliteit tussen verschillende databronnen, welke soorten standaarden of integratiemethoden gebruiken jullie om een goede harmonisatie van data van verschillende platforms te garanderen?

Er zijn gemeenschappelijke integratienormen en platformoverschrijdende communicatieprotocollen gebruikt om de harmonisatie van data uit verschillende bronnen en hun correcte interpretatie in het uiteindelijke systeem te garanderen.

Multidisciplinaire samenwerking en impact

Hoe was de samenwerking met andere teams, zoals klinische of onderzoeksteams, tijdens de ontwikkeling van het project? Hoe denk je dat deze samenwerking de resultaten van het project heeft verbeterd?

De samenwerking met klinische en onderzoeksteams was essentieel om de specifieke vereisten van het project te begrijpen en de data-extractie en analyseprocessen te verfijnen. Deze synergie heeft gezorgd voor een optimale afstemming tussen klinische doelstellingen en bio-informatica resultaten.

Welke invloed heeft het werk van de bio-informaticadienst gehad op de resultaten van het project? Kun je specifieke voorbeelden geven van hoe de data-analyse het succes van het project heeft beïnvloed?

Bio-informatica analyse heeft belangrijke inzichten opgeleverd voor het identificeren van patronen en trends in de geëxtraheerde data. Een specifiek voorbeeld is de mogelijkheid om klinische variabelen te correleren met genomische data, wat de besluitvorming over de behandeling van patiënten vergemakkelijkt.

Tips en aanbevelingen voor andere bio-informatici

Welke aanbevelingen zou je andere bio-informaticadiensten geven die aan soortgelijke projecten beginnen te werken? Welke best practices stel je voor?

Plan het proces van data-extractie en -transformatie zorgvuldig.
Zorg ervoor dat robuuste anonimiseringstechnieken worden geïmplementeerd.
Gebruik ETL-tools om complexe processen te automatiseren.
Stimuleer interdisciplinaire samenwerking vanaf het begin van het project.

Welke veelgemaakte fouten moeten vermeden worden bij data-extractie en -analyse in biomedische projecten?

Het niet goed valideren van geëxtraheerde data.
Uitsluitend vertrouwen op handmatige processen voor datatransformatie.
Het niet in overweging nemen van mogelijke veranderingen in informatiesystemen gedurende het project.

Welke tools of hulpmiddelen zou u andere bio-informatici aanraden om de efficiëntie en kwaliteit van hun werk aan ziekenhuisonderzoeksprojecten te verbeteren?

ETL-tools zoals Pentaho Data Integration en Apache NiFi.
KNIME.
Anonimiseringsalgoritmen zoals HMAC.
Best practices voor het beheren van gevoelige data.

Hoe denkt u dat andere ziekenhuizen in Spanje zouden kunnen profiteren van de lessen van ECO-ARWEN Pulmón? Hoe kan samenwerking tussen ziekenhuizen bioinformatica-projecten in het hele land stimuleren?

Andere ziekenhuizen zouden kunnen profiteren door gestandaardiseerde methoden voor data-extractie en anonimisering toe te passen. Samenwerking tussen ziekenhuizen zou het mogelijk maken om robuustere en representatievere databases te creëren, waardoor biomedisch onderzoek in het hele land kan worden geoptimaliseerd.

Toekomst en volgende stappen

Wat zijn de volgende stappen voor het bio-informaticateam van het Gregorio Marañón Ziekenhuis met betrekking tot ECO-ARWEN Pulmón?

Het bioinformaticateam gaat door met het aanpassen van de extractiesystemen aan de nieuwe platforms, vooral in Microbiologie. De download van het nieuwe systeem zal naar verwachting voor december zijn voltooid.

Hoe ziet u de ontwikkeling van bio-informatica in Spaanse ziekenhuizen? Welke rol denkt u dat het de komende jaren zal spelen in biomedische onderzoeksprojecten zoals ECO-ARWEN Pulmón?

Bio-informatica zal een steeds belangrijkere rol spelen in biomedisch onderzoek, omdat het de integratie en analyse van complexe data vergemakkelijkt. Verwacht wordt dat ziekenhuizen de komende jaren meer geavanceerde interoperabiliteits- en anonimiseringssystemen gaan gebruiken, waardoor meer samenwerking en efficiëntie in onderzoeksprojecten mogelijk wordt.

Hoe LOGEX datagedreven inzichten ondersteunt in het ECO-ARWEN longkankerproject