Sicurezza del paziente

Le strategie per ridurre gli errori dei farmaci fanno comunemente uso di CDSS (Tabella 1). Gli errori che coinvolgono le interazioni farmaco-farmaco (DDI) sono citati come comuni e prevenibili, con fino al 65% dei pazienti ricoverati esposti a una o più combinazioni potenzialmente dannose.17 I sistemi CPOE sono ora progettati con un software per la sicurezza dei farmaci che ha salvaguardato il dosaggio, la duplicazione delle terapie e il controllo delle DDI.18 I tipi di avvisi generati da questi sistemi sono tra i tipi di supporto decisionale più diffusi.19 Tuttavia, gli studi hanno trovato un alto livello di variabilità tra il modo in cui vengono visualizzati gli avvisi per le DDI (ad esempio, passivi o attivi/dirompenti), che sono prioritari,20,21 e negli algoritmi utilizzati per identificare le DDI.18,22 I sistemi spesso hanno vari gradi di avvisi irrilevanti presentati, e non esiste uno standard su come implementare al meglio quali avvisi ai fornitori. L’Office of the National Coordinator for Health Information Technology degli Stati Uniti ha sviluppato una lista di DDI “ad alta priorità” per i CDS, che ha raggiunto vari livelli di approvazione e diffusione nei CDSS di altri paesi tra cui Regno Unito, Belgio e Corea.20,21,23

Altri sistemi che mirano alla sicurezza del paziente includono i sistemi elettronici di distribuzione dei farmaci (EDDS) e i sistemi di somministrazione dei farmaci al punto di cura con codice a barre (BPOC).24 Questi sono spesso implementati insieme per creare un “ciclo chiuso”, dove ogni fase del processo (prescrizione, trascrizione, erogazione, somministrazione) è computerizzata e avviene all’interno di un sistema collegato. Al momento della somministrazione, il farmaco viene automaticamente identificato attraverso l’identificazione a radiofrequenza (RFID) o i codici a barre e controllato con le informazioni sul paziente e le prescrizioni. Questo presenta un altro obiettivo per il CDSS e il beneficio potenziale è la prevenzione degli errori di somministrazione dei farmaci che si verificano al “capezzale” (al contrario di quelli più a monte). L’adozione è relativamente bassa, in parte a causa degli alti requisiti tecnologici e dei costi.25 Tuttavia, gli studi mostrano una buona efficacia di questi sistemi nel ridurre gli errori.26 Mohoney et al. hanno dimostrato che molti di questi sistemi possono essere combinati simultaneamente con CPOE e CDSS, con tassi di errore di prescrizione ridotti per l’individuazione di allergie ai farmaci, dosaggi eccessivi e ordini incompleti o poco chiari.24 Come per la maggior parte dei CDSS, si possono ancora commettere errori se i fornitori omettono o aggirano deliberatamente la tecnologia.27

I CDSS migliorano anche la sicurezza del paziente attraverso sistemi di promemoria per altri eventi medici, e non solo quelli legati ai farmaci. Tra i numerosi esempi, un CDSS per la misurazione del glucosio nel sangue in terapia intensiva è stato in grado di diminuire il numero di eventi di ipoglicemia.28 Questo CDSS ha spinto automaticamente gli infermieri a effettuare una misurazione del glucosio secondo un protocollo locale di monitoraggio del glucosio, che specificava la frequenza delle misurazioni da effettuare in base ai dati demografici specifici del paziente e ai precedenti livelli/tendenze del glucosio.28

In generale, i CDSS che puntano alla sicurezza del paziente attraverso il CPOE e altri sistemi hanno avuto successo nel ridurre gli errori di prescrizione e di dosaggio, le controindicazioni attraverso avvisi automatici, il monitoraggio degli eventi farmacologici e altro ancora.29 La sicurezza del paziente può essere considerata un obiettivo secondario (o requisito) di quasi tutti i tipi di CDSS, indipendentemente dallo scopo primario della loro implementazione.

Gestione clinica

Studi hanno dimostrato che i CDSS possono aumentare l’aderenza alle linee guida cliniche.30 Questo è significativo perché è stato dimostrato che le linee guida cliniche tradizionali e i percorsi di cura sono difficili da implementare nella pratica con una bassa adesione da parte dei medici.31,32 L’ipotesi che i medici leggano, interiorizzino e implementino le nuove linee guida non è stata mantenuta.33 Tuttavia, le regole implicitamente codificate nelle linee guida possono essere letteralmente codificate nei CDSS. Tali CDSS possono assumere una varietà di forme, dai set di ordini standardizzati per un caso specifico, agli avvisi per un protocollo specifico per i pazienti a cui si riferisce, ai promemoria per i test, ecc. Inoltre, i CDSS possono aiutare a gestire i pazienti su protocolli di ricerca/trattamento,34 tracciando e piazzando gli ordini, il follow-up per i rinvii, così come assicurando la cura preventiva.35

I CDSS possono anche avvisare i medici di raggiungere i pazienti che non hanno seguito i piani di gestione, o che devono essere seguiti, e aiutare a identificare i pazienti idonei alla ricerca sulla base di criteri specifici.36 Un CDSS progettato e implementato alla Cleveland Clinic fornisce un allarme point-of-care ai medici quando la cartella di un paziente corrisponde ai criteri di sperimentazione clinica.37

Contenimento dei costi

Il CDSS può essere conveniente per i sistemi sanitari, attraverso interventi clinici,38 diminuendo la durata della degenza, sistemi integrati nel CPOE che suggeriscono alternative di farmaci più economiche,39 o riducendo la duplicazione dei test. Una regola CPOE è stata implementata in un’unità di terapia intensiva cardiovascolare pediatrica (ICU) che limitava la programmazione dell’emocromo, dei test chimici e della coagulazione a un intervallo di 24 ore.40 Questo ha ridotto l’utilizzo delle risorse di laboratorio con un risparmio previsto di 717.538 dollari all’anno, senza aumentare la durata della degenza (LOS) o la mortalità.

CDSS può segnalare all’utente alternative più economiche ai farmaci, o condizioni che le compagnie di assicurazione copriranno. In Germania, molti pazienti ricoverati sono passati a farmaci presenti nei prontuari degli ospedali. Dopo aver scoperto che 1 sostituzione su 5 non era corretta, l’ospedale di Heidelberg ha sviluppato un algoritmo per il cambio dei farmaci e l’ha integrato nel loro sistema CPOE esistente.41 Il CDSS potrebbe cambiare automaticamente il 91,6% delle 202 consultazioni sui farmaci, senza errori, aumentando la sicurezza, riducendo il carico di lavoro e riducendo i costi per i fornitori.

Funzioni amministrative

ICDSS forniscono supporto per la codifica clinica e diagnostica, l’ordinazione di procedure e test, e il triage del paziente. Gli algoritmi progettati possono suggerire una lista raffinata di codici diagnostici per aiutare i medici a selezionare quello o quelli più adatti. Un CDSS è stato concepito per affrontare l’imprecisione della codifica dei ricoveri nel dipartimento di emergenza ICD-9 (ICD è International Statistical Classification of Diseases, codici standardizzati usati per rappresentare malattie e diagnosi).42 Lo strumento ha usato un’interfaccia anatomografica (rappresentazione visiva e interattiva del corpo umano) collegata ai codici ICD per aiutare i medici del dipartimento di emergenza a trovare accuratamente i codici di ricovero diagnostici più velocemente.

I CDSS possono migliorare direttamente la qualità della documentazione clinica. Un CDSS ostetrico presentava un sistema di prompting potenziato, migliorando significativamente la documentazione delle indicazioni per l’induzione del travaglio e la stima del peso fetale, rispetto all’ospedale di controllo.43 La precisione della documentazione è importante perché può aiutare direttamente i protocolli clinici. Ad esempio, è stato implementato un CDSS per garantire che i pazienti fossero adeguatamente vaccinati dopo la splenectomia, per combattere l’aumento del rischio di infezioni (tra cui pneumococco, Haemophilus influenzae, meningococco, ecc.) che deriva dalla rimozione della milza. Tuttavia, gli autori hanno scoperto che il 71% dei pazienti con il termine ‘splenectomia’ nel loro EHR non l’avevano documentato nella loro lista dei problemi (che era ciò che fa scattare l’allarme CDSS).44 Un CDSS supplementare è stato quindi sviluppato per migliorare la documentazione della lista dei problemi della splenectomia,45 e migliorare l’utilità del CDSS originale della vaccinazione.

Supporto diagnostico

I CDSS per la diagnosi clinica sono noti come sistemi di supporto decisionale diagnostico (DDSS). Questi sistemi hanno tradizionalmente fornito una “consultazione” computerizzata o una fase di filtraggio, in cui possono essere forniti dati/selezioni dell’utente, e quindi produrre una lista di diagnosi possibili o probabili.46 Sfortunatamente, i DDSS non hanno avuto tanta influenza quanto altri tipi di CDSS (ancora) per ragioni che includono percezioni e pregiudizi negativi dei medici, scarsa precisione (spesso dovuta a lacune nella disponibilità dei dati), e scarsa integrazione del sistema che richiede l’inserimento manuale dei dati.47,48 Quest’ultimo sta migliorando con una migliore integrazione dell’EHR e un vocabolario standardizzato come quello di Snomed Clinical Terms.

Un buon esempio di un DDSS efficace è quello creato da Kunhimangalam et al.49 per la diagnosi di neuropatia periferica utilizzando la logica fuzzy. Attraverso 24 campi di input che includono sintomi e risultati di test diagnostici, hanno raggiunto un’accuratezza del 93% rispetto agli esperti nell’identificare neuropatie motorie, sensoriali, miste o casi normali. Mentre questo ha una grande utilità, soprattutto nei paesi con meno accesso agli esperti clinici stabiliti, c’è anche un desiderio di sistemi che possano integrare la diagnostica specialistica. DXplain è un DDSS elettronico di riferimento che fornisce diagnosi probabili basate sulle manifestazioni cliniche.50 In uno studio di controllo randomizzato che ha coinvolto 87 specializzandi in medicina familiare, quelli randomizzati a usare il sistema hanno mostrato un’accuratezza significativamente maggiore (84% contro 74%) su un test di diagnosi convalidato che ha coinvolto 30 casi clinici.50

Data la nota incidenza di errori diagnostici, in particolare nelle cure primarie,51 c’è molta speranza per i CDSS e le soluzioni IT per apportare miglioramenti alla diagnosi.52 Stiamo assistendo allo sviluppo di sistemi diagnostici con tecniche non basate sulla conoscenza come l’apprendimento automatico, che potrebbero aprire la strada a diagnosi più accurate. Il Babylon AI powered Triage and Diagnostic System nel Regno Unito è un buon esempio del potenziale, ma anche del lavoro che deve ancora essere fatto prima che questi sistemi siano pronti per la prima serata.53,54

Supporto diagnostico: imaging

I CDSS di imaging basati sulla conoscenza sono tipicamente usati per ordinare le immagini, dove i CDSS possono aiutare i radiologi a selezionare l’esame più appropriato da eseguire, fornendo promemoria delle linee guida sulle migliori pratiche o avvertendo le controindicazioni al contrasto, per esempio.55 Un CDS interventistico per l’ordinazione di immagini presso il Virginia Mason Medical Center ha dimostrato di diminuire sostanzialmente il tasso di utilizzo della risonanza magnetica lombare per la lombalgia, della risonanza magnetica alla testa per il mal di testa e della TAC del seno per la sinusite.56 Il CDS richiedeva una serie di domande a cui i fornitori dovevano rispondere prima di ordinare le immagini (POC), per verificare l’appropriatezza. È importante notare che se un’immagine veniva negata, il sistema suggeriva un’alternativa. Un altro esempio commercializzato è RadWise®, che guida i medici verso l’ordine di imaging più pertinente analizzando i sintomi del paziente e abbinandoli a un ampio database di diagnosi, fornendo anche raccomandazioni per l’uso appropriato al punto di cura.57

C’è grande interesse nei CDS non basati sulla conoscenza per l’imaging migliorato e la radiologia di precisione (‘radiomica’).58,59 Con immagini che rappresentano una quantità crescente di dati medici, ma che richiedono un’interpretazione manuale estesa, i fornitori hanno bisogno di tecnologie che li aiutino a estrarre, visualizzare e interpretare.60 Le tecnologie AI si stanno dimostrando in grado di fornire approfondimenti sui dati al di là di quanto possano fare gli esseri umani.61 Per farlo, queste tecnologie fanno uso di algoritmi avanzati di riconoscimento dei pixel e di classificazione delle immagini, in particolare: deep learning (DL).62 IBM Watson Health, DeepMind, Google e altre aziende sono all’avanguardia, sviluppando prodotti per l’uso nel rilevamento dei tumori,63 nell’interpretazione delle immagini mediche,64 nella diagnosi della retinopatia diabetica,65 nella diagnosi dell’Alzheimer attraverso l’apprendimento multimodale delle caratteristiche,62 e innumerevoli altri. IBM Watson ‘Eyes of Watson’, è stato in grado di combinare il riconoscimento delle immagini di una scansione del cervello con il riconoscimento del testo delle descrizioni dei casi per fornire un supporto decisionale completo (o quello che IBM descrive come un ‘assistente cognitivo’).60

Alcuni progetti sono stati in grado di dimostrare prestazioni che sono indiscutibilmente ‘alla pari’ con gli esperti umani.65,66,67,68 Per esempio, il team di Google ha addestrato una rete neurale convoluzionale profonda (CNN) per rilevare la retinopatia diabetica (danni ai vasi sanguigni nell’occhio) da un set di dati di 130.000 immagini retiniche con una sensibilità e specificità molto elevate.65 Le prestazioni dell’algoritmo erano alla pari con gli oftalmologi americani. Un altro studio pubblicato di recente dal gruppo di Stanford ha dimostrato che una CNN per il rilevamento delle aritmie sull’elettrocardiogramma ha superato l’accuratezza (F1 e sensibilità con specificità abbinata) del cardiologo medio su tutte le classi di ritmo.68 Con l’attuale ritmo di progresso, alcuni esperti ipotizzano in modo controverso che tra 15-20 anni la maggior parte dell’interpretazione delle immagini diagnostiche sarà fatta (o almeno pre-elaborata) dai computer.69 Per il momento, comunque, dovremmo pensare a questi primi sistemi come a un’aggiunta o a un potenziamento del set di strumenti a disposizione del clinico.

Supporto alla diagnostica: laboratorio e patologia

Un altro sottoinsieme della diagnostica in cui i CDSS possono essere utili è il test di laboratorio e l’interpretazione. Avvisi e promemoria per risultati di laboratorio anormali sono semplici e onnipresenti nei sistemi EHR. I CDSS possono anche estendere l’utilità dei test di laboratorio allo scopo di evitare diagnosi più rischiose o invasive. Nei test per l’epatite B e C, le biopsie epatiche sono considerate il gold standard per la diagnosi, mentre i test di laboratorio non invasivi non sono abbastanza accurati da essere accettati. Tuttavia, si stanno sviluppando modelli di intelligenza artificiale che combinano più test (marcatori del siero, imaging e test genetici) per produrre un’accuratezza molto maggiore.70 C’è anche un’applicazione per i CDSS come strumento di interpretazione quando gli intervalli di riferimento di un test sono altamente personalizzati, per esempio età, sesso o sottotipi di malattia.71

I referti patologici sono fondamentali come punti di decisione per molte altre specialità mediche. Alcuni CDSS possono essere usati per la classificazione automatica del tumore. Questo è stato fatto per la classificazione dei tumori della vescica urinaria e per la stima delle recidive, con un’accuratezza fino al 93%.72 Lo stesso è stato fatto per la classificazione e la classificazione dei tumori cerebrali.73 Ci sono molti altri esempi, tra cui l’analisi computerizzata dell’ECG, l’interpretazione automatizzata dei gas del sangue arterioso, i rapporti sull’elettroforesi delle proteine e i CDSS per il conteggio delle cellule del sangue.46

Supporto decisionale rivolto al paziente

Con l’avvento del ‘Personal Health Record’ (PHR), stiamo vedendo funzionalità CDS integrate, simili alle EHR, con il paziente come utente finale o ‘gestore’ dei dati. Questo è un grande passo verso un’assistenza incentrata sul paziente, e i PHR supportati dai CDS sono lo strumento ideale per implementare un processo decisionale condiviso tra paziente e fornitore, in particolare perché i CDSS possono eliminare la “mancanza di informazioni” come barriera alla partecipazione del paziente alle proprie cure.74 I PHR sono spesso progettati come un’estensione del software EHR commerciale, o come applicazioni indipendenti basate sul web o sul cellulare.75 Quando sono collegati all’EHR, i PHR possono avere una relazione bidirezionale, per cui le informazioni inserite direttamente dal paziente possono essere disponibili per i loro fornitori, e anche le informazioni nell’EHR possono essere trasmesse al PHR per essere visualizzate dai pazienti.76

Uno dei primi PHR, il “Patient Gateway”, era semplicemente un cruscotto per i pazienti per visualizzare i farmaci e le analisi, e comunicare con i loro medici.77 Questo si è ampliato e alcuni sistemi ora permettono ai pazienti di modificare il proprio record di cura, influenzando anche i dati dell’EHR.78 Un altro esempio è MyHealthAtVanderbilt della Vanderbilt University, un PHR completamente integrato nell’EHR istituzionale. Oltre alla consegna mirata di materiali educativi per i pazienti, hanno incorporato un Flu Tool per i pazienti con sintomi simili all’influenza per decidere il livello di cura di cui hanno bisogno e quindi aiutarli a cercare un trattamento.79 Il monitoraggio dei sintomi è una caratteristica utile e comune dei PHR, ma la varietà dei dati raccolti è virtualmente illimitata, dalle allergie alla copertura assicurativa alle prescrizioni e alle informazioni sui farmaci.80 Inoltre, i PHR e altre applicazioni di monitoraggio del paziente possono essere progettati per raccogliere informazioni dai dispositivi sanitari e da altri wearables, per creare intuizioni utili ai fornitori. Un esempio eccellente esiste nella cura del diabete. Molti sistemi sono già in uso,81 ma uno in particolare sperimentato dalla Stanford School of Medicine usa un monitor di glucosio indossabile che trasmette i dati a un dispositivo Apple (HealthKit).82 Apple ha reso HealthKit interoperabile con l’Epic EHR e Epic PHR, “MyChart”. Questo permette ai fornitori di monitorare con successo le tendenze del glucosio nei loro pazienti tra una visita e l’altra, e di contattarli attraverso MyChart per il follow-up o per raccomandazioni urgenti. Lo studio pilota ha dimostrato un miglioramento del flusso di lavoro dei fornitori, della comunicazione con i pazienti e, in definitiva, della qualità delle cure.82 Diversi altri campi medici stanno implementando sistemi simili per il monitoraggio che combinano PHR/EHR, tecnologie indossabili e CDSS, incluso ma non limitato all’insufficienza cardiaca (cardiologia), ipertensione, apnea del sonno, cure palliative/anziani, e altro ancora.

Vale la pena notare che come i PHR sono diventati più avanzati con capacità CDSS, c’è stata anche una crescente enfasi sul design di questi sistemi per servire il processo decisionale condiviso tra paziente e fornitore, e per essere strumenti interattivi per rendere i pazienti più informati/coinvolti nella loro cura. I PHR che servono solo come deposito di informazioni sanitarie sono ora visti come un fallimento, in particolare dai pazienti stessi.75