Wissensmanagement als Kern unserer Lern-, Arbeits- und Lebenswelt

Wissensmanagement als Kern unserer Lern-, Arbeits- und Lebenswelt: Daten, Information, Wissen, Handeln am Beispiel von Medizin und Gesundheitswesen von Andreas Holzinger, Med. Universität Graz In der Lern-, Arbeits- und Lebenswelt unserer modernen Gesellschaft wird Wissen zu einer immer wichtigeren Ressource. Informationtechnologie ermöglicht dabei rascheren Zugriff auf immer mehr verfügbare Daten. Mehr Daten heisst aber nicht mehr Information, mehr Information heisst erst recht nicht mehr Wissen. Während die technische Performanz rapid steigt, stößt die kognitive Performanz der End-Benutzerinnen und End-Benutzer rasch an ihre Grenzen. Wissensmanagement, als Teil der Angewandten Informatik, beschäftigt sich mit Modellen, Konzepten und Werkzeugen der Informationstechnologie, mit denen sich Wissen als Ressource aus großen, unstrukturierten Datenmengen herausarbeiten und entsprechend visualisieren lässt. Zielsetzung ist dabei eine positive Veränderung wissensrelevanter Prozesse in Organisationen. In diesem Beitrag werden zunächst einige Grundlagen dargestellt und exemplarisch die Probleme an Hand von Beispielen am medizinischen Arbeitsplatz aufgezeigt. “Knowledge has become the key economic resource – and perhaps the only source of competitive advantage.” Peter Drucker, Managing in a Time of Great Change Daten, Information, Wissen Die kleinsten physikalischen Entitäten bilden die Zeichen (z.B. die möglichen binären Ziffern eines digitalen Blutdruckmessgerätes). Werden diese Zeichen in Beziehung zu einer Syntax gesetzt, entstehen aus diesen Entitäten Daten, z.B. eine Zahl, die auf der Anzeige des digitalen Blutdruckmessgerätes erscheint, z.B. 180). Wird diese Zahl in Bezug zu einer definierten Skala gesetzt, fügt man also Semantik (Bedeutung) hinzu entsteht daraus Information (z.B. 180 mmHg). Wissen entsteht aber erst durch den Einbau dieser Information in einen bestimmten Kontext, z.B. wenn der Benutzer das notwendige Wissen über die Bedeutung dieser Zahl hat, dann wird für ihn klar, dass das ernste Problem einer Hypertonie vorliegt. Auf Grund dieser Kette: Daten-Information-Wissen kann nun eine entsprechende Handlung erfolgen. Die Handlung wird richtig sein, wenn Kompetenz (Können) vorhanden ist und sie wird wettbewerbsfähig wenn die Handlung „besser als andere“ ist. Es gibt traditionsgemäß eine Fülle verschiedener Definitionen für den Begriff „Wissen“. In der Kognitionswissenschaft, beispielsweise, wird Wissen als eine Menge von systeminternen Repräsentationen (Wissensinhalten) gesehen, die zusammen mit Inferenztechniken (logische Schlußfolgerungen) ein kognitives System (beispielsweise unser Gedächtnissystem) zum aktiven Problemlösen (Bewältigung intelligenter Handlungen) befähigt (Holzinger, 2000b). 1 Eine für die Informatik wichtigere Definition geht auf Michael Polyani (1871–1976) zurück: er unterscheidet nämlich zwischen implizitem und explizitem Wissen. Diese Unterscheidung ist die Grundlage für das berühmte SECI-Modell (Socialization, Externalization, Combination, Internalization) von Ikujiro Nonaka und Hirotaka Takeuchi, das bis heute zur Modellierung der Wissenserzeugung und damit als Grundlage für das Wissensmanagement dient (Nonaka & Takeuchi, 1995). Der Unterschied verschiedener Wissensarten wird deutlich, wenn wir uns eines Analogons aus der Physik bedienen und die drei Aggregatszustände von Wasser mit Wissen vergleichen (Reinmann-Rothmeier, 2001), (Keller & Kastrup, 2009): 1) fest und damit fassbar wie Eis, 2) flüssig und damit auffangbar wie Wasser und 3) gasförmig und damit schwer fassbar wie Wasserdampf. Explizites1 Wissen (explicit knowledge) ist demzufolge „fest“: es ist fassbar, d.h. es ist beschreibbar, darstellbar, formalisierbar, zeitlich stabil und kann daher auch vermittels eines Symbolsystems (Sprache, Schrift) eindeutig dokumentiert, kommuniziert und gespeichert werden. In der Wissenschaft z.B. werden Erkenntnisse dokumentiert, d.h. in einer formalen Sprache verfasst und über Publikationen öffentlich kommuniziert. Darüberhinaus gibt es aber auch nichtöffentliches Wissen. Letzteres kann durch Intellectual Property Rights (IPR) geschützt werden, z.B. durch Patente, Gebrauchsmuster, Verträge, Lizenzen usw. Ähnlich im Gesundheitswesen, wo explizites Wissen proprietär in Form von Patientenakten nichtöffentlich gespeichert wird. Implizites2 Wissen (tacit3 knowledge) dagegen ist nach obigem Gleichnis „gasförmig“, d.h. schwer fassbar und streng genommen nicht darstellbar. Polyani verwendete ursprünglich anstatt „tacit knowledge“ den Begriff „tacit knowing“ (Polanyi, 1958), (Polanyi, 1983). Interessant ist dabei der Unterschied zwischen kognitiven Strukturen (explizites Wissen) und mentalen Prozessen (implizites Können). Hier wird bereits die starke intuitive Komponente betont, die bei allen Wahrnehmungs-, Entscheidungs- und Handlungsprozessen auftritt (Gigerenzer, 1999). Intuitive Komponenten werden oft vernachlässigt, da diese schwer mathematisch erfassbar sind und alles was nicht mathematisch erfassbar ist, ist auch schwer in Algorithmen abbildbar. Wissensmanagement soll nun dabei helfen, Übergänge zwischen den „Aggregatzuständen“ zu schaffen, also z.B. „gasförmiges“ implizites Wissen „verdichten“ um es explizit „verfügbar“ zu machen. Die Informatik leistet dazu seit langer Zeit auf vier Ebenen Beiträge, die durch das Wissensmanagement verknüpft werden: a) Speicherung b) Retrieval c) Visualisierung d) Transfer 1 explizit (lat.) = ausdrücklich, eindeutig, deutlich, klar, ausführlich und differenziert 2 implizit (lat.) = mit enthalten, ohne ausdrücklich gesagt zu sein, logisch zu erschließen 3 tacit (von lat. tacere) = still, schweigen, ruhig 2 Finden relevanter Informationen am Beispiel medizinischer Informationssysteme Medizinische Arbeitsplätze bieten heute auf Knopfdruck alle verfügbaren Informationen über Patienten. Das Problem ist dabei, dass zur Entscheidungsfindung nur wenig Zeit bleibt – im Schnitt nur 5 Minuten (Gigerenzer, 2008) – während bei einer Fehlentscheidung die Juristen praktisch unendlich viel Zeit haben. Wenn wir die Qualität des ärztlichen Handelns unterstützen wollen, muss also die Qualität der zur Verfügung stehenden Information im Vordergrund stehen, denn die Qualität des ärztlichen Handels und damit der medizinischen Versorgung hängt nicht unwesentlich von relevanten Informationen ab (Lenz et al., 2005). Die derzeit verbreitete Darstellungsform medizinischer Dokumentation (Holzinger, Geierhofer & Errath, 2007) ist stark an den einzelnen Patienten orientiert und reduziert daher zwar die Anzahl der gefundenen Dokumente auf ein üblicherweise deutlich geringeres Maß, als man dies z.B. bei einer typischen Suche im Web gewohnt ist. Allerdings können elektronische Patientenakten verteilt in verschiedenen Organisationen gespeichert werden (Masermann & Vossen, 1998) und durchaus mehrere hundert (!) Einzeldokumente umfassen. Daher ist natürlich die Erwartung an Recall und Precision ungleich höher als bei einer Websuche. Zusätzlich muss erwähnt werden, dass ein großer Teil der notwendigen Information nur in Form von Freitext vorliegt, mit allen damit verbundenen Nachteilen (Gell, Oser & Schwarz, 1976). Eine Unterstützung durch Expertensysteme ist daher ohne vorhergehende systematische Aufarbeitung dieser Dokumente praktisch nicht möglich. Zwar enthalten Patientenakten auch derzeit Codes, unter anderem für Diagnose oder erbrachte Leistungen, diese decken jedoch nur einen sehr kleinen Teil der tatsächlich vorhandenen Information ab. Einerseits weil Codierungen in der Routine oft primär aus verwaltungstechnischen Gründen, wie etwa Verrechnung oder Controlling, erfolgen, andererseits da jede Abbildung auf ein standardisiertes Begriffssystem meist einen Informationsverlust bedeutet (Gregory, Mattison & Linde, 1995), (Lovis, Baud & Planche, 2000). Ein wichtiger Schritt, um medizinische Befundtexte vollinhaltlich zu erschließen ist die Extraktion der darin enthaltenen medizinischen Aussagen. Diese Fakten können auf ein geeignetes Begriffssystem abgebildet werden und mit jenen aus Verwaltungs- und Verrechnungsdokumentation stammenden (medizinischen) Codes kombiniert werden. Wenn diese semantische Informationsextraktion abgeschlossen ist, muss in einem letzten informationstechnischen Schritt eine entsprechende Präsentationsform (Informations- Präsentation) für die Interaktion zwischen Ärztinnen bzw. Ärzten und System entwickelt werden, also zwischen den End-Benutzern und der Benutzerschnittstelle (Informations-Interaktion). Ein möglicher Lösungsansatz dafür ist die Codierung bzw. „Beschlagwortung“ der in den Freitexten enthaltenen Information. Im Gegensatz zur Alltagssprache bieten sich hier für die medizinische Fachsprache eine Vielzahl vorhandene und kontrollierter Vokabularien, Klassifikationen oder Nomenklaturen an. Gerade hier hat die Medizin eine lange Tradition, teilweise mit weltweit akkordierten Schemata (Klar & Graubner, 1997). 3 Die Probleme liegen eher in relativierenden und mehrdeutigen Ausdrucksformen, sowie in nicht vereinheitlichten Abkürzungen. Selbst ein ganzer Satz kann – ohne Betrachtung seines Kontextes mehrere sehr unterschiedliche Bedeutungen haben (Beispiele siehe (Holzinger et al., 2007)). Eine Analyse solcher medizinischer Texte kann sich also, auch bei syntaktisch und orthographisch korrekten Inhalten, nicht auf das einfache klassische Informationsretrieval mittels Suche nach Worten und Wortbestandteilen beschränken. Hier müssen wir die medizinische Bedeutung des jeweiligen Begriffs und vor allem den Kontext zwingend mit einbeziehen.