Bezpieczeństwo pacjenta

Strategie mające na celu zmniejszenie liczby błędów w stosowaniu leków powszechnie wykorzystują CDSS (Tabela 1). Błędy związane z interakcjami leków (DDI) są wymieniane jako powszechne i możliwe do uniknięcia, przy czym do 65% pacjentów hospitalizowanych jest narażonych na jedno lub więcej potencjalnie szkodliwych połączeń.17 Systemy CPOE są obecnie projektowane z oprogramowaniem bezpieczeństwa leków, które posiada zabezpieczenia dotyczące dawkowania, powielania terapii i sprawdzania DDI.18 Rodzaje alarmów generowanych przez te systemy należą do najbardziej rozpowszechnionych rodzajów wspomagania decyzji.19 Jednakże, badania wykazały wysoki poziom zróżnicowania w sposobie wyświetlania alertów dla DDI (np. pasywne lub aktywne/zakłócające), nadawaniu im priorytetów,20,21 oraz w algorytmach używanych do identyfikacji DDI.18,22 Systemy często mają różny stopień prezentowania nieistotnych alertów i nie ma standardu, jak najlepiej zaimplementować, które alerty mają być przekazywane świadczeniodawcom. Amerykański Office of the National Coordinator for Health Information Technology opracował listę DDIs o wysokim priorytecie dla CDS, która osiągnęła różne poziomy zatwierdzenia i wdrożenia w CDSS innych krajów, w tym Wielkiej Brytanii, Belgii i Korei.20,21,23

Inne systemy ukierunkowane na bezpieczeństwo pacjenta obejmują elektroniczne systemy wydawania leków (EDDS) i systemy podawania leków z kodem kreskowym w miejscu opieki (BPOC).24 Są one często wdrażane razem, aby stworzyć „zamkniętą pętlę”, w której każdy etap procesu (przepisywanie, przepisywanie, wydawanie, podawanie) jest skomputeryzowany i odbywa się w ramach połączonego systemu. Podczas podawania leku, jest on automatycznie identyfikowany poprzez identyfikację radiową (RFID) lub kody kreskowe i sprawdzany z informacjami o pacjencie i receptami. Stanowi to kolejny cel dla CDSS, a potencjalną korzyścią jest zapobieganie błędom w podawaniu leków, które występują przy łóżku pacjenta (w przeciwieństwie do dalszych etapów). Przyjęcie jest stosunkowo niskie, częściowo ze względu na wysokie wymagania technologiczne i koszty.25 Jednakże badania wykazują dobrą skuteczność tych systemów w redukcji błędów.26 Mohoney i wsp. wykazali, że wiele z tych systemów można połączyć jednocześnie z CPOE i CDSS, z obniżonymi wskaźnikami błędów w przepisywaniu leków w zakresie wykrywania alergii na leki, nadmiernego dawkowania oraz niepełnego lub niejasnego zamawiania.24 Podobnie jak w przypadku większości systemów CDSS, nadal można popełnić błędy, jeśli świadczeniodawcy pominą lub celowo obejdą technologię.27

CDSS poprawiają również bezpieczeństwo pacjentów dzięki systemom przypominania o innych zdarzeniach medycznych, nie tylko tych związanych z lekami. Wśród licznych przykładów, CDSS do pomiaru glukozy we krwi na oddziale intensywnej terapii był w stanie zmniejszyć liczbę zdarzeń związanych z hipoglikemią.28 Ten CDSS automatycznie skłaniał pielęgniarki do wykonania pomiaru glukozy zgodnie z lokalnym protokołem monitorowania glukozy, który określał, jak często należy wykonywać pomiary w zależności od danych demograficznych pacjenta i poprzednich poziomów/tendencji glukozy.28

Ogółem, systemy CDSS ukierunkowane na bezpieczeństwo pacjenta poprzez CPOE i inne systemy generalnie odniosły sukces w redukcji błędów w przepisywaniu i dozowaniu leków, przeciwwskazań poprzez automatyczne ostrzeżenia, monitorowanie zdarzeń związanych z lekami i inne.29 Bezpieczeństwo pacjenta może być uważane za drugorzędny cel (lub wymóg) prawie wszystkich rodzajów CDSS, bez względu na główny cel ich wdrożenia.

Zarządzanie kliniczne

Badania wykazały, że CDSS może zwiększyć przestrzeganie wytycznych klinicznych.30 Jest to istotne, ponieważ wykazano, że tradycyjne wytyczne kliniczne i ścieżki opieki są trudne do wdrożenia w praktyce i charakteryzują się niskim stopniem przestrzegania przez lekarzy.31,32 Założenie, że lekarze będą czytać, przyswajać i wdrażać nowe wytyczne, nie sprawdziło się.33 Jednakże zasady ukryte w wytycznych mogą być dosłownie zakodowane w CDSS. Takie CDSS mogą przybierać różne formy, od standardowych zestawów zleceń dla konkretnego przypadku, poprzez alerty do konkretnych protokołów dla pacjentów, których dotyczą, przypomnienia o badaniach itp. Ponadto, CDSS może pomóc w zarządzaniu pacjentami objętymi protokołami badań/leczenia,34 śledzeniu i składaniu zamówień, monitorowaniu skierowań, jak również w zapewnieniu opieki profilaktycznej.35

CDSS może również ostrzegać klinicystów, aby dotarli do pacjentów, którzy nie przestrzegają planów zarządzania, lub którym należą się badania kontrolne, a także pomagać w identyfikacji pacjentów kwalifikujących się do badań w oparciu o określone kryteria.36 CDSS zaprojektowany i wdrożony w Cleveland Clinic dostarcza lekarzom ostrzeżenia w punkcie opieki medycznej, gdy dane pacjenta spełniają kryteria badań klinicznych.37 Alert skłania użytkownika do wypełnienia formularza, który określa kwalifikowalność i zgodę na kontakt, przekazuje kartę pacjenta do koordynatora badania i drukuje arkusz informacyjny dotyczący badania klinicznego.

Obniżenie kosztów

CDSS może być opłacalne dla systemów opieki zdrowotnej poprzez interwencje kliniczne,38 zmniejszające długość pobytu pacjenta w szpitalu, systemy zintegrowane z CPOE sugerujące tańsze alternatywy leków,39 lub redukujące powielanie badań. Na dziecięcym oddziale intensywnej terapii kardiologicznej wdrożono zasadę CPOE, która ograniczyła planowanie badań morfologii krwi, chemii i koagulacji do 24-godzinnego odstępu.40 Zmniejszyło to wykorzystanie zasobów laboratoryjnych, co przyniosło oszczędności w wysokości 717 538 USD rocznie, bez zwiększenia długości pobytu (LOS) lub śmiertelności.

CDSS może informować użytkownika o tańszych alternatywach leków lub warunkach, które pokryją firmy ubezpieczeniowe. W Niemczech, wielu pacjentów jest zamienianych na leki z listy leków szpitalnych. Po stwierdzeniu, że 1 na 5 zamiany była nieprawidłowa, szpital w Heidelbergu opracował algorytm zamiany leków i zintegrował go z istniejącym systemem CPOE.41 CDSS był w stanie zmienić 91.6% z 202 konsultacji lekowych automatycznie, bez błędów, zwiększając bezpieczeństwo, zmniejszając obciążenie pracą i redukując koszty dla świadczeniodawców.

Funkcje administracyjne

CDSS zapewnia wsparcie dla kodowania klinicznego i diagnostycznego, zamawiania procedur i badań oraz triage’u pacjentów. Zaprojektowane algorytmy mogą sugerować wyrafinowaną listę kodów diagnostycznych, aby pomóc lekarzom w wyborze najbardziej odpowiedniego(ych). Stworzono CDSS, aby rozwiązać problem niedokładności w kodowaniu przyjęć na oddziałach ratunkowych ICD-9 (ICD to Międzynarodowa Statystyczna Klasyfikacja Chorób, standaryzowane kody używane do reprezentowania chorób i diagnoz).42 Narzędzie to wykorzystywało interfejs anatomograficzny (wizualne, interaktywne przedstawienie ludzkiego ciała) połączony z kodami ICD, aby pomóc lekarzom z oddziałów ratunkowych w szybszym znalezieniu kodów diagnostycznych.

CDSS może bezpośrednio poprawić jakość dokumentacji klinicznej. Położniczy system CDSS zawierał ulepszony system podpowiedzi, znacznie poprawiając dokumentację wskazań do indukcji porodu i szacowanej masy płodu, w porównaniu ze szpitalem kontrolnym.43 Dokładność dokumentacji jest ważna, ponieważ może bezpośrednio wspomóc protokoły kliniczne. Na przykład wdrożono CDSS w celu zapewnienia, że pacjenci zostali prawidłowo zaszczepieni po splenektomii, aby zwalczyć zwiększone ryzyko infekcji (w tym pneumokokowych, Haemophilus influenzae, meningokokowych itp.), które wiąże się z usunięciem śledziony. Autorzy stwierdzili jednak, że 71% pacjentów, u których w EHR pojawił się termin „splenektomia”, nie miało go udokumentowanego na liście problemów (co uruchamia alarm CDSS).44 Opracowano wówczas uzupełniający CDSS, aby poprawić dokumentację splenektomii na liście problemów,45 i zwiększyć użyteczność pierwotnego CDSS dotyczącego szczepień.

Wsparcie diagnostyczne

CDSS do diagnostyki klinicznej są znane jako systemy wspomagania decyzji diagnostycznych (diagnostic decision support systems, DDSS). Systemy te tradycyjnie zapewniają skomputeryzowaną „konsultację” lub etap filtrowania, w ramach którego mogą otrzymywać dane/wybory użytkownika, a następnie wyświetlać listę możliwych lub prawdopodobnych rozpoznań.46 Niestety, DDSS nie mają tak dużego wpływu jak inne rodzaje CDSS (jeszcze) z powodów takich jak negatywne postrzeganie przez lekarzy i uprzedzenia, niska dokładność (często z powodu luk w dostępności danych) i słaba integracja systemu wymagająca ręcznego wprowadzania danych.47,48 To ostatnie ulega poprawie dzięki lepszej integracji z EHR i standaryzowanemu słownictwu, takiemu jak Snomed Clinical Terms.

Dobrym przykładem skutecznego DDSS jest ten, który został stworzony przez Kunhimangalam i wsp.49 do diagnozowania neuropatii obwodowej przy użyciu logiki rozmytej. Dzięki 24 polom wejściowym, które obejmują objawy i wyniki testów diagnostycznych, osiągnęli oni 93% dokładność w porównaniu z ekspertami w identyfikacji neuropatii ruchowych, czuciowych, mieszanych lub przypadków normalnych. Podczas gdy to jest bardzo użyteczne, szczególnie w krajach z mniejszym dostępem do uznanych ekspertów klinicznych, istnieje również zapotrzebowanie na systemy, które mogą uzupełnić specjalistyczną diagnostykę. DXplain jest elektronicznym, referencyjnym systemem diagnostycznym DDSS, który dostarcza prawdopodobnych diagnoz na podstawie objawów klinicznych.50 W randomizowanym badaniu kontrolnym z udziałem 87 rezydentów medycyny rodzinnej, osoby randomizowane do korzystania z systemu wykazały znacznie większą dokładność (84% vs. 74%) w zwalidowanym teście diagnostycznym obejmującym 30 przypadków klinicznych.50

Wobec znanej częstości występowania błędów diagnostycznych, szczególnie w podstawowej opiece zdrowotnej,51 istnieje wiele nadziei na to, że CDSS i rozwiązania informatyczne przyczynią się do poprawy diagnostyki.52 Obecnie obserwujemy rozwój systemów diagnostycznych wykorzystujących techniki nie oparte na wiedzy, takie jak uczenie maszynowe, które mogą utorować drogę do dokładniejszej diagnostyki. Babylon AI powered Triage and Diagnostic System w Wielkiej Brytanii jest dobrym przykładem potencjału, ale także pracy, którą trzeba jeszcze wykonać, zanim te systemy będą gotowe do użycia.53,54

Wsparcie diagnostyki: obrazowanie

Diagnostyczne systemy CDSS oparte na wiedzy są zwykle używane do zamawiania obrazów, gdzie CDSS mogą pomagać radiologom w wyborze najbardziej odpowiedniego badania do wykonania, zapewniając przypomnienia o wytycznych dotyczących najlepszych praktyk lub ostrzegając na przykład o przeciwwskazaniach do podania kontrastu.55. Wykazano, że interwencyjny system CDS do zamawiania obrazów w Centrum Medycznym Virginia Mason znacznie zmniejszył wskaźnik wykorzystania MRI odcinka lędźwiowego kręgosłupa w przypadku bólu pleców, MRI głowy w przypadku bólu głowy i CT zatok w przypadku zapalenia zatok.56 System CDS wymagał od świadczeniodawców odpowiedzi na serię pytań przed zamówieniem obrazu (POC) w celu zweryfikowania jego adekwatności. Co ważne, w przypadku odmowy wykonania zdjęcia system proponował alternatywne rozwiązanie. Innym skomercjalizowanym przykładem jest system RadWise®, który prowadzi lekarzy do najbardziej odpowiedniego zlecenia obrazowania poprzez analizę objawów pacjenta i dopasowanie ich do dużej bazy danych diagnoz, zapewniając jednocześnie zalecenia dotyczące właściwego stosowania w punkcie opieki.57

Dużym zainteresowaniem cieszą się systemy CDS nieoparte na wiedzy, przeznaczone do udoskonalonego obrazowania i radiologii precyzyjnej („radiomiki”).58,59 Ponieważ obrazy stanowią coraz większą ilość danych medycznych, ale wymagają rozległej ręcznej interpretacji, świadczeniodawcy potrzebują technologii, które pomogą im w ich wyodrębnianiu, wizualizacji i interpretacji.60 Technologie sztucznej inteligencji okazują się być w stanie zapewnić wgląd w dane wykraczający poza możliwości człowieka.61 W tym celu technologie te wykorzystują zaawansowane algorytmy rozpoznawania pikseli i klasyfikacji obrazów, a przede wszystkim: głębokie uczenie (deep learning, DL).62 IBM Watson Health, DeepMind, Google i inne firmy przodują w tej dziedzinie, opracowując produkty do wykrywania nowotworów,63 interpretacji obrazów medycznych,64 diagnozowania retinopatii cukrzycowej,65 diagnozowania choroby Alzheimera za pomocą multimodalnego uczenia się funkcji,62 i niezliczonych innych. Oczy Watsona” IBM Watson były w stanie połączyć rozpoznawanie obrazu skanu mózgu z rozpoznawaniem tekstu opisu przypadku, aby zapewnić kompleksowe wsparcie decyzyjne (lub to, co IBM określa jako „asystenta poznawczego”).60

Wiele projektów było w stanie wykazać wydajność, która jest bezspornie „na równi” z ludzkimi ekspertami.65,66,67,68 Na przykład, zespół Google’a wytrenował głęboką konwencjonalną sieć neuronową (CNN) do wykrywania retinopatii cukrzycowej (uszkodzenie naczyń krwionośnych w oku) na podstawie zbioru danych 130 000 obrazów siatkówki z bardzo wysoką czułością i specyficznością.65 Wydajność algorytmów była na równi z amerykańskimi okulistami z certyfikatami. W innym badaniu, niedawno opublikowanym przez grupę ze Stanford, wykazano, że CNN do wykrywania arytmii na elektrokardiogramie przewyższa dokładnością (F1 i czułością z dopasowaną specyficznością) przeciętnego kardiologa we wszystkich klasach rytmu.68 Przy obecnym tempie postępu niektórzy eksperci kontrowersyjnie spekulują, że za 15-20 lat większość interpretacji diagnostyki obrazowej będzie wykonywana (lub przynajmniej wstępnie przetwarzana) przez komputery.69 Na razie jednak powinniśmy myśleć o tych wczesnych systemach jako o dodatku lub rozszerzeniu zestawu narzędzi dostępnych dla klinicysty.

Wsparcie diagnostyki: laboratorium i patologia

Innym podzbiorem diagnostyki, w którym CDSS może być użyteczny, są badania laboratoryjne i ich interpretacja. Alerty i przypomnienia o nieprawidłowych wynikach badań laboratoryjnych są proste i wszechobecne w systemach EHR. CDSS może również rozszerzyć użyteczność badań laboratoryjnych w celu uniknięcia bardziej ryzykownej lub inwazyjnej diagnostyki. W przypadku testów na wirusowe zapalenie wątroby typu B i C, biopsja wątroby jest uważana za złoty standard diagnostyczny, podczas gdy nieinwazyjne testy laboratoryjne nie są wystarczająco dokładne, aby je zaakceptować. Jednakże, opracowywane są modele AI, które łączą wiele testów (markery surowicy, obrazowanie i testy genowe), aby uzyskać znacznie większą dokładność.70 Istnieje również zastosowanie dla CDSS jako narzędzia interpretacyjnego, gdy zakresy referencyjne testów są wysoce spersonalizowane, na przykład wiek, płeć lub podtypy chorób.71

Raporty patologiczne są kluczowe jako punkty decyzyjne dla wielu innych specjalności medycznych. Niektóre CDSS mogą być wykorzystywane do automatycznej klasyfikacji guzów. Dokonano tego w przypadku klasyfikacji guzów pęcherza moczowego i szacowania nawrotów, z dokładnością do 93%.72 To samo zrobiono w przypadku klasyfikacji i klasyfikacji guzów mózgu.73 Istnieje wiele innych przykładów, w tym komputerowa analiza EKG, automatyczna interpretacja gazów w krwi tętniczej, raporty z elektroforezy białek i CDSS do liczenia komórek krwi.46

Wsparcie decyzyjne skierowane do pacjenta

Wraz z pojawieniem się „osobistego rekordu zdrowia” (PHR), obserwujemy zintegrowanie funkcji CDS, podobnie jak w przypadku EHR, z pacjentem jako użytkownikiem końcowym lub „zarządcą” danych. Jest to wielki krok w kierunku opieki zorientowanej na pacjenta, a PHR wspierane przez CDS są idealnym narzędziem do wdrażania wspólnego podejmowania decyzji przez pacjenta i świadczeniodawcę, szczególnie dlatego, że CDSS może usunąć „brak informacji” jako barierę dla udziału pacjenta w jego własnej opiece.74 PHR są często projektowane jako rozszerzenie komercyjnego oprogramowania EHR lub jako samodzielne aplikacje internetowe lub mobilne.75 Po podłączeniu do EHR, PHR mogą mieć dwukierunkową relację, dzięki której informacje wprowadzane bezpośrednio przez pacjenta mogą być dostępne dla jego usługodawców, a także informacje z EHR mogą być przekazywane do PHR, aby pacjenci mogli je przeglądać.76

Jeden z najwcześniejszych PHR, „Patient Gateway”, był po prostu tablicą rozdzielczą dla pacjentów, umożliwiającą przeglądanie leków i badań laboratoryjnych oraz komunikację z lekarzami.77 Obecnie niektóre systemy pozwalają pacjentom na modyfikację ich własnych danych, co ma wpływ na dane EHR.78 Innym przykładem jest MyHealthAtVanderbilt University firmy Vanderbilt, PHR w pełni zintegrowany z instytucjonalnym EHR. Poza dostarczaniem pacjentom materiałów edukacyjnych dostosowanych do konkretnej choroby, do systemu włączono narzędzie Flu Tool dla pacjentów z objawami grypopodobnymi, pozwalające określić poziom opieki, jakiej potrzebują, a następnie pomóc im w podjęciu leczenia.79 Śledzenie objawów jest przydatną i powszechną cechą rejestrów PHR, ale różnorodność gromadzonych danych jest praktycznie nieograniczona, od alergii, przez zakres ubezpieczenia, po informacje o receptach i lekach.80 Ponadto rejestry PHR i inne aplikacje monitorujące stan pacjenta można zaprojektować tak, aby zbierały informacje z urządzeń zdrowotnych i innych urządzeń noszonych na ciele, w celu uzyskania użytecznych informacji dla świadczeniodawców. Doskonałym przykładem jest opieka nad chorymi na cukrzycę. Wiele systemów jest już w użyciu,81 ale jeden, szczególnie pionierski, opracowany przez Stanford School of Medicine, wykorzystuje noszony na ciele monitor glukozy, który przesyła dane do urządzenia Apple (HealthKit).82 Firma Apple zapewniła interoperacyjność HealthKit z Epic EHR i Epic PHR, „MyChart”. Dzięki temu świadczeniodawcy mogą z powodzeniem monitorować trendy glikemii u swoich pacjentów pomiędzy wizytami i kontaktować się z nimi za pośrednictwem MyChart w celu uzyskania dalszych działań lub pilnych zaleceń. W badaniu pilotażowym wykazano poprawę organizacji pracy świadczeniodawców, komunikacji z pacjentami i ostatecznie jakości opieki.82 Różne inne dziedziny medycyny wdrażają podobne systemy monitorowania łączące PHR/EHR, technologie ubieralne i CDSS, w tym między innymi niewydolność serca (kardiologia), nadciśnienie tętnicze, bezdech senny, opieka paliatywna/chorych starszych i inne.

Warto zauważyć, że w miarę jak rejestry PHR stają się coraz bardziej zaawansowane z możliwościami CDSS, coraz większy nacisk kładzie się również na projektowanie tych systemów, aby służyły do wspólnego podejmowania decyzji przez pacjenta i świadczeniodawcę oraz aby były interaktywnymi narzędziami, dzięki którym pacjenci mają większą wiedzę/zaangażowanie we własną opiekę. PHR, które służą jedynie jako repozytorium informacji zdrowotnych są obecnie postrzegane jako nietrafione, szczególnie przez samych pacjentów.75

.