Βάσεις Δεδομένων

Σούλης Δημήτριος,
Καρδιολόγος,
Επιστημονικός Συνεργάτης
Α΄ Καρδιολογικής Κλινικής
Γ.Ν.Α. «Ιπποκράτειο»
Τι είναι οι βάσεις δεδομένων;
Τι εφαρμογές έχουν
Στο ιδιωτικό ιατρείο
Στις μονάδες πρωτοβάθμιας
περίθαλψης
Στο Νοσοκομείο
Στην έρευνα
Στη δημόσια υγεία
Κατασκευή βάσεων δεδομένων
Οργάνωση δεδομένων σε πίνακες
Σχεσιακές βάσεις δεδομένων
Κανονικοποίηση
Σχέσεις
Εισαγωγή δεδομένων
Αναζήτηση δεδομένων
Εκτύπωση δεδομένων
Τι είναι οι βάσεις δεδομένων;
“Ένα σύνολο πληροφοριών σε έναν
ηλεκτρονικό υπολογιστή”
Oxford English Dictionary

“Μια ή περισσότερες δομημένες συλλογές

δεδομένων, συνήθως σχετιζόμενες με
λογισμικό που μπορεί να τα ανακτά και να τα
ανανεώνει”
Free On-Line Dictionary of Computing

“Μια συλλογή πληροφοριών ταξινομημένων

με τρόπο που αποσκοπεί στην ευκολία και την
ταχύτητα της αναζήτησης και ανάκτησής τους”
Dictionary.com
 Με λίγα λόγια…

Βάση δεδομένων = σύνολο πληροφοριών

σχετιζόμενων μεταξύ τους
Σύστημα διαχείρισης βάσεως δεδομένων
= λογισμικό που επιτρέπει την ανάκτηση,
ανανέωση και αναζήτηση δεδομένων
DB

DBMS
 Τι αποθηκεύουμε σε μια βάση
δεδομένων;

Κείμενο
Αριθμούς
Ψηφιοποιημένη πληροφορία
Εικόνα
Video
Ήχος
Βιολογικά σήματα (ΗΚΓ, υπέρηχοι κλπ)
Εφαρμογές βάσεων δεδομένων
Δημοφιλή DBMS
 Δομές δεδομένων:
«Επίπεδο Μοντέλο» Flat File System
 Δομές δεδομένων:
«Επίπεδο Μοντέλο» Flat File System

Επώνυμο Ημερομηνία Διάρκεια Κόπωσης Γνωμάτευση

εξέτασης
Αναστασόπουλος 20/03/07 8:35 Αρνητική
Αναστασόπουλος 24/4/08 9:10 Αρνητική
Αναστασόπουλος 30/2/09 7:24 Θετική
Γεωργακόπουλος 1/05/08 8:32 Αρνητική
Παπαδάκη 4/3/09 10:20 Αρνητική
Περιβολάκης 4/3/08 8:35 Αρνητική
Περιβολάκης 7/3/09 7:50 Αρνητική
 Δομές δεδομένων:
«Ιεραρχικό Μοντέλο» Hierarchical model

Επώνυμο
Δημογραφικά
στοιχεία
Όνομα

Ασθενής

Βιοχημικές

Εξετάσεις

Στεφανιαιογραφία
 Δομές δεδομένων
«Δικτυακό Μοντέλο» Network model

Γιατρός Κλινική

Βιοχημικές
Φάρμακα Ασθενής
εξετάσεις

Στεφανιαιογραφία
 Δομές δεδομένων:
Σχεσιακές βάσεις δεδομένων
Ασθενείς Γνωματεύσεις
ID Όνομα ID Aποτέλεσμα
1 Αναγνωστόπουλος 1 Αρνητικό
2 Καραγιάννης 2 Θετικό
3 Σούλης 3 Μη
4 Φωτίου διαγνωστικό

Εξετάσεις
8

8
ID ΑσθενήςID Ημερομηνία Αποτέλεσμα ID
1 2 3/3/08 1
2 2 4/5/09 2
3 3 2/5/09 1
4 1 12/5/07 1
 Δομές δεδομένων
Αντικειμενοστρεφείς ΒΔ

Πολύπλοκες δομές δεδομένων

Πολύπλοκες σχέσεις δεδομένων
Εξετάσεις
Δεδομένα
Δημογραφικά
στοιχεία
Αντικείμενο
Εκτύπωση
εξετάσεων
Μέθοδοι
Αποστολή
email
 Δομές δεδομένων
Αντικειμενοστρεφείς ΒΔ

Κληρονομικότητα

Ασθενής Γιατρός

Αρτηριακή
Όνομα Τηλέφωνο Όνομα Τηλέφωνο Ειδικότητα
πίεση
 Δομές δεδομένων
Αντικειμενοστρεφείς ΒΔ

Κληρονομικότητα
Άνθρωπος

Ασθενής Γιατρός
Όνομα Τηλέφωνο (Άνθρωπος) (Άνθρωπος)

Αρτηριακή
Ειδικότητα
πίεση
 Δομές δεδομένων
Αντικειμενοστρεφείς ΒΔ

Πολυμορφισμός

Προσθήκη

Ασθενής
Επεξεργασία Γιατρός
Διαγραφή

Εκτύπωση
Στοιχείων
 Ιστορικά στοιχεία

1964 North American Aviation 

Generalized Update Access Method
Μέσα δεκαετίας 60πρώτη δικτυακού
τύπου βάση δεδομένων
1970  Ted Codd (IBM) δημοσιεύει την
πρώτη εργασία για τις σχεσιακές βάσεις
δεδομένων
Διαμάχη για τα επόμενα 5 χρόνια μεταξύ
σχεσιακού και δικτυακού μοντέλου
 Ιστορικά στοιχεία

Τέλη δεκαετίας 1970  επικρατούν οι

σχεσιακές βάσεις δεδομένων που
κυριαρχούν στην αγορά για όλη τη
δεκαετία του 1980
Δεκαετία 1990: αντικειμενοστρεφείς
βάσεις δεδομένων
Εφαρμογές στην Ιατρική
 Ιατρική πληροφορία

Κείμενο
Ιατρικός φάκελος
Ήχος
Ακρόαση καρδιάς, πνευμόνων
Εικόνα
Ακτινογραφία
Καταγραφή σήματος
ΗΚΓ
 Ο ρόλος του πληροφοριακού
συστήματος
Ιατρική Αποθήκευση
πληροφορία

Μετάδοση

Επεξεργασία
Ο ρόλος του πληροφοριακού
συστήματος
Διάγνωση

Θεραπεία

Πρόληψη

Έρευνα

Εκπαίδευση
 Αποθήκευση ιατρικής
πληροφορίας
Ηλεκτρονικός Ιατρικός φάκελλος
ΗΠΑ – Institute of Medicine, 1991
«είναι ένα σύστημα σχεδιασμένο έτσι
ώστε να υποστηρίζει την απόλυτη
διαθεσιμότητα και την ακρίβεια ιατρικών
ή άλλων πληροφοριών με σκοπό τη
παροχή ιατρικής περίθαλψης»
 Ηλεκτρονικός Ιατρικός
Φάκελος
Υπάρχοντες όροι:
CPR: Computer-based patient record  ΗΠΑ
EMR: Electronic medical record
EPR: Electronic Patient Record  Ε.Ε.
EHR: Electronic Health Record
VPR: Virtual patient record  Web
VMR: Virtual medical record
Δεν υπάρχουν διεθνώς αποδεκτά πρότυπα
 Ηλεκτρονικός Ιατρικός
Φάκελος
Περιέχει πληροφορίες όπως:
Κλινικά δεδομένα – διαγνώσεις
Νοσηλείες – Εγχειρήσεις
Τιμές εργαστηριακών εξετάσεων
Ιατρικές πράξεις
Παραπεμπτικά - Γνωματεύσεις
Ιατρικό ιστορικό – Παράγοντες κινδύνου
Ιατρικές εικόνες
Δημογραφικά στοιχεία
Διαχειριστικά – οικονομικά στοιχεία ιατρικών πράξεων και
νοσηλειών
Ιατροφαρμακευτική περίθαλψη
 Ιστορική Αναδρομή
1859: Πρώτες αναφορές στην ανάγκη ιατρικού
φακέλου
1960 Ο Laurence Weed περιγράφει σύστημα
αυτοματοποιημένου ηλεκτρονικού ιατρικού φακέλου
1967 πάνω στην εργασία του Weed, ανάπτυξη
ηλεκτρονικού ιατρικού φακέλου από παν/μιο Vermont
με επιδημιολογικές εφαρμογές
1971: 70% των αναγκών των ιατρών δεν καλύπτονται
από τους έντυπους φακέλους
1984: Πρώτο πλήρες σύστημα πληροφοριακού
συστήματος νοσοκομείου με ιατρικό φάκελο
1991: Πρώτη επίσημη αναφορά στον ηλεκτρονικό
ιατρικό φάκελο (ΙΟΜ)
 Επεξεργασία ιατρικής
πληροφορίας
Αυτόματα υπολογιζόμενα
προνοσοκομειακά scores βασιζόμενα σε:
Αρτηριακή πίεση
Καρδιακή συχνότητα
Κορεσμός αρτηριακού αίματος
Μεταβλητότητα της καρδιακής συχνότητας

Reisner AT et al: Automatically-Computed Prehospital Severity Scores are Equivalent to

Scores Based on Medic Documentation, J Trauma. 2008 Oct;65(4):915-23
Cooke WH et al: Heart rate variability and its association with mortality in prehospital
trauma patients. J Trauma. 2006 Feb;60(2):363-70; discussion 370.
 Επεξεργασία ιατρικής
πληροφορίας
Σύγκριση εξετάσεων μεταξύ τους
 Συνταγογράφηση
υποβοηθούμενη από
λογισμικό
3-5% των συνταγογραφήσεων
δημιουργούν προβλήματα
Αίτιο στο 27% της εσφαλμένης αγωγής
είναι η έλλειψη πληροφόρησης
Μεγάλο ποσοστό των ανεπιθύμητων
ενεργειών μπορούν να αποφευχθούν κατά
τη συνταγογράφηση
 Συνταγογράφηση υποβοηθούμενη
από λογισμικό: παραδείγματα
εφαρμογών
Επαναλαμβανόμενη συνταγογράφηση
Συνταγογράφηση βαρφαρίνης
Ινσουλινοθεραπεία
Αυτόματες ειδοποιήσεις εξαρτώμενες από
τη συνταγογράφηση
Εμφάνιση κατευθυντήριων οδηγιών
σχετιζομένων με τη συνταγογράφηση
DELANEY, B. C., et al Can computerised decision support systems deliver improved
quality in primary care?. Interview by Abi Berger. Bmj, 319, 1281
Πληροφόρηση - Εκπαίδευση

vs
Συλλογή δεδομένων σε
πραγματικό χρόνο

Διαγνώσεις

Συλλογή και
επεξεργασία

Ανίχνευση
απειλών
Επιδημίες
Περιβαλλοντικοί κίνδυνοι, πχ
θερμοπληξία
Έγκαιρη ανίχνευση οποιασδήποτε
απότομης μεταβολής κάποιας πάθησης
στον πληθυσμό
Διευκόλυνση της αναφοράς
ανεπιθύμητων ενεργειών φαρμάκων
 How the project works

NHS Direct NHS Direct NHS Direct NHS Direct

site 1 site….. site... site 22

Data collection

NHS Direct National

Operations Centre

Health Protection Agency

Analyses West Midlands
Regional Surveillance Unit
Health Protection
Other agencies Agency

Dissemination NHS Direct Health

NHS Direct Department
Protection PCTs/SHAs
sites Units National Team of Health
 Data collection

Call data on 10 ‘key’ symptoms/syndromes are transferred each week day from the
22 call centres (covering all of England & Wales) to the Health Protection Agency at
West Midlands

Cold/flu Cough Fever Difficulty breathing

Vomiting Diarrhoea
Double vision Eye problems Lumps Rash

Heat stroke monitored during summer months

Call data are broken down by site, symptom, age-group and call outcome

Further details of individual calls including postcodes can be requested if needed

 Analysis - control charts
16
Control charts constructed for 6 algorithms
Manchester for 10 sites (major urban centres).
NHS Direct
14
Model constructed assuming the Poisson distribution using the Gamma
distribution to account for over-dispersion.
12

10
Incorporate a bank holiday and seasonal factor with a day factor and time
Proportion (%)

trend factor included if required.

8 99.5% prediction limits are calculated for each day. The prediction limit for
the "future" is based on the average number of total calls to-date.
6

4
99.5% upper prediction limits are also constructed for the remaining sites
and
2 algorithms (where control charts are not available) using standard
formula (bank holiday/day/time trend factors not included).
0
Oct-01

Oct-02

Oct-03
Apr-03
Mar-02
Apr-02

Mar-03

Jul-03
Jul-02
Aug-02

Aug-03
May-02

May-03
Jan-02

Jan-03

Jun-03
Feb-02

Jun-02

Dec-02

Feb-03

Sep-03
Nov-01
Dec-01

Sep-02

Nov-02

proportion of fever calls (% ) 99.5% upper prediction limit

 Proportion of NHS Direct fever
calls (5-15 year age group) by region

Figure1 - NHS Direct fever calls (5-14 year olds) as a proportion of total calls for this
age group (2005-2006) [7 day moving average]

London West Midlands

North West North East
25
Wales East Midlands
South West South East
East England and Wales
20
Proportion of calls (%)

15

10

0
ov -05
ov -05

ov -05
v -05

n-06

n-06

n-06
-06
c t -05

c t -05

eb-06

ar-06

ar-06
ec -05

ec -05

ec -05

eb-06
ec -05

r-06
c -05

b-06

r-06
b-06

ar-06
7-J an

1-Ap
4-Ma
5-No

14-J a

21-J a

28-J a

4-Fe
3-De

11-Fe
22-O

29-O

18-M

25-M
12-N

19-N

26-N

11-M
10-D

17-D

24-D

31-D

18-F

25-F
 Πλεονεκτήματα της
καθημερινής συλλογής
πληροφοριών
Πρώιμη πληροφόρηση για την έξαρση μιας
νόσου
Παρακολούθηση παιδιών χωρίς τακτικές
επισκέψεις στο γενικό γιατρό/παιδίατρο ή στα
νοσοκομεία
Ενημέρωση ΜΜΕ, επιβεβαίωση στοιχείων
Διαθεσιμότητα ενημερωμένων στατιστικών
στοιχείων
Συνεχής παρακολούθηση
 ‘Heat-health watch’
Daily proportion of 'heat/sun stroke' calls to 6 NHS Direct sites ~ Summer 2003
Heatwave plan for England and Wales - Summer 2004

Maximum Central England Temperature (C)

1.40 35
Proportion of NHS Direct calls

1.20 30
“By the time a heatwave starts the window of opportunity for effective action
is1.00
very short indeed…” 25

“The HPA, in collaboration with NHS Direct, will refine mechanisms for the 20
0.80
surveillance
0.60
of increased heat-related illness with the aim of being able to 15
provide daily real-time reports to the Department of Health.”
0.40 10
“These will provide a source of intelligence on (a) how severe the effects are,
and
0.20 (b) how well services are responding.” 5
DH - Heatwave Plan - 2004 [data:NHS Direct & Met Office]
0.00 0

3
-03

-03

-03
03

l-03

03
l-03

l-03

g-0
ul-

ul-

ug

ug

ug
Ju
u
u

Au
J

J
1-J

8-J

5-A

A
15-

22-

29-

19-
12-

26-
Proportion of heat/sun stroke calls Seasonal mean proportion of heat/sun stroke calls
Daily mean temperature - 2003
6 NHS Direct sentinel sites (population 19 million): North West Coast, East Midlands, West Country, Kent/Surrey/Sussex, East Anglia, South London
Πώς θα φτιάξουμε μια βάση
δεδομένων ενός ιατρείου;
Δεδομένα προς οργάνωση
Ονοματεπώνυμο ασθενούς
Φύλο
Έτος γέννησης
Διεύθυνση
Ημερομηνία επίσκεψης
Συστολική πίεση
Διαστολική πίεση
Σφύξεις
Συνήθης εργασία με φύλλο
excel
Συνήθης εργασία με φύλλο
 
Screen clipping taken: 1/11/2009; 11:17 μμ
 
 

excel
Πού οφείλεται αυτή η ταχύτητα;
= οργάνωση δεδομένων

Κανονικοποίηση
Η ομαδοποίηση των
δεδομένων με τέτοιο
τρόπο ώστε να
αποφεύγεται η περιττή
επανάληψή τους και να
διασφαλίζεται η
ακεραιότητά τους
Πίνακες δεδομένων
Ενότητες entities (tables)
Χαρακτηριστικά
(attributes)
Σχέσεις (Relationships)
Οργάνωση σχεσιακής βάσης
δεδομένων Αναγνωρίστε τα
πεδία με τις
επαναλαμβανόμενες
τιμές!
Ονοματεπώνυμο
Διεύθυνση
Ημ. Γέννησης
Φύλο
Ημερομηνία
επίσκεψης
Συστολική Πίεση
Διαστολική πίεση
Σφύξεις
3 Κανόνες του «ενός»

Ένας τύπος αντικειμένων σε έναν πίνακα

Ένα αντικείμενο = 1 γραμμή πίνακα
Μία ιδιότητα αντικειμένου = 1 στήλη πίνακα
Οργάνωση σχεσιακής βάσης
δεδομένων

Ενότητες
(πίνακες)

Ασθενείς Επισκέψεις

Ονοματεπώνυμο Ημερομηνία
επίσκεψης
Διεύθυνση
Συστολική Πίεση
Ημ. Γέννησης
Διαστολική πίεση
Φύλο
Σφύξεις

Χαρακτηριστικά
(πεδία)
Attributes
 Οργάνωση σχεσιακής βάσης
δεδομένων

Ασθενείς Επισκέψεις

Ονοματεπώνυμο Ημερομηνία
επίσκεψης
Διεύθυνση
Συστολική Πίεση
Ημ. Γέννησης
Διαστολική πίεση
Σφύξεις
Φύλο

Φύλο (περιγραφή)
 Οργάνωση σχεσιακής βάσης
δεδομένων-πρωτεύον κλειδί

Ασθενείς Επισκέψεις

Patient_ID Visit_ID
Ονοματεπώνυμο Ημερομηνία
επίσκεψης
Διεύθυνση
Συστολική Πίεση
Ημ. Γέννησης
Διαστολική πίεση
Φύλο Σφύξεις

Gender_ID
Φύλο (περιγραφή)
 Οργάνωση σχεσιακής βάσης
δεδομένων- σχέσεις (relationships)

Ασθενείς Επισκέψεις

Patient_ID Visit_ID
Ονοματεπώνυμο Ημερομηνία
επίσκεψης
Διεύθυνση
Συστολική Πίεση
Ημ. Γέννησης
Διαστολική πίεση
GenderID
Σφύξεις
∞ PatientID

Φύλο

Gender_ID
Φύλο (περιγραφή)
Βήμα 1: Κατασκευή πινάκων
Βήμα 2: Φόρμες - Forms

«παράθυρα» που επιτρέπουν την

εισαγωγή ή την αναζήτηση δεδομένων
Βήμα 3:Ερωτήματα- Queries

Αναζήτηση δεδομένων βάσει κριτηρίων

Υπολογισμός τιμών από τα δεδομένα της
βάσης
Επιλεκτική αναζήτηση δεδομένων =
ΤΑΧΥΤΗΤΑ
Βήμα 4: Αναφορές

Η φιλική προς εκτύπωση

παρουσίαση των
δεδομένων
Εφαρμογή κατασκευής πινάκων