MII IG PRO, published by Medizininformatik-Initiative. This guide is not an authorized publication; it is the continuous build for version 2026.2.0 built by the FHIR (HL7® FHIR® Standard) CI Build. This version is based on the current content of https://github.com/medizininformatik-initiative/kerndatensatzmodul-proms/ and changes regularly. See the Directory of published versions

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