MII PRO v2026 DE

Scoring

Überblick

Das MII PRO Modul unterstützt verschiedene Scoring-Strategien entlang des Workflows Questionnaire → QuestionnaireResponse → Observation. Die Wahl der Scoring-Methode hängt von organisatorischen Anforderungen, technischer Infrastruktur und Anwendungsfällen ab.

Die Scoring-Strategien lassen sich in zwei grundlegende Kategorien einteilen:

Out-of-FHIR Scoring: Externe Berechnung mit FHIR als Transportschicht
In-FHIR Scoring: Native FHIR-basierte Berechnungslogik

Out-of-FHIR Scoring-Strategien

1. Keine Berechnung - Reine Datensammlung

Anwendungsfall: Strukturierte Datensammlung ohne Score-Berechnungen

Questionnaire mit grundlegenden Items
QuestionnaireResponse für Rohdaten
Keine automatische Observation-Erstellung
Beispiel: Datensammlung für spätere externe Analyse

2. Vorberechnete Scores (Import-basiert)

Anwendungsfall: Integration externer PRO-Systeme (REDCap, klinische Systeme)

Scores werden extern berechnet und als Observations importiert
FHIR dient als Interoperabilitätsschicht
derivedFrom verweist auf ursprüngliche QuestionnaireResponse
Beispiel: REDCap-basierte Studien mit etablierten Scoring-Algorithmen

3. Externe API-basierte Berechnung

Anwendungsfall: Spezialisierte Scoring-Services (R-Libraries, statistische Pakete)

QuestionnaireResponse wird an externe API übertragen
Berechnung erfolgt in optimierter Umgebung
Ergebnis-Observations werden zurück in FHIR gespeichert
Beispiel: Komplexe psychometrische Berechnungen, IRT-basierte Scores

In-FHIR Scoring-Strategien

4. FHIRPath-basierte Inline-Berechnung

Anwendungsfall: Real-time Scoring mit moderater Komplexität

Implementierungsansatz - Variable-basiert (Empfohlen):

// FSH
// PROMIS Depression SF 4a Beispiel
* extension[+].url = "http://hl7.org/fhir/StructureDefinition/variable"
* extension[=].valueExpression.name = "rawScore"
* extension[=].valueExpression.language = #text/fhirpath
* extension[=].valueExpression.expression = "%resource.item.where(linkId.matches('^promis-eddep(04|06|29|41)$')).answer.value.ordinal().sum()"

// T-Score Konversion
* item[=].extension[+].url = $sdc-questionnaire-calculated-expression
* item[=].extension[=].valueExpression.language = #text/fhirpath
* item[=].extension[=].valueExpression.expression = "iif(%rawScore=4, 41.0, iif(%rawScore=5, 49.0, ..., {})))))))))))))))))"

Vorteile:

Vermeidung zirkulärer Abhängigkeiten
Klare Trennung zwischen Rohscore und transformierten Scores
Bessere Wartbarkeit und Debugging

5. CQL-basierte Berechnung

Anwendungsfall: Komplexe statistische Berechnungen, bevölkerungsbasierte Normierung

// CQL
library PHQ9Scoring version '1.0.0'

define "PHQ-9 Raw Score":
  Sum(QuestionnaireResponse.item.answer.value)

define "PHQ-9 Severity Category":
  case
    when "PHQ-9 Raw Score" between 0 and 4 then 'minimal'
    when "PHQ-9 Raw Score" between 5 and 9 then 'mild'
    when "PHQ-9 Raw Score" between 10 and 14 then 'moderate'
    when "PHQ-9 Raw Score" between 15 and 19 then 'moderately severe'
    else 'severe'
  end

6. SDC Extraction-basierte Methoden

6a. Observation-based Extraction

Direkte Konvertierung von Questionnaire-Items zu Observations
Ein Observation pro berechneten Score
Geeignet für Standard-Scores

6b. Definition-based Extraction

Mapping zu verschiedenen FHIR-Ressourcentypen
Flexible Zielstrukturen (Condition, DiagnosticReport, etc.)
Geeignet für komplexe klinische Workflows

6c. StructureMap-based Extraction

FHIR Mapping Language für komplexe Transformationen
Geeignet für item-basierte Architektur
Unterstützt komponentenbasierte Observations

Multi-Score Questionnaires

Komplexe Fragebögen generieren oft mehrere Scores. Beispiel EQ-5D-5L:

// FSH
// Index Score (Präferenz-basiert)
* item[score-index].code = SCT#736534008 "EuroQol EQ-5D-5L index value"

// VAS Score (Selbsteinschätzung)  
* item[score-vas].code = SCT#736535009 "EuroQol EQ-5D-5L visual analog scale"

// Profile Score (Domänen-spezifisch)
* item[score-profile].code = MII#eq5d5l-profile "EQ-5D-5L Profile Score"

ObservationDefinition-Integration:

Separate ObservationDefinitions pro Score-Typ
Bevölkerungsspezifische Referenzbereiche
Score-Health-Korrelations-Extensions

Erweiterte Scoring-Konzepte

Score-Mapping und Cross-Walking

Anwendungsfall: Harmonisierung zwischen verschiedenen PRO-Instrumenten

// FSH
// PHQ-9 → PROMIS Depression Mapping
* derivedFrom[0] = Reference(PHQ9-QuestionnaireResponse)
* code = LOINC#77861-3 "PROMIS Depression T-score"
* method.text = "PHQ-9 to PROMIS Depression conversion algorithm (Choi et al. 2014)"

Measure/MeasureReport-basierte Analysen

Anwendungsfall: Longitudinale Analysen, Populationsmetriken

// CQL
library PRO_Population_Metrics version '1.0.0'

define "Depression Prevalence":
  Count(Observation where code = LOINC#44261-6 and value > 9) / 
  Count(Observation where code = LOINC#44261-6)

Implementierungsempfehlungen

Für einfache Scores:

Out-of-FHIR: Vorberechnete Imports aus etablierten Systemen
In-FHIR: Variable-basierte FHIRPath-Berechnung

Für komplexe Scores:

Out-of-FHIR: Externe API-basierte Berechnung
In-FHIR: CQL-Libraries mit Measure/MeasureReport

Für Multi-Score Questionnaires:

Separate ObservationDefinitions pro Score
Variable-basierte Berechnung zur Abhängigkeitsvermeidung
Score-Health-Korrelations-Extensions für klinische Interpretation

Für Score-Harmonisierung:

ConceptMaps für terminologische Mappings
StructureMaps für komplexe Datentransformationen
CQL-Libraries für statistische Konversionen

Qualitätssicherung

Score-Validierung:

Retrospektive Neuberechnung zur Konsistenzprüfung
Vergleich zwischen verschiedenen Berechnungsmethoden
Identifikation von Rundungsfehlern und Implementierungsunterschieden

Referenzdaten:

Integration europäischer Populationsnormen (EHIS Wave 3)
Alters- und geschlechtsspezifische Referenzbereiche
Kulturspezifische Anpassungen für deutsche Populationen