Zum Hauptinhalt springen
SHIFT | Smart Hospital – Integrated Framework, Tools & SolutionsSHIFT | Smart Hospital – Integrated Framework, Tools & Solutions
Background Animation

Software-Nachverfolgbarkeit: Ein zentrales Konzept für die LCNC-Softwareentwicklung – Erstellung von Softwaremodellen, die den Anforderungen von Patient:innen, Fachkräften und Stakeholdern entsprechen

Wissensdatenbank Strukturen & Prozesse Datenmanagement & Digitalisierung Mensch Patient*innenzentrierung C.3: Künstliche Intelligenz-basierte Software-Fabrik für MedTech-Anwendungen

Software-Nachverfolgbarkeit stellt sicher, dass Anforderungen von Stakeholdern – einschließlich Patient:innen und Fachkräften – korrekt in Softwaremodellen abgebildet werden, die mit Low-Code/No-Code (LCNC)-Werkzeugen entwickelt wurden.

Problembeschreibung, Forschungsfrage, Relevanz

In der digitalen Gesundheitsversorgung basiert die Softwareentwicklung zunehmend auf der Zusammenarbeit zwischen Fachexpert:innen – wie medizinischem Personal, Innovationsmanager:innen und Verwaltungsmitarbeitenden – und Softwareteams. Low-Code/No-Code (LCNC)-Werkzeuge beschleunigen diese Entwicklung, indem sie traditionelle Programmierung durch modellbasierte Softwareentwicklung ersetzen.

Dennoch ist es eine Herausforderung sicherzustellen, dass Patientenbedürfnisse, Softwareanforderungen und regulatorische Standards korrekt in den Modellen berücksichtigt werden.

Wie kann gewährleistet werden, dass das, was gefordert wurde, auch tatsächlich umgesetzt wird? Nachverfolgbarkeit (Traceability) ist der Schlüssel zur Sicherstellung dieser Übereinstimmung. Doch das manuelle Auffinden von Verbindungen ist zeitaufwändig, fehleranfällig und angesichts der Vielfalt an LCNC-Werkzeugen und Anforderungsformaten nicht skalierbar. Daher stellen wir die Frage:

  • Wie kann die Entdeckung von Verbindungen zwischen Anforderungen und Softwaremodellen in LCNC-basierter Softwareentwicklung unterstützt werden?

Methoden und Vorgehen im Projekt

Wir entwickelten ein halbautomatisches Nachverfolgbarkeitswerkzeug namens OntoTrace [1, 2], das ontologiebasiertes Schließen und natürliche Sprachverarbeitung (NLP) nutzt. OntoTrace erkennt Verbindungen zwischen Softwareanforderungen (z. B. User Stories) und Softwaremodellen aus LCNC-Werkzeugen (z. B. Existence Dependency Graphs). Ontologien werden gemäß der Ontology-101-Methode erstellt, um semantische Übereinstimmung zwischen Artefakten sicherzustellen.
OntoTrace wurde in Quasi-Experimenten getestet, um die Wirkung auf Effektivität, Effizienz und Zufriedenheit bei der Nachverfolgung zwischen User Stories und EDGs zu evaluieren.

Abbildung 1: OntoTrace-Architektur. Aus Springer Nature Requirements Engineering: Foundation for Software Quality Conference [1]

Ergebnisse und Erkenntnisse

  • Effektivität: Die durchschnittliche Präzision der Teilnehmenden stieg von 73,99 % ± 15,77 % ohne OntoTrace auf 81,74 % ± 15,49 % mit OntoTrace – ein Anstieg von 7,75 %. Dieser Unterschied war jedoch statistisch nicht signifikant.

  • Effizienz: Die Teilnehmenden erstellten ohne OntoTrace durchschnittlich 1,44 ± 0,71 Verbindungen/Minute, mit OntoTrace 1,72 ± 0,71 – ein Anstieg um 0,28 Verbindungen/Minute (entspricht 16,8 zusätzlichen Verbindungen/Stunde). Dieser Anstieg war mit 99 %iger Sicherheit statistisch signifikant.

  • Zufriedenheit: Die Nutzung von OntoTrace V2.0 erhöhte die durchschnittliche Zufriedenheit in drei Kategorien:

    • Wahrgenommene Benutzerfreundlichkeit (PEU): von 3,64 ± 0,86 auf 4,11 ± 0,64

    • Wahrgenommener Nutzen (PU): von 3,27 ± 0,63 auf 3,88 ± 0,69

    • Nutzungsabsicht (ITU): von 2,75 ± 0,94 auf 3,38 ± 0,93
      Diese Zuwächse (0,47; 0,61; 0,63 Punkte) waren mit 90 %, 99 % bzw. 90 % Konfidenz statistisch signifikant.

Abbildung 2: Verteilungen der Quasi-Experimentergebnisse; y-Achse zeigt die Wahrscheinlichkeitsdichte. Aus Springer Nature Requirements Engineering: Foundation for Software Quality Conference [1]

Empfehlungen für die Praxis

  • Nachverfolgbarkeit in die digitale Gesundheitsentwicklung integrieren: Anforderungen und Softwaremodelle müssen fortlaufend abgestimmt werden – besonders in regulierten Bereichen wie der digitalen Gesundheit.

  • Manuellen Aufwand durch Automatisierung reduzieren: Die Automatisierung der Verbindungsfindung erhöht die Effizienz und kann menschliche Fehler verringern. Werkzeuge wie OntoTrace können dabei helfen, gute Praktiken in digitalen Gesundheitsteams zu etablieren.

  • Modell- und LCNC-Vielfalt unterstützen: Zukünftige Nachverfolgbarkeitswerkzeuge sollten flexibel gegenüber verschiedenen Modellierungsformaten und Softwareanforderungen im digitalen Gesundheitswesen sein. Eine Integration in bestehende Werkzeuge und andere Automatisierungslösungen ist entscheidend für den Erfolg.

 

Literatur und andere Quellen

[1] Mosquera, D., Ruiz, M., Pastor, O., Spielberger, J. (2023). Ontology-Based Automatic Reasoning and NLP for Tracing Software Requirements into Models with the OntoTrace Tool. In: Ferrari, A., Penzenstadler, B. (eds) Requirements Engineering: Foundation for Software Quality. REFSQ 2023. Lecture Notes in Computer Science, vol 13975. Springer, Cham. https://doi.org/10.1007/978-3-031-29786-1_10.

[2] Mosquera, D., Ruiz, M., Pastor, O., Spielberger, J., Fievet, L. (2022). OntoTrace: A Tool for Supporting Trace Generation in Software Development by Using Ontology-Based Automatic Reasoning. In: De Weerdt, J., Polyvyanyy, A. (eds) Intelligent Information Systems. CAiSE 2022. Lecture Notes in Business Information Processing, vol 452. Springer, Cham. https://doi.org/10.1007/978-3-031-07481-3_9

Quellenangabe

Zurück