Zum Hauptinhalt springen
Background Animation

openEHR – Von Datensilos zur Interoperabilität

Wissensdatenbank Technologie Integration & Interoperabilität Systemauswahl & Implementierung A.1: Tech-Foundation

Das Gesundheitswesen ist auf einen effizienten elektronischen Datenaustausch angewiesen, um Patientinnen und Patienten optimal zu versorgen und Innovationen zu ermöglichen. openEHR, ein international sich entwickelnder Standard für Gesundheitsdatenspeicherung, bietet einen daten- und modellzentrierten Ansatz, der sowohl Interoperabilität als auch Nachhaltigkeit in der medizinischen IT-Infrastruktur gewährleistet. Mit offenen, plattformneutralen Spezifikationen stellt er eine Grundlage für moderne, integrierte Gesundheitssysteme dar und unterstützt die langfristige Verfügbarkeit und Nutzung medizinischer Daten (Allen, 2022; Oliveira et al., 2021).

Problembeschreibung, Forschungsfrage und Relevanz

Die bestehenden IT-Systeme im Gesundheitswesen stehen vor erheblichen Herausforderungen. Eine häufig anzutreffende anwendungszentrierte Architektur führt dazu, dass jede Softwarelösung ihr eigenes Datenmodell verwaltet, wodurch Datensilos entstehen. Diese Silos erschweren nicht nur den Datenaustausch zwischen Einrichtungen, sondern erfordern auch kostspielige und ineffiziente Punkt-zu-Punkt-Integrationen (Aguirre et al., 2019). Ohne standardisierte Verbindungen bleiben Daten oft isoliert und können nicht für weitergehende Analysen oder die Forschung genutzt werden (Dagliati et al., 2021). Zudem können neue Technologien oft nur schwer integriert werden, da proprietäre Systeme kaum anpassbar sind.

Mit openEHR wird versucht, diesen Herausforderungen besser zu begegnen. Es ermöglicht eine nachhaltige Datenhaltung, die unabhängig von spezifischen Softwareanbietern funktioniert und fördert eine modellgetriebene Entwicklung, bei der medizinische Fachkräfte direkt an der Gestaltung von klinischen Informationsmodellen beteiligt sind. Dadurch entsteht eine Hersteller-Neutralität, die es erlaubt, bestehende IT-Infrastrukturen schrittweise zu modernisieren und an neue Bedürfnisse anzupassen (Leslie, 2020) .

Vor diesem Hintergrund ist die folgende Forschungsfrage relevant: Wie kann openEHR effektiv implementiert werden, um die Interoperabilität zwischen verschiedenen Akteuren im Gesundheitswesen zu verbessern?

Methoden und Vorgehen im Projekt

Im Rahmen einer Literaturrecherche wurden Quellen aus anerkannten wissenschaftlichen Datenbanken verwendet sowie aus fachspezifischen Online-Quellen ausgewählt, um eine umfassende Perspektive zu gewährleisten. Berücksichtigt wurden Veröffentlichungen, die sich auf die Implementierung und Auswirkungen von openEHR in klinischen Umgebungen beziehen.

Die Literaturanalyse erfolgte durch gezielte Suchanfragen mit relevanten Schlüsselwörtern, darunter: openEHR, Interoperability, Health IT, Electronic Health Records und Healthcare Systems. Ziel war es, fundierte Erkenntnisse über die praktische Umsetzung und die Herausforderungen von openEHR zu gewinnen, um praxisnahe Empfehlungen abzuleiten.

Ergebnisse und Erkenntnisse

Die Implementierung von openEHR als Datenrepräsentationsmodell bringt eine Vielzahl an Vorteilen mit sich. Durch die Trennung von Daten und Anwendungen (Referenzmodell, Archetypen, Templates) entsteht eine langfristig nutzbare, nachhaltige Architektur, die Innovationen fördert und eine effiziente Nutzung medizinischer Daten ermöglicht. Eine verbesserte Interoperabilität sorgt dafür, dass Gesundheitsdaten ohne aufwändige manuelle Anpassungen zwischen verschiedenen Systemen ausgetauscht werden können (Allen, 2022). Die Wiederverwendung klinischer Modelle reduziert den Entwicklungsaufwand für neue Anwendungen und erhöht die Konsistenz von medizinischen Daten. Gleichzeitig wird eine langfristige Datenhaltung sichergestellt, die es erlaubt, Patienteninformationen auch über Jahrzehnte hinweg ohne Datenverlust oder Kompatibilitätsprobleme bereit zu halten (Better, 2024).

Allerdings gibt es auch gewisse Herausforderungen, die erwähnt werden müssen. Der Standard ist noch relativ neu und fokussiert sich auf das klinische Datenrepository einer Organisation wie ein Spital. Für die nicht-medizinischen Daten sind andere Standards und Repräsentationen potenziell besser geeignet. Die Unterstützung von openEHR ist noch nicht in sehr vielen KIS bzw. EHR Systemen vollständig gegeben (openEHR.org, 2025). Die Einführung von openEHR erfordert signifikante Investitionen in Schulungen, Technologie und organisatorische Anpassungen. Die Migration bestehender Datenformate in eine openEHR-Umgebung kann komplex und ressourcenintensiv sein. Zudem bleibt die semantische Interoperabilität eine Herausforderung, da verschiedene medizinische Begriffe und Klassifikationen zwischen unterschiedlichen Systemen übersetzt werden müssen (Dagliati et al., 2021; Raghupathi & Raghupathi, 2014).  Es existieren immer wieder Diskussionen ob nicht HL 7 FHIR, welches ein Datenaustauschformat darstellt, auch für die Speicherung der Daten geeignet wäre. Dies hängt immer vom Anwendungsfall und dem Umfang der Speicherung ab. Aber als Faustregel kann OpenEHR als Datenrepresenations- und Speicherformat und FHIR als Datenaustauschformat mit Mapping Möglichkeiten gesehen werden (Pedrera-Jiménez et al., 2022).

Klassisch anwendungszentriert

openEHR (Daten-/Modellzentriert)

Daten sind an einzelne Anwendungen gebunden (Silos).

Daten werden zentral und unabhängig von Anwendungen gespeichert.

Schwierige Interoperabilität: Viele Punkt-zu-Punkt-Verbindungen erforderlich.

Hohe Interoperabilität dank standardisierter Datenmodelle.

Anwendungen dominieren die Struktur und Nutzung der Daten.

Modelle (Archetypen) bestimmen die Struktur, nicht die Anwendungen.

Hohe Abhängigkeit von spezifischen Anbietern.

Vendor-neutral und langfristig nutzbar.

Empfehlungen für die Praxis

Um die erfolgreiche Implementierung von openEHR sicherzustellen, sind mehrere Faktoren entscheidend:

  • Technologie- und systemunabhängige Informationsarchitektur der Organisation: Entwerfen Sie eine umfassende Informations- und Datenarchitektur Ihres Unternehmens für die wichtigsten Datenentitäten und deren Beziehungen. Dies bildet die Basis für alle weitern Entscheidungen, auf welche Datenstandards Sie setzen wollen, welche IT-Systeme diese abbilden und wie der zukünftige IT-Landschaft weiterentwickelt werden muss.
  • Governance-Strukturen etablieren: Eine klare Regelung zur Verwaltung klinischer Datenmodelle ist essenziell, um langfristig Konsistenz und Qualität zu gewährleisten (Leslie, 2020).
  • Schulungen für Fachkräfte: Medizinische Fachkräfte und IT-Personal sollten umfassend in den Grundlagen von openEHR und den zugehörigen Modellierungswerkzeugen geschult werden (Oliveira et al., 2021).
  • Iterative Einführung: Die Implementierung sollte schrittweise erfolgen, beginnend mit Pilotprojekten, um Erfahrungen zu sammeln und Anpassungen frühzeitig vorzunehmen (Allen, 2022).
  • Interoperabilitätsstandards nutzen: Die Kombination von openEHR mit etablierten Standards wie HL7 FHIR und OMOP kann die Integration erleichtern und die Datenkompatibilität sicherstellen (Delussu et al., 2024).
  • Erfahrungswerte aus bestehenden Projekten nutzen: Die Zusammenarbeit mit Institutionen, die bereits Erfahrung mit openEHR haben, kann den Einführungsprozess erheblich erleichtern (Better, 2024).

Nur durch eine systematische und strukturierte Vorgehensweise kann sichergestellt werden, dass die Vorteile von openEHR voll ausgeschöpft werden und eine zukunftssichere, effiziente Dateninfrastruktur entsteht.

Literatur und andere Quellen

Aguirre, R. R., Suarez, O., Fuentes, M., & Sanchez-Gonzalez, M. A. (2019). Electronic Health Record Implementation: A Review of Resources and Tools. Cureus, 11(9), e5649. doi.org/10.7759/cureus.5649

Allen, A. (2022, Januar 7). Why openEHR is Eating Healthcare. Medium. medium.com/@alastairallen/why-openehr-is-eating-healthcare-e28bd792c50c

Better. (2024, Juli 16). One of Europe’s leading university hospitals selects Better technology for its core data platform. news.better.care/en/one-of-europes-leading-university-hospitals-selects-better-technology-for-its-core-data-platform

Dagliati, A., Malovini, A., Tibollo, V., & Bellazzi, R. (2021). Health informatics and EHR to support clinical research in the COVID-19 pandemic: An overview. Briefings in Bioinformatics, 22(2), 812–822. doi.org/10.1093/bib/bbaa418

Delussu, G., Frexia, F., Mascia, C., Sulis, A., Meloni, V., Del Rio, M., & Lianas, L. (2024a). A survey of openEHR Clinical Data Repositories. International Journal of Medical Informatics, 191, 105591. doi.org/10.1016/j.ijmedinf.2024.105591

Delussu, G., Frexia, F., Mascia, C., Sulis, A., Meloni, V., Del Rio, M., & Lianas, L. (2024b). A survey of openEHR Clinical Data Repositories. International Journal of Medical Informatics, 191, 105591. doi.org/10.1016/j.ijmedinf.2024.105591

Leslie, H. (2020). openEHR Archetype Use and Reuse Within Multilingual Clinical Data Sets: Case Study. Journal of Medical Internet Research, 22(11), e23361. doi.org/10.2196/23361

Oliveira, D., Miranda, R., Leuschner, P., Abreu, N., Santos, M. F., Abelha, A., & Machado, J. (2021). OpenEHR modeling: Improving clinical records during the COVID-19 pandemic. Health and Technology, 11(5), 1109–1118. doi.org/10.1007/s12553-021-00556-4

openEHR.org. (2025). Platform – openehr.org. openehr.org/platform/

Pedrera-Jiménez, M., Spanish Expert Group on EHR standards, Kalra, D., Beale, T., Muñoz-Carrero, A., & Serrano-Balazote, P. (2022). Can OpenEHR, ISO 13606 and HL7 FHIR work together? An agnostic perspective for the selection and application of EHR standards from Spain [Preprint]. doi.org/10.36227/techrxiv.19746484.v1

Raghupathi, W., & Raghupathi, V. (2014). Big data analytics in healthcare: Promise and potential. Health Information Science and Systems, 2(1), 3. doi.org/10.1186/2047-2501-2-3

Zitierung des Beitrags

Pimentel, Tibor & Russ, Christian (2025). openEHR – Von Datensilos zur Interoperabilität. In Flagshipprojekt SHIFT. Wissensbeitrag A.1 (Nr. 3).