SDMI ô INFORMATICA MEDICA SLOVENICA Kontrola kvalitete DNA mikromrež nizke gostote 14 Meta-analiza v tehnologiji genskih mikromrež 22 A Simple Assessment of Left Ventricular Function and Mass with Cine MRI 29 Nekaj malega o računanju velikosti vzorca 34 Opremljenost in uporaba IT v bolnišnicah in zdravstvenih domovih v Sloveniji 40 Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege 45 Poročilo o 12. mednarodnem kongresu MEDINFO Revija Slovenskega društva za medicinsko informatiko Informatica Medica Slovenica LETNIK 12, ŠTEVILKA 2 ISSN 1318-2129 ISSN 1318-2145 on line edition http://ims.mf.uni-lj.si GLAVNI UREDNIK VSEBINA Janez Stare SOUREDNIKA Jure Dimec Blaž Zupan TEHNIČNI UREDNIK Peter Juvan UREDNIŠKI ODBOR Gregor Anderluh Valentin Fidler Emil Hudomalj Brane Leskošek Marjan Mihelin Mojca Paulin Borut Peterlin Uroš Petrovič Vladislav Rajkovič Gaj Vidmar BIVŠA GLAVNA UREDNIKA Martin Bigec Peter Kokol O REVIJI Informatica Medica Slovenica je interdisciplinarna strokovna revija, ki objavlja prispevke s področja medicinske informatike, informatike v zdravstvu in zdravstveni negi, ter bioinformatike. Revija objavlja strokovne prispevke, znanstvene razprave, poročila o aplikacijah ter uvajanju informatike na področjih medicine in zdravstva, pregledne članke in poročila. Se posebej so dobrodošli prispevki, ki obravnavajo nove in aktualne teme iz naštetih področij. Izvirni znanstveni članki 1 Rok Devjak, Tadeja Režen, Damjana Rozman, Peter Juvan Kontrola kvalitete DNA mikromrež nizke gostote 14 Andrej Kastrin Meta-analiza v tehnologiji genskih mikromrež 22 Rakesh Sharma, Avdhesh Sharma, Charles D. Williams A Simple Assessment of Left Ventricular Function and Mass with Cine MRI Strokovna članka 29 Janez Stare Nekaj malega o računanju velikosti vzorca 34 Matic Meglič, Dorjan Marušič, Aleš Anžur, Drago Kodele Opremljenost in uporaba IT v bolnišnicah in zdravstvenih domovih v Sloveniji Bilten SDMI 40 Ema Dornik, Vesna Prijatelj Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege 45 Vesna Prijatelj Poročilo o 12. mednarodnem kongresu MEDINFO Informatica Medica Slovenica je strokovna revija Slovenskega društva za medicinsko informatiko. Revija je dostopna na naslovu http://ims.mf.uni-lj.si. Avtorji člankov naj svoje prispevke v elektronski obliki pošiljajo glavnemu uredniku po elektronski pošti na naslov janez.stare@mf.uni-lj.si. Revijo prejemajo vsi člani društva. Informacije o članstvu v društvu oziroma o naročanju na revijo so dostopne na tajništvu društva (Drago Rudel, drago.rudel@mf.uni-lj.si). Informatica Medica Slovenica 2007; 12(1) 1 Izvirni znanstveni članek Kontrola kvalitete DNA mikromrež nizke gostote Quality Control of Low-Density DNA Microarrays Institucije avtorjev: Medicinska fakulteta (RD, PJ, TR, DR), Fakulteta za računalništvo in informatiko (PJ), Univerza v Ljubljani. Kontaktna oseba: Peter Juvan, Center za funkcijsko genomiko in bio-čipe, Inštitut za biokemijo, Medicinska fakulteta, Univerza v Ljubljani, Zaloška cesta 4, SI-1000 Ljubljana. email: peter.juvan@friuni-lj.sL Rok Devjak, Tadeja Režen, Damjana Rozman, Peter Juvan Izvleček. Tehnologija DNA mikromrež, ki veliko obeta na področju klinične diagnostike in prognostike, se sooča s problemom slabo izoblikovane in neenotne sheme za kontrolo kvalitete meritev. Razvili smo splošen pristop za kontrolo kvalitete DNA mikromrež nizke gostote, ki je osnovan na analizi kovariance kontrolnih sond. Pristop smo aplicirali na mikromreži Steroltalk, razviti z namenom preučevanja izražanja genov, povezanih s homeostazo holesterola. Na modelu primarnih človeških hepatocitov smo analizirali spremembe v izražanju genov pri aplikaciji rifampicina in rosuvastatina in pristop ovrednotili s primerjavo rezultatov analize z navedbami iz literature. Predlagan pristop je neodvisen od vrste uporabljene DNA mikromreže in kot tak lahko pomembno prispeva k hitrejšemu prenosu te tehnologije v klinično prakso. Abstract. DNA microarray technology, showing great perspective in clinical diagnostics and prognostics, is facing a problem of loosely defined and non-unified data quality control. We have developed a general approach for controlling the quality of low density DNA microarrays, which is based on the analysis of covariance of control probes. We have applied the approach to the Steroltalk microarray, which was developed to study genes in connection with cholesterol homeostasis. We analyzed changes in genes expression in human primary hepatocytes treated with rifampicin and rosuvastatin and evaluated the approach by comparing our results to these from the literature. The proposed approach is independent of the type of DNA microarray and therefore may contribute to more rapid transfer of this technology to the clinical practice. ■ Infor Med Slov: 2007; 12(2): 1-13 2 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote Uvod Tehnologija DNA mikromrež je v zadnjem času močno posegla na področje medicine in diagnostike. Ena izmed možnih oblik uporabe te tehnologije so mikromreže nizke gostote za ekspresijsko profiliranje. Te vsebujejo specifičen izbor genov iz celotnega genoma in so kot take namenjene proučevanju posameznih bioloških procesov. Z namenom preučevanja izražanja genov, povezanih s homeostazo holesterola in presnovo zdravil, smo v okviru evropskega projekta 6. okvirnega programa projekta Steroltalk razvili cDNA mikromrežo nizke gostote, ki vsebuje okoli 300 sond za človeške gene in njim sorodne gene pri miši. Mikromreža poleg homeostaze holesterola omogoča tudi študije homeostaze glukoze, maščobnih kislin, cirkadičnega ritma in vnetnih procesov, ter študije razvoja ateroskleroze pri miši in človeku.1,2 Z uporabo tehnologije DNA mikromrež v enem samem poskusu opravimo veliko število meritev, zaradi česar je kontrola kvalitete izvedbe poskusa in pridobljenih podatkov velikega pomena. Kljub temu, da je ponovljivost poskusa z mikromrežami relativno visoka,3 v trenutnem stanju razvoja tehnologija še ni dovolj robustna, da bi jo lahko rutinsko uporabljali v klinični praksi. Pogosto namreč prihaja do primera, da na podlagi določenih meritev pridemo do različnih zaključkov,4 kar v klinični praksi ni dopustno. Enega večjih problemov predstavlja slabo izoblikovana in neenotna shema kontrole kvalitete podatkov. Določitev enotne in od platforme neodvisne kontrole kvalitete podatkov je nujnega pomena za razvoj diagnostičnih čipov in posledičnega prenosa tehnologije v klinično prakso, saj se bodo lahko le na ta način oblikovali diagnostični testi z dovolj visoko občutljivostjo in specifičnostjo za njihovo praktično uporabo. Skupina External RNA Controls Consortium (ERCC) in projekt MicroArray Quality Control (MAQC) sta trenutno najbolj aktivna na področju raziskovanja kontrole kvalitete DNA mikromrež s pomočjo visoko kalibrirane referenčne RNA.5 Njun namen je vzpostaviti osnovne standarde kontrole kvalitete s pomočjo kontrolnih sond, kar bi pripomoglo k boljši primerljivosti podatkov, tako med različnimi poskusi kot tudi med različnimi platformami mikromrež, kar bi posledično prispevalo k hitrejši implementaciji tehnologije v klinični praksi. Kvaliteto izvedbe poskusa z mikromrežo kontroliramo na različnih ravneh: pri izvedbi poskusa z merjenjem kvalitete RNA in uspešnosti integracije barvil, pri odčitavanju z laserskim čitalcem (saturacija, intenziteta ozadja), in pri analizi podatkov (intenziteta pozitivnih in negativnih kontrolnih sond, razmerje med intenziteto signala in ozadja, intenziteta vzdrževalnih (angl. housekeeping) genov in razmerja intenzitet različnih sond za isto tarčo). Pri analizi podatkov na podlagi določenih meril za kontrolo kvalitete izločimo tiste meritve, ki bi lahko privedle do napačnih zaključkov. Merila so pogosto specifična za uporabljeno platformo in med platformami medsebojno neprimerljiva. Kontroli kvalitete sledi normalizacija podatkov, s katero zagotovimo medsebojno primerljivost opravljenih meritev. Pri tem se v splošnem uporablja dve strategiji. Pri mikromrežah visoke gostote, kjer lahko predpostavimo, da je skupna količina mRNA v vseh vzorcih enaka (ne glede na tretma), za izračun normalizacijske konstante (oz. krivulje) uporabimo izmerjene intenzitete vseh genov na mikromreži. Te predpostavke pri mikromrežah nizke gostote ne moremo narediti; zaradi tega za izračun normalizacijske vrednosti uporabimo normalizacijske kontrolne sonde, na katere hibridizira tuja RNA, ki jo v naprej določeni količini dodamo k RNA preiskovanih vzorcev. Normalizacijske sonde lahko uporabimo tudi za kontrolo kvalitete podatkov DNA mikromrež. V prispevku predstavljamo inovativen pristop, ki je osnovan na analizi kovariance intenzitete normalizacijskih sond. Razvili smo ga z namenom kontrole kvalitete mikromrež Steroltalk in aplicirali na podatkih iz študije učinka rifampicina Informatica Medica Slovenica 2007; 12(2) 3 in rosuvastatina, kjer smo na ta način ovrednotili razlike v izražanju genov. Metode Hibridizacija in odčitavanje mikromrež Steroltalk sta bili opravljeni v Centru za funkcijsko genomiko in bio-čipe Medicinske fakultete Univerze v Ljubljani. Za normalizacijo podatkov in izračun diferencialne izraženosti smo uporabili programski paket Orange6 (Fakulteta za računalništvo in informatiko, Univerza v Ljubljani) Predlagan pristop za kontrolo kvalitete smo izvedli v programu SPSS (SPSS Inc., Chicago, IL, ZDA). Mikromreža Steroltalk Mikromreža Steroltalk v2 vsebuje cDNA sonde za 288 človeških genov, 18 vrst normalizacijskih kontrolnih sond kompleta Lucidea Universal ScoreCard (Amersham Biosciences), 7 vrst pozitivnih in 5 vrst negativnih kontrolnih sond. Geni so na mikromreži naneseni v treh in kontrolne sonde v šestih ponovitvah. Mikromreža omogoča hibridizacijo dveh vzorcev hkrati, ki ju predhodno označimo z različnima fluorescentnima barviloma, npr. cianin-3 (Cy3) in cianin-5 (Cy5). Negativne in pozitivne kontrolne sonde uporabljamo za kontrolo izvedbe poskusa, normalizacijske pa za določitev izhodiščnega razmerja med signaloma primerjanih vzorcev. Normalizacija mikromrež nizke gostote temelji na normalizacijskih sondah, ki so na mikromreži nanesene skupaj s sondami genov. Na normalizacijske sonde hibridizira tuja RNA, ki jo dodamo k iz vzorcev izolirani RNA pred začetkom označevanja. Normalizacijska RNA sestoji iz dveh v naprej pripravljenih mešanic RNA prepisov, ki se razlikujeta v koncentracijah posameznih transkriptov. Na ta način je pričakovano razmerje med signaloma posamezne normalizacijske sonde pogojeno z razmerjem med koncentracijama RNA, ki se hibridizira na to sondo. V procesu normalizacije izmerjeno razmerje med signaloma normalizacijskih sond popravimo na pričakovano razmerje, za enak faktor pa popravimo tudi razmerja signalov genov. Najpreprostejši način normalizacije je, da za vse gene uporabimo enak normalizacijski faktor. Pogosteje se uporablja normalizacija v odvisnosti od logaritma povprečne intenzitete signalov Ai=log2V(R*G), kjer Ri in G; predstavljata intenziteti signalov sonde i. Normalizacijsko funkcijo v odvisnosti od A ponavadi določimo neparametrično z uporabo metode lokalno utežene regresije (LOWESS)7 skozi normalizacijske sonde. Slika 1 prikazuje primer MA grafa mikromreže Steroltalk in LOWESS krivuljo skozi normalizacijske sonde; na ordinatni osi je prikazan logaritem razmerja intenzitet signalov posameznih sond (Mi=log2(Ri/G)), na abscisni osi pa logaritem njihove povprečne intenzitete (A). Mikromreža Steroltalk vsebuje 10 vrst normalizacijskih sond, pri katerih je pričakovano razmerje med signaloma 1:1 (Lcal1-Lcal10, označene s krogci), ter 8 vrst normalizacijskih sond s pričakovanimi razmerji med signaloma 1:3, 3:1, 1:10 in 10:1 (Lratio1-Lratio8, označene z rombi). Slednje lahko centriramo glede na pričakovano razmerje med signaloma in na ta način dosežemo boljše prileganje normalizacijske krivulje kontrolam. Slika 1 levo prikazuje normalizacijske sonde in krivuljo pred centriranjem, desno pa po centriranju. S centriranjem dosežemo, da je normalizacijska krivulja gladka tudi pri izbiri ožjega okna (širina okna je bila v obeh primerih enaka) in s tem bolj natančno določa izhodiščno razmerje med signaloma primerjanih vzorcev. 4 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote Slika 1. Primer MA grafa iz podatkov mikromreže Steroltalk in LOWESS krivulja nad normalizacijskimi sondami. S križci ( + ) so označeni geni, s krožci (o) normalizacijske kontrole z razmerjem koncentracij 1:1, z rombi (◊) pa normalizacijske kontrole z razmerjem koncentracij 1:3, 3:1, 1:10 in 10:1. Levo so prikazane normalizacijske sonde pred centriranjem, desno pa po centriranju. Študija aplikacije rifampicina in rosuvastatina V okviru EU FP6 projekta Steroltalk so bili v laboratorijih K. Monostory, Madžarska akademija znanosti, Madžarska, in P. Maurel, INSERM, Montpellier, Francija, pripravljeni človeški primarni hepatociti iz jeter sedmih donorjev. Vzorci so bili tretirani s 5 ^M rifampicinom ali z 10 ^M rosuvastatinom (oba v 0,1% DMSO). Po 48 urah je bila iz celic izolirana celokupna RNA z uporabo reagenta TRIZOL po navodilih proizvajalca (Invitrogen). Za analize transkriptoma smo uporabili 20 mikrogramov celokupne RNA ter jo označili in hibridizirali po protokolih, razvitih za mikromreže Steroltalk.1 Pred označevanjem smo RNA dodali tuje oz. normalizacijske RNA. Pristop za kontrolo kvalitete podatkov mikromrež na osnovi normalizacijskih sond nižje kvalitete in pripadajoče podatke izločimo iz nadaljnje analize. Kontrola kvalitete temelji na analizi kovariance (ANCOVA) normalizacijskih sond, ki jih predhodno centriramo z razmerjem koncentracij, v katerih smo dodali tujo RNA k primerjanima vzorcema. Model ANCOVA je nadgrajen model analize variance (ANOVA) z dodano spremenljivko, ki kovariira z osnovno spremenljivko. Je mešanica modela ANOVA in linearne regresije. Moč testa ANCOVA je povečana tako, da odstrani tisti del variance, ki ga povzroči kovariiranje osnovne in dodane spremenljivke.8 Variabilnosti spremenljivke pri modelu ANOVA izrazimo z vsoto kvadriranih odklonov za tretmaje, pri modelu ANCOVA pa kot vsoto kvadriranih odklonov od regresijske krivulje (Slika 2). Tako izračunana vsota kvadratov je manjša od tiste pri modelu ANOVA. Normalizacijske sonde lahko poleg za izračun normalizacijske krivulje uporabimo tudi za kontrolo kvalitete meritev DNA mikromrež. Z njihovo pomočjo lahko odkrijemo mikromreže Informatica Medica Slovenica 2007; 12(2) 5 O J o _ o o + —► Slika 2. ANOVA (zgoraj) — ena regresijska krivulja v sredini, ANCOVA (spodaj) — dve regresijski krivulji. Različni tretmaji so ponazorjeni s križci ( + ) in krožci (o). Predlagani pristop je osnovan na testiranju ničelne hipoteze (H0), da med razmerji intenzitet normalizacijskih kontrol, ki jih predhodno centriramo, ne obstajajo statistično značilne razlike, pri čemer upoštevamo tudi vrednost njihove povprečne intenzitete (A). Vrsta kontrole predstavlja fiksni faktor, logaritem razmerja intenzitet signalov (M) neodvisno spremenljivko, logaritem povprečne intenzitete (A) pa sospremenljivko (angl. covariate). Test opravimo po parih; pri 18 vrstah normalizacijskih kontrol, ki so prisotne na mikromreži Steroltalk, torej opravimo 153 testov. Število statistično značilnih rezultatov uporabimo kot mero za kvaliteto podatkov posamezne mikromreže (nižja vrednost pomeni višjo kvaliteto). S testom primerjamo razlike med istovrstnimi normalizacijskimi sondami (na mikromreži Steroltalk so vse nanesene v šestih ponovitvah), ki so posledica tehničnih omejitev pri izdelavi mikromreže in meritvene napake laserskega čitalca (torej faktorjev, na katere tekom poskusa ne moremo vplivati), z razlikami med različnimi vrstami normalizacijskih sond, do katerih lahko pride v tekom izvedbe poskusa in katere lahko nadzorujemo: uspešnost integracije barvila, natančnost pipetiranja, uspešnost spiranja... Na ta način kontroliramo kvaliteto izvedbe poskusa in posledično kvaliteto izvedenih podatkov. S predlaganim pristopom tudi zagotovimo, da se normalizacijska krivulja dobro prilega podatkom normalizacijskih sond, in hkrati opozorimo na potencialna odstopanja posameznih vrst normalizacijskih sond, katere lahko tekom normalizacije izločimo iz izračuna normalizacijske krivulje. Evaluacija predlaganega pristopa kontrole kvalitete podatkov mikromrež Predlagan pristop kontrole kvalitete podatkov DNA mikromrež smo aplicirali na študijah učinka rifampicina in rosuvastatina z uporabo mikromreže Steroltalk v2, katerih namen je bil ovrednotiti razlike v izražanju genov, ki jih povzroči administracija omenjenih dveh učinkovin. Primerjali smo razlike v izražanju genov, do katerih pridemo brez in z uporabo predlaganega pristopa, in jih ovrednotili s stališča poznavanja učinka omenjenih učinkovin. Mikromreže, ki so bile hibridizirane v omenjenih študijah, smo razvrstili glede na število signifikantnih rezultatov testov ANCOVA pri a=0,05 od najslabše ocenjene (najvišje število signifikantnih testov) do najboljše. Postopno smo odstranjevali podatke najslabše ocenjenih mikromrež in iz vsakega nabora podatkov ovrednotili diferencialno izražene gene z uporabo dvostranskega t-testa za neodvisne vzorce pri statistični značilnosti a=0,05. Primerjali smo sezname diferencialno izraženih genov iz šestih naborov podatkov: osnovnega nabora, ki je vseboval vse podatke, in petih naborov, pri katerih smo odstranili podatke od ene do pet najslabše ocenjenih mikromrež. Gene smo razvrstili v skupine glede na njihov vzorec pojavljanja v seznamih diferencialne izraženosti in jih ovrednotili na podlagi poznavanja njihovih bioloških funkcij in s pomočjo literature. 6 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote Rezultati Predlagan pristop kontrole kvalitete podatkov DNA mikromrež smo ovrednotili s stališča razlik v izražanju genov pri študiji učinka rifampicina in rosuvastatina. Za vsako študijo smo primerjali šest seznamov diferencialno izraženih genov: nabor (a) je vseboval vse podatke, pri naborih (b)-(f) pa smo odstranili podatke od ene do pet najslabše ocenjenih mikromrež. Glede na vzorec pojavljanja genov v seznamih diferencialne izraženosti smo določili sledeče skupine genov: 1. geni, ki z odstranitvijo najslabše ocenjenih podatkov izginejo s seznama diferencialne izraženosti; 2. geni, ki se z odstranitvijo najslabše ocenjenih podatkov pojavijo na seznamu diferencialne izraženosti; 3. geni, pri katerih se z odstranjevanjem najslabše ocenjenih podatkov diferencialna izraženost spreminja; 4. diferencialno izraženi geni, na katere predlagan pristop ne vpliva. Gene, pri katerih se z odstranjevanjem najslabše ocenjenih podatkov diferencialna izraženost spreminja (skupina 3), smo na podlagi manj stroge statistične značilnosti a=0,1 poskusili prerazporediti v eno izmed drugih skupin. Pri preostalih (neprerazporejenih) genih pa smo primerjali njihove p-vrednosti po posameznih obravnavah in poskusili sklepati o njihovi diferencialni izraženosti. Poskus na študiji rifampicina Tabela 1 prikazuje 5 najslabše ocenjenih in 2 najbolje ocenjeni mikromreži pri poskusu z rifampicinom. Postopno smo odstranjevali podatke najslabše ocenjenih mikromrež in ovrednotili diferencialno izražene gene. Tabela 2 prikazuje primerjavo diferencialno izraženih genov, ovrednotenih iz vseh podatkov (a), po odstranitvi podatkov mikromreže Rif48h269 (b), po odstranitvi podatkov mikromrež Rif48h269 in Rif48h271 (c), itd. Gene smo glede na vzorec njihove diferencialne izraženosti preko posameznih obravnav razvrstili v zgoraj opisane štiri skupine. Tabela 1. Število statistično značilnih rezultatov analize kovariance med pari normalizacijskih sond pri petih najslabše (zgoraj) in dveh najbolje (spodaj) ocenjenih mikromrežah, hibridiziranih pri študiji učinka rifampicina. Oznaka mikromreže St. stat. značilnih rezultatov (a=0,05) Rif48h269 146 Rif48h271 138 Rif48h270 137 UnRif270 136 Rif48h89 135 UnRif129 114 UnRif89 102 Tabela 2. Diferencialno izraženi geni pri študiji vpliva rifampicina glede na različne obravnave podatkov (t-test, a=0,05). (a) vsi podatki, (b)-(f) odstranjenih 1-5 meritev najnižje kvalitete. S # je označena skupina genov glede na vzorec njihovega pojavljanja v seznamih diferencialne izraženosti. + (—) označujeta statistično značilno povišano (znižano) izražanje genov s seznama. a b c d e f Seznam genov # + + + CYP39A1 CYP4F8,CYP4F11 1 + + + + GFPT2 + HMGCL,LDHA 2 — — CYP8B1 — NR1I2 + + + APOC1,CEBPG,INSIG2,PPARA NFKBIE + + + DHCR24 3 + + + + SLCO1B1 + + + + NR1D2 + + + + CYP2A6,CYP2A7,CYP2A13 + + + + + NOS1 ALAS1,CEBPA,CYP2C8,CYP2C9, + + + + + + CYP2C18,CYP2C19,CYP3A4,CYP3A5, 4 _CYP3A7,CYP3A43,DBP,NR5A2 Tabela 3 prikazuje p-vrednosti genov, pri katerih se z odstranjevanjem najslabše ocenjenih mikromrež diferencialna izraženost spreminja Informatica Medica Slovenica 2007; 12(2) 7 (skupina 3). Gene smo z uporabo manj stroge statistične značilnosti a=0,1 poskusili prerazporediti v eno izmed drugih skupin. Tabela 3. Diferencialno izraženi geni pri študiji vpliva rifampicina iz skupine 3 in pripadajoče p-vrednosti po posameznih obravnavah. S # je označena skupina genov, določena glede na vzorec diferencialne izraženosti preko posameznih obravnav pri statistični značilnosti a=0,1. a b c d e f Gen # 0,250 0,305 0,048 0,028 0,051 0,112 NR1I2 3 0,051 0,022 0,052 0,076 0,061 0,085 APOC1 4 0,101 0,033 0,056 0,111 0,132 0,132 CEBPG 3 0,062 0,030 0,064 0,140 0,155 0,155 INSIG2 1 0,124 0,047 0,102 0,130 0,182 0,182 PPARA 3 0,065 0,018 0,045 0,070 0,116 0,116 NFKBIE 1 0,021 0,036 0,057 0,149 0,109 0,019 DHCR24 3 0,011 0,025 0,062 0,191 0,011 0,011 SLCO1B1 3 0,011 0,022 0,045 0,111 0,097 0,015 NR1D2 3 0,013 0,016 0,035 0,090 0,035 0,078 CYP2A6 4 0,013 0,016 0,036 0,093 0,034 0,085 CYP2A7 4 0,015 0,017 0,037 0,094 0,037 0,081 CYP2A13 4 0,017 0,014 0,036 0,055 0,048 0,048 NOS1 4 Poskus na študiji rosuvastatina Tabela 4 prikazuje 5 najslabše ocenjenih in 2 najbolje ocenjeni mikromreži pri poskusu z rosuvastatinom. Na enak način kot pri študiji rifampicina smo postopno odstranjevali podatke najslabše ocenjenih mikromrež in ovrednotili diferencialno izražene gene, ki so prikazani v Tabeli 5. Gene smo glede na vzorec njihove diferencialne izraženosti preko posameznih obravnav razvrstili v zgoraj opisane štiri skupine. Tabela 6 prikazuje p-vrednosti genov, pri katerih se z odstranjevanjem najslabše ocenjenih mikromrež diferencialna izraženost spreminja (skupina 3). Gene smo z uporabo manj stroge statistične značilnosti a=0,1 poskusili prerazporediti v eno izmed drugih skupin. Tabela 4. Število statistično značilnih rezultatov analize kovariance med pari normalizacijskih sond pri petih najslabše (zgoraj) in dveh najbolje (spodaj) ocenjenih mikromrežah, hibridiziranih pri študiji učinka rosuvastatina. Oznaka mikromreže St. stat. značilnih rezultatov (a=0,05) UnRo271 150 Ro48h114 147 UnRo270 147 Ro48h89 142 Ro48h270 141 UnRo129 96 Ro48h271 90 Tabela 5. Diferencialno izraženi geni pri študiji vpliva rosuvastatina glede na različne obravnave podatkov (t-test, a=0,05). (a) vsi podatki, (b)-(f) odstranjenih 1-5 meritev najnižje kvalitete. S # je označena skupina genov glede na vzorec njihovega pojavljanja v seznamih diferencialne izraženosti. + (—) označujeta statistično značilno povišano (znižano) izražanje genov s seznama. a b c d e f Seznam genov # + + + INSIG1 1 --- SAA2 2 ---- ORM1 2 + ACAT2,FDFT1 C9 3 APCS ++++++ ACAS2,FDPS,HMGCS1,IDI1,SQLE 4 ABCG5 4 Tabela 6. Diferencialno izraženi geni pri študiji vpliva rosuvastatina iz skupine 3 in pripadajoče p-vrednosti po posameznih obravnavah. S # je označena skupina genov, določena glede na vzorec diferencialne izraženosti preko posameznih obravnav pri statistični značilnosti a=0,1. a_b_c_d_e_f_Gen # 0,063 0,039 0,076 0,149 0,185 0,105 ACAT2 1 0,066 0,044 0,078 0,078 0,130 0,062 FDFT1 3 0,103 0,037 0,048 0,013 0,024 0,051 C9 2 0,039 0,066 0,034 0,030 0,061 0,139 APCS 1 8 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote Diskusija Predlagani pristop postopnega odstranjevanja podatkov mikromrež nižje kvalitete smo s stališča izvedbe ovrednotili na podlagi primerjave skupin genov, ki smo jih določili glede na vzorec njihove diferencialne izraženosti preko posameznih obravnav. Geni, ki se z odstranitvijo najslabše ocenjenih podatkov na novo pojavijo na seznamu diferencialne izraženosti (skupina 2), kažejo na uporabnost predlaganega pristopa, s katerim smo uspeli iz analize diferencialne izraženosti odstrani tiste meritve, ki so največ prispevali k šumu v podatkih. Taki geni so trije od skupno 32 pri študiji vpliva rifampicina (rif) in 2 od skupno 13 pri študiji vpliva rosuvastatina (ros). Geni, ki z odstranitvijo najslabše ocenjenih podatkov izginejo iz seznama diferencialne izraženosti (skupina 1), kažejo na problem zmanjševanja moči statističnega testa za ugotavljanje diferencialne izraženosti, do katerega pride z odstranjevanjem podatkov posameznih meritev. Taki geni so štirje pri rif in in eden pri ros. Največjo skupino predstavljajo geni, na katere predlagan pristop ne vpliva. Sem spadajo diferencialno izraženi geni iz skupine 4 (12 genov pri rif in 6 pri ros), in hkrati tudi vsi geni, za katere diferencialna izraženost ni bila potrjena v nobeni izmed od obravnav. Geni, pri katerih se z odstranjevanjem najslabše ocenjenih podatkov diferencialna izraženost spreminja (13 genov pri študiji vpliva rifampicina in 4 pri študiji vpliva rosuvastatina), izkazujejo tako uporabnost pristopa kot tudi problem zmanjševanja moči statističnega testa, do katerega pride z odstranjevanjem podatkov posameznih meritev. Za te smo s primerjavo p-vrednosti preko posameznih obravnav pokazali, da jih lahko v večini primerov z uporabno manj stroge statistične značilnosti a=0,1 prerazporedimo v eno izmed prej omenjenih skupin. Na ta način smo uspeli prerazporediti 7 od 13 genov pri rif (Tabela 3) in 3 od 4 genov pri ros (Tabela 6). Pri preostalih neprerazporejenih genih smo opazili, da se njihove p-vrednosti preko vseh obravnav gibljejo blizu mejne vrednosti izbrane statistične značilnosti, zaradi česar je njihove diferencialne izraženosti ne moremo zanesljivo napovedati. Primerjava p-vrednosti genov iz skupine 3 (Tabeli 3 in 6) pokaže, da z odstranjevanjem podatkov najslabše ocenjenih mikromrež dosežemo tako pozitiven učinek odstranjevanja šuma v podatkih kot tudi negativen učinek zmanjševanja moči statističnega testa za ugotavljanje diferencialne izraženosti (t-test). Pozitiven učinek odstranjevanja šuma je najbolj opazen pri genu NR1I2 (Tabela 3) po odstranitvi podatkov dveh najslabše ocenjenih mikromrež (obravnava (c)) in pri genu C9 (Tabela 6) po odstranitvi podatkov najslabše ocenjene mikromreže (obravnava (b)). Smotrnost uporabe predlaganega pristopa smo ovrednotili tudi s stališča poznanih bioloških funkcij genov, za katere smo v različnih obravnavah lahko potrdili statistično značilno diferencialno izraženost, in s pomočjo rezultatov iz obstoječe literature. Gene, vključene v mikromrežo Steroltalk, smo na podlagi poznavanja njihovih bioloških funkcij razdelili v funkcijske razrede; za obravnavane gene so prikazani v Tabelah 7 in 8 v Prilogi. S pomočjo razredov smo ovrednotili celovitost in smiselnost diferencialne izraženosti posameznih genov. Pri tem smo izhajali iz predpostavke, da geni znotraj posameznih razredov delujejo v skupnih genskih poteh, torej je njihovo izražanje v medsebojni soodvisnosti. Diferencialna izraženost večjega števila genov, ki pripadajo istemu funkcijskemu razredu, na ta način potrjuje dejansko spremembo v genski poti, ki uravnava določene biološke funkcije. Pristop evaluacije je konceptualno podoben pristopu GSEA (angl. Gene Set Enrichment Analysis)9 za avtomatsko analizo podatkov o izraženosti večjega števila genov na podlagi njihove razdelitve v razrede. Pri primerjavi z literaturo smo se osredotočili na poskuse, ki so bili biološko podobni našim v smislu opazovanega biološkega sistema (primarni človeški hepatociti) in učinkovin (statini oz. antibiotiki). Informatica Medica Slovenica 2007; 12(2) 9 Poskus z rifampicinom Rifampicin je antibiotik, ki se uporablja za zdravljenje tuberkuloze in nekaterih drugih bakterijskih okužb. V znanosti pa se uporablja kot klasičen aktivator človeškega jedrnega receptorja PXR (pregnanski X receptor) in preko njega aktivira metabolizem ksenobiotikov. Pri poskusu z rifampicinom smo na vzorcu primarnih človeških hepatocitov lahko potrdili naslednje diferencialno izražene gene (Tabela 2): - Encimi faze I presnove ksenobiotikov: Geni CYP2A6, CYP2A7 in CYP2A13 imajo na mikromreži Steroltalk skupno sondo, tako da se mRNA enega hibridizira z sondami vseh treh genov, kar pomeni, da bi se morali našteti geni obnašat enako v vseh obravnavah. Oscarson in soavtorji10 navajajo, da se gen CYP2A6 inducira po aplikaciji ksenobiotika karbamazepina, ki tako kot rifampicin tudi inducira mnoge družine citokromov P450 preko PXR. V obravnavah (d) in (f) diferencialne izraženosti teh treh genov ne moremo potrditi, kar lahko pripišemo zmanjšani moči t-testa, do katerega pride z odstranjevanjem podatkov mikromrež nižje kvalitete. Geni družine CYP2C imajo skupno sondo. Oscarson in soavtorji10 navajajo, da se morajo geni CYP2C8, CYP2C9, CYP2C19 po aplikaciji rifampicina inducirati. Geni so diferencialno izraženi v vseh obravnavah. Oscarson in soavtorji10 navajajo, da se morajo geni CYP3A4 in CYP3A7 in CYP3A43 po aplikaciji rifampicina inducirati. Geni CYP3A4, CYP3A5 in CYP3A7 imajo na mikromreži Steroltalk skupno sondo. Našteti geni so diferencialno izraženi v vseh obravnavah; na te gene podobno kot na gene družine CYP2C odstranjevanje podatkov ne vpliva. Gena CYP4F8 in CYP4F11 se v obravnavah (a) in (b) prikažeta kot diferencialno izražena zaradi nespecifične hibridizacije gena CYP4F3, kar je v skladu z navedbo Oscarsona in soavtorjev.10 Geni CYP4F2, CYP4F8 in CYP4F11 imajo na mikromreži Steroltalk skupno sondo. Kljub temu diferencialne izraženosti gena CYP4F2 ne moremo potrditi v nobeni od obravnav. Znižano izražanje gena CYP8B1, kar je v skladu z navedbo Bhalla in soavtorjev,11 smo potrdili šele po odstranitvi podatkov dveh najslabše ocenjenih mikromrež, torej v obravnavah (c)-(f). - Jedrni receptorji: gen NR1I2 (PXR) se po administraciji karbamazepina inducira.10 V obravnavah (c) in (d), torej po odstranitvi podatkov dveh oziroma treh najslabše ocenjenih mikromrež, smo potrdili njegovo diferencialno izražanje. V nasprotju z navedbo Oscarsona in soavtorjev10 smo pokazali negativno spremembo v njegovi izraženosti, vendar pri relativno nizki vrednosti M: —0,220 v obravnavi (b) in —0,356 v obravnavi (c). - Skupina Hem: Gen ALAS1 se inducira po aplikaciji ksenobiotika,12 kar lahko potrdimo v vseh obravnavah. - Transport in presnova žolčnih kislin in ksenobiotikov: Gen SLCOB1 se po administraciji karbamazepina inducira,10 kar lahko potrdimo v vseh obravnavah z izjemo obravnav (c) in (d). Pri poskusu z rifampicinom smo s predlaganim pristopom potrdili diferencialno izraženost devetih genov (HMGCL, LDHA, CYP8B1, NR1I2, APOC1, CEBPG, INSIG2, PPARA in NFKBIE), ki jih v primeru obravnave podatkov vseh mikromrež ne moremo potrditi. Zmožnost potrditve diferencialne izraženosti trinajstih genov iz skupine 3 (NR1I2, APOC1, CEPBG, INSIG2, PPARA, NFKBIE, DHCR24, SLCO1B1, NR1D2, CYP2A6, CYP2A7, CYP2A13 in NOS1) je odvisna od izbrane obravnave. Zmožnost potrditve diferencialne izraženosti dvanajstih genov iz skupine 4 (ALAS1, CEBPA, CYP2C8, CYP2C9, 10 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote CYP2C18, CYP2C19, CYP3A4, CYP3A5, CYP3A7, CYP3A43, DBP in NR5A2) pa se z aplikacijo predlaganega pristopa ne spreminja. Na podlagi dobljenih rezultatov pri poskusu z rifampicinom lahko v obravnavah (a) in (b) potrdimo diferencialno izraženost največjega števila genov (16), ki so bili predhodno opisani v literaturi. Poskus z rosuvastatinom Rosuvastatin spada med statine, ki se uporabljajo za zdravljenje hiperholestemije in preprečevanje bolezni srca in ožilja. Celostna študija presnove tega statina v človeških jetrih oz. na modelu primarnih človeških hepatocitov predhodno še ni bila opisana. Pri poskusu z rosuvastatinom smo lahko potrdili naslednje diferencialno izražene gene (Tabela 5): - Biosinteza holesterola in njeno uravnavanje: Iz te skupine smo v vseh obravnavah potrdili diferencialno izraženost genov ACAS2, FDPS, HMGCS1, IDI1 in SQLE, v obravnavi (b) gena ACAT2 in FDFT1 ter v obravnavah (a)-(c) gen INSIG1. Administracija lovastatina v primarne človeške hepatocite poveča količino aktivne oblike transkripcijskega dejavnika SREBP2 (angl. sterol response element binding protein 2), le-ta pa poviša izražanje vseh zgoraj omenjenih genov.13 - Transport holesterola: Gen ABCG5 se po administraciji statinov poviša izražanje v jetrih miši in podgan ter črevesju človeka.14-16 V nasprotju z omenjenimi navedbami smo pokazali negativno spremembo v njegovi izraženosti, vendar pri relativno nizki vrednosti M (—0,467 v obravnavi (a)). Slednje lahko pojasnimo z dejstvom, da je bil v našem primeru uporabljen drug statin in drugo tkivo. - Geni APCS, C9, ORM1, SAA2 sodelujejo v vnetnem odgovoru, za katerega je bila pokazana inhibicija s statini.17 Pri poskusu z rosuvastatinom smo s predlaganim pristopom potrdili diferencialno izraženost petih genov (SAA2, ORM1, ACAT2, FDFT1 in C9), ki jih v primeru obravnave podatkov vseh mikromrež ne moremo potrditi. Zmožnost potrditve diferencialne izraženosti štirih genov iz skupine 3 (ACAT2, FDFT1, C9 in APCS) je odvisna od izbrane obravnave. Zmožnost potrditve diferencialne izraženosti šestih genov iz skupine 4 (ACAS2, FDPS, HMGCS1, IDI1, SQLE in ABCG5) pa se z aplikacijo predlaganega pristopa ne spreminja. Na podlagi dobljenih rezultatov pri poskusu z rosuvastatinom lahko v obravnavah (b)-(d) potrdimo diferencialno izraženost največjega števila genov (10), ki so bili predhodno opisani v literaturi. Zaključek Predlagan pristop je uporaben predvsem pri DNA mikromrežah nizke gostote, pri katerih normalizacija ni osnovana na predpostavki o enakosti količine mRNA v vzorcih, pač pa na večjem številu kontrolnih sond, kamor hibridiziramo visoko-kalibrirano tujo RNA. Pristop je neodvisen od uporabljene vrste DNA mikromreže in kot tak lahko pomembno prispeva k izoblikovanju enotne sheme kontrole kvalitete DNA mikromrež in posledično k hitrejšemu prenosu te tehnologije v klinično prakso. Pristop izkorišča normalizacijske sonde za oceno variance v meritvah, na katero tekom poskusa ne moremo vplivati, in variance, ki jo tekom poskusa lahko nadzorujemo. S primerjavo obeh komponent varianc lahko zaznamo potencialna odstopanja posameznih vrst normalizacijskih sond, ki privedejo do slabšega prileganja normalizacijske krivulje in posledično manj natančne normalizacije podatkov. S pristopom lahko izpostavimo meritve nižje kvalitete in jih izločimo iz nadaljnje analize. Informatica Medica Slovenica 2007; 12(2) 11 Pri študijah učinka rifampicina in rosuvastatina na modelu primarnih človeških hepatocitov se je predlagan pristop izkazal kot učinkovit in v smislu fiziologije tudi koristen. Z odstranitvijo podatkov mikromrež nižje kvalitete smo natančneje analizirali spremembe v izražanju genov, kar smo potrdili z navedbami iz literature. Pokazali smo, da je pristop postopnega odstranjevanja podatkov pri analizi diferencialne izraženosti uporaben do meje, kjer izguba na moči statističnega testa preseže prednosti odstranjevanja šuma, ki ga dosežemo z izločitvijo podatkov mikromrež nižje kvalitete iz analize. Zahvala Zahvalili bi se dr. Katalin Monostory iz Madžarske akademije znanosti v Budimpešti (HAS) in dr. Jean-Marc Pascussiju z INSERM (Institut national de la santé et de la recherche médicale), Montpellier v Franciji, ki sta pripravila in tretirala človeške primarne hepatocite. Zahvalili bi se tudi dr. Juan A. Contrerasu, ki je opravil del hibridizacij mikromrež Steroltalk. Študiji aplikacije rifampicina in rosuvastatina sta bili financirani iz EU FP6 projekta Steroltalk. Literatura 1. Režen T: S ksenobiotiki posredovano uravnavanje lanosterol 14alfa-demetilaze (CYP51) in drugih genov homeostaze holesterola pri miši in človeku. Ph.D. thesis. Ljubljana, Slovenija 2007: Medicinska fakulteta, Univerza v Ljubljani. 2. Režen T, Contreras JA, Rozman D: Functional Genomics Approaches to Studies of the Cytochrome P450 Superfamily. Drug Metabolism Reviews 2007; 39(2): 389-399. 3. Canales RD, Luo Y, Willey JC, et al.: Evaluation of DNA microarray results with quantitative gene expression platforms. Nat Biotechnol 2006; 24(9): 1115-1122. 4. Tibshirani R: Immune signatures in follicular lymphoma. N Engl J Med 2005; 352(14): 14961497; author reply 1496-1497. 5. Ji H, Davis RW: Data quality in genomics and microarrays. Nat Biotechnol 2006; 24(9): 11121113. 6. Demšar J, Zupan B, Grega L: Orange: From Experimental Machine Learning to Interactive Data Mining. White paper. Ljubljana, Slovenia 2004: Faculty of Computer and Information Science, University of Ljubljana. 7. Cleveland WS: Robust Locally Weighted Regression and Smoothing Scatterplots. Journal of the American Statistical Association 1979; 74(368): 829-836. 8. Gaddis ML: Statistical methodology: IV. Analysis of variance, analysis of covariance, and multivariate analysis of variance. Acad Emerg Med 1998; 5(3): 258-265. 9. Subramanian A, Tamayo P, Mootha VK, et al.: Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A 2005; 102(43): 15545-15550. 10. Oscarson M, Zanger UM, Rifki OF, et al.: Transcriptional profiling of genes induced in the livers of patients treated with carbamazepine. Clin Pharmacol Ther 2006; 80(5): 440-456. 11. Bhalla S, Ozalp C, Fang S, et al.: Ligand-activated pregnane X receptor interferes with HNF-4 signaling by targeting a common coactivator PGC-1alpha. Functional implications in hepatic cholesterol and glucose metabolism. J Biol Chem 2004; 279(43): 45139-45147. 12. Maglich JM, Stoltz CM, Goodwin B, et al.: Nuclear pregnane x receptor and constitutive androstane receptor regulate overlapping but distinct sets of genes involved in xenobiotic detoxification. Mol Pharmacol 2002; 62(3): 638646. 13. Horton JD, Shah NA, Warrington JA, et al.: Combined analysis of oligonucleotide microarray data from transgenic and knockout mice identifies direct SREBP target genes. Proc Natl Acad Sci U S A 2003; 100(21): 12027-12032. 14. Kamisako T, Ogawa H: Effects of pravastatin and bezafibrate on biliary lipid excretion and hepatic expression of Abcg5 and Abcg8 in the rat. J Gastroenterol Hepatol 2004; 19(8): 879-883. 15. Lally S, Tan CY, Owens D, et al.: Messenger RNA levels of genes involved in dysregulation of postprandial lipoproteins in type 2 diabetes: the role of Niemann-Pick C1-like 1, ATP-binding cassette, transporters G5 and G8, and of microsomal triglyceride transfer protein. Diabetologia 2006; 49(5): 1008-1016. 16. Tang W, Ma Y, Yu L: Plasma cholesterol is hyperresponsive to statin in ABCG5/ABCG8 12 Devjak R et al.: Kontrola kvalitete mikromrež nizke gostote transgenic mice. Hepatology 2006; 44(5): 12591266. 17. Sampietro T, Bigazzi F, Rossi G, et al.: Upregulation of the immune system in primary hypercholesterolemia: effect of atorvastatin therapy. J Intern Med 2005; 257(6): 523-530. Priloga Tabela 7. Seznam potencialno diferencialno izraženih genov pri administraciji rifampicina, njihova identifikacijska številka (angl. Accession number), slovensko ime in pripadajoči funkcijski razred. Gen Accession Slovensko ime Funkcijski razred ALAS1 NM_003920 Aminolevulinat-sintaza 1 Hem NFKBIE BC063609 Jedrni faktor inhibitor ojačevalca gena Adipocitokin NOS1 BC051765 Dušikov oksid-sintaza 1, nevronska Aterogeneza DHCR24 NM_004820 24-dehidroholesterol-reduktaza Biosinteza holesterola HMGCL BC010570 HMG-CoA-liaza Biosinteza holesterola DBP AF237982 Vezavni protein D mesta promotorja albumina Cirkadični ritem NR1D2 NM_006446 Jedrni receptor, 1D2 Cirkadični ritem GFPT2 NM_000771 Glutamin:fruktoza-6-fosfat transaminaza 2 Glukoza LDHA NM_001645 Laktat-dehidrogenaza A Glukoza CYP4F11 NM_022820 Citokrom P450, 4F11 Maščobne kisline CYP4F8 NM_000777 Citokrom P450, 4F8 Maščobne kisline PPARA NM_005036 Jedrni receptor peroksisomske proliferacije alfa Maščobne kisline CEBPA BC021116 CCAAT/ojačevalec vezavni protein, alfa Maščobne kisline, glukoza CYP2A13 BC001491 Citokrom P450, 2A13 Metabolizem in transport ksenobiotikov CYP2A6 NM_021187 Citokrom P450, 2A6 Metabolizem in transport ksenobiotikov CYP2C18 BC005807 Citokrom P450, 2C18 Metabolizem in transport ksenobiotikov CYP3A4 NM_000104 Citokrom P450, 3A4 Metabolizem in transport ksenobiotikov CYP3A43 NM_000766 Citokrom P450, 3A43 Metabolizem in transport ksenobiotikov CYP3A5 AF182275 Citokrom P450, 3A5 Metabolizem in transport ksenobiotikov CYP3A7 NM_000772 Citokrom P450, 3A7 Metabolizem in transport ksenobiotikov NR1I2 NM_003889 Pregnan X receptor Metabolizem in transport ksenobiotikov CYP39A1 NM_000392 Citokrom P450, 39A1 Metabolizem in transport žolčnih kislin CYP8B1 NM_004391 Sterol 12a-hidroksilaza Metabolizem in transport žolčnih kislin SLCO1B1 NM_002107 Nosilec organskih anionov, 1B1 Metabolizem in transport žolčnih kislin in ksenobiotikov NR5A2 X03225 Jedrni receptor, 5A2, jetrni receptor homolog 1 Metabolizem in transport žolčnih kislin, sterodinih hormonov in holesterola CYP2C19 NM_000778 Citokrom P450, 2C19 Metabolizem ksenobiotikov in eikozanoidov CYP2C8 NM_004364 Citokrom P450, 2C8 Metabolizem ksenobiotikov in eikozanoidov CYP2C9 NM_004827 Citokrom P450, 2C9 Metabolizem ksenobiotikov in eikozanoidov CEBPG NM_005566 CCAAT/ojačevalec vezavni protein, gama Neznana funkcija CYP2A7 NM_007253 Citokrom P450, 2A7 Neznana funkcija INSIG2 AA197454 Inzulin inducirajoči gen 2 SREBP signalna pot APOC1 NM_001486 Apoliprotein C1 Transport holesterola Informatica Medica Slovenica 2007; 12(2) 13 Tabela 8. Seznam potencialno diferencialno izraženih genov pri administraciji rosuvastatina, njihova identifikacijska številka (angl. Accession number), slovensko ime in pripadajoči funkcijski razred. Gen Accession Slovensko ime Funkcijski razred ACAS2 NM 018677 Acil-CoA-sintetaza 2 Biosinteza holesterola ACAT2 NM 005891 Acetil-CoA-acetiltransferaza 2 Biosinteza holesterola FDFT1 BC009251 Farnezil-pirofosfat-farneziltransferaza 1 Biosinteza holesterola FDPS BC010004 Farnezil-pirofosfat-sintaza Biosinteza holesterola HMGCS1 NM 002130 HMG-CoA-sintaza 1 Biosinteza holesterola IDI1 BC005247 Izopentenil-pirofosfat-delta-izomeraza Biosinteza holesterola SQLE BC017033 Skvalen-epoksidaza Biosinteza holesterola APCS BC007039 P-element serumskega amiloida Serumski proteini C9 BC020721 Komplement 9 Serumski proteini ORM1 BC026238 Orozomukoid 1 Serumski proteini SAA2 BC020795.1 Serumski amiloid A2 Serumski proteini INSIG1 BC001880 Z inzulinom inducirani gen 1 SREBP signalna pot ABCG5 NM 022436 ABC prenašalec, G5 Transport holesterola 14 Kastrin A: Meta-analiza v tehnologiji genskih mikromrež Izvirni znanstveni članek ■ Meta-analiza v tehnologiji genskih mikromrež Andrej Kastrin Izvleček. Genske mikromreže so v zadnjih letih dobile primat rutinske metode za merjenje izraženosti genov. Kljub hitri rasti števila raziskav vprašanje ponovljivosti rezultatov posameznih poskusov ostaja odprto. S sistematično integracijo rezultatov primerljivih poskusov v obliki meta-analize povečamo velikost vzorca, kombinirana ocena velikosti učinka za proučevan genski produkt pa je posledično bolj zanesljiva. Poveden je preprost način združevanja rezultatov mikromrežnih poskusov na osnovi statističnega modela s fiksnimi in slučajnimi vplivi. Uporaba modela je prikazana na integraciji treh različnih podatkovij izraženosti genov pri človeških zarodkih s trisomijo kromosoma 21. Uporaba, razvoj in implementacija metod za integracijo mikromrežnih podatkov je ključnega pomena za kakovost in posplošljivost rezultatov genomskih raziskav. Meta-Analysis in the Technology of DNA Microarrays Abstract. With the explosion of microarray technology, an enormous amount of data is being generated. Systematic integration of gene expression data from different sources increases reliability of detecting differentially expressed genes. The challenge, however, is in designing and implementing efficient analytic methodologies for combination of data generated by different studies. We consider the meta-analysis of different microarray data sets using a fixed and random effect paradigm and demonstrate how relatively standard statistical approach yield promising results. We illustrated proposed method by integrating gene expression profiles from three different prenatal trisomy 21 studies. Our results show that this approach would serve as a plausible method for analyzing microarrays beyond the specific implications for trisomy 21. Institucija avtorja: Inštitut za medicinsko genetiko, Univerzitetni klinični center Ljubljana. Kontaktna oseba: Andrej Kastrin, Inštitut za medicinsko genetiko, Univerzitetni klinični center Ljubljana, Šlajmerjeva 4, 1000 Ljubljana. email: andrej.kastrin@guest.arnes.si. ■ Infor Med Slov: 2007; 12(2): 14-21 Informatica Medica Slovenica 2007; 12(2) 15 Uvod Z vprašanjem zanesljivosti se srečujemo v vseh znanstvenih disciplinah, ki poskušajo svoje raziskovalne domneve preveriti z empiričnimi izsledki. Zanesljivi rezultati so ključnega pomena za doseganje osnovnega cilja znanstvenega raziskovanja, t.j. ugotavljanja zakonitosti, ki nam omogočajo pojasnjevanje in napovedovanje opazovanih pojavov. Zanesljivost v širšem smislu pomeni, da bomo s ponavljanjem meritev istega pojava v istih okoliščinah dobili podobne rezultate. Zanesljivost merjenja je tem večja, čim bolj so razlike v izmerjenih vrednostih posledica dejanskih sprememb merjenega pojava in čim manjši je vpliv slučajnih dejavnikov. Razmerje med eksplozivno uporabo tehnologije genskih mikromrež ter potrebo po implementaciji računskih modelov in statističnih metod za njihovo analizo se je v zadnjih letih ustalilo.1,2 Kljub temu, da so v bioloških znanostih mikromreže dobile primat rutinske metode za merjenje izraženosti genov in njihovih produktov, vprašanje ponovljivosti rezultatov posameznih poskusov ostaja odprto. Na izmerjeno vrednost izraženosti genskega produkta namreč poleg dejanske, biološke vrednosti, vplivajo tudi sistematične napake (npr. način normalizacije), slučajne napake ter napake, ki so sicer slučajne glede na dejansko vrednost, a korelirajo med seboj pri ponovljenih meritvah.3 Smiseln odgovor na problem zanesljivosti posameznih poskusov ponuja njihova integracija v obliki meta-analize. Gre za statistično analizo, v kateri na sistematičen način združujemo rezultate posameznih med seboj (ne)odvisnih poskusov.4 Ideja o združevanju podatkov večih neodvisnih raziskav je Fisherjeva, temelje moderne meta-analize pa je pred slabimi tremi desetletji postavil Glass, ko je na metodološko rigorozen način ovrgel smelo Eysenckovo tezo o ničnosti učinka psihoterapije.4 Ustrezno izvedena meta-analiza (i) ponuja sistematične, hitre in zanesljive odgovore na raziskovalne domneve, (ii) zaradi večje količine podatkov povečuje statistično moč zaključevanja, (iii) daje pregled nad metodologijo izvedbe posameznih poskusov ter nenazadnje (iv) omogoča velik prihranek sredstev na račun ponovitvenih poskusov. Termin meta-analiza morda v kontekstu analize mikromrežnih podatkovij nekoliko zavaja, saj v primerjavi s klasičnimi meta-analitičnimi študijami ne združujemo končnih rezultatov posameznih poskusov v skupno oceno, pač pa le to sestavimo na osnovi ponovne analize surovih rezultatov. Na ta način normaliziramo razlike med poskusi, ki so posledica uporabe različnih tipov mikromrež na genomih oz. transkriptomih enakih ali različnih organizmov, različnih protokolov hibridizacije, odčitavanja in analize rezultatov. Velikost vzorca in s tem statistična moč se povečata, kombinirana ocena velikosti učinka za proučevan genski produkt pa je bolj zanesljiva, kar posredno vpliva tudi na večjo klasifikacijsko točnost merskega instrumenta.3 Glavna problema, na katera naletimo pri taki vrsti analize, sta (i) definiranje univerzuma genov, ki so skupni vsem poskusom ter (ii) opredelitev cenilke, ki ustrezno povzame informacijo posameznih poskusov v skupno oceno. Kljub razmeroma dolgi tradiciji uporabe meta-analize v biomedicini je njena aplikacija na področju mikromrež še v povojih.5-20 Prvi korak v tej smeri je naredil Rhodes,5 ki je združil profile genske izraženosti pri bolnikih z rakom na osnovi Fisherjeve metode združevanja p-vrednosti. Surova statistična pomembnost izračunana za posamezen gen pa nam ničesar ne pove o njegovi praktični pomembnosti. Zato je bila kasneje izvedena serija praktičnih eksperimentov in teoretičnih simulacij z različnimi merami velikosti učinka.6,9 Trenutno sta v središču pozornosti razvoj in implementacija metod, ki temeljijo na Bayesovih hierarhičnih modelih.19,21 V nadaljevanju prispevka obravnavamo preprosto in hitro Choievo6 metodo združevanja rezultatov mikromrežnih poskusov na osnovi statističnega modela s fiksnimi in slučajnimi vplivi. 522 Kastrin A: Meta-analiza v tehnologiji genskih mikromrež Metoda Statistični model V poskusu i= 1,2,...,k obravnavamo proučevano (t) in kontrolno (c) skupino. Z nit in nic označimo število vzorcev po skupinah v poskusu i. Kot mero razlike v izraženosti gena oz. zaporedja med proučevano in kontrolno skupino v poskusu i definiramo cenilko velikosti učinka: d, = X* - X S„ (1) kjer sta v X it in Xic povprečni vrednosti izraženosti gena v proučevani in kontrolni skupini v poskusu i, Sip pa skupni standardni odklon. Pokazati se da, da je ta ocena na majhnih vzorcih pozitivno pristrana.4 Zato uporabimo popravek za končnost populacije: d' = d, - - 3d, 4(n - 2) - 1 (2) V nadaljevanju privzemimo, da z di označujemo nepristrano popravljeno oceno. Njeno varianco izračunamo po enačbi: Ad = i i —+— n,t nic + - d 2 2( n. + nlr) (3) Za gen g naj di označuje izmerjeno vrednost dejanskega učinka 0, v poskusu i, pa njegovo dejansko velikost učinka, t.j. verjetnostno limito, ki se ji približuje aritmetična sredina velikosti učinkov di za gen g med skupinama t in c, če število poskusov k narašča čez vse meje. Velikost učinka za gen g v poskusu i zapišemo v obliki dvostopenjskega hierarhičnega modela:6 [d, = 0, + 8,, 8, ~ N(0, s2) [0, = ^ + 5,, 5, ~ N(0, t2 )' (4) med poskusi, s2 pa označuje varianco znotraj poskusov, ki jo ocenimo po enačbi (3). V modelu s fiksnimi vplivi je homogenost med poskusi popolna, zato velja 9i=92=...,9„. Komponento napake v celoti pojasnimo s slučajnimi napakami in zanemarimo variabilnost med poskusi, torej velja t2=0 in di~Ns2). V modelu s slučajnimi vplivi pa upoštevamo tudi variabilnost med poskusi, zato velja di~N(9i, s2) in 9i~N(^,, t2). Veljavnost modela s fiksnimi vplivi preverimo s testiranjem domneve t2=0. V ta namen uporabimo Cochranovo testno statistiko:21 Q = 2(d, - A)2, (5) i „ 2wid, kjer sta w, = — in A = —=-. s> 2 Ničelna porazdelitev testne statistike sledi %2k-1 porazdelitvi. Če ničelno domnevo zavrnemo, ocenimo t2 po obrazcu, ki sta ga predlagala DerSimonian in Laird:22 t = max [ 0, Q - (k - 1) 2 -2 2 wi. (6) Oceno dejanske vrednosti velikosti učinka ^ izračunamo kot: A = 2 (s2+t2)-1 d, 2 (s2+t2)-1 ' njeno varianco pa po enačbi: Var (A) ( 2+ 2 )-1 • 2(s + t ) (7) (8) Vrednosti statistik za model s fiksnimi učinki izračunamo enako, upoštevamo pa, da velja t2=0. Oceno velikosti učinka za gen g v k poskusih standardiziramo in izrazimo v ^-vrednostih: Prva stopnja opisuje fiksni, druga pa slučajni model učinka. V modelu je s t2 označena varianca Informatica Medica Slovenica 2007; 12(2) 17 I Var (jI) (9) Tabela 1 Opisne statistike poskusov vključenih v meta-analizo. Standardizirane vrednosti se porazdeljujejo normalno, zato nivo statistične značilnosti gena g izpeljemo po standardnem postopku. Opis eksperimenta Statistični model smo uporabili za integracijo rezultatov izraženosti genov pri človeških zarodkih s trisomijo kromosoma 21 (Downov sindrom). Ob pregledu spletnega podatkovnega skladišča mikromrežnih podatkov Gene Expression Omnibus23 so vključitvenemu kriteriju ustrezali trije poskusi: GSE1397,24 GSE178925 in GSE6283. Poskusi so bili opravljeni na celicah tkiv velikih in malih možganov, srca, amniona in horionskih resic ter v različnih razvojnih obdobjih zarodka. Z izjemo poskusa GSE1397 so bili vzorci znotraj poskusov med seboj neodvisni. Vsi poskusi so bili izvedeni v okolju Affymetrixovih genomskih biočipov (HG-U133A oz. HG-U133 Plus 2.0). Za normalizacijo surovih podatkov je bil uporabljen mas5 algoritem.26 Da se izognemo nevšečnostim, ki nas doletijo pri uporabi p-vrednosti v analizi mikromrežnih podatkovij, smo izračunali še recipročne q-vrednosti, pri katerih rezultat izrazimo z deležem napačno pozitivnih zadetkov (angl. false discovery rate) med dejansko različno izraženimi zaporedji med proučevano in kontrolno skupino.27-29 GEO Okolje nt nc GSE1397 HG-U133A 11 14 GSE1789 HG-U133A 10 5 GSE6283 HG-U133A Plus 2.0 6 9 Pojasnilo: GEO - identifikator poskusa; nt - število proučevanih zarodkov; nc - število kontrolnih zarodkov. Pred aplikacijo predlaganega statističnega modela smo najprej preverili prosto ujemanje statistično značilno izraženih zaporedij med poskusi. V ta namen smo znotraj vsakega poskusa zaporedjem priredili ocene velikosti učinka, jih izrazili v standardiziranih ^-vrednostih, izračunali gostoto verjetnosti ter zaporedja uredili po stopnji statistične značilnosti. Vennov diagram (Slika 1) prikazuje število statistično značilno izraženih zaporedij znotraj poskusov in med poskusi. Na nivoju tveganja a = 0.05 je v preseku šest skupnih zaporedij, na nivoju tveganja a=0.01 pa je presek prazna množica. ^ = Statistični model smo implementirali v okolju R.30 Programska koda v Sweave zapisu je dostopna na spletnem naslovu http://www2.arnes.si/~akastr1/. Rezultati V meta-analizo je bilo vključenih 55 vzorcev; 27 zarodkov s trisomijo kromosoma 21 in 28 kontrolnih zarodkov (Tabela 1). Uporabljenim okoljem je bilo skupnih 22277 zaporedij. GSE1789 Slika 1 Vennov diagram prikazuje število statistično značilno izraženih zaporedij znotraj poskusov ter njihovo ujemanje med poskusi (a = 0.05). Veljavnost modela s fiksnim učinkom najlaže preverimo s Q-Q grafikonom (Slika 2), ki prikazuje odnos med dejansko in pričakovano porazdelitvijo Cochranove testne statistike. Prednost takega prikaza pred uvedbo dodatne testne statistike je v tem, da laže vidimo, kje in v kolikšni meri dejanska porazdelitev odstopa od 18 Kastrin A: Meta-analiza v tehnologiji genskih mikromrež pričakovane. V našem primeru se odstopanje med porazdelitvama povečuje z večanjem dejanskih Q vrednosti, zato veljavnost modela s fiksnimi učinki ustreza 13 genom na kromosomu 21; vsi geni so nadpovprečno izraženi. zavrnemo. Standardiziranim vrednostim velikosti učinka za posamezna zaporedja priredimo gostote verjetnosti (p-vrednosti). V Tabeli 2 je povzeto število statistično značilnih zaporedij za izbrane stopnje tveganja a. Na nivoju tveganja a=0.01 izločimo 231 zaporedij, za katere trdimo da se statistično značilno razlikujejo med proučevanimi in kontrolnimi zarodki. Ob bolj liberalnem kriteriju (a=0.05) je takih zaporedij 1071. Ujemanje med zaporedji izbranimi po povedenem statističnem modelu s slučajnimi vplivi ter posameznimi poskusi najlaže predstavimo grafično s pomočjo toplotnega grafikona (Slika 3). Vrstice v matriki odgovarjajo zaporedjem, ki smo jih opredelili kot statistično značilno različna znotraj vsaj enega poskusa. Na nivoju tveganja a=0.01 dobimo 711 takih zaporedij. Toplotni grafikon odkriva največje prekrivanje s poskusom GSE1789; ujemanje z ostalima poskusoma je manjše. Takšna primerjava je smiselna predvsem zaradi tega, ker je meta-analiza občutljiva na velikosti učinkov, ki so med poskusi stalni in ne nujno veliki. Praktično to pomeni, da bo v meta-analizi višji rezultat doseglo zaporedje, pri katerem je ocenjena velikost učinka približno enaka prek vseh treh poskusov, kot pa zaporedje, ki je močno izraženo le v enem poskusu. Tabela 2 Število statistično značilno izraženih zaporedij za izbrane stopnje tveganja a. a 0.001 0.01 0.025 0.05 0.1 p-vrednost 48 231 559 1071 2201 ^-vrednost 0 3 5 14 21 Pojasnilo: Za podrobnosti o p in ^-vrednostih glej besedilo. Ob isti stopnji tveganja je med 14 izbranimi zaporedji 5% lažno pozitivnih zadetkov (Tabela 2). Izbrana množica zaporedij, odgovarjajoči geni, standardizirane velikosti učinkov ter natančne q-vrednosti so povzete v Tabeli 3. 14 zaporedij Slika 2 Q-Q grafikon za preizkus veljavnosti modela s fiksnim učinkom. Slika 3 Toplotni grafikon. Črne proge se nanašajo na nadpovprečno izražena, bele pa na podpovprečno izražena zaporedja. Sive proge označujejo statistično neznačilna zaporedja. Za podrobnosti glej besedilo. Informatica Medica Slovenica 2007; 12(2) 19 Tabela 3 Množica genov izbrana na osnovi rangiranih q-vrednosti (a = 0.05). Zaporedje Gen z 201086 x" at SON -5.380 0.002 200642" at SOD1 -5.204 0.005 214988" s" at SON -4.952 0.005 202671" s" at PDXK -4.723 0.013 202217" at C21orf33 -4.580 0.021 200944" s" at HMGN1 -4.431 0.030 219767" s" at CRYZL1 -4.428 0.030 201644" at TSTA3 -4.292 0.049 202749" at WRB -4.246 0.049 218386" x" at USP16 -4.262 0.049 200740" s" at SUMO3 -4.204 0.049 213000" at MORC3 -4.192 0.049 211065" x" at PFKL -4.185 0.049 216954" x" at ATP5O -4.165 0.049 Pojasnilo: Oznaka zaporedja se nanaša na Afffymetrixov identifikator. Razprava Integracija empiričnih izsledkov je bistven del sodobne statistične analize mikromrežnih podatkov, s tem pa tudi raziskovalnega in strokovnega dela v biologiji in njenih sorodnih področjih. Prikazan primer uporabe meta-analize za integracijo mikromrežnih podatkov je preprosto izračunljiv, povedeni rezultati pa neposredno razložljivi, bodisi na nivoju genov, bodisi na nivoju ontologij (npr. Gene Ontology). Zaradi metodološke narave prispevka se v biološko interpretacijo rezultatov ne spuščamo. Nujnost uporabe integrativnega pristopa implicirajo tako rezultati simulacijskih eksperimentov kot tudi klinične raziskave, ki pri preverjanju enakih raziskovalnih domnev in ob primerljivih sospremenljivkah prihajajo do nasprotujočih si ugotovitev. Ein-Dor31 je npr. dokazal, da je stabilnost razvrstitve genov kandidatov znotraj enega poskusa močno odvisna od izbrane kombinacije proučevanih in kontrolnih vzorcev. Michiels32 pa pred interpretacijo in pripisovanjem biološkega pomena takim rezultatom celo priporoča uporabo vzorčenja z vračanjem. Klinični primer zmede v raziskovalnih izsledkih sta nedavno objavljena mikromrežna poskusa, ki sta ugotavljala možne biooznačevalce poteka razvoja Huntingtonove bolezni in v primerljivih pogojih generirala neprimerljive izsledke.33'34 Prosto dostopna skladišča mikromrežnih podatkov (npr. GEO,23 ArrayExpress,35 SMD,36 CIBEX37) odpirajo nove možnosti integrativnemu pristopu v raziskovanju mikromrežnih podatkov. Kljub temu, da so najbolj vplivne revije (http://www.mged.org/ Workgroups/MIAME/journals.html) že pred časom kot pogoj za objavo znanstvenega prispevka zahtevale dosledno upoštevanje MIAME standarda (angl. Minimum Information About a Microarray Experiment), pa je kvaliteta povzetkov o uporabljenih metodah obdelave podatkov pogosto nezadovoljiva.38 Standard jasno zahteva objavo surovih podatkov (npr. CEL ali GPR datoteke), raziskovalne skupine pa pogosto objavljajo zgolj normalizirane rezultate, kar onemogoča kvalitetno integracijo podatkov prek različnih poskusov. Glavna pomanjkljivost študije je omejena posplošljivost rezultatov, ki izhajajo iz aplikacije modela s slučajnimi napakami na izbranem vzorcu poskusov.4,6,39 Kljub omejitvam aparata statističnega sklepanja zaradi majhnega števila poskusov in naivni predpostavki neodvisnosti vzorcev v enem od poskusov,24 smo močno skrčili množico genov kandidatov, aktivnih v razvoju humanega zarodka s trisomijo kromosoma 21. Izkopano znanje in predstavljen metodološki okvir lahko služita kot odskočna deska za nadaljno raziskovalno delo na področju genomike slučajnih kromosomskih nepravilnosti združljivih z življenjem. Statistika se kljub oviram in težavam, ki izhajajo iz njenega izrazito interdisciplinarnega področja delovanja, čedalje bolj uspešno integrira tako v teoretične kot aplikativne biološke vede. Uporaba, nadaljnji razvoj in implementacija metod za integracijo mikromrežnih podatkov lahko bistveno pripomorejo k večji kakovosti, razložljivosti in posplošljivosti rezultatov genomskih raziskav. 20 Kastrin A: Meta-analiza v tehnologiji genskih mikromrež Literatura 1. He YD: Genomic approach to biomarker identification and its recent applications. Cancer Biomark 2006; 2(3-4): 103-133. 2. Phan JH, Quo CF, Wang MD: Functional genomics and proteomics in the clinical neurosciences: data mining and bioinformatics. Prog Brain Res 2006; 158: 83-108. 3. He W, Bull SB, Gokgoz N, Andrulis I, Wunder J: Application of reliability coefficients in cDNA microarray data analysis. Stat Med 2006; 25(6): 1051-1066. 4. Whitehead A: Meta-Analysis of Controlled Clinical Trials. Chichester 2002: Wiley. 5. Rhodes DR, Barrette TR, Rubin MA, Ghosh D, Chinnaiyan AM: Meta-analysis of microarrays: interstudy validation of gene expression profiles reveals pathway dysregulation in prostate cancer. Cancer Res 2002; 62(15): 4427-4433. 6. Choi JK, Yu U, Kim S, Yoo OJ: Combining multiple microarray studies and modeling interstudy variation. Bioinformatics 2003; 19 Suppl 1: i84-i90. 7. Ghosh D, Barette TR, Rhodes D, Chinnaiyan AM: Statistical issues and methods for meta-analysis of microarray data: a case study in prostate cancer. Funct Integr Genomics 2003; 3(4): 180-188. 8. Jiang H, Deng Y, Chen H, Tao L, Sha Q, Chen J, Tsai C, Zhang S: Joint analysis of two microarray gene-expression data sets to select lung adenocarcinoma marker genes. BMC Bioinformatics 2004; 5: 81. 9. Parmigiani G, Garrett-Mayer ES, Anbazhagan R, Gabrielson E: A cross-study comparison of gene expression studies for the molecular classification of lung cancer. Clin Cancer Res 2004; 10(9): 29222927. 10. Rhodes DR, Yu J, Shanker K, Deshpande N, Varambally R, Ghosh D, Barrette T, Pandey A, Chinnaiyan AM: Large-scale meta-analysis of cancer microarray data identifies common transcriptional profiles of neoplastic transformation and progression. Proc Natl Acad Sci U S A 2004; 101: 9309-9314. 11. Shen R, Ghosh D, Chinnaiyan AM: Prognostic meta-signature of breast cancer development by two-stage mixture modeling of microarray data. BMC Genomic 2004; 5(1): 94. 12. Wang J, Coombes KR, Highsmith WE, Keating MJ, Abruzzo LV: Differences in gene expression between B-cell chronic lymphocytic leukemia and normal B cells: a meta-analysis of three microarray studies. Bioinformatics 2004; 20(17): 3166-3178. 13. Hu P, Greenwood CMT, Beyene J: Integrative analysis of multiple gene expression profiles with quality-adjusted effect size models. BMC Bioinformatics 2005; 6: 128. 14. Stevens JR, Doerge RW: Combining Affymetrix microarray results. BMC Bioinformatics 2005; 6: 57. 15. Warnat P, Eils R, Brors B: Cross-platform analysis of cancer microarray data improves gene expression based classification of phenotypes. BMC Bioinformatics 2005; 6: 265. 16. Xu L, Tan AC, Naiman DQ, Geman D, Winslow RL: Robust prostate cancer marker genes emerge from direct integration of inter-study microarray data. Bioinformatics 2005; 21(20): 3905-3911. 17. Conlon EM, Song JJ, Liu JS: Bayesian models for pooling microarray studies with multiple sources of replications. BMC Bioinformatics 2006; 7: 247. 18. Park T, Yi SG, Shin YK, Lee S: Combining multiple microarrays in the presence of controlling variables. Bioinformatics 2006; 22: 1682:1689. 19. Conlon EM, Song JJ, Liu A: Bayesian meta-analysis models for microarray data: a comparative study. BMC Bioinformatics 2007; 8: 80. 20. Fishel I, Kaufman A, Ruppin E: Meta-analysis of gene expression data: a predictor-based approach. Bioinformatics 2007; 23(13): 1599-1606. 21. Cochran BG: The combination of estimates from different experiments. Biometrics 1954; 10: 101129. 22. DerSimonian R, Laird N: Meta-analysis in clinical trials. Control Clin Trials 1986; 7(3): 177-188. 23. Barrett T, Troup DB, Wilhite SE, et al.: NCBI GEO: mining tens of millions of expression profiles—database and tools update. Nucleic Acids Res 2007; 35(Database issue): D760-D765. 24. Mao R, Wang X, Spitznagel EL, et al.: Primary and secondary transcriptional effects in the developing human Down syndrome brain and heart. Genome Biol 2005; 6(13): R107. 25. Conti A, Fabbrini F, D'Agostino P, et al.: Altered expression of mitochondrial and extracellular matrix genes in the heart of human fetuses with chromosome 21 trisomy. BMC Genomics 2007; 8: 268. 26. Irizarry RA, Hobbs B, Collin F, et al.: Exploration, normalization, and summaries of high density oligonucleotide array probe level data. Biostatistics 2003; 4(2): 249-264. Informatica Medica Slovenica 2007; 12(2) 21 27. Storey JD, Tibshirani R: Statistical significance for genomewide studies. Proc Natl Acad Sci U S A 2003; 100(16): 9440-9445. 28. Pyne S, Futcher B, Skiena S. Meta-analysis on control of false discovery rate: combining yeast ChlP-chip datasets. Bioinformatics 2006; 22(20): 2516-2522. 29. Pawitan Y, Michiels S, Koscielny S, Gusnanto A, Ploner A: False discovery rate, sensitivity and sample size for microarray studies. Bioinformatics 2005; 21(13): 3017-3024. 30. R Development Core Team: R: A language and environment for statistical computing. Vienna, Austria 2007: R Foundation for Statistical Computing. 31. Ein-Dor L, Kela I, Getz G, Givol D, Domany E: Outcome signature genes in breast cancer: is there a unique set? Bioinformatics 2005; 21(2): 171-178. 32. Michiels S, Koscielny S, Hill C: Prediction of cancer outcome with microarrays: a multiple random validation strategy. Lancet 2005; 365(9458): 488-492. 33. Borovecki F, Lovrecic L, Zhou J, et al.: Genome-wide expression profiling of human blood reveals biomarkers for Huntington's disease. Proc Natl Acad Sci U S A 2005; 102(31): 11023-11028. 34. Runne H, Kuhn A, Wild EJ, et al.: Analysis of potential transcriptomic biomarkers for Huntington's disease in peripheral blood. Proc Natl Acad Sci U S A 2007; 104(36): 14424-14429. 35. Parkinson H, Kapushesky M, Shojatalab M , et al.: ArrayExpress—a public database of microarray experiments and gene expression profiles. Nucleic Acids Res 2007; 35(Database issue): D747-D750. 36. Ball CA, Awad IAB, Demeter J, et al.: The Stanford Microarray Database accommodates additional microarray platforms and data formats. Nucleic Acids Res 2005; 33(Database issue): D580-D582. 37. Ikeo K, Ishi-i J, Tamura T, Gojobori T, Tateno Y: CIBEX: center for information biology gene expression database. C R Biol 2003; 326(10-11): 1079-1082. 38. Imbeaud S, Auffray C: 'The 39 steps' in gene expression profiling: critical issues and proposed best practices for microarray experiments. Drug Discov Today 2005; 10(17): 1175-1182. 39. Ades AE, Lu G, Higgins JPT: The interpretation of random-effects meta-analysis in decision models. Med Decis Making 2005; 25(6): 646-654. 22 Sharma R et al.: A Simple Assessment of Left Ventricular Function and Mass with Cine MRI Research Paper ■ A Simple Assessment of Left Ventricular Function and Mass with Cine MRI Rakesh Sharma, Avdhesh Sharma, Charles D. Williams Abstract. The purpose of the study was to evaluate the reproducibility of a proposed modified assessment method of end-diastolic volume (EDV), end-systolic volume (ESV), ejection fraction (EF) and mass of the left ventricle (LV). Cine MRI was performed in ten healthy volunteers and eight patients with heart disease presenting focal or global thinning of the LV wall and chamber dilatation. In LV, EDV, ESV, EF and LV mass were determined from the horizontal long axis slice by Simpson's disk method. The results were compared with the values computed from short-axis slices by Simpson's rule. Inter-observer and intra-observer reproducibility of Simpson's disk method in assessing LV volumes were 5.06% and 4.03% in percent variability, respectively. The agreement between Simpson's disk method and Simpson's rule, expressed in standard deviation of the mean bias, was acceptable regarding LV for EDV, ESV, EF and LV mass in the healthy volunteers as well as in the patients. Simpson's disk method may therefore serve as an alternative to assess LV for EDV, ESV, EF, and LV mass if the LV maintains its symmetry, and is clinically useful in patients who cannot tolerate long scan time. ■ Infor Med Slov: 2007; 12(2): 22-28 Authors' institutions: Department of Chemical & Biomedical Engineering, FAMU-FSU College of Engineering, Tallahassee, Florida, USA (RS), Electrical Engineering Department, JNV University College of Engineering, Jodhpur, Rajasthan, India (RS, AS), Radiology Department, Tallahassee Memorial Hospital, Tallahassee, Florida, USA (CDW). Contact person: Rakesh Sharma, 901 West Jefferson Street, Jeffwood B-7, Tallahassee, FL 32304, USA. email: rs2010@columbia.edu. Informatica Medica Slovenica 2007; 12(2) 23 Introduction Global function and mass of the left ventricle (LV) are important indicators of stratification, treatment planning and prognosis for a patient with cardiac disease. There exist various imaging modalities and analysis methods to assess LV function and mass. MRI has been recognized a modality of choice because it is non-invasive, free of ionizing radiation, and has excellent image quality, including superior temporal and spatial resolution, and high image contrast between the myocardium and blood. Moreover, MRI provides tomographic images of the heart, allowing determination of LV volumes with Simpson's rule. Typically multiple parallel short-axis slices are acquired encompassing the whole LV. The volumes are determined by summing up areas of the LV cavity at each level multiplied by the slice thickness. Simpson's rule determines LV volumes from three-dimensional data of the LV cavity. The assessment is considered accurate because no geometric assumption is involved. To date, using cardiac MRI and Simpson's rule has become a standard method for clinical assessment of LV function and mass.1 The major disadvantage of MRI assessment with Simpson's rule is long scan time. This method requires ECG-gated cine MRI in multiple short-axis slices, steady state free precession (SSFP) sequences with successful intermittent breath holds but intolerable to cardiac patients who are critically ill. The method to assess LV function and mass from a single cine acquisition is still desirable with short scan time in clinical settings. To acquire fewer slices and assuming various geometric shapes to approximate the LV cavity suffers with errors because of mismatch between global shape of the LV cavity and simple shape of geometry. Biplane Simpson's disk method seems more accurate than other methods in assessing LV volumes.2 A Simpson's disk method was proposed to assess LV volumes with a single cine MRI. The method assumed that the shape of the LV cavity at each short-axis level approximates a disk. Based on this assumption, a series of cine MRI was acquired in a horizontal long-axis view. The LV volumes were determined by summing up a stack of disks along the LV long axis. The purpose of this paper was to compare the proposed Simpson's disk method with standard Simpson's rule in assessing LV function and mass. Materials and methods Subjects Ten healthy subjects were enrolled in the study. All subjects completed informed consent before MRI examination. The study was performed under the approval of the Institutional Review Board of the hospital. Imaging techniques A study was performed on a 1.5 Tesla MRI system (GE Signa) with a four-channel phase array receiver coil. Procedures of prescribing a horizontal long-axis view and short-axis views were described as follows. A transverse slice through the left and right ventricles was obtained. A vertical long-axis slice paralleling the interventricular septum was prescribed from the transverse slice. The horizontal long-axis view (or four-chamber view) was determined by prescribing a slice plane perpendicular to the vertical long-axis slice, and the line of intersection coincided with the line between mitral orifice and cardiac apex. Short-axis views were then determined with the slice planes perpendicular to the horizontal long-axis view and to the LV long axis shown in this view. Cine MRI was acquired in multiple short-axis views covering the whole LV and in a single horizontal long-axis view. We used prospective electrocardiographic R-wave trigger to synchronize MRI data acquisition. The pulse sequence used a non breath-hold two-dimensional (2D) gradient echo technique with TR/TE/flip angles = 30 ms/7 ms/30°. Short-axis slices were prescribed from cardiac base to apex with slice thickness/gap = 10 mm/0 mm. To avoid 24 Sharma R et al.: A Simple Assessment of Left Ventricular Function and Mass with Cine MRI cross talks between adjacent excitation pulses, two slice levels separated by a half range of the coverage were scanned in the same acquisition. Nine to eleven short-axis slices were obtained depending on the cardiac size. Setting temporal resolution at 30 ms, the total number of cardiac phases was determined as 90% of R-R interval divided by 30 ms. In-plane resolution of 1.2 mm was obtained with the field-of-view (FOV) of 30 cm and a matrix size of 128x256 interpolated to 256x256. To reduce respiratory motion artifacts we used two number of excitation (NEX). The resulting images showed clear distinction between LV cavity and endocardial border. Blurring of the border was observed at the most apical slices due to partial volume effect. The scan time was RR interval X 128 (number of phase encoding) X 2 (NEX) X 5 (five acquisitions for ten levels), approximately 21 minutes if RR interval = 1 sec. Heart rate was recorded at the beginning, middle and end of the examination. Image analysis To define endocardial boundary of the LV in short-axis views, we used an in-house semi-automated edge detection method based on a gray-level auto-contouring algorithm provided by MATLAB 5.2 (Mathworks, Inc., Natick, MA, USA). Once the coordinates of the points on the boundaries were determined, the area enclosed by the boundary was computed. LV volumes were then determined by Simpson's rule: LV volume = I;=L.n A; t (1) where n is the total number of slices, Ai is the area of the LV cavity at the i-th level, and t is the slice thickness. From the time course of LV volumes, we identified the volumes at end diastole (EDV), end systolic (ESV) and calculated the ejection fraction (EF). We included slices at cardiac base containing the mitral valves. If the short-axis plane showed the left atrium and left ventricle, we identified the LV cavity enclosed by the ventricular wall and mitral annulus, and traced the endocardial border manually. The number of slices at end diastole was one to two slices more than that at end systole. To determine the LV mass, we used the same edge-detection algorithm to define the endocardial and epicardial boundaries at end diastole. The volume of the LV wall was computed by subtracting the volume enclosed by the endocardial boundary from the volume enclosed by the epicardial boundary. We obtained the LV mass by multiplying the wall volume with the density of the myocardium, assuming 1.05 The LV volumes in the horizontal long-axis cine MRI were determined by manually tracing the borders of the endocardium and epicardium. To apply Simpson's disk method, The LV long axis was defined with a line connecting mitral orifice and cardiac apex in the horizontal long-axis view. Multiple parallel segments were produced along the LV long axis with equal increment (Figure 1). These segments were perpendicular to the LV long axis and were bounded by the septum and lateral wall. The lengths of the segments were taken as the diameters of the disks of the same levels. Knowing the diameters of individual disks and the increment, LV volumes were determined by summing up the volumes of these disks: LV volume = E;= L.m n a dj2 / 4 (2) where m is the total number of disks along the LV long axis, dj is the diameter of the disk at the j-th level, and a is the distance of increment. As described above, we determined the EDV, ESV, EF and LV mass from the measured volumes. Papillary muscles were excluded from the myocardium in both Simpson's rule and Simpson's disk method. Informatica Medica Slovenica 2007; 12(2) 25 Figure 1 Simpson's disk method using a single horizontal long-axis slice by 1.5 T MRI. Inter-observer and intra-observer reproducibility To evaluate the reproducibility of the Simpson's rule and Simpson's disk method, we evaluated the variability of individual methods between two observers, and between two analyses by the same observer. Inter-observer variability was studied by comparing pairs of results analyzed by two observers. Intra-observer variability was studied by comparing pairs of results from the repeated analyses by the same observer two months apart. Statistical analysis Reproducibility of each method was quantified in terms of the mean difference between paired measurements, SD of the mean differences and percent variability. Bland-Altman analysis3,4 was used to evaluate the agreement of LV volumes between the Simpson's disk method and Simpson's rule expressed in terms of the mean bias, upper and lower limits of agreement (mean bias±2SD), and 95% confidence interval of the mean bias in the assessment of LV EDV, ESV, EF and LV mass. Data analysis was performed with MATLAB 5.2 (Mathworks, Inc., Natick, MA, USA) software. Patient study To test the feasibility of Simpson's disk method in disease heart, we studied eight patients who presented with focal or global thinning of the LV wall and chamber dilatation. Cine MRI was performed in a 1.5 T scanner (GE Signa) using balanced SSFP (TrueFISP; TR/TE/flip angle = 22ms/1.8ms/60Q). Multiple short-axis slices and one horizontal long-axis slice were obtained at the same spatial and temporal resolution as described above. To demonstrate the LV wall abnormality, delayed enhancement study was performed using inversion-recovery prepared segmented turbo FLASH sequences (TR/TE/flip angle = 750 ms/4.38ms/10°; TI = null point of the myocardial signal; 16 segments per acquisition). Data analysis was performed as described above. Results Both Simpson's disk method and Simpson's rule showed high intra-observer and inter-observer reproducibility in assessing LV volumes (Table 1). Intra-observer and inter-observer reproducibility in Simpson's disk method were 4.03% and 5.06% in percent variability, respectively, and those in Simpson's rule were 3.02% and 8.49%, respectively. Table 1 Reproducibility of left ventricular volumes in Simpson's disk method and Simpson's rule. Type of SD of mean Mean % variability variability, difference difference Method (ml) (ml) Intra-observer, 2.8 0.1 4.03 Simpson's disk Inter-observer, 4.1 -0.7 5.06 Simpson's disk Intra-observer, 1.7 0.4 3.02 Simpson's rule Intrer-observer, 5.2 1.7 Q /10 Simpson's rule 8.49 26 Sharma R et al.: A Simple Assessment of Left Ventricular Function and Mass with Cine MRI 40 20 -20 -40 Upper limit of agreement: +6.38ml Bias: -0.71ml «Li . » ' ». « M • Lower limit of agreement: -7.79ml 2 0l 4 0l 6 0l 80 100l 120l 140 Average LV volume from long and short axis (ml) Figure 2 Bland-Altman plot showing agreement between Simpson's disk method and Simpson's rule in the evaluation of LV volumes during cardiac cycle in ten healthy volunteers. Table 2 Demographic characteristics and normalized left ventricular functional parameters. Variable (Mean ± SD) Healthy volunteers (N=10) Patients with heart disease (N=8 Age (years) 31.5 ± 10.3 61.6 ± 9.9 Height (cm) 164.0 ± 9.0 167.0 ± 4.7 Weight (kg) 64.0 ± 12.3 64.0 ± 7.9 BSA (m2) 1.97 ± 0.20 1.72 ± 0.13 HR (beats/min) 70 ± 8.0 79 ± 10 EDVI (ml/m2) 45.4 ± : 9.8 152.3 ± 67.2 ESVI (ml/m2) 12.4 ± 3.7 117.4 ± 62.7 EF (%) 73.4 ± 2.4 24.1 ± 12.1 Mass (g/m2) 44.4 ± 9.5 103.1 ± 31.3 Abbreviations: BSA=body surface area; HR=heart rate; EDVI = end diastolic volume index; ESVI = end systolic volume index; EF = ejection fraction. 0 Upper limit of agreement: +5.06ml Bias: -0.22ml 7.5 « 80 100 120 140 160 Lower limit of agreement: -5.50ml Upper limit of agreement: +3.31ml Bias: +0.63ml 20 25 30 35 40 45 50 -2. Lower limit of agreement: -2.05ml LV ESV Upper limit of agreement: +2.95% Bias: -1.85 % 55 60 65 70 75 80 85 Lower limit of agreement: -6.64 % Upper limit of agreement: +8.08g Bias: -1.94g 60_a.80 " 00 1 20 1 40 Lower limit of agreement: -11.97g 2.5 40 15 2 .5 7 .5 -20 LV EF LV MASS 100 200 300 400 500 Lower limit of agreement: -50.36ml LV EDV Upper limit of agreement: +22.91ml Bias: -12.71ml 100 200 300 400 500 Lower limit of agreement: -48.33ml -30 LV ESV Upper limit of agreement: +12.44% Bias: -0.31 % 10 20 30 40 50 Lower limit of agreement: -13.05% Upper limit of agreement: +69.71g Bias: +11.14g 100 200 300 400 500 Lower limit of agreement: -47.43g LV MASS Figure 3 Bland-Altman plots showing agreement between Simpson's disk method and Simpson's rule in the evaluation of in the evaluation of LV EDV, ESV, EF, and LV mass in ten healthy volunteers (top) and eight patients (bottom). 80 0 80 LV EF Informatica Medica Slovenica 2007; 12(2) 27 Patient 5 Patient 6 Patient 7 Patient 8 Figure 4 Viability study of eight patients with heart disease by 1.5 T MRI using Cine MRI showing transventricular compartments (notice the regions with signal loss in patient 8). The agreement between Simpson's rule and Simpson's disk method in the evaluation of LV volumes during cardiac cycles is shown in Figure 2. The mean bias (SD) was -0.71 ml (3.54 ml), 95% confidence interval of the mean bias being [-1.13,-0.28 ml], and the upper/lower limit of agreement being 6.38 ml/-7.79 ml. Demographic data of healthy volunteers including LV function and mass are summarized in Table 2. Bland-Altman plots of the agreement between Simpson's rule and Simpson's disk method are shown in the top four graphs in Figure 3. The mean bias (SD) between the two methods was -0.22 ml (2.64 ml) for LV EDV, +0.63 ml (1.34 ml) for ESV, -1.85% (2.40%) for EF, and -1.94 g (5.01 g) for LV mass. Demographic data of the patients including LV function and mass are also summarized in Table 2. Clinical diagnosis and MRI findings of LV wall abnormality and selected images of viability study for each patient are shown in Figure 4. Four patients (patient 1, 2, 4 and 8) with previous history of acute myocardial infarction showed focal hyperenhancement in delayed enhancement study, three patients (patient 5, 6 and 7) with chronic coronary artery disease and one patient (patient 3) with dilated cardiomyopathy did not show hyperenhancement. Bland-Altman plots of the agreement between Simpson's rule and Simpson's disk method for the patients are shown in the bottom four graphs in Figure 3. The mean bias (SD) between the two methods was -18.30ml (16.01 ml) for LV EDV, -12.71ml (17.81 ml) for ESV, -0.31% (6.37%) for EF, and +11.14g (29.28 g) for LV mass. Discussion In the study, we evaluated the reproducibility of Simpson's disk method, and the agreement between this method and Simpson's rule in assessing LV function and mass. The inter-observer reproducibility of Simpson's rule in our study (8.49%) is comparable with those of other methods reported previously.5 The percent variability was 4.0% for EDV and 8.6% for ESV in conventional non breath-hold cine MRI; 4.0% for EDV and 8.0% for ESV in breath-hold cine MRI; 6.1% for EDV and 7.8% for ESV in turbo gradient echo; and 2.8% for EDV and 5.5% for ESV in balanced SSFP sequence. In this study, we found slightly better inter-observer reproducibility with Simpson's disk method than with Simpson's rule (5.06% vs. 8.49%). In healthy volunteers, the agreement between Simpson's disk method and Simpson's rule in assessing LV EDV, ESV, EF, and LV mass revealed small mean bias and narrow SD's of the mean bias. This study in normal heart LV volume and mass by Simpson's disk method suggests that the assumption of disk configuration at each level of short-axis view is valid. Simpson's disk method approximates the shape of LV cavity in piecemeal fashion, reducing the possibility of large error. Single plane in a horizontal long-axis view is reliable to approximate disk diameter. The agreement between Simpson's disk method and Simpson's rule in assessing LV EF was -0.31% in terms of mean bias and 6.37% in terms of SD of the mean bias. The agreement in LV EDV and ESV in patients showed 16.01 ml and 17.81 ml in 28 Sharma R et al.: A Simple Assessment of Left Ventricular Function and Mass with Cine MRI terms of SD of the mean bias, respectively. Large variability in patients may be the consequence of large EDV and ESV (Table 2). The SD of the difference in EDV was 25 ml in patients with global dysfunction and 18 ml in those with regional dysfunction, respectively. For ESV, the SD's were 25 ml and 10 ml, respectively. If the difference between two measurements is normalized by the mean of the two measurements for individual patients, we obtain 6.0% for EDV and 8.7% for ESV, respectively. Therefore, the reliability of Simpson's disk method in assessing LV EDV and ESV in patients is acceptable. As for the agreement of LV mass in patients, the mean bias (SD) was +11.14 gm (29.28 gm), thus apparently larger than that of healthy volunteers. Nevertheless, the reliability of Simpson's disk method in assessing LV mass is also acceptable. In this study, conventional gradient echo sequence and balanced SSFP sequence both have inherently different contrast mechanisms to define border. During late systolic phase, the contrast between the myocardium and blood around the apex became indistinguishable because blood flow was slow. To determine endocardial contour in this phase, one often needs to play cine loops back and forth to interpolate the contour location. Although error may still exist, we consider it insignificant because the apical volume is small relative to the total LV volume. Comparing with gradient echo sequences, balanced SSFP sequences provide better contrast between the myocardium and blood. The images obtained from balanced SSFP can reveal fine trabeculae, since greater thickness of trabeculae tends to be excluded from the myocardium in border definition. This subsequently leads to systematic difference. Further study on the definition of the border is required to achieve agreement between the balanced SSFP sequences and the conventional gradient echo sequences. The patients in this study were chosen consecutively with obvious symptoms of left heart failure. In these cases, the accuracy of Simpson's disk method may deteriorate because the LV in short-axis view can no longer be approximated by a disk. Conclusion Simpson's disk method has comparable reproducibility with Simpson's rule. The two methods show reasonable agreement in both normal volunteers and patients. Therefore, Simpson's disk method may serve as an alternative for LV function and mass assessment if the LV maintains its original shape. References 1. Kramer CM: Imaging of Function. In Imaging in Cardiovascular Disease, Eds. Pohost GM, O'Rourke RA, Berman DS, et al., Philadelphia, NY 2000: Lippincott Williams & Wilkins, 417-422. 2. Lawson MA, Blackwell GG, Davis ND, et al.: Accuracy of Biplane Long-axis Left Ventricular Volume Determined by Cine Magnetic Resonance Imaging in Patients with Regional and Global Dysfunction. Am J Cardiol 1996; 77: 1098-1103. 3. Bland JM, Altman DG: Statistical methods for assessing agreement between two methods of clinical measurement. Lancet 1986; i: 307-310. 4. Bland JM, Altman DG: Measuring agreement in method comparison studies. Stat Meth Med Res 1999; 8: 135-160. 5. Sakuma H, Fujita N, Foo TKF, et al.: Evaluation of Left Ventricular Volume and Mass with Breath-Hold Cine MR Imaging. Radiology 1993; 188: 377380. Informatica Medica Slovenica 2007; 12(2) 29 Strokovni članek ■ Nekaj malega o računanju velikosti vzorca Basics of Sample Size Calculations Janez Stare Izvleček. V članku predstavim računanje velikosti vzorcev za nekatere preproste primere, ki pa jih v raziskovalni praksi pogosto srečamo. Abstract. Calculation of the sample size for some most commonly used statistics is presented. ■ Infor Med Slov: 2007; 12(2): 29-33 Institucija avtorja: Inštitut za biomedicinsko informatiko, Medicinska fakulteta, Univerza v Ljubljani. Kontaktna oseba: Janez Stare, Inštitut za biomedicinsko informatiko, Medicinska fakulteta, Univerza v Ljubljani, Vrazov trg 2, 1000 Ljubljana. email: janez.stare@mf.uni-lj.si. 30 Stare J: Nekaj malega o računanju velikosti vzorca Uvod Da ima velikost vzorca nekaj besede pri tem, kako značilni bodo rezultati statistične analize podatkov, je skoraj splošno znano dejstvo. Za kakšen vpliv gre pa ve že malokdo. Vendar vse več strokovnih in znanstvenih medicinskih revij zahteva izračun potrebne velikosti vzorca oz., obrnjeno, izračun moči testa. Tudi na našem inštitutu čutimo porast takšnih zahtev, zaenkrat žal prepogosto šele po tem, ko je zbiranje podatkov že zaključeno. Ko govorimo o potrebni velikosti vzorca, mislimo na določen namen. Najpreprostejši primer je ocenjevanje povprečja. Takrat želimo, da je vzorec dovolj velik, da bomo povprečje ocenili z določeno natančnostjo. Bolj pogosto pa nas zanima statistična značilnost. Recimo, želimo dovolj velika vzorca, da bo razlika med skupinama statistično značilna. Torej, če je med populacijama določena razlika, želimo, da jo naš test zazna. Ali jo bo vedno zaznal? Ne, lahko imamo smolo in izberemo vzorca, ki sta si zelo podobna, čeprav si populaciji nista. Na primer, vemo, da imajo starejši višji krvni pritisk kot mlajši, a če izberemo slučajna vzorca starejših in mlajših, se lahko zgodi, da sta si vzorčni povprečji blizu ali celo v obrnjenem razmerju kot v populaciji. Torej lahko govorimo le o verjetnosti, da bo naš test zaznal razliko, če ta obstaja. Tej verjetnosti pravimo moč testa in zanjo želimo, da je čim večja. To pa je odvisno od velikosti vzorca. Pogosto izbrana, in še sprejemljiva, moč testa je 0,8 oz. 80%. To pomeni, da bomo obstoječo razliko statistično zaznali v 80% primerov. In NE zaznali v 20% primerov! Preden začnemo s konkretnimi primeri, naj spomnim še na tole: tudi če med populacijama ni razlik, je test lahko značilen. Kolikokrat? No, to res sodi v osnove statistike pa vseeno povem - v 5% primerov. Če smo mejo statistične značilnosti postavili pri 5% seveda, sicer pa pač ustrezno drugače. V naslednjih treh razdelkih si bomo pobliže ogledali nekaj najpogostejših primerov izračunavanja velikosti vzorca. Za to potrebujemo nekaj statističnega znanja, ki ga v članku sicer ponovim, a ne razlagam. Ukvarjali se bomo samo z numeričnimi spremenljivkami, o atributivnih pa morda kdaj drugič. Ocenjevanje povprečja Kadar ocenjujemo povprečje neke numerične spremenljivke želimo predvsem čim večjo natančnost. To pomeni, da želimo, da je naša ocena z določeno verjetnostjo največ za d oddaljena od pravega povprečja. Da ne bi komplicirali, se dogovorimo, da bomo v vsakem razdelku izbrali neko konkretno verjetnost, v tem vzemimo 95%. To je sicer veliko, v praksi se ponavadi zadovoljimo z manjšo verjetnostjo. Zavedati se moramo, da bodo naše ocene v 5% primerov vendarle za več kot d oddaljene od pravega povprečja. Najprej se spomnimo, da se povprečja porazdeljujejo normalno. To je popolnoma res, če je spremenljivka v populaciji porazdeljena normalno, a dovolj dobro res tudi, če ni. Naj bo pravo povprečje j, prava standardna deviacija pa o. Standardna deviacija porazdelitve povprečij, ki ji ponavadi rečemo standardna napaka, je o/Vn. Ker za normalno porazdeljeno spremenljivko velja, da je 95% njenih vrednosti znotraj intervala, ki seže 1,96 standardne deviacije levo in desno od povprečja in ker želimo, da je v 95% primerov vzorčno povprečje za manj kot d oddaljeno od povprečja populacije, mora torej biti d=1,96o/Vn in odtod 1,96V2 d2 Pozoren bralec seveda ne bo spregledal, da v gornji formuli nastopa populacijska o, ki je v praksi praviloma ne bomo poznali. V formulo torej postavimo neko oceno in se pri tem zavedamo, da bo naš izračun pravilen le, če se pri oceni nismo zmotili. Če smo varianco precenili, ne bo hudega, saj bo zahtevani vzorec pač prevelik (toliko bolje!), n = Informatica Medica Slovenica 2007; 12(2) 31 s podcenjevanjem variance pa seveda ne kaže računati velikosti vzorcev. Primer: oceniti želimo povprečno vrednost sistoličnega krvnega pritiska v populaciji Slovencev. Pri tem hočemo, da se naša vzorčna ocena s 95% verjetnostjo ne bo razlikovala od prave vrednosti za več kot 2 mmHg. Potemtakem je d=2. Če privzamemo, da je o= 15, dobimo kot potrebno velikost vzorca n = 216. Če bi bili zadovoljni z natančnostjo na 5 mmHg, pa bi potrebovali vsega 35 ljudi. Seveda izračun lahko tudi obrnemo in vprašamo, kako natančno bi ocenili povprečje na primer pri n=50. Dobili bi d=4,2. Naj še enkrat poudarim, da so ti rezultati zelo odvisni od tega, kaj smo privzeli za o. Slika 1: Testiranje hipoteze o povprečju populacije z enostranskim testom. Če velja ničelna hipoteza, naj bo desno od nje a (npr. 5%) vseh vrednosti pod vzorčno porazdelitvijo povprečij, če pa je pravilna alternativna hipoteza, naj P (npr. 10%) vseh vrednosti leži levo od c . Testiranje hipoteze o povprečju populacije V prvem razdelku smo se ukvarjali z ocenjevanjem populacijskega povprečja. Šlo nam je za natančnost, ničesar nismo testirali. V nadaljevanju si bomo podrobneje pogledali, kako izračunamo potrebno velikost vzorca pri dveh najpogosteje uporabljanih testih: testiranju povprečja in testiranju razlike med dvema vzorcema. Recimo, da želimo preveriti hipotezo nasprotna hipoteza pa je Ha:M>Mo. Označimo dejansko povprečje v populaciji z Napaka prve vrste (verjetnost, da zavrnemo pravilno ničelno hipotezo) naj bo a, napaka druge vrste (verjetnost, da sprejmemo napačno ničelno hipotezo) pa P, moč torej 1—P. Privzemimo, da je standardna deviacija enaka o, tako pod ničelno kot alternativno hipotezo. Izberimo točko c takole (glej Sliko 1): Potem je a c = Mo + za~r V n in tudi C = Ma - Z p a Vn Izraza izenačimo in razrešimo na n: a2( Zg+ Z p) 2 ' (Ma -Mo Če je alternativna hipoteza Ha:Ma:^M0, moramo £a v zgornjih formulah nadomestiti z za/2. Slika 2 ilustrira takšno situacijo. 32 Stare J: Nekaj malega o računanju velikosti vzorca Slika 2: Testiranje hipoteze o povprečju populacije z dvostranskim testom. Slika 3: Dva vzorca, enostranski test za H0:^l=^2 proti alternativni hipotezi, da je H0:ju2>ju1. Ocenjevanje razlike dveh povprečij Problem je enak kot pri ocenjevanju povprečja populacije, le da je standardna deviacija porazdelitve razlik povprečij enaka a- *1 - V M+ Ce ponovno d predstavlja natančnost, je d =za/2• Mi + kar je izraz, iz katerega lahko izračunamo npr. n2, če določimo nl. Ponavadi se odločimo za razmerje med nl in n2, torej n2=knl, od koder potem sledi 2 /7 2 2\ Za/2(kai +a2) nl =-2-. 1 kd2 Izraz se še nekoliko poenostavi, če lahko privzamemo enakost varianc in enako velikost obeh vzorcev. (1) Testiranje razlike povprečij dveh neodvisnih vzorcev Recimo, da želimo preveriti hipotezo nasprotna hipoteza pa je Ha:V2>Vl. Označimo razliko med populacijskima povprečjema z 8=^—^2. Potem lahko hipotezi zapišemo takole: Ho:8=0, Ha:8>0. Situacija je enaka kot pri testiranju enega vzorca, le da gre tukaj za razlike povprečij. Spet naj bo c točka, za katero velja (glej Sliko 3): Če velja ničelna hipoteza, naj bo desno od nje a (npr. 5%) vseh vrednosti pod vzorčno porazdelitvijo razlik, če pa je pravilna alternativna hipoteza, naj ¡5 (npr. 10%) vseh vrednosti leži levo od c. Zdaj je C = 0 + Za a in n n n n 2 Informatica Medica Slovenica 2007; 12(2) 33 c = S + z, + U1 Od tu lahko izrazimo n.2 kot funkcijo ni (pa še oi, 02, Za in Zp). Računanje si nekoliko olajšamo, če zopet postavimo n2=knh kar da = (za + z, fika? + Če je alternativna hipoteza Ha: V1M2, moramo, tako kot prej, za v zgornjih formulah nadomestiti z za/2. kS2 n n 2 34 Meglič M et al.: Opremljenost in uporaba IT v bolnišnicah in zdravstvenih domovih v Sloveniji Strokovni članek ■ Opremljenost in uporaba informacijskih tehnologij v bolnišnicah in zdravstvenih domovih v Sloveniji Matic Meglič, Dorjan Marušič, Aleš Anžur, Drago Kodele Izvleček. Ministrstvo za zdravje RS je leta 2006 izvedlo anketo o tehnološki opremljenosti in uporabi informacijskih orodij s strani izvajalcev zdravstvenega varstva. Opremljenost z računalniki in uporaba informacijskih orodij je primerljiva z državami EU z nekaj pomembnimi izjemami, kot so zdravstveni domovi. Trend opremljenosti zdravstvenih institucij je glede na leto 2003 pozitiven. V skladu z načrti izvajanja strategije eZdravja2010 se bo opremljenost še izboljšala. Uporaba računalnika je pri določenih profilih zaposlenih premajhna, vzroke pa lahko iščemo v pomanjkanju aplikacij (orodij za delo), storitev na nivoju sistema (standardizirana izmenjava podatkov ipd), pomanjkanju vzpodbud za njihov privzem in neustrezne organizacije delovnih procesov. Equipment and the Usage of Information Technologies in Hospitals and Health Care Centers in Slovenia Institucije avtorjev: Primorski inštitut za naravoslovje in tehnične vede Koper (MM), Vlada Republike Slovenije (DM), Data-bit d.o.o. (AA), Ministrstvo za zdravje Republike Slovenije (DK). Kontaktna oseba: Matic Meglič, Primorski inštitut za naravoslovje in tehnične vede, Muzejski trg 2, 6000 Koper, Slovenija. email: matic.meglic@pint.upr.si. Abstract. In 2006 the Ministry of Health RS performed a survey of information technology equipment and its usage by health care providers in Slovenia. Equipment and the usage of information technologies are in large extent comparable to other EU countries with a few important exceptions, such as primary health care centers. The trend of usage of information technologies is positive in comparison to the year 2003. The situation will further improve as a result of eHealth2010 strategy implementation. There are certain profiles where the usage of computers is not sufficient. The reasons probably lie in the lack of available tools and system's services (e.g. exchange of data), low incentive for their adoption and in the need for adaptation to new work process. ■ Infor Med Slov: 2007; 12(2): 34-39 Informatica Medica Slovenica 2007; 12(2) 35 Uvod Zdravstveno varstvo je področje, izredno bogato z informacijami. Uporaba sodobnih informacijskih in komunikacijskih tehnologij (IKT) lahko pomembno poveča učinkovitost zdravstvenega sistema in kakovost storitev.1-3 Že od projekta RUSZV naprej4 se v Sloveniji zavedamo potrebe po boljši informacijski podpori. Iljaž, Kersnik in Roženberger so leta 2005 že izvedli raziskavo na vzorcu 36 odzvanih zdravnikov iz primarnega zdravstvenega varstva o uporabi računalniške tehnologije in zadovoljstvu z njo.5 V istem letu je Ministrstvo za zdravje s strategijo eZdravje 2010 postavilo ogrodje prihodnjega pospešenega razvoja IKT na področju zdravstvenega varstva v Sloveniji.6 Za uspešno privzemanje IKT s strani izvajalcev in osebja je potrebno zagotoviti orodja, znanje in veščine, motivacijo ter prilagojeno organizacijo procesov. Na privzemanje IKT vplivajo še številni drugi dejavniki, za primarno zdravstveno varstvo jih je že leta 1994 opisal Dixon.7 Na področju družinske medicine je v tujini je uporaba računalnikov zelo razširjena. Po podatkih Eurobarometra so v državah EU15 družinski zdravniki že leta 2002 uporabljali računalnik v 80%, elektronske zdravstvene zapise pa v 29%.12 Laerum in sodelavci opisujejo, da bolnišnični zdravniki na Norveškem uporabljajo računalnik vsaj v 72% (so računalniško pismeni), v 93% pa ga 13 imajo v svoji pisarni. Če želimo izboljšati stanje na področju uporabe IKT v zdravstvu, moramo odgovoriti na nekaj ključnih vprašanj. Kakšna je informacijska opremljenost v slovenskem zdravstvu? Kje smo v primerjavi s stanjem v ostalih državah Evropske Unije? Ali so procesi dela v zdravstvu oblikovani tako, da jih lahko informacijsko podpremo s standardnimi rešitvami? Kateri profili izvajalcev uporabljajo IKT in koliko? Obstajajo razlike tudi znotraj posameznih profilov? V prispevku bomo skušali odgovoriti na zastavljena vprašanja in opredeliti aktivnosti, potrebne za nadaljnje privzemanje IKT s strani izvajalcev zdravstvenih storitev. Namen in cilji Namen raziskave je bil oceniti stanje na področju opremljenosti izvajalcev zdravstvenega varstva z IKT v Sloveniji. To stanje lahko služi kot izhodišče za nadaljnje aktivnosti, ki bi pospešile privzemanje IKT rešitev s strani izvajalcev zdravstvenih storitev. Cilji raziskave so bili izmeriti opremljenost izvajalcev z osebnimi računalniki (v nadaljevanju teksta "računalniki"), ki je osnovni pogoj za uporabo IKT; uporabo le-teh po posameznih profilih zaposlenih (shema 1) in opredeliti kritične profile, ki potrebujejo za privzemanje dodatne vzpodbude. Metode Uporabili smo podatke iz ankete zaprtega tipa, ki jo je izvajalo Ministrstvo za zdravje Republike Slovenije med 18. 7. 2006 in 11. 8. 2006. Ankete so v elektronski obliki prejeli vsi izvajalci zdravstvenih storitev v Sloveniji, ki jih vodi v evidenci Zavod za zdravstveno zavarovanje Slovenije. Odgovore je Ministrstvo prav tako prejelo v elektronski obliki. V prispevku smo se omejili na analizo odgovorov na sklop vprašanj o obstoječi informacijski opremi (osebni računalniki, mreže, strežniki ipd) in uporabi le-te. Anketa je sicer vsebovala še sklop vprašanj o komunikacijski opremi. Za analizo smo uporabili vprašanja o številu in sodobnosti osebnih računalnikov, konkretno vprašanje o tipu procesorja v osebnem računalniku. Iz zmogljivosti procesorja namreč sklepamo na njegovo zastarelost. Uporabili smo tudi pridobljene podatke o številu zaposlenih (glede na naslednje profile: zdravnik, zdravstveni tehnik/sestra, administrativno osebje, drugo zdravstveno osebje, nezdravstveno osebje) in številu zaposlenih iz 36 Meglič M et al.: Opremljenost in uporaba IT v bolnišnicah in zdravstvenih domovih v Sloveniji omenjenih kategorij, ki uporabljajo računalnike. Strategije za neodzivne anketirance pri izvajanju ankete ni bilo. Pri izračunih števila zaposlenih, števila računalnikov in razmerij med njimi, smo upoštevali le izvajalce, ki so podali vse ustrezne podatke. Za razliko od primerljivih študij v Evropi,8 kjer so računali število zaposlenih na posamezni računalnik, smo izračunali število zaposlenih, ki dejansko uporabljajo računalnik. Namen podrobnejše meritve je bil bolj natančno oceniti razmerje in se izogniti napaki, ki nastane pri posploševanju, da vsi profili, kot tudi osebje znotraj enakega profila, uporabljajo računalnike v enaki meri. Za primerjanje različnih profilov zdravnikov in njihove uporabe računalnikov smo uporabili preverjanje hipotez o razlikah med dvema proporcema - dvosmerno testno statistiko s standardiziranim odmikom "z". Za statistično pomembne razlike smo upoštevali vrednost p manjšo od 0,05. Rezultati Reprezentativnost in struktura prejetih odgovorov K sodelovanju v anketi je bilo povabljenih 1591 ustanov, ki spadajo v zdravstveni sektor glede na javno objavljene podatke. Odgovorilo je 365 izvajalcev, skupna odzivnost izvajalcev je bila tako 23%. Ustanove, ki so podale odgovore na anketna vprašanja, skupno zaposlujejo 31.190 ljudi različnih poklicev. Glede na podatke Statističnega letopisa iz leta 20029 to predstavlja 82% vseh zaposlenih v zdravstvenem sistemu. Odzivnost je bila največja pri bolnišnicah (80%) in zdravstvenih domovih (72%), najmanjša pa v zobozdravstveni dejavnosti (11%). Tabela 1 prikazuje strukturo ustanov, ki smo jih povabili k sodelovanju, in deleže prejetih odgovorov glede na celoto. Pri nadaljnjih izračunih uporabe po tipu ustanov smo se omejili na bolnišnice in zdravstvene domove, kjer je bila odzivnost dovolj velika za reprezentativen vzorec (za primerjavo je sicer dodana še specialistična dejavnost, čeprav ima odzivnost samo 25%). Tabela 1 Struktura odgovorov glede na tip ustanove. Tip ustanove St. povabil St. Odziv Delež odgovorov [%] [%] Bolnišnica 30 24 80 7 Zdravstveni dom / Zasebnik koncesionar 79 57 72 16 Lekarna 105 22 21 6 Zdravilišče 19 3 16 1 Socialni in posebni zavodi 105 46 44 13 Spec. dejavnost 262 66 25 18 Zobozdravstvena dejavnost 549 63 11 18 Fizio terapij a 83 25 30 7 Nega in patronaža 68 13 19 4 Reševalni prevozi 16 2 13 1 Drugo 275 37 13 10 Skupaj odgovorov 1591 358 23 100 Pojasnilo: St. povabil: število povabljenih ustanov; St. odgovorov: število prispelih odgovorov po ustanovah; Odziv [%]: delež prispelih odgovorov po ustanovah; Delež [%]: delež odgovorov od skupno prispelih. Pentium 1 Slika 1: Struktura delovnih postaj v bolnišnicah glede na tip procesorja. Informatica Medica Slovenica 2007; 12(2) 37 Število in vrsta računalnikov Ustanove, ki so podale svoje odgovore na vprašanja o tipu delovnih postaj oziroma računalnikov, imajo skupaj 12.502 delovnih postaj. Kar 94 % procesorjev je od podizvajalca Intel (Slika 1). Več kot polovica delovnih postaj je tipa Intel Pentium IV, sledi Intel Pentium III z 29% in Intel Pentium II z 12%. Število računalnikov glede na število zaposlenih oseb Upoštevali smo samo bolnišnice, saj je tako podatek primerljiv z anketo iz leta 2003 in podatki ankete HINE za države Evropske Unije. V bolnišnicah, ki so poročale, je število zaposlenih 18.977, število računalnikov pa 7.118, kar pomeni, da je v povprečju na voljo en računalnik na 2,67 zaposlenega. Tabela 2 Struktura zaposlenih in oseb, ki pri delu uporabljajo računalnik. Profil zaposlenih St. zaposl. St. upor. rač. Delež upor. rač. [%] Zdravnik 4.101 2.451 60 Sestra / zdravstvenik 9.825 8.194 83 Administrator 1.610 1.509 94 Drugo zdr. osebje (npr. fizioterapevt) Nezdravstveno osebje (npr. računovodstvo) 4.981 6.135 2.966 2.909 60 47 Skupaj 26.652 18.029 68 Pojasnilo: St. zaposl.: št. zaposlenih po profilih; St. upor. rač.: število zaposlenih, ki pri delu uporabljajo računalnik; Delež upor. rač. [%]: delež zaposlenih, ki pri delu uporabljajo računalnik. Uporaba računalnikov po profilih zaposlenih: V analizo profilov smo zajeli 26.652 zaposlenih iz ustanov, ki so odgovorile na vprašanje o tipu ustanove. V povprečju 68% zaposlenih pri svojem delu uporablja računalnik (Tabela 2). V največjem deležu uporablja računalnik pri delu administrativno osebje (94%), nekaj manj medicinske sestre oziroma zdravstveniki, najmanj ga uporablja nemedicinsko osebje (47%).Od zdravnikov jih računalnik uporablja 60%, kar je sicer manj od EU povprečja, vendar pomembno več kot v letu 2003,4 ko jih je računalnik uporabljalo le okrog 20%. Drugo zdravstveno osebje in nezdravstveno osebje ima sicer še nižji odstotek uporabe računalnikov, vendar zaradi narave njihovega dela uporaba računalnikov ni nujno del njihovega delovnega procesa. Tabela 3 Delež zdravnikov, ki uporabljajo računalnik, ločen glede na tip ustanove. Tip ustanove St. zdrav. St. upor. PC Delež [%] Sekundarni nivo 2.781 1.999 71,9 Bolnišnica 2.701 1.936 71,7 Specialistična dejavnost 80 63 78,8 Primarni nivo -Zdravstveni dom 1.143 305 26,7 Javni zavod 1.108 278 25,1 Zasebnik s koncesijo 35 27 77,1 Zobozdravstvena dejavnost 71 49 69,0 Pojasnilo: St. zdrav.: skupno število vključenih zdravnikov; St. upor. PC: število vključenih zdravnikov, ki uporabljajo PC; Delež [%]: delež zdravnikov, ki uporabljajo PC. Uporaba računalnika med zdravniki glede na nivo zdravstvenega varstva in tip ustanove Deleži zdravnikov, ki uporabljajo računalnik, razdeljeni glede na primarni nivo (kategorija "zdravstveni domovi") in sekundarni nivo zdravstvenega varstva (kategoriji "bolnišnice" in "specialistična dejavnost") in glede na tip ustanove so prikazani v Tabeli 3. Po rezultatih statistične analize lahko sklepamo, da med zdravniki na primarnem in sekundarnem nivoju obstajajo pomembne razlike pri uporabi računalnikov (p<<0,001). Med zdravniki na sekundarnem nivoju ne obstajajo pomembne statistične razlike pri uporabi računalnika glede na tip ustanove (p=0,14). Med zdravniki na 38 Meglič M et al.: Opremljenost in uporaba IT v bolnišnicah in zdravstvenih domovih v Sloveniji primarnem nivoju zdravstvenega varstva obstaja pomembna razlika med uporabo računalnika pri zdravnikih zasebnikih s koncesijo in zdravnikih zaposlenih v javnih zavodih (p<<0,001). Diskusija Odzivnost izvajalcev na anketo je bila v večji meri odvisna od velikosti posameznih izvajalcev. Manjkali so predvsem odgovori manjših izvajalcev, ki nimajo namenskega osebja za informatiko. Obstaja možnost, da so se v večji meri odzvali izvajalci, ki imajo boljšo informacijsko opremljenost. Posledično je lahko ocena opremljenosti nekoliko večja od dejanske. V bolnišnicah, ki so izpolnile anketo, je v povprečju na voljo en računalnik na 2,67 zaposlenega. Primerjava z bolnišničnimi anketami iz leta 2003,4 ko je bilo razmerje 3,49, pokaže pomembno zmanjšanje števila zaposlenih na računalnik. Tudi primerjava s povprečjem držav EU15 iz oktobra 2004, kjer je bilo razmerje 3,52 zaposlenih na delovno postajo,8 nam pokaže, da je bila opremljenost vsaj v letu 2004 nad povprečjem 15 držav članic Evropske unije. Če pa upoštevamo še razmerje števila zaposlenih, ki dejansko uporabljajo računalnik, in števila računalnikov, je to razmerje 1,44. V povprečju si torej 10 računalnikov deli le 14 zaposlenih. Rezultati ankete so pokazali, da oprema izvajalcev ni zastarela. Delovne postaje s procesorjem tipa Intel Pentium I ali podobnim, ki predstavljajo le manjši odstotek opreme so zastarele tako po računovodskih standardih,10 kot tudi neustrezne po kriteriju sprejemljivih stroškov vzdrževanja.11 Iz dobljenih rezultatov je razvidno, da se je uporaba računalnikov med zdravniki/cami od leta 2003 povečala. Povečala se je uporaba med administrativnim osebjem in medicinskimi sestrami/tehniki. Uporaba je pri zdravnikih na sekundarnem nivoju skoraj 72%. Razlike med uporabo računalnikov pri bolnišničnih in ambulantnih specialistih niso statistično pomembne. Obstajajo pa pomembne razlike v uporabi računalnikov med zdravniki na primarnem (27%) in na sekundarnem zdravstvu. Razloge bi lahko iskali v pomanjkljivi funkcionalnosti obstoječih elektronskih kartotek, neobstoječih storitvah izmenjave podatkov med izvajalci (recepti, napotnice, odpustna pisma ipd), neveščosti zdravnikov pri uporabi IKT in premajhnega zavedanja prednosti IKT. Dejavnik je verjetno tudi razlika v delovnem procesu zdravnikov na primarnem in sekundarnem nivoju. na primarnem nivoju je namreč delovni proces bolj storilnostno naravnan, časovno omejen in terja od zdravnika tudi opravljanje nekaterih administrativnih nalog. Velika razlika med uporabo računalnikov s strani zdravnikov v javnih zavodih (25%) in zasebnikih s koncesijo (77%) postavlja vprašanje, kje so vzroki. Gre morda za različne finančne vzpodbude - večjo naravnanost koncesionarjev k stroškovni učinkovitosti in večji storilnosti? Povzamemo lahko, da je kritičen profil v Sloveniji zdravnik zaposlen v zdravstvenem domu, saj uporablja računalnik le majhen delež zdravnikov. Primerjava s podatki iz tujine pokaže, da je uporaba računalnikov med zdravniki na sekundarnem nivoju in koncesionarjev v primarnem nivoju primerljiva z razvitimi državami članicami EU. Glede na anketo iz leta 2003 nakazuje uporaba močan pozitiven trend. Med slabosti ankete lahko uvrstimo pomanjkanje strategije za neodzivne anketirance in prenizko odzivnost izvajalcev ambulantne specialistične dejavnosti in zasebnikov s koncesijo. V raziskavi prav tako nismo spraševali, katere funkcionalnosti, ki jih računalnik omogoča, zaposleni tudi v resnici uporabljajo (elektronska pošta, Internet, elektronski zdravstveni karton, ipd). Verjetno bi se izkazalo, da jih večji del uporablja zgolj za elektronsko pošto in urejevalnike besedil. Za to bo potrebno nadaljnje raziskovanje. Informatica Medica Slovenica 2007; 12(2) 39 Zaključek Glede na naštete kazalce, ki smo jih spremljali z anketo in primerjali z državami EU, menimo, da opremljenost z računalniki ni tako slaba, da bi zavirala širšo uporabo informacijskih orodij v podporo delu zdravstvenega osebja. Vsaj na papirju je delež uporabe računalnika zadovoljiv pri večini zaposlenih z izjemo zdravnikov v javnih zdravstvenih zavodih na primarnem nivoju, kjer je zelo nizka tudi v primerjavi z drugimi Evropskimi državami. Svet za informatiko v zdravstvu pod okriljem Ministrstva za zdravje je v letu 2006 in 2007 zagotovil namenska dodatna sredstva izvajalcem (s poudarkom na primarnem nivoju) za nakup strojne in programske opreme. Še vedno pa se je potrebno zavedati, da za uspešen privzem IKT velja pravilo, da je zagotavljanje ustreznih IKT rešitev le manjši del vseh potrebnih aktivnosti. Izobraževanje, priučevanje, sodelovanje pri izboljševanju in prilagajanju ponujenih rešitev so le nekatere od dejavnosti, na katerih bo potrebno sistematično delati v bližnji prihodnosti. Vzroke za premajhno uporabo IKT najdemo na področju organizacije procesov ter motivacije in znanja izvajalcev oziroma njihovih zaposlenih. Trendi v svetu informatike potekajo v smeri elektronskega zdravstvenega zapisa, spletnih rešitev in varnosti podatkov. S pomočjo izbranih standardov, tehnologije, vrednot in zakonov se lahko zdravstvenemu osebju in uporabnikom ponudi orodja, storitve in informacije. Bolj kot potreba po sodobnejši opremi se v rezultatih ankete kaže potreba po sodobnih aplikacijah in storitvah izmenjave podatkov na nivoju sistema. Sorazmerno nizki odstotki uporabe računalnikov pri delu nekaterih profilov so lahko posledica premajhnega vedenja o možnostih, ki jih informacijska tehnologija lahko nudi, in pomanjkljivih vzpodbud. Literatura 1. Kaushal R, Shojania KG, Bates DW: Effects of computerized physician order entry and clinical decision support systems on medication safety: a systematic review. Arch Intern Med 2003; 163(12). 2. Potts AL, Barr FE, Gregory DF, Wright L, Patel NR: Computerized physician order entry and medication errors in a pediatric critical care unit. Pediatrics 2004; 113: 59-63. 3. Tamblyn R, Huang A, Perreault R, Jacques A, Roy D, Hanley J, McLeod P, Laprise R: The medical office of the 21st century (MOXXI): effectiveness of computerized decision-making support in reducing inappropriate prescribing in primary care. CMAJ. 2003; 169(6): 549-556. 4. Anžur A: Analiza in predlog informacijske opremljenosti bolnišnic, RUSZV. Interno gradivo Ministrstva za zdravje. Ljubljana 2003: Ministrstvo za zdravje Republike Slovenije. 5. Iljaž R, Kersnik J, Roženberger M: Uporaba računalniške tehnologije med zdravniki v primarnem zdravstvu - pilotska študija. Zdravstveno varstvo 2005; (44): 206-214. 6. Kodele D, Košir F, Marusic D, Sušelj M: eZdravje 2010, Strategija informatizacije slovenskega zdravstvenega sistema 2005-2010. Ljubljana 2005. 7. Dixon DR, Dixon BJ: Adoption of information technology enabled innovations by primary care physicians: model and questionnaire development. Proc Annu Symp Comput Appl Med Care 1994; 631-635. 8. Lessens V: The 2003 Hospitals Study. 2005. 9. Moravec Berger D, Pribakovic Brinovec R, Urdih Lazar T, Kujundžic B: Zdravstveni statistični letopis 2002. Ljubljana 2004: Inštitut za varovanje zdravja Republike Slovenije. 10. Slovenski računovodski standardi 2006. Uradni list Republike Slovenije 118/2005. Ljubljana 2005: Uradni List RS. 11. Zakon o davku od dohodkov pravnih oseb (uradno prečiščeno besedilo) (ZDDPO-1-UPB2). Uradni list Republike Slovenije 33/2006. Ljubljana 2006: Uradni List RS. 12. Taylor H, Leit, nR: European Physicians Especially in Sweden, Netherlands and Denmark, Lead U.S. in Use of Electronic Medical Records. Health Care News 2002, 2(16). 13. Laerum H, Ellingsen G, Faxvaag A: Doctors' use of electronic medical records systems in hospitals: cross sectional survey. BMJ 2001; 323(7325): 1344-1348. 40 Dornik E et al.: Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege Bilten SDMI ■ Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege Poročilo z letnega srečanja članov SDMI-SIZN Na Jelenovem grebenu v Podčetrtku se je že 4 leto odvijalo tradicionalno srečanje članov Sekcije za informatiko v zdravstveni negi (SIZN), ki deluje v okviru Slovenskega društva za medicinsko informatiko (SDMI). Vabilu na dvodnevno srečanje (5. in 6. oktober 2007), ki je namenjen tako druženju kot strokovni rasti, se je skupaj odzvalo 20 članov. Srečanje smo pričeli ob 17 uri (Slika 1). V uvodnih besedah predsednice mag. Vesne Prijatelj je bilo čutiti navdih, ki SIZN spremlja že vrsto aktivnih let. V začetku so bili člani seznanjeni z dogajanji v tem letu, prav tako s poročilom o udeležbi nekaterih članov na MEDINFO 2007. Predstavila je tudi plan delovanja za naslednje leto. Ob aktualnih vprašanjih povezanih s tematiko dela v in za SIZN se je razvila debata in tvorno sodelovanje. Podrobnejše poročilo in sklepi sestanka so objavljeni na predstavitvenih straneh SIZN v rubriki "Sestanki". Po krajšem oddihu so se člani zbrali ob dobri hrani, kjer se je porodilo nešteto novih idej. Po večerji je sledilo kar nekaj presenečenj. Vesna Prijatelj, Drago Rudel in Denis Music so pripravili kreativne družabne igre v katerih so sodelovali vsi prisotni. Oblikovali sta se 2 ekipi Jelenčkovi in Suferji, ki jih kljub včasih zahtevnim igram in poznim večernim uram ni zapustila vnema za zmago. Tudi v temu delu srečanja se je izkazalo, da timsko delo, inovacije in dobra volja prispevajo k uspehu. Smeh in dobra volja so zabrisali vse sledove delovnega dne, ki je bil za nami. Kot vsako leto nam je tudi tokrat gospod Borut Ježovnik (lastnik) gostišča Jelenov greben pripravil presenečenje. Večer nam je popestril z Brencl bando, za kar se mu najlepše zahvaljujemo. In ko se je ta prijeten par muzikantov poslovil je Drago vzel v roke kitaro in smo še skupaj zapeli. Izbor fotografij z mesta dogajanja si lahko ogledate na: http://www.mf.uni-lj.si/sizn/ v rubriki "Galerija". Slika 1 Sestanek SIZN. Drugega dne so od 10. do 14. ure sledila predavanja. Navajamo kratke povzetke predavanj v vrstnem redu kot so si sledila. Informatica Medica Slovenica 2007; 12(2) 41 Branimir Leskošek: Nacionalna standardizacija v zdravstveni informatiki Asist. dr. Branimir Leskošek, univ. dipl. ing. rač. (Medicinska fakulteta, Inštitut za biomedicinsko informatiko, Ljubljana) je v predavanju z naslovom: "Nacionalna standardizacija v zdravstveni informatiki" predstavil delo v letošnjem letu ustanovljenega Odbora za zdravstveno informacijske standarde (OZIS), ki je nacionalni standardizacijski organ za zdravstveno informatiko pri Ministrstvu za zdravje (MZ). V skladu s strategijo eZdravje je OZIS začel z aktivnostmi na področju postavljanja nacionalnih normativnih dokumentov v zdravstveni informatiki. Predstavljeno je bilo preteklo delo in načrti za prihodnost. Do sedaj je OZIS deloval predvsem na prioritetnih področjih za standardizacijo Elektronskega zdravstvenega zapisa (EZZ) in varnosti v zdravstveni informatiki. Reševanja standardizacije so se v nasprotju z dosedanjo prakso lotili v manjših korakih, ki dajo celovite in hitre rezultate za ožje skupine izvajalcev zdravstvenih storitev. Hkrati si prizadevajo, da bodo vsi rezultati izvedenih projektov tudi javno dostopni zainteresirani javnosti. Trenutno je pripravljenih več manjših projektov, ki čakajo na realizacijo in sicer: za celovito rešitev na področju EZZ (medicinski povzetek); varnosti za ožjo skupino izvajalcev zdravstvenih storitev; elektronsko obveščanje zainteresiranih javnosti; standardizacijo minimalne zahtevane strojne opreme ter standardizacijo terminologije. OZIS bo v prihodnje nudil tudi tehnično in standardizacijsko podporo projektom, ki jih bo odobril Svet za informatiko (SIZ) pri MZ (žal še ni jasno kateri pilotski projekti bodo sprejeti). Hkrati so odprti za pobude s strani izvajalcev zdravstvenih storitev oz. drugih zainteresiranih. Pobude lahko pošljete na e-naslov: brane.leskosek@mf.uni-lj.si. Tako smo ob koncu predavanja sklenili, da bo SIZN dala pobudo skupini, ki dela na projektu "Priprava modela orodja za zagotavljanje kakovosti s pomočjo dokumentacije v zdravstveni negi" in, ki je podprt s strani Ministrstva za zdravje, da poda na RSK (Razširjeni strokovni kolegij) pri Zbornici zdravstvene in babiške nege Slovenije — Zvezi društev medicinskih sester, babic in zdravstvenih tehnikov Slovenije in po uskladitvi na OZIS predlog za minimalni nabor podatkov ZN. Več o OZIS-u si oglejte na: http://www.mz.gov.si/si/informatika _v_zdravstvu_siz_ozis/. Drago Rudel: Informacijska podpora izvajanju dolgotrajne oskrbe - priložnosti v okviru programa, ki ga predvideva osnutek zakona o dolgotrajni oskrbi Dr. Drago Rudel (podjetje MKS d.o.o. in Medicinska fakulteta, IBMI, Ljubljana) je v predavanju z naslovom "Informacijska podpora izvajanju dolgotrajne oskrbe - priložnosti v okviru programa, ki ga predvideva osnutek zakona o dolgotrajni oskrbi" podal kritično oceno predloga zakona "Zakon o dolgotrajni oskrbi in zavarovanju za dolgotrajno oskrbo" (http://www.mddsz.gov.si/si/zakonodaja_in_dokum enti/predpisi_v_pripravi, ver. avgust 2006), ki bo bistveno vplival tudi na izvajanje zdravstvene nege v prihodnje. Po mnenju predavatelja je v predlogu zakona nekaj pomembnih pozitivnih sprememb. Splošna ocena s stališča e-zdravja in zdravstvene informatike pa je, da so v predlogu premalo upoštevane nove rešitve z uporabo IKT tehnologij, ki so že na razpolago. Dokument ne pokaže jasne namere zakonodajalca, da bo vključevanje novih storitev, ki bi slonele na novih organizacijskih in IKT rešitvah, trajen proces. Prav tako ni nakazana povezanost dokumenta s strateškim dokumentom "eZdravje 2010". Sekcija je sprejela sklep, da posreduje pripravljavcu zakona to je Ministrstvu za delo, družino in socialne zadeve naslednja priporočila: - Zakon mora upoštevati strategijo RS na področju e-zdravja podano v dokumentu Ministrstva za zdravje "eZdravje 2010". 42 Dornik E et al.: Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege - V pripravo strokovnih podlag za zakon je potrebno vključiti strokovnjake za storitve s področja e-zdravja. - Storitve, ki vključujejo nove organizacijske pristope, telekomunikacijske ter informacijske rešitve, naj se v največji možni meri vključujejo v programe izvajanje oskrbe, da bi učinkoviteje kot z ustaljenimi modeli dosegali postavljene cilje zakona. - Med izvajalce dolgotrajne oskrbe je potrebno uvrstiti tudi ponudnike storitev e-zdravja (telemedicina na domu, oskrba na domu na daljavo). - Liste pripomočkov za izvajanje dolgotrajne nege naj bodo odprte za nove rešitve, tudi s področja IKT. Matjaž Savnik: Uporabne koristi brezžičnega omrežja v zdravstveni negi Mag. Matjaž Savnik, univ. dipl. ing. (Cisco Systems, Ljubljana) je predstavil predavanje z naslovom: "Uporabne koristi brezžičnega omrežja v zdravstveni negi" in le tega povzel: Brezžično radijsko omrežje, v strokovni javnosti poznano tudi pod oznako WiFi in v gospodarstvu ni več nobena posebnost. Z njim se razširja dostopnost aplikativne programske opreme od samo fizično omrežno povezanih računalnikov na vse radijsko pokrito območje organizacije. S tem se poveča njena dostopnost in uporabnost. V bolnišnicah je mobilnost uporabnikov, to je zdravnikov, medicinskih sester in drugega osebja, temeljna predpostavka procesa zdravljenja. Prispevek dokazuje, da je prav radijsko omrežje tisto, ki lahko naredi kritični preboj v stopnji uvedbe bolniških informacijskih sistemov. Inovativna nadgradnja radijskega omrežja pa se ponuja še na področjih učinkovitega komuniciranja osebja z bolniki, medicinskega monitoringa bolnikov in takojšnjega inteligentnega obveščanja osebja zdravstvene nege o lokaciji opreme ali bolnikov. S tem prispeva na področju vzdrževanje mobilne medicinske opreme k njeni boljši utilizaciji in bolj kakovostnemu vzdrževanju in uporabi. Prispevek prek teoretične osvetlitve in konceptualnih možnosti zaključi s praktično predstavitvijo dejanskih primerov uporabe radijskega omrežja v dveh evropskih bolnišnicah. Denis Music: Vloga zdravstvene nege pri oblikovanju in uvajanju kliničnih poti Denis Music, zt, dipl. org. men. (SPS Pediatrična klinika, UKC Ljubljana) je zbranim predstavil predavanje: "Vloga zdravstvene nege pri oblikovanju in uvajanju kliničnih poti". Svoje predavanje je povzel: V slovenskih bolnišnicah smo zadnja leta začeli z uvajanjem kliničnih poti. Klinična pot (KP) je orodje, ki temelji na dokazih podprti medicini, zdravstveni negi ipd. in krajevni organizaciji, s katerim je opredeljen standardni načrt več-disciplinarne zdravstvene oskrbe tipične vrste pacientov z določenim obolenjem ali načrtovanim posegom. Obsega celotno oskrbo od začetka do konca obravnave pacienta in pod vodstvom celotnega več-disciplinarnega tima. Z vidika pacienta je KP dobrodošla, saj ga seznanja s potekom njegove zdravstvene oskrbe, pomembna je tudi z vidika izračuna stroškov. Pri oblikovanju dobre KP je pomembno sodelovanje vseh članov, ki sodelujejo pri obravnavi bolnika z določeno diagnozo. Največji izziv je pravzaprav, kako zdravstveno osebje (medicinske sestre in zdravnike) pripraviti do tega, da se bodo začeli pogovarjati, skupaj reševati težave, skupaj postavljati cilje, prevzemati odgovornost, drug drugega poslušati, namesto da se izgovarjajo na ustaljene primere. V našem prostoru je problem predvsem v tem, da so aktivne samo medicinske sestre, ki v celoti podpirajo uvajanje KP. Uroš Rajkovič: Model dokumentiranja neželenih dogodkov v zdravstveni negi Asist. mag. Uroš Rajkovič, univ.dipl.org. (Univerza v Mariboru, Fakulteta za organizacijske vede Kranj) je predstavil prispevek s soavtorji (Olga Šušteršič, Vladislav Rajkovič v sodelovanju z raziskovalno skupino) z naslovom "Model dokumentiranja neželenih dogodkov v zdravstveni negi". Delo je nastalo v okviru projekta za Informatica Medica Slovenica 2007; 12(2) 43 Zagotavljanje kakovosti s pomočjo e-dokumentacije zdravstvene nege, ki je financiran s strani Ministrstva za zdravje Republike Slovenije. Predstavljen je bil prenovljen dokument za evidentiranje neželenih dogodkov v zdravstveni negi, ki je sestavni del dokumentacije zdravstvene nege. Z anketno raziskavo in analizo obstoječih dokumentov za evidentiranje neželenih dogodkov v zdravstveni negi v sodelujočih institucijah so sestavili maksimalni nabor podatkov, ki omogoča beleženje obstoječih obrazcev in je bil v delovni skupini tudi dopolnjen. Rezultati: na osnovi maksimalnega nabora podatkov so sestavili papirni dokument, ki omogoča testiranje in entitetno-relacijski model za e-dokumentiranje neželenih dogodkov v zdravstveni negi. Le-tega bodo v prihodnje vključevali v informacijske rešitve v okviru projekta. Poslušalci so bili mnenja, da gre za pomemben dokument v okviru zagotavljanja kakovosti v zdravstveni negi. S člani, ki so hkrati predstavniki podjetja Infonet d.o.o. so se dogovorili o izmenjavi izkušenj, saj so ugotovili, da se nekatere teme projektov na omenjenem področju pokrivajo. Boštijan Žvanut: Kombinirano e-izobraževanje in njegova sprejetost v pedagoškemu procesu zdravstvene nege Predavanje z naslovom: "Kombinirano e-izobraževanje in njegova sprejetost v pedagoškemu procesu zdravstvene nege" je podal mag. Boštijan Zvanut, univ.dipl.el., pred. s sodelavci: Patrik Pucer, Matic Lukin, Irena Trobec, Nadja Plazar (Univerza na primorskem, Visoka šola za zdravstvo Izola). Z uvedbo Bolonjskih procesov in razvojem spletnih tehnologij je e-izobraževanje postala vse pogostejša oblika posredovanja znanja študentom. Zdravstvena nega pri tem ni izjema, zato so na Visoki šoli za zdravstvo Izola, Univerza na Primorskem (v nadaljevanju UP VŠZI), prizadevajo v pedagoški proces vpeljati tudi to obliko izobraževanja. Ker gre za inovacijo na področju izobraževanja, ki vpliva tako na pedagoški kot organizacijski proces šole, je potrebno vpeljavo e-izobraževanja spremljati tako s sociološkega kot tehničnega vidika. Zato so se pri uvedbi e-izobraževanja oprli na teorijo širjenja inovacij, ki te vidike obravnava. Postavili so hipotezo, da bodo študentje zdravstvene nege pozitivno sprejeli kombinirano e-izobraževanje (t.i. klasično izobraževanje v kombinaciji z e-izobraževanjem). Predpostavili so še, da študentje sprejmejo e-izobraževanje kot dopolnitev kontaktnega načina izobraževanja (vendar ne kot nadomestilo).Hipotezo so preverili s pomočjo ankete, ki so jo izvedli z anketiranjem rednih študentov drugega letnika UP VŠZI. Z raziskavo so hipotezi potrdili, vendar so izpostavili veliko število študentov, ki e-izobraževanju niso naklonjeni. Raziskava je pokazala, da je na področje zdravstvene nege smiselno vpeljati kombinirano e-izobraževanje, ki klasično izobraževanje ustrezno podpre. S kombiniranim e-izobraževanjem lahko klasičen pedagoški proces zdravstvene nege kakovostno dopolnijo, vendar ga ne morejo nadomestiti. Andrej Planina: Sledenje izdaje zdravil pacientom Andrej Planina,univ.dipl.ing.el. (Špica International d.o.o) je svoje predavanje z naslovom: "Sledenje izdaje zdravil pacientom" kratko povzel: "Uporaba osebnih računalnikov se je v zdravstvu v zadnjem desetletju zelo razširila. Če zdravstveno osebje uporablja samo namizne računalnike, je omejeno z njihovo fiksno lokacijo, ki je navadno na mizi v pisarni. V zdravstvu pa se večina dogodkov, ki jih moramo spremljati, zgodi stran od pisarn - v bolniški sobi ali na terenu. Na predavanju so bili predstavljeni načini uporabe mobilnega računalništva ter črtne kode v razne zdravstvene namene: od sledenja izdaje zdravil pacientom do pregleda elektronskega zapisa podatkov o pacientu ob bolniški postelji." Vesna Prijatelj: Projekt uvajanja črtne kode na KO za kirurgijo srca in ožilja, UKC Ljubljana Mag. Vesna Prijatelj, vms, univ. dipl. org. inf. (Univerzitetni klinični center Ljubljana) je 44 Dornik E et al.: Informacijsko-komunikacijska tehnologija v praksi in teoriji zdravstvene nege predstavila: "Projekt uvajanja črtne kode na KO za kirurgijo srca in ožilja, UKC Ljubljana". V maju leta 2007 se je začela implementacija klinične aplikacije, ki omogoča celovit zajem podatkov o zdravljenju bolnika. Ena od funkcij programa je tudi evidenca podatkov o izdanih zdravilih, porabljenem materialu in opravljenih postopkih pri bolniku. Zajem podatkov je planiran na vseh deloviščih kliničnega oddelka, vključno z operacijsko sobo. V ta namen smo pretvoriti ustrezno identifikacijsko številko primera v črtno kodo, ki je natisnjena na zapestnico in/ali nalepko. Zajem podatkov ob pacientu se opravljala z dlančnikom, ki ima tudi čitalnik črtnih kod. Po končanem evidentiranju se podatki prenesejo v Klinični informacijski sistem in so razpoložljivi za poznejše analize. Z povezavo z materialnim poslovanjem je omogočeno avtomatično evidentiranje in kontrola porabe materiala in zdravil (zmanjševanje zalog). Hkrati se podatki pošiljajo v centralni bolnišnični informacijski sistem za namen končnega obračuna in poročanja zunanjim ustanovam. Namen uvedbe črtne kode je učinkovito spremljanje porabe materiala in zdravil ter opravljenih storitev na posameznega pacienta. Cilj projekta je evidentiranje podatkov ob bolniku, ter nadzor stroškov in izvajanja aktivnosti. Projekt je pilotni, usklajen z smernicam razvoja informatike v UKC in smernicam uvajanja črtne kode v UKC. Celovita rešitev je enostavna in uporabniku prijazna, hkrati pa popolnoma integrirana z obstoječim IS. Zasnovana je tako, da se bo kasneje lahko razširila tudi na ostale klinike. To bi omogočalo optimizacijo procesov, nadzor nad opravljenim delom, natančno spremljanje stroškov, zmanjšanje operativnih stroškov in višjo kakovost. Uvedba črtne kode bo zagotovila racionalno izrabo virov in izvajanje zdravstvene obravnave bolnikov skladno z sprejetimi standardi kakovosti. Je podlaga za analizo in načrtovanje potreb. Zahvala V zaključku poročila se zahvaljujemo Slovenskemu društvu za medicinsko informatiko, ki je podprlo naše srečanje. Tudi naprej se bomo trudili, da našim članom omogočimo tovrstna druženja z namenom boljšega medsebojnega spoznavanja, izmenjevanja izkušenj, oblikovanja novih idej in prijetnega druženja. Zahvaljujeva se tudi vsem predavateljem, ki so pripravili izjemno zanimiva predavanja in prispevali povzetke za objavo. Pripravili: Ema Dornik, podpredsednica SIZN, in Vesna Prijatelj, predsednica SIZN ■ Infor Med Slov: 2007; 12(2): 40-44 Informatica Medica Slovenica 2007; 12(2) 45 Bilten SDMI ■ Poročilo o 12. mednarodnem kongresu MEDINFO, 20. - 24. 08. 2007, Brisbane, Avstralia O kongresu Vsaka tri leta Mednarodno združenje medicinskih informatikov (IMIA — International Medical Informatics Association) organizira svetovni kongres s področja informatike v zdravstvu "MEDINFO". Tokrat je kongres potekal v Brisbaneu, Avstralia od 20. do 24. avgusta 2007 pod delovnim naslovom "Building sustainable health system". Rdeča nit vseh tem je bila izgradnja podpore zdravstvenem sistemu za varno in učinkovito zdravstvo. Kongresa se je udeležilo približno 2500 predstavnikov zdravstvene stroke, informatikov in ponudnikov informacijske tehnologije v zdravstvu iz 50 držav, od tega 6 iz Slovenije. Na kongresu je bilo predstavljeno okrog 300 prispevkov v obliki referatov. Poleg tega je še veliko število prispevkov bilo predstavljeno na delavnicah, posterjih in strokovnih predstavitvah. Na kongresu so bile obravnavane naslednje vsebine: biomedicina in informatika, klinična informatika, zaupnost in varnost, sistemi za podporo odločanju, izobraževanje zdravstvenih delavcev, elektronski zdravstveni zapis, internet in komunikacije, standardi v zdravstvu, vpliv organizacijskih sprememb, optimizacija procesov v zdravstvu, zdravljenje na daljavo (tele-health), mobilno zdravstvo, podaljšana zdravstvena oskrba, kakovost, vizualizacija informacij, elektronski zdravstveni zapis, analiza podatkov, podatki in raziskovanje. V sklopu predavanj na temo "Dokumentiranje podatkov o bolniku" v prispevku "A New Approach in Nursing Documentation: Community Nursing Case" (Uroš Rajkovič, Olga Šušteršič, Vladislav Rajkovič, Vesna Prijatelj) smo predstavili nov pristop k dokumentiranju podatkov zdravstvene nege. Ugotovitve in opažanja V začetku razvoja informatike v zdravstvu smo se ukvarjali z dvigom kakovosti, združevanjem politike in prakse, odpravljanjem napak, obvladovanjem stroškov, ter uvajanjem novih načinov evidentiranja podatkov v prakso. Novi elementi današnjega razvoja so fleksibilnost, združljivost in mobilnost informacijskih sistemov. Informacijska tehnologija omogoča povezovanje znanj različnih ved, kliničnih in bolnikovih zahtev, širjenje novih spoznanj in vzpostavljanje baz znanja, ki vplivajo na varnost, kakovost in učinkovitost v zdravstvu. Elektronski zdravstveni zapis, javno dostopne zdravstvene informacije, standardi (podatkovni, tehnični in varnostni), ter elektronska izmenjava zdravstvenih informacij so nekateri od rezultatov uvajanja informacijske tehnologije v zdravstveno okolje. 46 Prijatelj V: Poročilo o 12. mednarodnem kongresu MEDINFO Prihodnost zdravstva je usmerjena posamezniku in hkrati celotni populaciji. Za posameznika pomeni večjo dostopnost do informacij in izobraževanja, ki so pomembna za ohranjanje zdravja in preprečevanje bolezni, ter možnost zdravljenja in zdravstvenega nadzora na daljavo. Za nacionalni interes je prav tako pomembna dostopnost do informacij, med-institucionalno in mednarodno povezovanje, ter nadzor stroškov. Razširjenost in uporaba informacijske tehnologije v zdravstvu je glede na posamezne države še vedno neenakomerna. Kljub hitrem razvoju se v mnogih državah še vedno srečujejo z problemi kot so: pomanjkanje standardov, pomanjkanje enotnega elektronskega zdravstvenega zapisa, ter finančnih sredstev za nakup ustrezne informacijske tehnologije. Države, ki namenjajo več sredstev v ta namen so tehnološko bolj razvite vendar je za uvajanje sprememb v zdravstvu pomembna podpora države in dobro načrtovana nacionalna strategija. Zdravstvo se vsekakor spreminja. Ni več samo domena ponudnikov in porabnikov zdravstvenih storitev. Za dosego cilja "e-zdravje" se združujejo strokovnjaki iz področja informatike, informacijske in komunikacijske tehnologije, zdravstva, politike, ekonomike, prava, zavarovalništva. Razvoj zdravstva v tej smeri vpliva tudi na spremembe v miselnih procesih zdravstvenih delavcev. In prav na tem področju nas čaka še veliko vztrajnega dela. Pripravila: Vesna Prijatelj, predsednica SIZN ■ Infor Med Slov: 2007; 12(2): 45-46