Ennen näyttöjen määrittelyä tiimi perehtyi sähköisiä potilastietojärjestelmiä ja terveysanalytiikkaa koskevaan tieteelliseen kirjallisuuteen. Yhteensä kolmestakymmenestäkahdesta artikkelista, mukaan lukien useita Journal of Biomedical Informatics -lehden julkaisuja, kahdeksan tutkimusta tunnistettiin käyttöliittymäratkaisujen kannalta suoraan relevantiksi. Niissä analysoitiin, miten kliinikot ja tutkijat hakevat tietoa EHR-järjestelmissä, kuinka usein he menettävät kontekstin pitkien työskentelyjaksojen aikana ja missä EHR-käyttöliittymäsuunnittelu ei tee provenienssia näkyväksi.

Nämä tutkimukset kuvasivat konkreettista käyttäytymistä. Käyttäjät siirtyvät usein edestakaisin rakenteisten kliinisten tietojen ja narratiivisten muistiinpanojen välillä. He tukeutuvat potilastietojen ajallisiin kuvioihin, mutta menettävät käsityksen siitä, mitkä suodattimet ovat aktiivisia. Kun hakuja tarkennetaan toistuvasti, päätöshistoria muuttuu epäselväksi, mikä heikentää toistettavuutta. Kliininen data on teknisesti rikasta, mutta kognitiivisesti haavoittuvaa.

Havainnot muunnettiin lääketieteellisen tutkimusohjelmiston vaatimuksiksi. Terveydenhuollon dataympäristö tarvitsi selkeät provenienssivihjeet, näkyvän hakuhistorian ja vakaan näkymän siitä, mitkä potilastiedot olivat kulloinkin tarkastelun kohteena. Kirjallisuudessa esitettyjä EHR-käyttöliittymäperiaatteita käytettiin rajoitteina, ei koristeina. Alustan tuli auttaa käyttäjiä ymmärtämään, missä he olivat datassa ja miten he olivat sinne päätyneet.

Sandbox Experiments -vaiheen aikana kahden viikon mittainen discovery-jakso yhdisti kvalitatiivisen tutkimuksen ja tehtäväanalyysin käyttäjien kanssa kolmesta eri ympäristöstä. Neljätoista yksilöhaastattelua ja kolme fokusryhmää kokosivat yhteen kaksikymmentäneljä osallistujaa, mukaan lukien NHS-analyytikot, akateemiset tutkijat ja lääketutkimuksen henkilöstö. Jokainen ryhmä toimi eri institutionaalisten rajoitteiden ja hyväksymisprosessien puitteissa, mutta kaikkien tuli tehdä potilastietojen analytiikkaa samoilla mielenterveysaineistoilla.

Akateemiset tiimit kuvasivat pitkiä eettisiä ja datan käyttöön liittyviä hyväksymisprosesseja ennen kuin he saattoivat edes kirjautua kliiniseen tutkimusohjelmistoon, joka käsitteli oikeita potilastietoja. Pharma-tiimeillä oli enemmän tilaa varhaiselle tutkimiselle, mutta myöhemmin projektissa heitä koskivat tiukat raportointi- ja auditointivaatimukset. NHS-analyytikot käyttivät vastaavia työkaluja palvelujen arviointiin ja tarvitsivat selkeät rajat tutkimuksen ja operatiivisen käytön välille. Nämä realiteetit muovasivat suunnittelua enemmän kuin mikään geneerinen personakuvaus.

Tehtäväanalyysi kartoitti toimintojen järjestyksen koko tutkimuspolun aikana, alkuperäisestä ideasta lopulliseen tiedon poimintaan. Tutkimus vahvisti, että sekaannusta syntyy usein siirtymävaiheissa ihmisten välillä tai eri hallintavaiheiden välillä. Tämä havainto johti vahvaan painotukseen työnkulun jatkuvuudessa ja selkeissä tiloissa, jotta sama terveydenhuollon dataplatformi voisi tukea hyvin erilaisia hyväksymispolkuja ilman, että käyttökokemus pirstaloituu.

Kliinisen tutkimusohjelmiston lähtötason ymmärtämiseksi yhdeksän kaupallista Healthcare Analytics -työkalua benchmarkattiin perusteellisesti. Kyseessä eivät olleet akateemiset prototyypit, vaan todelliset tuotteet, joita käytetään sairaaloissa, tutkimuslaitoksissa ja teollisuudessa. Arvioinnissa tarkasteltiin kyselyrakentajia, EHR-käyttöliittymien suunnittelua, työtilamalleja, audit trail -toimintoja sekä sitä, miten kukin järjestelmä esitti potilaskohorttien valinnan logiikan.

Useita toistuvia ongelmia nousi esiin. Jotkin työkalut näyttivät vain kyselyn lopputuloksen, jolloin käyttäjät eivät olleet varmoja, mitä ehtoja todella oli sovellettu. Toiset pakottivat tutkijat kiinteisiin vaiheittaisiin prosesseihin, jotka eivät vastanneet mielenterveystutkimusten ajallista kehittymistä. Datan alkuperä oli usein piilotettu teknisiin lokeihin sen sijaan, että se olisi esitetty osana käyttökokemusta. Vaikka toiminnallisuuksia oli runsaasti, lääketieteellisen ohjelmiston UX teki lopputulokseen luottamisesta vaikeaa.

Benchmark ei ainoastaan kritisoinut kilpailijoita. Se selkeytti, mitkä toimintamallit käyttäjät jo tunsivat, kuten tutut suodatuskontrollit, ja mitkä rakenteelliset ongelmat tuli välttää. Akrivia-alusta asemoitiin terveydenhuollon dataplatformiksi, joka tekee tulosten taustalla olevan päättelyn näkyväksi ja huomioi mielenterveystutkimuksen kognitiiviset ja sääntelyyn liittyvät kuormitukset sen sijaan, että noudattaisi yleisiä business analytics -käytäntöjä.

Tutkimuksen ja benchmarking-analyysin perusteella ehdotettiin option space mapping -menetelmän kautta viittä erilaista vuorovaikutusmallia kohorttien rakentamiseen. Yksi toimi kuin ohjattu wizard, joka vei käyttäjät läpi peräkkäisten vaiheiden. Toinen esitti kyselyn sisäkkäisinä lohkoina. Kolmas järjesti ehdot potilastietojen aikajanan ympärille. Loput mallit painottivat kohorttifragmenttien uudelleenkäyttöä tai eri versioiden rinnakkaista vertailua. Jokainen malli edusti erilaista hypoteesia siitä, miten kliiniset tutkijat ajattelevat.

Mallit kävivät läpi kuusi suunnittelusykliä kasvavalla fidelity-tasolla, wireframeista interaktiivisiin prototyyppeihin. Kahdeksan usability-sessiota NHS-, akateemisten ja pharma-käyttäjien kanssa testasi realistisia tehtäviä, kuten hoitoresistentin masennuksen kohortin rakentamista tai olemassa olevan kohortin muokkaamista uusiin sisäänottokriteereihin. Osallistujia havainnoitiin heidän yrittäessään ymmärtää aiempia päätöksiä, muokata ehtoja ja selittää logiikkaansa kollegalle.

Kliinisen tutkimusohjelmiston lopullinen query builder on näiden kokeilujen yhdistelmä. Se säilyttää sisäkkäisen mallin luettavuuden, hyödyntää aikajanaan perustuvia vihjeitä timeline-mallista ja sisältää fragmentteja, joita voidaan käyttää uudelleen eri projekteissa. Healthcare UX design -näkökulmasta se tarjoaa vapautta tutkia ilman, että jäljitettävyys kärsii, mikä on ratkaisevan tärkeää hallinnan ja tieteellisen arvioinnin kannalta.

Kohorttien valinnan lisäksi alustan tuli tukea kliinisen datan analysointia samassa ympäristössä. Terveydenhuollon dataplatformi integroi moduuleja kuvailevaan tilastointiin, korrelaatioiden tarkasteluun ja kohorttien välisiin vertailunäkymiin. Tutkijat voivat tarkastella keskeisten mittareiden jakaumia, seurata hoitotulosten kehitystä ja verrata hoitovasteita ilman, että dataa tarvitsee viedä liian aikaisin ulkoisiin työkaluihin.

Visualisointi noudattaa selkeää rakennetta, joka on suunniteltu lääketieteellistä tutkimusohjelmistoa varten. Aikaan perustuvat kaaviot auttavat tiimejä näkemään, miten oirepisteet kehittyvät ennen ja jälkeen hoitomuutosten. Vertailunäkymät näyttävät erot lääkitysmalleissa tai palvelujen käytössä kohorttien välillä. Nämä näkymät eivät ole koristeellisia dashboardeja, vaan välineitä kliiniseen päättelyyn. Ne on suunniteltu niin, että tilastotieteilijä, psykiatri ja data governance -vastuuhenkilö ymmärtävät kaikki, mitä esitetään.

Upottamalla nämä analytiikkamoduulit alusta vähentää potilastietojen analysointiin tarvittavien työkalujen määrää. Se pitää myös suuremman osan analyyttisesta työstä ympäristössä, joka on suunniteltu tietoturvaa, datan alkuperää ja NHS-hallintoa varten. Monille tiimeille tämä on yhtä tärkeää kuin itse visuaalinen suunnittelu.

Koska Akrivia palvelee useita organisaatioita, alustan tuli toimia monitiimisenä terveydenhuollon dataplatformina yksittäisen projektityökalun sijaan. Workspacet, projektit ja käyttöoikeustasot määriteltiin siten, että NHS-organisaatiot, akateemiset ryhmät ja pharma-kumppanit voivat käyttää samaa kliinistä tutkimusohjelmistoa ilman, että hallinnan rajat hämärtyvät. Jokainen tutkimus sijaitsee selkeästi rajatussa kontekstissa omine hyväksyntä- ja datan käyttöoikeussääntöineen.

Data governance -asiantuntijat olivat mukana muotoilemassa mallia käyttöoikeuspyyntöjä, hyväksyntöjä ja auditointeja varten. Käyttöliittymä tekee selväksi, mitä aineistoja käyttäjä voi nähdä, mikä hänen roolinsa on ja mitkä toiminnot ovat sallittuja kulloinkin. Tämä on olennaista GDPR-vaatimusten noudattamiseksi arkaluonteisten terveystietojen osalta. Healthcare UX design ei tässä tarkoita helppokäyttöisyyttä, vaan epäasianmukaisen käytön estämistä ilman, että käyttäjien täytyy opetella monimutkaisia politiikkadokumentteja ulkoa.

Alusta ylläpitää myös selkeää audit trail -kirjausta analyyttisista toiminnoista, jotta governance-tiimit voivat tarkastella, miten kohortti on rakennettu ja miten kliinisiä tietoja on käytetty. Tämä keventää vaatimustenmukaisuusraportoinnin taakkaa ja antaa organisaatioille enemmän luottamusta avata aineistojaan laajempaan tutkimuskäyttöön.

Akrivia-alustan visuaalista järjestelmää käsiteltiin itsenäisenä healthcare UX design -kokonaisuutena. Useimmat näkymät tarjoavat neutraalin ja rauhallisen pinnan keskittyneeseen työskentelyyn kliinisen datan parissa. Typografinen hierarkia on selkeä ja auttaa käyttäjiä erottamaan rakenteen, sisällön ja ohjaimet ilman tietoista ponnistelua. Vuorovaikutusmallit ovat yhtenäisiä eri moduuleissa, jotta tutkijat voivat siirtää ymmärryksensä kohorttien rakentamisesta analytiikkaan ja workspace-hallintaan.

Värejä käytetään säästeliäästi ja selkeällä merkityksellä. Query builderissa ne erottavat loogiset ryhmät ja korostavat aktiiviset ehdot. Analytiikkanäkymissä ne vastaavat kohortteja tai tulostiloja koristeellisten väripalettien sijaan. Lopputuloksena on kliininen käyttöliittymäsuunnittelu, joka säilyy luettavana pitkien työskentelyjaksojen aikana, tukee valvontaa ja arviointia eikä kilpaile sisällön kanssa.

Lääketieteellisen ohjelmiston UX-suunnittelussa tämä hillitty lähestymistapa on strateginen valinta. Ympäristön on tunnuttava luotettavalta NHS-henkilöstölle, akateemisille tutkijoille ja pharma-tutkijoille, jotka tekevät sovelluksen avulla merkittäviä päätöksiä. Suunnittelukieli tukee tätä luottamusta painottamalla selkeyttä, johdonmukaisuutta ja luettavuutta ilmeikkäiden visuaalisten tehosteiden sijaan.

Alusta alkaen suunnittelijat ja insinöörit käsittelivät Akrivia-alustaa pitkäikäisenä terveydenhuollon ohjelmistona, eivät lyhytaikaisena prototyyppinä. Tuote on verkkopohjainen kliininen tutkimusalusta, jonka on integroiduttava olemassa oleviin dataputkiin ja operatiivisiin järjestelmiin. Projektin alussa pidetyt tekniset työpajat selkeyttivät suorituskykyyn, tietoturvaan ja käyttöönottoon liittyviä rajoitteita, jotta vuorovaikutusmallit eivät olleet ristiriidassa arkkitehtuurin realiteettien kanssa.

Samanaikaisesti luotiin design system tukemaan toteutusta ja tulevaa roadmapia. Se määrittelee komponentit query blockeille, potilastietonäkymille, analytiikkapaneeleille, workspace-hallinnalle ja navigaatiolle, jokaiselle tarkat käyttäytymissäännöt ja tilat. Kehittäjille tämä kirjasto toimii sopimuksena. Se yhdistää healthcare UX design -päätökset konkreettisiin toteutusyksityiskohtiin muodossa, joka pysyy vakaana ajan myötä.

Rakennusvaiheen aikana design-tiimi pysyi mukana vastaamassa kysymyksiin, mukauttamassa malleja, kun engineering löysi edge case -tilanteita, ja varmistamassa, että kliininen tutkimusohjelmisto toimi tarkoitetulla tavalla todellisissa ympäristöissä. Tämä ehkäisi tavanomaisen kuilun konseptin ja tuotannon välillä ja antoi Akrivialle perustan useiden vuosien tuotekehitykselle.