Patient safety

Strategieën om medicatiefouten te verminderen, maken vaak gebruik van CDSS (tabel 1). Fouten met interacties tussen geneesmiddelen (DDI) komen vaak voor en zijn te voorkomen, waarbij tot 65% van de ziekenhuispatiënten wordt blootgesteld aan een of meer potentieel schadelijke combinaties.17 CPOE-systemen zijn tegenwoordig ontworpen met software voor medicatieveiligheid die waarborgen biedt voor dosering, dubbele therapieën en DDI-controle.18 Het soort waarschuwingen dat door deze systemen wordt gegenereerd, behoort tot de meest verspreide vorm van beslissingsondersteuning.19 Uit onderzoek is echter gebleken dat er een grote mate van variabiliteit bestaat tussen de wijze waarop waarschuwingen voor DDI’s worden weergegeven (bijv. passief of actief/verstorend), welke prioriteit krijgen,20,21 en in de algoritmen die worden gebruikt om DDI’s vast te stellen.18,22 Bij systemen worden vaak in verschillende mate irrelevante waarschuwingen weergegeven, en er is geen standaard voor de wijze waarop welke waarschuwingen het best aan de verstrekkers kunnen worden doorgegeven. Het Amerikaanse Office of the National Coordinator for Health Information Technology heeft een lijst met DDI’s met hoge prioriteit voor CDS ontwikkeld, die op verschillende niveaus is goedgekeurd en ingevoerd in CDSS van andere landen, waaronder het Verenigd Koninkrijk, België en Korea.20,21,23

Andere systemen die gericht zijn op de veiligheid van de patiënt zijn onder meer elektronische systemen voor medicatieverstrekking (EDDS) en systemen voor medicatietoediening via streepjescodes op de plaats van zorg (BPOC)24 . Deze worden vaak samen geïmplementeerd om een ‘gesloten lus’ te creëren, waarbij elke stap van het proces (voorschrijven, transcriberen, verstrekken, toedienen) geautomatiseerd is en plaatsvindt binnen een gekoppeld systeem. Bij de toediening worden de geneesmiddelen automatisch geïdentificeerd door middel van radiofrequentie-identificatie (RFID) of streepjescodes en getoetst aan de patiëntinformatie en de voorschriften. Dit is een nieuwe doelstelling voor CDSS en het potentiële voordeel is dat fouten bij de toediening van medicatie aan het bed worden voorkomen (in plaats van verder stroomopwaarts). De adoptie is relatief laag, deels vanwege de hoge technologievereisten en kosten.25 Studies tonen echter aan dat deze systemen goed werken bij het verminderen van fouten.26 Mohoney et al. toonden aan dat veel van deze systemen tegelijkertijd kunnen worden gecombineerd met CPOE en CDSS, met verminderde foutenpercentages bij het voorschrijven van geneesmiddelenallergieën, te hoge doseringen en onvolledige of onduidelijke bestellingen.24 Zoals bij de meeste CDSS kunnen er nog steeds fouten worden gemaakt als zorgverleners de technologie achterwege laten of opzettelijk omzeilen.27

CDSS verbeteren de patiëntveiligheid ook door middel van herinneringssystemen voor andere medische gebeurtenissen, en niet alleen die welke met medicatie te maken hebben. Een van de vele voorbeelden is een CDSS voor bloedglucosemetingen op de ICU, dat het aantal hypoglykemieën kon verminderen.28 Deze CDSS vroeg verpleegkundigen automatisch om een glucosemeting uit te voeren volgens een lokaal glucosemonitoringprotocol, dat aangaf hoe vaak metingen moesten worden uitgevoerd op basis van specifieke patiëntendemografische gegevens en eerdere glucosespiegels/trends.28

Over het geheel genomen zijn CDSS die zich richten op patiëntveiligheid via CPOE en andere systemen over het algemeen succesvol geweest in het terugdringen van fouten bij het voorschrijven en doseren, contra-indicaties door geautomatiseerde waarschuwingen, monitoring van medicatiegebeurtenissen en meer.29 Patiëntveiligheid kan worden beschouwd als een secundaire doelstelling (of vereiste) van bijna alle soorten CDSS, ongeacht het primaire doel van hun implementatie.

Klinisch management

Studies hebben aangetoond dat CDSS het volgen van klinische richtlijnen kan verbeteren.30 Dit is belangrijk omdat is aangetoond dat traditionele klinische richtlijnen en zorgpaden moeilijk in de praktijk zijn te implementeren met een lage therapietrouw van de arts.31,32 De veronderstelling dat artsen nieuwe richtlijnen zullen lezen, internaliseren en implementeren is niet waar gebleken.33 De regels die impliciet zijn gecodeerd in richtlijnen kunnen echter letterlijk worden gecodeerd in CDSS. Dergelijke CDSS kan verschillende vormen aannemen, van gestandaardiseerde ordersets voor een bepaalde casus, waarschuwingen voor een specifiek protocol voor de patiënten waarop het betrekking heeft, herinneringen voor tests, enz. Bovendien kan CDSS helpen bij het beheer van patiënten met onderzoeks-/behandelingsprotocollen34 , het opsporen en plaatsen van bestellingen, de follow-up van verwijzingen en het waarborgen van preventieve zorg35.

CDSS kan clinici ook waarschuwen om patiënten te bereiken die zich niet aan de behandelingsplannen hebben gehouden of aan follow-up toe zijn, en helpen bij het identificeren van patiënten die op basis van specifieke criteria in aanmerking komen voor onderzoek36.

Kostenbeheersing

CDSS kan kosteneffectief zijn voor gezondheidszorgsystemen, door klinische interventies,38 een kortere verblijfsduur op de afdeling, door CPOE-geïntegreerde systemen die goedkopere medicatiealternatieven voorstellen,39 of door het dubbel uitvoeren van tests te beperken. In een cardiovasculaire intensivecareafdeling voor kinderen werd een CPOE-regel ingevoerd die het plannen van bloedbeeld-, chemie- en stollingspanels beperkte tot een interval van 24 uur.40 Hierdoor werd het gebruik van laboratoriummiddelen verminderd met een geraamde kostenbesparing van $717.538 per jaar, zonder dat de verblijfsduur (LOS) of het sterftecijfer toenam.

CDSS kan de gebruiker op de hoogte brengen van goedkopere alternatieven voor medicijnen, of aandoeningen die de verzekeringsmaatschappijen zullen vergoeden. In Duitsland worden veel intramurale patiënten overgeschakeld op geneesmiddelen die op de ziekenhuisgeneesmiddelenformulieren staan. Na te hebben vastgesteld dat 1 op de 5 substituties onjuist was, ontwikkelde het Heidelberg ziekenhuis een drug-switch algoritme en integreerde het in hun bestaande CPOE systeem.41 De CDSS kon 91,6% van de 202 medicatieconsulten automatisch switchen, zonder fouten, waardoor de veiligheid toenam, de werkdruk afnam en de kosten voor de zorgverleners daalden.

Administratieve functies

CDSS bieden ondersteuning voor klinische en diagnostische codering, bestellen van procedures en tests, en triage van patiënten. Ontworpen algoritmen kunnen een verfijnde lijst van diagnostische codes voorstellen om artsen te helpen bij het selecteren van de meest geschikte code(s). Een CDSS werd ontworpen om de onnauwkeurigheid van de ICD-9-codering voor spoedopnames aan te pakken (ICD is International Statistical Classification of Diseases, gestandaardiseerde codes die worden gebruikt om ziekten en diagnoses weer te geven).42 Het instrument maakte gebruik van een anatomografische interface (visuele, interactieve weergave van het menselijk lichaam), gekoppeld aan ICD-codes, om artsen op de spoedeisende hulp te helpen sneller diagnostische codes voor opnames te vinden.

CDSS kan de kwaliteit van klinische documentatie direct verbeteren. Een verloskundig CDSS was voorzien van een verbeterd prompting-systeem, waardoor de documentatie van indicaties voor weeëninductie en het geschatte foetale gewicht aanzienlijk verbeterde in vergelijking met een controleziekenhuis.43 Nauwkeurigheid van documentatie is belangrijk omdat het direct kan bijdragen aan klinische protocollen. Er werd bijvoorbeeld een CDSS geïmplementeerd om ervoor te zorgen dat patiënten na splenectomie naar behoren werden gevaccineerd, om het verhoogde risico op infecties (waaronder pneumokokken, Haemophilus influenzae, meningokokken, enz.) dat gepaard gaat met miltverwijdering tegen te gaan. De auteurs ontdekten echter dat 71% van de patiënten met de term ‘splenectomie’ in hun EPD deze niet op hun probleemlijst hadden gedocumenteerd (waardoor de CDSS-waarschuwing werd geactiveerd).44 Er werd vervolgens een aanvullende CDSS ontwikkeld om de documentatie van splenectomie op de probleemlijst te verbeteren,45 en de bruikbaarheid van de oorspronkelijke vaccinatie-CDSS te verbeteren.

Diagnostiekondersteuning

CDSS voor klinische diagnose staan bekend als diagnostische beslissingsondersteunende systemen (DDSS). Deze systemen bieden van oudsher een geautomatiseerde ‘consultatie’ of filterstap, waarbij ze gegevens/gebruikersselecties kunnen krijgen en vervolgens een lijst met mogelijke of waarschijnlijke diagnoses kunnen produceren.46 Helaas hebben DDSS (nog) niet zoveel invloed gehad als andere typen CDSS om redenen als negatieve percepties en vooroordelen van artsen, gebrekkige nauwkeurigheid (vaak als gevolg van hiaten in de beschikbaarheid van gegevens) en slechte systeemintegratie, waardoor handmatige gegevensinvoer nodig is.47,48 Dit laatste wordt verbeterd door een betere EHR-integratie en een gestandaardiseerd vocabulaire zoals Snomed Clinical Terms.

Een goed voorbeeld van een effectief DDSS is er een dat door Kunhimangalam et al.49 werd gecreëerd voor de diagnose van perifere neuropathie met behulp van fuzzy logic. Met behulp van 24 invoervelden, waaronder symptomen en diagnostische testresultaten, bereikten ze 93% nauwkeurigheid in vergelijking met deskundigen bij het identificeren van motorische, sensorische, gemengde neuropathieën, of normale gevallen. Hoewel dit van groot nut is, vooral in landen met minder toegang tot gevestigde klinische deskundigen, is er ook een behoefte aan systemen die de diagnostiek door specialisten kunnen aanvullen. DXplain is een DDSS op basis van elektronische referenties dat een waarschijnlijke diagnose stelt op basis van klinische verschijnselen.50 In een gerandomiseerde controlestudie met 87 huisartsen, vertoonden degenen die het systeem mochten gebruiken een significant hogere nauwkeurigheid (84% vs. 74%) op een gevalideerde diagnosetest met 30 klinische gevallen.50

Gezien de bekende incidentie van diagnostische fouten, met name in de eerstelijnszorg,51 is er veel hoop voor CDSS en IT-oplossingen om verbeteringen in de diagnose te brengen.52 We zien nu dat diagnostische systemen worden ontwikkeld met niet-kennisgebaseerde technieken zoals machine learning, die de weg kunnen vrijmaken voor een nauwkeurigere diagnose. Het Babylon AI powered Triage and Diagnostic System in het Verenigd Koninkrijk is een goed voorbeeld van het potentieel, maar ook van het werk dat nog moet worden verricht voordat deze systemen klaar zijn voor primetime.53,54

Diagnostiekondersteuning: beeldvorming

Kennisgebaseerde beeldvormings-CDSS’en worden doorgaans gebruikt voor het bestellen van beelden, waarbij CDSS’en radiologen kunnen helpen bij het selecteren van de meest geschikte test, het geven van herinneringen aan best practice-richtlijnen, of het waarschuwen voor contra-indicaties voor contrast, bijvoorbeeld.55 Een interventioneel CDS voor het bestellen van beelden in het Virginia Mason Medical Center bleek de benuttingsgraad van lumbale MRI voor lage rugpijn, hoofd-MRI voor hoofdpijn en sinus CT voor sinusitis aanzienlijk te verminderen.56 Het CDS vereiste een reeks vragen die door de zorgverleners moesten worden beantwoord vóór het bestellen van de beelden (POC), om de geschiktheid te verifiëren. Belangrijk is dat als een beeld werd geweigerd, er een alternatief werd voorgesteld door het systeem. Een ander gecommercialiseerd voorbeeld is RadWise®, dat clinici naar de meest relevante beeldbestelling leidt door de symptomen van de patiënt te analyseren en deze te matchen met een grote database van diagnoses, terwijl het ook aanbevelingen geeft voor gepast gebruik op de plaats van zorg.57

Er is grote belangstelling voor niet-kennisgebaseerde CDS voor verbeterde beeldvorming en precisieradiologie (‘radiomics’).58,59 Nu beelden steeds grotere hoeveelheden medische gegevens vertegenwoordigen, maar een uitgebreide handmatige interpretatie vereisen, hebben zorgverleners technologieën nodig die hen helpen bij het extraheren, visualiseren en interpreteren.60 AI-technologieën blijken in staat om meer inzicht in gegevens te verschaffen dan mensen kunnen.61 Om dit te doen, maken deze technologieën gebruik van geavanceerde pixelherkennings- en beeldclassificatiealgoritmen, met als meest prominente: deep learning (DL).62 IBM Watson Health, DeepMind, Google en andere bedrijven lopen voorop en ontwikkelen producten voor tumordetectie,63 interpretatie van medische beelden,64 diabetische retinopathie-diagnose,65 Alzheimerdiagnose door middel van multimodaal feature learning,62 en nog veel meer. IBM Watson’s ‘Eyes of Watson’ heeft beeldherkenning van een hersenscan kunnen combineren met tekstherkenning van casusbeschrijvingen om uitgebreide beslissingsondersteuning te bieden (of wat IBM omschrijft als een ‘cognitieve assistent’).60

Verschillende projecten hebben prestaties kunnen aantonen die onbetwistbaar ‘op gelijke voet’ staan met menselijke experts.65,66,67,68 Zo heeft een Google-team een diep convolutioneel neuraal netwerk (CNN) getraind om diabetische retinopathie (beschadiging van de bloedvaten in het oog) te detecteren uit een dataset van 130.000 retinale beelden met een zeer hoge gevoeligheid en specificiteit.65 De prestaties van de algoritmen waren gelijk aan die van Amerikaanse board-gecertificeerde oogheelkundigen. Een andere studie, onlangs gepubliceerd door de Stanford-groep, toonde een CNN aan voor het opsporen van aritmieën op elektrocardiogrammen die de nauwkeurigheid (F1 en gevoeligheid met gelijke specificiteit) van de gemiddelde cardioloog overtrof voor alle ritmeklassen.68 Met het huidige tempo van de vooruitgang speculeren sommige deskundigen controversieel dat over 15-20 jaar het merendeel van de diagnostische beeldvormingsinterpretatie door computers zal worden gedaan (of op zijn minst zal worden voorbewerkt).69 Voorlopig moeten we deze vroege systemen echter zien als een aanvulling op of uitbreiding van de beschikbare hulpmiddelen van de arts.

Diagnostische ondersteuning: laboratorium en pathologie

Een andere subgroep van diagnostiek waarbij CDSS nuttig kan zijn, is laboratoriumonderzoek en -interpretatie. Waarschuwingen en herinneringen voor abnormale laboratoriumresultaten zijn eenvoudig en alomtegenwoordig in EHR-systemen. CDSS kan ook de bruikbaarheid van laboratoriumtests uitbreiden met als doel riskantere of invasievere diagnoses te vermijden. Bij het testen op hepatitis B en C worden leverbiopsieën beschouwd als de gouden standaard voor diagnose, terwijl niet-invasieve laboratoriumtests niet nauwkeurig genoeg zijn om te worden aanvaard. Er worden echter AI-modellen ontwikkeld die meerdere tests combineren (serummarkers, beeldvorming en gentests) om een veel grotere nauwkeurigheid te produceren.70 Er is ook toepassing voor CDSS als een interpretatiehulpmiddel wanneer de referentiebereiken van een test sterk gepersonaliseerd zijn, bijvoorbeeld leeftijd, geslacht of ziektesubtypes.71

Pathologierapporten zijn cruciaal als beslissingspunten voor veel andere medische specialismen. Sommige CDSS kunnen worden gebruikt voor geautomatiseerde tumorclassificatie. Hetzelfde is gedaan voor de classificatie en beoordeling van hersentumoren.73 Er zijn vele andere voorbeelden, waaronder geautomatiseerde ECG-analyse, geautomatiseerde arteriële bloedgasinterpretatie, eiwitelektroforeserapporten, en CDSS voor het tellen van bloedcellen.46

Patiëntgerichte beslissingsondersteuning

Met de komst van het ‘Personal Health Record’ (PHR) zien we dat CDS-functionaliteit wordt geïntegreerd, vergelijkbaar met EHR’s, met de patiënt als de eindgebruiker of ‘beheerder’ van de gegevens. Dit is een grote stap in de richting van patiëntgerichte zorg, en CDS-ondersteunde PHR’s zijn het ideale instrument om gedeelde besluitvorming tussen patiënt en zorgverstrekker te implementeren, vooral omdat CDSS een ‘gebrek aan informatie’ als barrière voor de participatie van een patiënt in zijn eigen zorg kan wegnemen.74 PHR’s worden vaak ontworpen als een uitbreiding van commerciële EHR-software, of als op zichzelf staande webgebaseerde of mobiele toepassingen.75 Wanneer PHR’s zijn verbonden met EHR’s, kunnen ze een tweerichtingsrelatie hebben, waarbij informatie die rechtstreeks door de patiënt wordt ingevoerd beschikbaar kan zijn voor hun zorgverleners, en ook informatie in het EHR kan worden doorgestuurd naar het PHR zodat patiënten het kunnen bekijken.76

Een van de vroegste PHR’s, de “Patient Gateway”, was gewoon een dashboard voor patiënten om medicijnen en labonderzoeken te bekijken en te communiceren met hun artsen.77 Dit is uitgebreid en sommige systemen stellen patiënten nu in staat om hun eigen zorgdossier aan te passen, waarbij ook de EHR-gegevens worden beïnvloed.78 Een ander voorbeeld is MyHealthAtVanderbilt van de Vanderbilt University, een PHR dat volledig is geïntegreerd in het EHR van de instelling. Naast op ziekte gerichte levering van voorlichtingsmateriaal voor patiënten, hebben ze een grieptool ingebouwd voor patiënten met griepachtige symptomen om te bepalen welk niveau van zorg ze nodig hebben en hen vervolgens te helpen bij het zoeken naar behandeling.79 Het bijhouden van symptomen is een nuttige en veel voorkomende functie van PHR’s, maar de verscheidenheid aan verzamelde gegevens is vrijwel onbeperkt, van allergieën tot verzekeringsdekking tot informatie over recepten en medicatie.80 Bovendien kunnen PHR’s en andere toepassingen voor patiëntmonitoring worden ontworpen om informatie te verzamelen van gezondheidsapparaten en andere wearables, om bruikbare inzichten te creëren voor zorgverleners. Een uitstekend voorbeeld hiervan bestaat in de diabeteszorg. Er zijn al veel systemen in gebruik,81 maar één systeem in het bijzonder, gepionierd door de Stanford School of Medicine, maakt gebruik van een draagbare glucosemonitor die gegevens doorstuurt naar een Apple-apparaat (HealthKit).82 Apple heeft HealthKit interoperabel gemaakt met het Epic EHR en Epic PHR, “MyChart”. Dit stelt zorgverleners met succes in staat om glucosetrends bij hun patiënten te monitoren tussen bezoeken in, en contact met hen op te nemen via MyChart voor follow-up of dringende aanbevelingen. De pilotstudie toonde aan dat de workflow van de zorgverleners, de communicatie met de patiënten en uiteindelijk de kwaliteit van de zorg verbeterd waren.82 Verschillende andere medische gebieden zetten vergelijkbare systemen in voor monitoring die PHR/EHR, wearable technologieën en CDSS combineren, inclusief maar niet beperkt tot hartfalen (cardiologie), hypertensie, slaapapneu, palliatieve/ouderenzorg, en meer.

Het is vermeldenswaard dat naarmate PHR’s geavanceerder zijn geworden met CDSS-mogelijkheden, er ook steeds meer nadruk is komen te liggen op het ontwerp van deze systemen om gedeelde besluitvorming tussen patiënt en zorgverlener te dienen, en om interactieve hulpmiddelen te zijn om patiënten meer geïnformeerd/betrokken te maken bij hun eigen zorg. PHR’s die alleen dienen als een opslagplaats voor gezondheidsinformatie worden nu beschouwd als systemen die hun doel missen, vooral door de patiënten zelf.75