Titel HL7 FHIR en de Personal Health Train: overlappend of aanvullend?
Door het toenemende belang van data in de zorgsector en de medische wetenschap, komen nieuwe standaarden op die slim met gegevens en algoritmes omgaan. HL7 FHIR en de Personal Health Train behoren beide tot de bekende namen in de wereld van interoperabiliteit. Vanuit de achterban van zowel HL7 als de Personal Health Train ontvangen we regelmatig de vraag: hoe verhouden deze twee zich tot elkaar?
Wat is de Personal Health Train?
De Personal Health Train (PHT) biedt een infrastructuur voor het verantwoord gebruik van gezondheidsdata. Met PHT technologie wordt data FAIR (Findable, Accessible, Interoperable and Reusable) gemaakt in FAIR datastations. Vervolgens kunnen vragen (FAIR services) aan de gedistribueerde data worden gesteld. Dat kunnen kwaliteits-, onderzoeks-, zorg-gerelateerde of beleidsmatige vragen zijn. PHT maakt data ook beschikbaar voor artificial intelligence. De PHT benadering is gebaseerd op “privacy-by-design”: de gegevens zelf verlaten de datastations van de deelnemende instituten bij voorkeur niet. Voor meer informatie zie www.personalhealthtrain.nl.
Wat is HL7 FHIR?
FHIR staat voor Fast Healthcare Interoperability Resources. FHIR definieert hoe je via bestaande internettechnologie, door middel van een realtime aanroep van een ander systeem, een klein blokje data ophaalt. Afhankelijk van de uitkomst vraagt de toepassing één of meerdere nieuwe datablokjes op, om de workflow van de gebruiker te ondersteunen. FHIR biedt een technische uitwisselstandaard en eenheid van taal in één en valt in het internettijdperk onder de noemer van application programmers interfaces (API’s). Voor meer informatie zie www.hl7.org/fhir.
Wat is de relatie tussen PHT en FHIR?
PHT en FHIR zijn los van elkaar te gebruiken. Echter, we verwachten dat ze tegelijkertijd gebruikt gaan worden omdat ze een aanvullend karakter hebben. Dit zou er in de praktijk als volgt uit kunnen zien; het (FAIR) datastation heeft een FHIR endpoint. De PHT vraagt het datastation om een analyse op een data-vraag uit te voeren. Deze data-vraag wordt gesteld op het FHIR endpoint, waarna de analyse gebruik maakt van de verkregen data. De data-vraag en analyse worden beide uitgevoerd binnen het datastation. Alleen de analyse resultaten worden teruggestuurd naar de aanvrager. Hierdoor blijft de data in het datastation, en worden er geen medische gegevens verplaatst/gekopieerd.
Wat is de toegevoegde waarde van PHT en FHIR?
Het ontsluiten van medische data uit patiëntsystemen in zorginstellingen voor zorg-, kwaliteits- en onderzoeksdoeleinden is zeer tijdrovend. Er vindt veel dubbele registratie plaats, het beschikbaar houden van data op verschillende plekken is inefficiënt, en problemen rond dataveiligheid en privacy liggen op de loer. Zorginstellingen zijn hierdoor terughoudend om data beschikbaar te stellen. Door data aan de bron te laten staan en het (geanonimiseerde) antwoord op de vraag terug te koppelen, wordt onderzoek beter gefaciliteerd en kunnen we echte stappen maken richting gepersonaliseerde zorg. Het meeliften van de PHT op de implementatie van FHIR kan hierin versnelling bieden.
Waar kan ik technische documentatie vinden?
HL7 FHIR en de PHT hebben een proeftuin gemaakt waarin beide technieken goed samenwerken. In een simulatie werd een algoritme middels een PHT-trein naar FHIR datastations gestuurd en lokaal geanalyseerd. De broncode is te vinden op https://github.com/jvsoest/PHT_on_FHIR_demo
Auteurs: Esther Bloemen-Van Gurp (namens PHT) en Rob Mulders (namens HL7 Nederland)
Dit artikel is ook verschenen in HL7 Highlights Magazine #16
{phocadownload view=file|id=263|text=HL7 Highlights Magazine 16|target=s}