Patientensicherheit

Strategien zur Reduzierung von Medikationsfehlern nutzen häufig CDSS (Tabelle 1). Fehler im Zusammenhang mit Wechselwirkungen zwischen Medikamenten (DDI) werden als häufig und vermeidbar genannt, wobei bis zu 65 % der stationären Patienten einer oder mehreren potenziell schädlichen Kombinationen ausgesetzt sind.17 CPOE-Systeme sind heute mit einer Software für Arzneimittelsicherheit ausgestattet, die Schutzmechanismen für die Dosierung, die Duplizierung von Therapien und die DDI-Prüfung bietet.18 Die von diesen Systemen generierten Warnmeldungen gehören zu den am meisten verbreiteten Arten der Entscheidungsunterstützung.19 Studien haben jedoch ein hohes Maß an Variabilität in der Art und Weise festgestellt, wie Warnungen für DDIs angezeigt werden (z. B. passiv oder aktiv/störend), welche priorisiert werden,20,21 und in den Algorithmen, die zur Identifizierung von DDIs verwendet werden.18,22 Die Systeme haben oft einen unterschiedlichen Grad an irrelevanten Warnungen dargestellt, und es gibt keinen Standard dafür, wie man welche Warnungen am besten an die Anbieter implementiert. Das US-amerikanische Office of the National Coordinator for Health Information Technology hat eine Liste von DDIs mit „hoher Priorität“ für CDS entwickelt, die in CDSS anderer Länder, darunter Großbritannien, Belgien und Korea, verschiedene Stufen der Unterstützung und des Einsatzes erreicht hat.20,21,23

Andere Systeme, die auf die Patientensicherheit abzielen, sind elektronische Arzneimittelabgabesysteme (EDDS) und Barcode-Point-of-Care (BPOC)-Medikationsverwaltungssysteme.24 Diese werden oft zusammen implementiert, um einen „geschlossenen Kreislauf“ zu schaffen, bei dem jeder Schritt des Prozesses (Verschreibung, Transkription, Ausgabe, Verabreichung) computerisiert ist und innerhalb eines verbundenen Systems stattfindet. Bei der Verabreichung wird das Medikament automatisch durch Radiofrequenz-Identifikation (RFID) oder Barcodes identifiziert und mit den Patienteninformationen und Rezepten abgeglichen. Dies stellt ein weiteres Ziel für CDSS dar und der potenzielle Vorteil ist die Vermeidung von Fehlern bei der Verabreichung von Medikamenten am Krankenbett“ (im Gegensatz zu weiter oben). Die Akzeptanz ist relativ gering, was teilweise auf die hohen technologischen Anforderungen und Kosten zurückzuführen ist.25 Studien zeigen jedoch eine gute Wirksamkeit dieser Systeme bei der Reduzierung von Fehlern.26 Mohoney et al. zeigten, dass viele dieser Systeme gleichzeitig mit CPOE und CDSS kombiniert werden können, mit reduzierten Fehlerraten bei der Verschreibung von Medikamentenallergien, Überdosierungen und unvollständigen oder unklaren Bestellungen.24 Wie bei den meisten CDSS können immer noch Fehler gemacht werden, wenn Anbieter die Technologie auslassen oder absichtlich umgehen.27

CDSS verbessern die Patientensicherheit auch durch Erinnerungssysteme für andere medizinische Ereignisse, und nicht nur solche, die mit der Medikation zusammenhängen. Unter zahlreichen Beispielen konnte ein CDSS für die Blutzuckermessung auf der Intensivstation die Anzahl der Hypoglykämie-Ereignisse verringern.28 Dieses CDSS forderte das Pflegepersonal automatisch auf, eine Glukosemessung gemäß einem lokalen Glukoseüberwachungsprotokoll vorzunehmen, in dem festgelegt war, wie oft Messungen entsprechend der spezifischen Patientendemografie und früheren Glukosewerten/Trends durchgeführt werden sollten.28

Insgesamt waren CDSS, die auf die Patientensicherheit durch CPOE und andere Systeme abzielen, im Allgemeinen erfolgreich bei der Reduzierung von Verordnungs- und Dosierungsfehlern, Kontraindikationen durch automatische Warnungen, Überwachung von Arzneimittelereignissen und mehr.29 Die Patientensicherheit kann als sekundäres Ziel (oder Anforderung) fast aller Arten von CDSS betrachtet werden, unabhängig vom primären Zweck ihrer Implementierung.

Klinisches Management

Studien haben gezeigt, dass CDSS die Einhaltung klinischer Leitlinien erhöhen können.30 Dies ist bedeutsam, denn es hat sich gezeigt, dass traditionelle klinische Leitlinien und Behandlungspfade in der Praxis schwer zu implementieren sind und nur von wenigen Ärzten befolgt werden.31,32 Die Annahme, dass Ärzte neue Leitlinien lesen, verinnerlichen und umsetzen, hat sich nicht bewahrheitet.33 Die in Leitlinien implizit kodierten Regeln können jedoch buchstäblich in CDSS kodiert werden. Solche CDSS können eine Vielzahl von Formen annehmen, von standardisierten Auftragssätzen für einen bestimmten Fall, Warnungen zu einem spezifischen Protokoll für die Patienten, die es betrifft, Erinnerungen für Tests usw. Darüber hinaus können CDSS bei der Verwaltung von Patienten mit Forschungs-/Behandlungsprotokollen helfen,34 bei der Nachverfolgung und Erteilung von Aufträgen, bei der Nachverfolgung von Überweisungen sowie bei der Sicherstellung der präventiven Versorgung.35

CDSS können Kliniker auch darauf hinweisen, dass sie sich an Patienten wenden sollen, die sich nicht an die Behandlungspläne gehalten haben oder bei denen eine Nachuntersuchung fällig ist, und sie können helfen, Patienten zu identifizieren, die aufgrund bestimmter Kriterien für die Forschung in Frage kommen.36 Ein CDSS, das an der Cleveland Clinic entwickelt und implementiert wurde, liefert Ärzten eine Point-of-Care-Warnung, wenn der Datensatz eines Patienten den Kriterien für klinische Studien entspricht.37 Der Alarm fordert den Benutzer auf, ein Formular auszufüllen, das die Eignung und die Einwilligung zum Kontakt feststellt, die Patientenakte an den Studienkoordinator weiterleitet und ein Informationsblatt für klinische Studien ausdruckt.

Kosteneindämmung

CDSS kann für Gesundheitssysteme kosteneffektiv sein, durch klinische Interventionen,38 durch die Verringerung der stationären Verweildauer, durch CPOE-integrierte Systeme, die kostengünstigere Medikamentenalternativen vorschlagen,39 oder durch die Verringerung von doppelten Tests. In einer pädiatrischen kardiovaskulären Intensivstation wurde eine CPOE-Regel implementiert, die die Terminierung von Blutbild-, Chemie- und Gerinnungstests auf ein 24-Stunden-Intervall beschränkte.40 Dies reduzierte die Inanspruchnahme von Laborressourcen mit einer prognostizierten Kosteneinsparung von 717.538 $ pro Jahr, ohne die Verweildauer (LOS) oder die Sterblichkeit zu erhöhen.

CDSS kann den Anwender auf preiswertere Alternativen zu Medikamenten oder Bedingungen hinweisen, die von den Krankenkassen übernommen werden. In Deutschland werden viele stationäre Patienten auf Medikamente umgestellt, die auf den Medikamentenlisten der Krankenhäuser stehen. Nachdem man festgestellt hatte, dass 1 von 5 Substitutionen falsch waren, entwickelte das Krankenhaus Heidelberg einen Algorithmus für die Medikamentenumstellung und integrierte ihn in das bestehende CPOE-System.41 Das CDSS konnte 91,6 % der 202 Medikamentenverordnungen automatisch und fehlerfrei umstellen, was die Sicherheit erhöhte, die Arbeitsbelastung verringerte und die Kosten für die Leistungserbringer senkte.

Administrative Funktionen

CDSS bieten Unterstützung bei der klinischen und diagnostischen Kodierung, der Bestellung von Verfahren und Tests sowie der Patiententriage. Entwickelte Algorithmen können eine verfeinerte Liste von Diagnosecodes vorschlagen, um den Ärzten bei der Auswahl der am besten geeigneten Codes zu helfen. Ein CDSS wurde entwickelt, um die Ungenauigkeit der ICD-9-Kodierung bei der Aufnahme in die Notaufnahme zu beheben (ICD steht für International Statistical Classification of Diseases, standardisierte Codes, die zur Darstellung von Krankheiten und Diagnosen verwendet werden).42 Das Tool verwendete eine anatomische Schnittstelle (visuelle, interaktive Darstellung des menschlichen Körpers), die mit ICD-Codes verknüpft war, um Ärzten in der Notaufnahme zu helfen, diagnostische Aufnahmecodes schneller zu finden.

CDSS können die Qualität der klinischen Dokumentation direkt verbessern. Ein geburtshilfliches CDSS verfügte über ein verbessertes Prompting-System, das die Dokumentation von Indikationen für die Geburtseinleitung und das geschätzte fetale Gewicht im Vergleich zu einem Kontrollkrankenhaus signifikant verbesserte.43 Die Genauigkeit der Dokumentation ist wichtig, da sie klinische Protokolle direkt unterstützen kann. Zum Beispiel wurde ein CDSS implementiert, um sicherzustellen, dass die Patienten nach einer Milzentfernung ordnungsgemäß geimpft wurden, um das erhöhte Risiko von Infektionen (einschließlich Pneumokokken, Haemophilus influenzae, Meningokokken usw.) zu bekämpfen, das mit der Milzentfernung einhergeht. Die Autoren fanden jedoch heraus, dass bei 71 % der Patienten mit dem Begriff „Splenektomie“ in der elektronischen Patientenakte diese nicht auf der Problemliste dokumentiert war (was den CDSS-Alarm auslöst).44 Daraufhin wurde ein zusätzliches CDSS entwickelt, um die Dokumentation der Splenektomie auf der Problemliste zu verbessern,45 und den Nutzen des ursprünglichen Impf-CDSS zu erhöhen.

Diagnoseunterstützung

CDSS für die klinische Diagnose sind als diagnostische Entscheidungsunterstützungssysteme (DDSS) bekannt. Diese Systeme bieten traditionell eine computergestützte „Konsultation“ oder einen Filterschritt, bei dem ihnen Daten/Benutzerauswahlen zur Verfügung gestellt werden und sie dann eine Liste möglicher oder wahrscheinlicher Diagnosen ausgeben.46 Leider haben DDSS (noch) nicht so viel Einfluss wie andere Arten von CDSS, unter anderem aus Gründen wie negativer ärztlicher Wahrnehmung und Voreingenommenheit, schlechter Genauigkeit (oft aufgrund von Lücken in der Datenverfügbarkeit) und schlechter Systemintegration, die manuelle Dateneingabe erfordert.47,48 Letzteres verbessert sich mit besserer EHR-Integration und standardisiertem Vokabular wie Snomed Clinical Terms.

Ein gutes Beispiel für eine effektive DDSS ist die von Kunhimangalam et al.49 für die Diagnose von peripherer Neuropathie unter Verwendung von Fuzzy-Logik erstellte. Mit Hilfe von 24 Eingabefeldern, die Symptome und diagnostische Testresultate beinhalten, erreichten sie eine 93%ige Genauigkeit im Vergleich zu Experten bei der Identifizierung von motorischen, sensorischen, gemischten Neuropathien oder normalen Fällen. Während dies vor allem in Ländern mit weniger Zugang zu etablierten klinischen Experten von großem Nutzen ist, besteht auch der Wunsch nach Systemen, die die fachärztliche Diagnostik ergänzen können. DXplain ist ein elektronisches, referenzbasiertes DDSS, das wahrscheinliche Diagnosen auf der Grundlage klinischer Manifestationen liefert.50 In einer randomisierten Kontrollstudie mit 87 Assistenzärzten für Allgemeinmedizin zeigten diejenigen, die das System verwenden durften, eine signifikant höhere Genauigkeit (84 % vs. 74 %) bei einem validierten Diagnosetest mit 30 klinischen Fällen.50

Angesichts der bekannten Häufigkeit von Diagnosefehlern, insbesondere in der Primärversorgung,51 gibt es viel Hoffnung für CDSS und IT-Lösungen, um die Diagnose zu verbessern.52 Wir sehen jetzt, dass Diagnosesysteme mit nicht-wissensbasierten Techniken wie maschinellem Lernen entwickelt werden, die den Weg für eine genauere Diagnose ebnen könnten. Das KI-gestützte Triage- und Diagnosesystem Babylon in Großbritannien ist ein gutes Beispiel für das Potenzial, aber auch für die Arbeit, die noch geleistet werden muss, bevor diese Systeme einsatzbereit sind.53,54

Diagnoseunterstützung: Bildgebung

Wissensbasierte CDSS für die Bildgebung werden typischerweise für die Bildbestellung verwendet, wo CDSS den Radiologen bei der Auswahl des am besten geeigneten Tests unterstützen, an Best-Practice-Richtlinien erinnern oder z. B. auf Kontraindikationen für Kontrastmittel hinweisen können.55 Ein interventionelles CDS für die Bildbestellung am Virginia Mason Medical Center konnte nachweislich die Nutzungsrate von MRTs der Lendenwirbelsäule bei Kreuzschmerzen, von MRTs des Kopfes bei Kopfschmerzen und von CTs der Nasennebenhöhlen bei Nasennebenhöhlenentzündungen erheblich senken.56 Das CDS erforderte die Beantwortung einer Reihe von Fragen durch die Leistungserbringer vor der Bildbestellung (POC), um die Angemessenheit zu überprüfen. Wichtig war, dass das System eine Alternative vorschlug, wenn eine Aufnahme abgelehnt wurde. Ein weiteres kommerzielles Beispiel ist RadWise®, das Kliniker zur relevantesten Bildbestellung führt, indem es Patientensymptome analysiert und mit einer großen Datenbank von Diagnosen abgleicht, während es gleichzeitig Empfehlungen zur angemessenen Anwendung am Behandlungsort gibt.57

Es gibt ein großes Interesse an nicht wissensbasierten CDS für eine verbesserte Bildgebung und Präzisionsradiologie („Radiomics“).58,59 Da Bilder immer mehr medizinische Daten ausmachen, aber eine umfangreiche manuelle Interpretation erfordern, benötigen Anbieter Technologien, die sie bei der Extraktion, Visualisierung und Interpretation unterstützen.60 KI-Technologien erweisen sich als fähig, Einblicke in Daten zu geben, die über das hinausgehen, was Menschen leisten können.61 Dazu nutzen diese Technologien fortschrittliche Algorithmen zur Pixelerkennung und Bildklassifizierung, allen voran: Deep Learning (DL).62 IBM Watson Health, DeepMind, Google und andere Unternehmen stehen an vorderster Front und entwickeln Produkte für den Einsatz bei der Tumorerkennung,63 der Interpretation medizinischer Bilder,64 der Diagnose von diabetischer Retinopathie,65 der Alzheimer-Diagnose durch multimodales Feature-Learning und zahllose weitere. IBM Watsons „Eyes of Watson“ konnte die Bilderkennung eines Gehirnscans mit der Texterkennung von Fallbeschreibungen kombinieren, um eine umfassende Entscheidungshilfe (oder das, was IBM als „kognitiven Assistenten“ bezeichnet) zu liefern.60

Einige Projekte konnten eine Leistung demonstrieren, die streitbar „auf Augenhöhe“ mit menschlichen Experten ist.65,66,67,68 Zum Beispiel trainierte ein Team von Google ein tiefes Faltungsneuronales Netzwerk (CNN), um diabetische Retinopathie (Blutgefäßschäden im Auge) aus einem Datensatz von 130.000 Netzhautbildern mit einer sehr hohen Sensitivität und Spezifität zu erkennen.65 Die Leistung des Algorithmus war gleichauf mit der von US-amerikanischen Board-zertifizierten Ophthalmologen. Eine andere Studie, die erst kürzlich von der Stanford-Gruppe veröffentlicht wurde, zeigte, dass ein CNN zur Erkennung von Arrhythmien auf Elektrokardiogrammen die Genauigkeit (F1 und Sensitivität bei gleicher Spezifität) eines durchschnittlichen Kardiologen in allen Rhythmusklassen übertraf.68 Bei der derzeitigen Geschwindigkeit des Fortschritts spekulieren einige Experten kontrovers, dass in 15-20 Jahren der Großteil der diagnostischen Bildinterpretation von Computern durchgeführt (oder zumindest vorverarbeitet) wird.69 Vorerst sollten wir diese frühen Systeme jedoch als eine Ergänzung oder Erweiterung der verfügbaren Werkzeuge des Arztes betrachten.

Diagnoseunterstützung: Labor und Pathologie

Eine weitere Untergruppe der Diagnostik, bei der CDSS nützlich sein kann, sind Labortests und deren Interpretation. Warnungen und Erinnerungen für abnormale Laborergebnisse sind einfach und allgegenwärtig in EHR-Systemen. CDSS kann auch den Nutzen von laborbasierten Tests erweitern, um riskantere oder invasivere Diagnosen zu vermeiden. Bei Hepatitis-B- und -C-Tests gilt die Leberbiopsie als Goldstandard für die Diagnose, während nicht-invasive Labortests nicht genau genug sind, um akzeptiert zu werden. Es werden jedoch KI-Modelle entwickelt, die mehrere Tests (Serummarker, Bildgebung und Gentests) kombinieren, um eine viel höhere Genauigkeit zu erzielen.70 Es gibt auch Anwendungen für CDSS als Interpretationstool, bei denen die Referenzbereiche eines Tests hochgradig personalisiert sind, z. B. Alter, Geschlecht oder Krankheits-Subtypen.71

Pathologieberichte sind als Entscheidungspunkte für viele andere medizinische Fachbereiche entscheidend. Einige CDSS können für ein automatisches Tumorgrading verwendet werden. Dies wurde für die Einstufung von Harnblasentumoren und die Abschätzung von Rezidiven mit einer Genauigkeit von bis zu 93 % durchgeführt.72 Dasselbe wurde für die Klassifizierung und Einstufung von Hirntumoren getan.73 Es gibt viele weitere Beispiele, darunter die computergestützte EKG-Analyse, die automatische Interpretation von arteriellen Blutgasen, Proteinelektrophorese-Berichte und CDSS für die Zählung von Blutzellen.46

Patientenorientierte Entscheidungsunterstützung

Mit dem Aufkommen der „Persönlichen Gesundheitsakte“ (PHR) sehen wir, dass CDS-Funktionen integriert werden, ähnlich wie bei EHRs, mit dem Patienten als Endnutzer oder „Manager“ der Daten. Dies ist ein großer Schritt in Richtung einer patientenorientierten Versorgung, und CDS-gestützte PHRs sind das ideale Werkzeug, um eine gemeinsame Entscheidungsfindung zwischen Patient und Leistungserbringer zu implementieren, insbesondere weil CDSS den „Mangel an Informationen“ als Barriere für die Beteiligung des Patienten an seiner eigenen Versorgung beseitigen kann.74 PHRs werden häufig als Erweiterung kommerzieller EHR-Software oder als eigenständige webbasierte oder mobile Anwendungen entwickelt.75 Wenn sie mit der elektronischen Patientenakte verbunden sind, können PHRs eine wechselseitige Beziehung haben, wobei Informationen, die direkt vom Patienten eingegeben werden, für die Leistungserbringer verfügbar sein können, und auch Informationen in der elektronischen Patientenakte können an die PHR übertragen werden, damit die Patienten sie ansehen können.76

Eine der ersten PHRs, das „Patient Gateway“, war einfach ein Dashboard für Patienten, um Medikamente und Laborwerte anzusehen und mit ihren Ärzten zu kommunizieren.77 Dies wurde erweitert und einige Systeme erlauben es den Patienten nun, ihre eigenen Pflegeunterlagen zu ändern, was sich auch auf die EHR-Daten auswirkt.78 Ein weiteres Beispiel ist MyHealthAtVanderbilt der Vanderbilt University, eine PHR, die vollständig in die institutionelle EHR integriert ist. Zusätzlich zur krankheitsspezifischen Bereitstellung von Aufklärungsmaterialien für Patienten wurde ein Grippetool für Patienten mit grippeähnlichen Symptomen integriert, um zu entscheiden, welchen Grad an Pflege sie benötigen, und sie dann bei der Suche nach einer Behandlung zu unterstützen.79 Die Symptomverfolgung ist eine nützliche und gängige Funktion von PHRs, aber die Vielfalt der gesammelten Daten ist praktisch grenzenlos, von Allergien über den Versicherungsschutz bis hin zu Verschreibungs- und Medikamenteninformationen.80 Darüber hinaus können PHRs und andere Anwendungen zur Patientenüberwachung so konzipiert werden, dass sie Informationen von Gesundheitsgeräten und anderen Wearables sammeln, um verwertbare Erkenntnisse für die Anbieter zu schaffen. Ein hervorragendes Beispiel gibt es in der Diabetesversorgung. Viele Systeme sind bereits im Einsatz,81 aber eines, das von der Stanford School of Medicine entwickelt wurde, verwendet ein tragbares Glukosemessgerät, das Daten an ein Apple-Gerät (HealthKit) überträgt.82 Apple hat HealthKit interoperabel mit der Epic EHR und Epic PHR, „MyChart“, gemacht. Dies ermöglicht es Anbietern erfolgreich, Glukosetrends bei ihren Patienten zwischen den Besuchen zu überwachen und sie über MyChart für Folgemaßnahmen oder dringende Empfehlungen zu kontaktieren. Die Pilotstudie zeigte, dass sich die Arbeitsabläufe der Leistungserbringer, die Kommunikation mit den Patienten und letztlich die Qualität der Versorgung verbessert haben.82 Verschiedene andere medizinische Bereiche setzen ähnliche Systeme zur Überwachung ein, die PHR/EHR, Wearable-Technologien und CDSS kombinieren, einschließlich, aber nicht beschränkt auf Herzinsuffizienz (Kardiologie), Bluthochdruck, Schlafapnoe, Palliativ-/Altenpflege und mehr.

Es ist erwähnenswert, dass mit der Weiterentwicklung von PHRs mit CDSS-Funktionen auch immer mehr Wert auf das Design dieser Systeme gelegt wird, um die gemeinsame Entscheidungsfindung zwischen Patient und Anbieter zu unterstützen und interaktive Werkzeuge zu sein, um Patienten besser zu informieren/einzubinden in ihre eigene Versorgung. PHRs, die nur als Aufbewahrungsort für Gesundheitsinformationen dienen, werden mittlerweile als verfehlt angesehen, insbesondere von den Patienten selbst.75