Streszczenie
Dla wielu instytucji, zarządzanie danymi i wydobywanie z nich wiedzy stało siĊ waĪnym czynnikiem umoĪliwiającym osiągniĊcie sukcesu. Podobnie w słuĪbie zdro-wia dąĪy siĊ do innowacyjnych rozwiązaĔ z dziedziny zarządzania wiedzą, odgrywa-jących kluczową rolĊ w podwyĪszaniu standardów leczenia. W pracy opisano proces wdraĪania Hurtowni Danych wspomagającej zarządzanie wiedzą na przykładzie Centrum Onkologii im. F. Łukaszczyka w Bydgoszczy. Zaprezentowano znaczenie in-formatyzacji i wykorzystania odkrytej wiedzy w zarządzaniu jednostkami ochrony zdrowia, jak równieĪ korzyĞci płynące z wdroĪenia Hurtowni Danych, stosowania narzĊdzi Business Intelligence, Data Mining, czy technologii OLAP.
Słowa kluczowe: Business Intelligence, Hurtownia Danych, OLAP, Data Mining, Medyczne Bazy Danych
1. Wstp
Powszechny rozwój technologii informacyjnych, umoliwił gromadzenie coraz to wikszych iloci danych oraz ich transfer w organizacjach na niespotykan jak dotd skal. Rozwój technolo-gii informacyjnych sprawił równie, e wiedza tworzona i wykorzystywana w podmiotach gospo-darczych stała si ich fundamentalnym zasobem. W chwili obecnej posiadanie pełnej, terminowej i dokładnej informacji jest podstaw sprawnego zarzdzania organizacj. Jest to szczególnie istot-ne ze wzgldu na wspieranie funkcji planowana i kontroli firmy. Dysponowanie kompleksowymi i aktualnymi informacjami moe by warunkiem postpu w organizacji i umoliwia realizacj celów i planów. Jednake samo posiadanie duych iloci danych bez umiejtnoci ich wykorzysta-nia sprawia, e staj si one praktycznie bezwartociowe.
Wiedza tworzona w organizacji jest wynikiem gromadzenia, analizy oraz syntezy posiada-nych informacji. Zdolno odkrywania wiedzy moe usprawni proces podejmowania decyzji oraz pomóc w przewidywaniu i realizowaniu zamierzonych przedsiwzi organizacji. Celem zarz-dzania wiedz jest zmiana podejcia z „nie wiesz, czego nie wiesz” na „wiesz, co wiesz” i zasto-sowania tej wiedzy w celu poprawy efektywnoci organizacji [1].
Jak wiemy, konkurencja jest naturalnym zjawiskiem w gospodarce. Aby osign i utrzyma przewag rynkow naley zbiera dane, analizowa je oraz przetwarza w formie uytecznej dla
przedsibiorstwa. Wyciganie wniosków z posiadanych informacji, prowadzce do wiedzy i po-dejmowania odpowiednich decyzji, jest wartoci niezbdn do rozwoju i przetrwania na dzisiej-szym rynku [2]. Tym samym, wiele organizacji działajcych na komercyjnych zasadach zmierza w kierunku rozwijania nowatorskich metod zarzdzania wiedz, które pó niej s transferowane do innych dziedzin gospodarki. Koncepcja zarzdzania wiedz stosowana w słubie zdrowia wyko-rzystuje t sam metodologie i wie si z podobnymi problemami. Wdroenie idei zarzdzania wiedz prowadzi do bardziej efektywnego zarzdzania kosztami i wydajniejszego gospodarowania zasobami organizacji.
Zastosowanie nowoczesnych narzdzi analitycznych wspierajcych podejmowanie decyzji, pozwala na tworzenie obszaru zarzdzania wiedz w jednostkach słuby zdrowia.
Aby zarzdzanie wiedz mogło przynosi korzyci organizacjom opieki zdrowotnej musz zosta spełnione pewne warunki. Koncepcja zarzdzania wiedz składa si z nastpujcych czci: • kultura organizacyjna,
• ilo i jako danych i informacji,
• procesy, standardy, wytyczne gromadzenia, zarzdzania i rozpowszechniania wiedzy, • technologia, która wspiera pozostałe elementy [1].
Kady z nich stanowi obszar pełen wyzwa dla organizacji słuby zdrowia [3].
Korzyci jakie przynosi koncepcja zarzdzania wiedz sprawiaj, e coraz wicej organizacji stosuje taki model zarzdzania. Rozwizania w zakresie IT i coraz to lepiej wyszkolony personel powoduje, e organizacje umiej pozyskiwa nie tylko wiedz jawn, ale te korzysta z wiedzy ukrytej [4]. Okazuje si, e nie tylko informatyzacja, ale take odpowiedni personel, relacje mi-dzyludzkie, współpraca i wiadomo korzystania z dostpnych narzdzi s bardzo wan czci koncepcji zarzdzania wiedz. Pracownicy współpracuj i dziel si wiedz oraz wspólnie rozwi-zuj problemy, poniewa maj wiadomo, e współpraca jest kluczow wartoci firmy jak te uwaaj, e s to winni swoim kolegom z pracy [4].
2. Digitalizacja w jednostkach słu by zdrowia
Obecnie nastpuje szeroko pojta komputeryzacja i digitalizacja jednostek słuby zdrowia co głównie prowadzi do gromadzenia danych z wielu obszarów opieki medycznej. Informacje te dotycz midzy innymi administracji, demografii, danych laboratoryjnych czy te monitoringu z urzdze medycznych [5]. Ilo i jako tych danych decyduje o ich wartoci w procesie zarz-dzania wiedz.
Stany Zjednoczone w duej mierze wyznaczaj trendy w systemach zwizanych z zarzdza-niem wiedz, równie w słubie zdrowia. Włanie to tam podjto pierwsze kroki zmierzajce do implementacji Elektronicznego Rekordu Pacjenta (Electronic Health Record – EHR), tj. indywi-dualnej elektronicznej dokumentacji medycznej. Pierwsze rekordy medyczne zaczły by stoso-wane ju w latach 60-tych ubiegłego wieku [6]. Planuje si take, e kady pacjent w USA do 2014 bdzie miał moliwo pełnego dostpu do własnego rekordu medycznego [7]. Około 70 procent szpitali w USA posługuje si Elektronicznym Rekordem Pacjenta w tym 11 procent szpi-tali w pełni wdroyło go w swoich placówkach [8]. Głównymi celami implementacji EHR jest midzy innymi denie do obnienia kosztów opieki medycznej, zmniejszenie czasu leczenia, a take poprawienie komfortu samej kuracji.
Aby wdroy EHR we wszystkich krajach członkowskich Unii Europejskiej, Komisja Euro-pejska poprzez Dyrekcj Generaln do spraw Społeczestwa Informacyjnego i Mediów powołała
w 2002 roku European Institute for Health Records (EuroRec). EuroRec aktywnie wspiera wpro-wadzania Elektronicznego Rekordu Pacjenta na poziomie europejskim współpracujc przy tym z organizacjami słuby zdrowia, firmami czy te administracj krajow [9]. Co ciekawe Estonia, jako pierwszy kraj na wiecie wdroyła, a co za tym idzie dała moliwo bezporedniego wgldu do swojego rekordu kademu obywatelowi [10]. Trzeba take wspomnie, e takie kraje jak Wiel-ka Brytania [11], Finlandia, Dania, Niemcy, Czechy czy Hiszpania [12] prowadz zaawansowane prace nad wdroeniem EHR. W 2004 roku Komisja Europejska przyjła Plan działa e-Health (e-Zdrowie), który ma na celu doprowadzenie do stworzenia ponadgranicznej przestrzeni informa-cyjnej o zdrowiu [13].
W Polsce planowane jest wdroenie EHR zwanego Zintegrowanym System Informacji Me-dycznej o Pacjencie (SIM) zgodnie z rzdowym projektem informatyzacji publicznej słuby zdro-wia „e-Zdrowie Polska 2009–2015”. Wprowadzenie SIM bdzie niosło za sob stworzenie cen-tralnych baz danych i rejestrów, a tym samym ułatwienie dostpu do informacji medycznej pacjen-tom słuby zdrowia [14].
3. Odkrywanie wiedzy
Ogromny wzrost iloci medycznych baz danych i repozytoriów medycznych przedstawia sze-rokie moliwoci wykorzystania ich do eksploracji danych dla odkrywania wiedzy [15]. Jednake same przetwarzanie informacji przy uyciu podstawowych metod nie zawsze daj zadawalajce odpowied i na stawiane hipotezy. Tym samym warto zastosowa bardziej złoone metody eksplo-racji czy te drenia danych (Data Mining) w celu odkrycia zalenoci, nie kierujc si przy tym z góry ustalonymi hipotezami [16].
Eksploracja danych to proces odkrywania nowych, wczeniej nieznanych, potencjalnie uy-tecznych, zrozumiałych i poprawnych wzorców w bardzo duych wolumenach danych [17].
W procesie Data Mining wydobywanie nowej wiedzy nastpuje za pomoc matematycznej i statystycznej analizy danych, technologii bazodanowej, technik rozpoznawania wzorców, technik uczenia maszyn i sztucznej inteligencji. Ta nowa praktyczna wiedza wydobyta z duych zbiorów danych jest wykorzystywana do wspomagania procesu podejmowania decyzji i rozwizywania problemów, a take do prognozowania i planowania.
W procesie eksploracji danych najpierw s przygotowywane dane w taki sposób, aby były po-prawne, zgodne i istotne dla analizowanego problemu. Nastpnym etapem jest drenie danych czyli poznanie cech i własnoci analizowanych danych. Etap analizy i oceny danych dobiera od-powiednie metody do rozwizania problemu i uzyskania uytecznej informacji. Na tym etapie dziki wykorzystaniu rónych technik, reguł, zalenoci i algorytmów powstaje pewien okrelony model lub kilka modeli danych. Ostatnim etapem jest zastosowanie modelu, który daje najlepsze wyniki. Proces eksploracji danych jest bardzo złoonym i skomplikowanym procesem. Czsto zachodzi konieczno powtarzania poszczególnych etapów albo zmniejszania obszaru poszukiwa ze wzgldu na złoono danych i zalenoci midzy nimi. Poza tym efektywne stosowanie tech-nologii Data Mining wymaga nie tylko znajomoci wiedzy specjalistycznej, ale take zdolnoci rozumienia problemów i ich przełoenia na właciwe techniki analityczne oraz zaangaowania uytkowników procesu.
Podczas eksploracji danych wykorzystuje si zwykle metody sztucznej inteligencji, analiz skupie, czy wizualizacj danych [5]. Metody sztucznej inteligencji były wykorzystane midzy innymi we wsparciu decyzji medycznych w diagnostyce i prognostyce w onkologii [18]. Tym
samym zastosowanie technik eksploracji danych w celu odkrywania wiedzy z obszernych baz danych, moe by krokiem w kierunku lepszego zarzdzania wiedz w organizacjach słuby zdrowia. Wymiernymi korzyciami jakie płyn z zastosowania Data Mining jest znalezienie pew-nych reguł dotyczcych funkcjonowania samej firmy, jak równie pomoc w zarzdzaniu relacjami z otoczeniem [19].
Systemy dostarczajce informacj maj kluczowe znaczenie dla wspierania planowania oraz kontroli w organizacji. Aktualne i cisłe dane s niezmiernie wane dla weryfikacji postpu reali-zacji zamierzonych planów oraz wdraania ich w ycie. Jak wiadomo same gromadzenie danych nie gwarantuje ich miarodajnego wykorzystania.
Technologie Informacyjne znajduj coraz to szersze zastosowania w jednostkach słuby zdrowia midzy innymi w aspektach bezporednio dotyczcych terapii pacjenta, jak równie zwi-zanych z sektorem zarzdzania tj. gospodark materiałow, dostawami, logistyk, zaopatrzeniem leków, co jest w zgodzie ze standardami okrelanymi przez Narodowy Fundusz Zdrowia.
Gromadzone informacje przechowywane s w bazach danych, które poprzez systemy anali-tyczne winny by wykorzystane bezporednio w zarzdzaniu wiedz organizacji. Kolejnym eta-pem informatyzacji zachodzcej w jednostkach słuby zdrowia jest, coraz czstsze wdraanie Hurtowni Danych z aplikacjami Business Intelligence (BI). Pozwala to integrowa, coraz to wicej informacji pochodzcych z rónych ródeł jak aparatura medyczna, procedury rozpoznania, in-formacje dotyczce demografii pacjenta, czy te inne dane kosztowe.
4. Hurtownia Danych i Business Intelligence
Obecnie ze wzgldu na informatyzacj praktycznie kada dziedzina aktywnoci człowieka wymaga zastosowania systemu bazy danych. Konieczno obsługiwania coraz to wikszych zbio-rów informacji i poprawa funkcjonalnoci wpływa na rozwój systemów baz danych. Ze wzgldu na ilo i złoono gromadzonych danych oraz konieczno analizowania, rozumienia i wykorzy-stania tych coraz to wikszych zbiorów danych buduje si hurtownie danych. Stosowanie hurtowni danych pozwala na uporzdkowanie i usystematyzowanie zasobów informatycznych w przedsi-biorstwie oraz daje moliwo opanowania danych rozproszonych po rónych systemach informa-tycznych [2]. Hurtownia danych to tematyczna, zintegrowana, zmienna w czasie składnica nieu-lotnych danych, przeznaczona do wspierania procesów podejmowania decyzji [20]. Hurtownia danych przechowuje uporzdkowane i ujednolicone informacje, łczy dane pochodzce z ronych ródeł i zapamituje je w rónych przedziałach czasowych. Informacje w hurtowni danych mog by tylko odczytywane i nie ma moliwoci ich modyfikacji, dziki temu mona je wykorzysty-wa do porówna i analiz. Z tego powodu dane pochodzce z hurtowni danych s najlepszymi danymi do procesu eksploracji danych. Systemy klasy Business Intelligence pozwalaj na analiz zawartoci baz danych. Systemy te oferuj wiele narzdzi analitycznych m.in. narzdzia słuce do wielowymiarowej analizy wartoci w czasie rzeczywistym (OLAP – On-Line Analitical Pro-cessing) oraz narzdzia inteligentnej eksploracji danych (Data Mining).
Biznes Intelligence jest definiowany przez firm Gartner jako zorientowany na uytkownika proces zbierania, eksploracji, interpretacji i analizy danych, który prowadzi do usprawnienia i zracjonalizowania procesu podejmowania decyzji. Systemy te wspieraj kadr menadersk w celu podejmowania decyzji i rozwoju przedsibiorstwa [21].
Narzdzia analityczne klasy OLAP, dziki moliwoci definiowania kryteriów przez uyt-kownika i przeszukiwania duych zbiorów danych, umoliwiaj wielowymiarow analiz danych
wybranych pod ktem połczonych ze sob relacji. Narzdzia te wspomagaj proces budowy ze-stawie dla uytkowników na kadym poziomie.
5. Hurtownia Danych w Centrum Onkologii im. F. Łukaszczyka w Bydgoszczy
Obecnie w Centrum Onkologii (CO) jest wdraana hurtownia danych przy zastosowaniu na-rzdzi Microsoft SQL Server 2008. Hurtownia danych bdzie miała za zadanie integrowa infor-macje z wielu specjalistycznych baz danych działajcych w Centrum Onkologii. Inforinfor-macje, które bd trafia do hurtowni danych pochodzi bd z rónych sfer działalnoci CO tzn. ze sfery zwizanej z administracj, kosztami, zarzdzaniem, jak równie zwizanych bezporednio ze zdrowiem pacjentów. Informacje dotyczce pacjentów obejmuj midzy innymi: procedury (zgodnie z Midzynarodow Klasyfikacj Chorób i Problemów Zdrowotnych ICD-9 - ang. Inter-national Statistical Classification of Diseases and Related Health Problems), rozpoznania (zgod-nie z klasyfikacj ICD-10), typ guza, typ raka, TNM (system słucy do okrelania stopnia zaa-wansowania klinicznego nowotworu), okres pobytu w szpitalu, leki, terapia, okres przyjmowania leków, informacja genetyczna, laboratoryjna, historia choroby, epikryza, itp.
Zakłada si, e hurtownia danych bdzie słuy do tworzenia projektów naukowo-badawczych, jak i utylitarnych. Projekty naukowo-badawcze bd miały na celu analizowanie danych biomedycznych dla optymalizacji terapii, jak i zwikszenie komfortu leczenia i ycia pa-cjentów. Ponadto streszczenia realizowanych projektów, jak i meta dane publikacji, bd zamiesz-czane na stronach Internetowego Serwera Wiedzy Onkologicznej Centrum Onkologii w Bydgosz-czy. Natomiast celem projektów utylitarnych bdzie bezporedni wpływ na rozwój Centrum On-kologii poprzez dostarczanie kierownictwu (dziki kostkom OLAP) jak najbardziej dokładnych informacji w wybranym okresie czasu, jak równie zastosowanie aplikacji systemów Business Intelligence z analizami Data Mining.
Obecnie z powodzeniem udało si zbudowa pilotaow kostk OLAP dotyczc „Szybkoci reakcji Centrum Onkologii na rozpoznanie nowotworu w latach 2000–2010”. Pierwszym etapem technicznym realizacji kostki OLAP było zebranie danych pochodzcych z rónych autonomicz-nych baz daautonomicz-nych CO. W tym przypadku dokonano wyboru daautonomicz-nych, zgromadzoautonomicz-nych głównie w zintegrowanym systemie MedInf, który wspiera zarzdzanie oraz obsług pacjentów w Centrum Onkologii. Istotnym, oraz do wymagajcym elementem implementacji było stworzenie struktury interfejsów umoliwiajcych dostarczanie informacji do hurtowni danych.
Nastpnie dokonano scalenia danych w hurtowni; w tym celu wykorzystano narzdzie SSIS (SQL Server Integration Services) firmy Microsoft. Technologia ta pozwoliła take na oczyszcze-nie i zachowaoczyszcze-nie wewntrznej spójnoci danych.
Rysunek 1. Przepływ danych dotyczący scalania spotkaĔ pacjentów z ICD-10 i zabiegów z kontro-lą przyrostowoĞci danych
ródło: Opracowanie własne.
Kolejnym etapem było utworzenie tabeli wymiarów. Ustawiono importowania danych przyro-stowo i zautomatyzowano procesy w celu okresowej aktualizacji danych. Wykonano, take trans-formacje danych w celu utworzenia tabeli faktów. Ze wzgldu na brak niektórych danych w okre-sie pocztkowym rozwijania si systemu medycznego naleało wykona pewne ograniczenia w celu utrzymania rzetelnoci i jakoci danych.
Po utworzeniu struktur wymiarów i faktów wykonano kostk analityczn OLAP. W uprosz-czeniu kosk mona traktowa jako wielowymiarow baz danych przechowujc dane w sposób przypominajcy wielowymiarowe arkusze kalkulacyjne. Do utworzenia kostki wykorzystano SSAS (SQL Server Analysis Services) firmy Microsoft. Pierwszym etapem było utworzenia ródła danych, czyli połczenia z serwerem hurtowni danych, a nastpnie widoku ródła danych, który jest logicznym odwzorowaniem fizycznych wymiarów i faktów w ródłowej bazie danych.
Nastpnie wykonano powizanie tabel i faktów i wymiarów za pomoc relacji i kluczy pod-stawowych.
Utworzono wymiary, czyli dodano do miar kontekst i znaczenie. Ogólnie rzecz biorc wymia-ry słu do grupowania i filtrowania danych analitykowi. Wykonano take stany i trendy wartoci mierzonych. W celu utworzenia kostki i umieszczenia na serwerze wykonano procesowanie.
Kost-ka została przygotowana do okresowego i przyrostowego procesowania. Do raportowania, czyli prezentacji wyników wykorzystano SSRS (SQL Server Reporting Services) firmy Microsoft. Utworzono i udostpniono dla kierownictwa CO przykładowe raporty i analizy oparte o kostk, z uwzgldnieniem subskrypcji raportów. Ustalenie czstotliwoci wysyłki raportów zaley w głównej mierze od kierownika zainteresowanego działu w Centrum Onkologii.
Rysunek 2. Kostka- relacje, miary i wymiary, dla utworzonych wymiarów ródło: Opracowanie własne.
Wartociami mierzonymi kostki była liczba pacjentów, rednia dni od spotkania do rozpozna-nia, rednia dni od rozpoznania do zabiegu, rednia dni od spotkania do zabiegu. Natomiast wy-miary kostki stanowiły kody ICD-10, Data spotkania w przychodni, pacjenci, komórka organiza-cyjna kierujca na zabieg, rodzaj zabiegu, komórka organizaorganiza-cyjna, w której postawiono rozpozna-nie nowotworowe, komórka organizacyjna, w której miało miejsce pierwsze spotkarozpozna-nie pacjenta w Centrum.
Rysunek 3. Przykładowy status wartoĞci mierzonej, ukazujący trend spadkowy Ğredniej iloĞci dni od pierwszej wizyty pacjenta do rozpoznania nowotworu
ródło: Opracowanie własne.
Wykonanie kostki pozwoliło zaobserwowa w latach 2000–2010 trendu spadkowego redniej iloci dni od pierwszej wizyty pacjenta do rozpoznania nowotworu, a co za tym idzie istotnie zwikszyła si szybko reakcji Centrum Onkologii na rozpoznanie nowotworu przy jednocze-snym znaczcym wzrocie iloci pacjentów.
6. Podsumowanie
Proces tworzenia hurtowni danych w jednostkach słuby zdrowia jest złoony i pracochłonny, szczególnie w odniesieniu do duych wolumenów rónorodnych danych generowanych przez wiele systemów specjalistycznych. Midzy innymi integracja danych biomedycznych pochodz-cych z wielu ródeł jest dobrym tego przykładem. Eksport danych medycznych czsto zapisywa-nych w formie tekstowej okazuje si by nie lada wyzwaniem. W procesie eksportu dazapisywa-nych naley równie pamita na ewolucje samych systemów informatycznych słucych do zbierania infor-macji medycznych, czsto te same terminy mog by inaczej definiowane przez róne uytkowni-ków.
W kolejnym krokiem bdzie zastosowanie kostek OLAP w obszarze finansowo-medycznym z ujciem polityki kosztowej, jak równie wykorzystanie do projektów naukowo-badawczych midzy innymi w radioterapii. Centrum Onkologii wpisuje si w nurt wiatowych trendów techno-logii informacyjnych stosowanych w wiodcych jednostkach opieki zdrowotnej na wiecie. Mona równie zakłada, e wdroenie hurtowni danych i zastosowanie Business Intelligence w ewident-ny sposób przyczyni si do efektywniejszego zarzdzania wiedz w tej jednostce.
Bibliografia
[1] Frckiewicz-Wronka, A. and Austin, A. Od zarzdzania informacj do tworzenia wiedzy – za-stosowanie ICT w organizacjach sektora zdrowotnego. Wydawnictwo Uniwersytety lskie-go, City, 2008.
[2] Bies, G. Business intelligence w ochronie zdrowia. Wydawnictwo Uniwersytety lskiego, City, 2008.
[3] ASTHO. Knowledge management for public health professionals. Raport Association of State and Territorial Health Officials, Washington, DC, 2005.
[4] Kisielnicki, J. Zarzdzanie wiedz we współczesnych organizacjach, Rozdział z pracy zbio-rowej pt.: Zarzdzanie wiedz w systemach informacyjnych. Wydawnictwo Akademii Eko-nomicz-nej we Wrocławiu, Wrocław, 2004.
[5] Lavrac, N. Selected techniques for data mining in medicine. Artificial Intelligence in Medici-ne, 16, 1 1999), 3–23.
[6] NIH. Electronic Health Records Overview. National Institutes of Health, National Center for Research Resources, 2006.
[7] PMC. The Case for Personalized Medicine. Personalized Medicine Coalition, 2009.
[8] AHA. Continued Progress Hospital Use of Information Technology. American Hospital Asso-ciation, 2007.
[9] EuroRec. Articles of Association. European Institute for Health Records, 2009.
[10] Madis, T. and Ross, P. Patient Opportunities in the Estonian Electronic Health Record Sys-tem. City, 2010.
[11] Greenhalgh, T., Stramer, K., Bratan, T., Byrne, E., Russell, J. and Potts, H. W. W. Adoption and non-adoption of a shared electronic summary record in England: a mixed-method case study. BMJ, 3402010).
[12] Nyczaj, K. Czy marzenia o internetowym koncie pacjenta si spełni? Nowoczesna Klini-ka2010).
[13] EC. e-Health - making healthcare better for European citizens: An action plan for a European e-Health Area. Commission of the European Communities, Brussels, 2004.
[14] MZ. Strategia e-Zdrowie Polska 2009–2015. Ministerstwo Zdrowia, 2009.
[15] Lewandowski, R., Roszkowski, K. and Lewandowska, M. A. Personalized medicine in onco-logy: vision or realistic concept? Contemporary Oncology, in press 2011).
[16] Mullins, I. M., Siadaty, M. S., Lyman, J., Scully, K., Garrett, C. T., Greg Miller, W., Muller, R., Robson, B., Apte, C., Weiss, S., Rigoutsos, I., Platt, D., Cohen, S. and Knaus, W. A. Data mining and clinical data repositories: Insights from a 667,000 patient data set. Computers in Biology and Medicine, 36, 12 2006), 1351–1377.
[17] Fayyad, U., Piatetsky-Shapiro, G., Smyth, P. and Uthurusamy, R. Advances in Knowledge Discovery and Data Mining. AAAI/MIT Press, 1996.
[18] Schwarzer, G., Vach, W. and Schumacher, M. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology. Statistics in Medicine, 19, 4 2000), 541– 561.
[19] Fronczak, E. and Michalcewicz, M. Zastosowanie narzdzi eksploracji danych Data Mining do tworzenia modeli zarzdzania wiedz. Studia i Materiały Polskiego Stowarzyszenia Zarz-dzania Wiedz, 272010), 126–139.
[21] Surma, J. Business Intelligence. Systemy wspomagania decyzji biznesowych. Wydawnictwo PWN, Warszawa, 2009.
DATA WAREHOUSE IMPLEMENTATION TO SUPPORT KNOWLEDGE MANAGEMENT; A CASE STUDY OF F. ŁUKASZCZYK ONCOLOGY CENTRE
IN BYDGOSZCZ, POLAND Summary
Data management and knowledge discovery has become an important factor for success for many institutions. Similarly, health care seeks innovative applications for knowledge management, which play a key role in enhancing standards of care. The paper describes the implementation of data warehouse supporting knowledge man-agement in case study of F. Łukaszczyk Oncology Center in Bydgoszcz. Article pre-sents the importance of computerization and application of knowledge discovery in the management of health organizations, as well as the benefits of data warehouse implementation, Business Intelligence, Data Mining, and OLAP technology.
Keywords: Business Intelligence, Data warehouse, OLAP, Data Mining, Medical Databases
Remigiusz Lewandowski
Katedra Informatyki w Zarzdzaniu
Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy ul. Prof. S. Kaliskiego 7 bud. 3.1, 85-796 Bydgoszcz
Centrum Onkologii im. prof. Franciszka Łukaszczyka w Bydgoszczy ul. dr Izabeli Romanowskiej 2, 85-796 Bydgoszcz
e-mail: remi@utp.edu.pl Marcin Łagodziski Proinformatyka Sp. z o.o.
ul. dr Izabeli Romanowskiej 2, 85-796 Bydgoszcz Eugenia Fronczak
Katedra Informatyki w Zarzdzaniu
Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy ul. Prof. S. Kaliskiego 7 bud. 3.1, 85-796 Bydgoszcz
