stringtranslate.com

Система поддержки принятия клинических решений

Система поддержки принятия клинических решений ( CDSS ) — это информационная технология здравоохранения , которая предоставляет врачам, персоналу, пациентам и другим лицам знания и персональную информацию для помощи в здравоохранении и здравоохранении. CDSS охватывает множество инструментов для улучшения принятия решений в клиническом рабочем процессе. Эти инструменты включают в себя компьютеризированные оповещения и напоминания для поставщиков медицинских услуг и пациентов, клинические руководства, наборы заказов, специфичные для состояний, целевые отчеты и резюме данных пациентов, шаблоны документации, диагностическую поддержку и контекстно-релевантную справочную информацию, среди прочих инструментов. CDSS представляют собой важную тему в области искусственного интеллекта в медицине .

Характеристики

Система поддержки принятия клинических решений — это активная система знаний, которая использует переменные данных пациента для выработки рекомендаций относительно медицинской помощи. Это подразумевает, что CDSS — это просто система поддержки принятия решений, ориентированная на использование управления знаниями .

Цель

Основная цель современной системы CDSS — помогать врачам на месте оказания медицинской помощи. [1] Это означает, что врачи взаимодействуют с системой CDSS, чтобы помочь проанализировать и поставить диагноз на основе данных пациентов о различных заболеваниях.

В ранние дни CDSS были задуманы для принятия решений за клинициста буквально. Клиницист вводил информацию и ждал, пока CDSS выведет «правильный» выбор, а клиницист просто действовал на основе этого вывода. Однако современная методология использования CDSS для помощи означает, что клиницист взаимодействует с CDSS, используя как свои знания, так и CDSS, чтобы лучше анализировать данные пациента, чем человек или CDSS могли бы сделать самостоятельно. Как правило, CDSS дает рекомендации для клинициста, и ожидается, что клиницист выберет полезную информацию из представленных результатов и отбросит ошибочные предложения CDSS. [2]

Два основных типа CDSS — основанные на знаниях и не основанные на знаниях: [1]

Примером того, как врач может использовать систему поддержки принятия клинических решений, является система поддержки принятия диагностических решений (DDSS). DDSS запрашивает некоторые данные пациентов и в ответ предлагает набор соответствующих диагнозов. Затем врач берет выходные данные DDSS и определяет, какие диагнозы могут быть релевантными, а какие нет, [1] и, при необходимости, назначает дополнительные тесты для сужения диагноза.

Другим примером CDSS может быть система рассуждений на основе случаев (CBR). [3] Система CBR может использовать данные предыдущих случаев, чтобы помочь определить соответствующее количество пучков и оптимальные углы пучка для использования в радиотерапии для пациентов с раком мозга; затем медицинские физики и онкологи рассмотрят рекомендуемый план лечения, чтобы определить его жизнеспособность. [4]

Другая важная классификация CDSS основана на времени ее использования. Врачи используют эти системы в месте оказания помощи, чтобы помочь себе, когда они имеют дело с пациентом, при этом время использования может быть либо до диагностики, во время диагностики, либо после диагностики. [ требуется цитата ] Системы CDSS до диагностики помогают врачу подготовить диагнозы. CDSS помогают просматривать и фильтровать предварительные диагностические выборы врача для улучшения результатов. Системы CDSS после диагностики используются для добычи данных с целью получения связей между пациентами и их прошлой историей болезни и клиническими исследованиями для прогнозирования будущих событий . [1] По состоянию на 2012 год было заявлено, что поддержка принятия решений начнет заменять врачей в общих задачах в будущем. [5]

Другой подход, используемый Национальной службой здравоохранения в Англии, заключается в использовании DDSS для сортировки медицинских состояний вне часов работы, предлагая пациенту подходящий следующий шаг (например, вызвать скорую помощь или обратиться к врачу общей практики на следующий рабочий день). Предложение, которое может быть проигнорировано как пациентом, так и телефонным оператором, если здравый смысл или осторожность подсказывают иное, основано на известной информации и неявном выводе о том, каким, скорее всего, будет наихудший диагноз; оно не всегда сообщается пациенту, поскольку оно вполне может быть неверным, и не основано на мнении человека с медицинским образованием — оно используется только для целей первоначальной сортировки. [ необходима цитата ]

Основанный на знаниях

Большинство CDSS состоят из трех частей: базы знаний, механизма вывода и механизма для связи. [6] База знаний содержит правила и ассоциации скомпилированных данных, которые чаще всего принимают форму правил ЕСЛИ-ТО. Если бы это была система для определения взаимодействия лекарств , то правило могло бы быть таким: ЕСЛИ лекарство X принято И лекарство Y принято, ТО оповестить пользователя. Используя другой интерфейс, продвинутый пользователь может редактировать базу знаний, чтобы поддерживать ее в актуальном состоянии с новыми лекарствами. Механизм вывода объединяет правила из базы знаний с данными пациента. Механизм связи позволяет системе показывать результаты пользователю, а также иметь входные данные в систему. [2] [1]

Для выражения артефактов знаний в вычисляемой форме необходим язык выражений, такой как GELLO [ требуется разъяснение ] или CQL (язык клинического качества). Например: если у пациента сахарный диабет, и если последний результат теста на гемоглобин A1c был менее 7%, рекомендуется провести повторное тестирование, если прошло более шести месяцев, но если последний результат теста был больше или равен 7%, рекомендуется провести повторное тестирование, если прошло более трех месяцев.

В настоящее время рабочая группа HL7 CDS сосредоточена на развитии языка клинического качества (CQL). ​​[7] Центры США по услугам Medicare и Medicaid (CMS) объявили, что планируют использовать CQL для спецификации электронных показателей клинического качества (eCQM). [8]

Не основанный на знаниях

CDSS, которые не используют базу знаний, используют форму искусственного интеллекта , называемую машинным обучением , [9] , которая позволяет компьютерам учиться на прошлом опыте и/или находить закономерности в клинических данных. Это устраняет необходимость в написании правил и экспертном вкладе. Однако, поскольку системы, основанные на машинном обучении, не могут объяснить причины своих выводов, большинство врачей не используют их напрямую для диагностики, надежности и соображений ответственности. [2] [1] Тем не менее, они могут быть полезны в качестве постдиагностических систем, для предложения закономерностей, которые врачи могут изучить более глубоко.

По состоянию на 2012 год, три типа систем, не основанных на знаниях, — это машины опорных векторов , искусственные нейронные сети и генетические алгоритмы . [10]

  1. Искусственные нейронные сети используют узлы и взвешенные связи между ними для анализа закономерностей, обнаруженных в данных пациентов, с целью выведения связей между симптомами и диагнозом.
  2. Генетические алгоритмы основаны на упрощенных эволюционных процессах, использующих направленный отбор для достижения оптимальных результатов CDSS. Алгоритмы отбора оценивают компоненты случайных наборов решений проблемы. Решения, которые оказываются наверху, затем рекомбинируются и мутируют и снова проходят через процесс. Это происходит снова и снова, пока не будет обнаружено правильное решение. Они функционально похожи на нейронные сети в том, что они также являются «черными ящиками», которые пытаются извлечь знания из данных пациента.
  3. Сети, не основанные на знаниях, часто фокусируются на узком списке симптомов, например, на симптомах одного заболевания, в отличие от подхода, основанного на знаниях, который охватывает диагностику многих заболеваний. [2] [1]

Примером не основанной на знаниях системы CDSS является веб-сервер, разработанный с использованием машины опорных векторов для прогнозирования гестационного диабета в Ирландии. [11]

Правила

История, США

В 1999 году Институт медицины опубликовал отчет « Человеку свойственно ошибаться» , в котором основное внимание уделялось кризису безопасности пациентов в Соединенных Штатах, указывая на невероятно большое количество смертей. Эта статистика привлекла большое внимание к качеству ухода за пациентами. [ необходима цитата ] Институт медицины (IOM) продвигал использование медицинских информационных технологий, включая системы поддержки клинических решений, для повышения качества ухода за пациентами. [12]

С принятием Закона о восстановлении и реинвестировании Америки 2009 года (ARRA) был дан толчок к широкому внедрению технологий медицинской информации через Закон о медицинских информационных технологиях для экономического и клинического здравоохранения (HITECH). Благодаря этим инициативам все больше больниц и клиник интегрировали электронные медицинские записи (EMR) и компьютеризированный ввод врачебных назначений (CPOE) в свои процессы обработки и хранения медицинской информации. Несмотря на отсутствие законов, поставщики CDSS почти наверняка будут рассматриваться как имеющие юридическую обязанность заботиться как о пациентах, которые могут пострадать из-за использования CDSS, так и о врачах, которые могут использовать эту технологию для ухода за пациентами. [ необходима цитата ] [ необходимо разъяснение ] Однако правовые нормы, регулирующие обязанности по уходу, пока четко не определены. С принятием Закона HITECH, включенного в ARRA, поощряющего внедрение ИТ в здравоохранении, более подробные судебные решения для CDSS и EMR все еще были [ когда? ] определяется Управлением национального координатора по информационным технологиям здравоохранения (ONC) и утверждается Департаментом здравоохранения и социальных служб (HHS). Определение «Значимого использования» еще не опубликовано. [ необходимо разъяснение ]

Эффективность

Доказательства эффективности CDSS неоднозначны. Существуют определенные заболевания, которые получают больше пользы от CDSS, чем от других заболеваний. Систематический обзор 2018 года выявил шесть медицинских состояний, при которых CDSS улучшил результаты лечения пациентов в больничных условиях, включая управление уровнем глюкозы в крови, управление переливанием крови, профилактику физиологического ухудшения, профилактику пролежней, профилактику острой почечной недостаточности и профилактику венозной тромбоэмболии. [13] Систематический обзор 2014 года не обнаружил преимуществ с точки зрения риска смерти при сочетании CDSS с электронной медицинской картой . [14] Однако могут быть некоторые преимущества с точки зрения других результатов. [14] Систематический обзор 2005 года пришел к выводу, что CDSS улучшили работу практикующих врачей в 64% исследований и результаты лечения пациентов в 13% исследований. Функции CDSS, связанные с улучшением работы практикующих врачей, включали автоматические электронные подсказки, а не требующие активации системы пользователем. [15]

Систематический обзор 2005 года показал, что «системы поддержки принятия решений значительно улучшили клиническую практику в 68% испытаний». К функциям CDSS, связанным с успехом, относятся интеграция в клинический рабочий процесс, а не отдельный вход в систему или экран, электронные, а не бумажные шаблоны, предоставление поддержки принятия решений во время и в месте оказания помощи, а не до нее, и предоставление рекомендаций по уходу. [16]

Однако более поздние систематические обзоры были менее оптимистичны относительно эффектов CDS, а в одном из них, опубликованном в 2011 году, говорилось: «Существует большой разрыв между постулируемыми и эмпирически доказанными преимуществами [CDSS и других] технологий электронного здравоохранения  ... их экономическая эффективность еще не доказана». [17]

Пятилетняя оценка эффективности CDSS в реализации рационального лечения бактериальных инфекций для управления противомикробной терапией была опубликована в 2014 году; по словам авторов, это было первое долгосрочное исследование CDSS. [18]

Проблемы с принятием

Клинические проблемы

Многие медицинские учреждения и компании-разработчики программного обеспечения приложили немало усилий для создания жизнеспособных CDSS для поддержки всех аспектов клинических задач. Однако, учитывая сложность клинических рабочих процессов и высокие требования к рабочему времени персонала, учреждение, внедряющее систему поддержки, должно проявлять осторожность, чтобы гарантировать, что система станет неотъемлемой частью клинического рабочего процесса. Некоторые CDSS имели разный успех, в то время как другие страдали от общих проблем, препятствующих или снижающих успешное внедрение и принятие.

Два сектора сферы здравоохранения, в которых CDSS оказали большое влияние, — это секторы фармацевтики и выставления счетов. Обычно используемые системы фармацевтики и заказа рецептов теперь выполняют пакетную проверку заказов на предмет негативного взаимодействия лекарств и сообщают предупреждения специалисту, оформляющему заказ. Еще один сектор успеха CDSS — это выставление счетов и подача претензий. Поскольку многие больницы полагаются на возмещение расходов Medicare , чтобы оставаться в рабочем состоянии, были созданы системы, помогающие изучить как предлагаемый план лечения, так и текущие правила Medicare, чтобы предложить план, который пытается решить как проблему ухода за пациентом, так и финансовые потребности учреждения. [ необходима цитата ]

Другие CDSS, нацеленные на диагностические задачи, добились успеха, но часто очень ограничены в развертывании и области применения. Система Leeds Abdominal Pain System начала работать в 1971 году в больнице Университета Лидса. Сообщалось, что она ставила правильный диагноз в 91,8% случаев, по сравнению с показателем успешности клиницистов в 79,6%. [ необходима цитата ]

Несмотря на широкий спектр усилий учреждений по производству и использованию этих систем, широкое внедрение и принятие все еще не достигнуто для большинства предложений. Одним из основных препятствий на пути к принятию исторически была интеграция рабочего процесса. Существовала тенденция сосредотачиваться только на функциональном ядре принятия решений CDSS, что приводило к дефициту планирования того, как врач будет использовать продукт на месте. CDSS были автономными приложениями, требующими от врача прекратить работу в своей текущей системе, переключиться на CDSS, ввести необходимые данные (даже если они уже были введены в другую систему) и изучить полученные результаты. Дополнительные шаги нарушают поток с точки зрения врача и стоят драгоценного времени. [ необходима цитата ] [19]

Технические проблемы и препятствия на пути внедрения

Системы поддержки принятия клинических решений сталкиваются с серьезными техническими проблемами в ряде областей. Биологические системы чрезвычайно сложны, и клиническое решение может использовать огромный спектр потенциально релевантных данных. Например, электронная система доказательной медицины может потенциально учитывать симптомы пациента, историю болезни, семейный анамнез и генетику , а также исторические и географические тенденции возникновения заболеваний и опубликованные клинические данные об эффективности терапии при рекомендации курса лечения пациента.

С клинической точки зрения, серьезным препятствием для принятия CDSS является интеграция рабочих процессов.

Хотя было показано, что врачам требуются объяснения CDSS на основе машинного обучения, чтобы иметь возможность понимать и доверять их предложениям [20] , в целом наблюдается явное отсутствие применения объяснимого искусственного интеллекта в контексте CDSS [21] , что создает еще одно препятствие для принятия этих систем.

Другим источником разногласий со многими системами медицинской поддержки является то, что они выдают огромное количество предупреждений. Когда системы выдают большой объем предупреждений (особенно тех, которые не требуют эскалации), помимо раздражения, врачи могут уделять меньше внимания предупреждениям, в результате чего потенциально критические предупреждения могут быть пропущены. Это явление называется усталостью предупреждений. [22]

Обслуживание

Одной из основных проблем, с которой сталкивается CDSS, является сложность включения огромного количества клинических исследований, публикуемых на постоянной основе. В течение года публикуются десятки тысяч клинических испытаний. [23] В настоящее время каждое из этих исследований должно быть вручную прочитано, оценено на предмет научной легитимности и включено в CDSS точным образом. В 2004 году было заявлено, что процесс сбора клинических данных и медицинских знаний и приведения их в форму, которую компьютеры могут обрабатывать для помощи в поддержке клинических решений, «все еще находится в зачаточном состоянии». [24]

Тем не менее, для компании более целесообразно делать это централизованно, даже если это не полностью, чем для каждого врача пытаться быть в курсе всех публикуемых исследований. [ необходима цитата ]

Помимо того, что это трудоемко, иногда бывает трудно количественно оценить или включить новые данные в существующую схему поддержки принятия решений, особенно в случаях, когда различные клинические статьи могут показаться противоречивыми. Правильное разрешение подобных несоответствий часто является предметом самих клинических статей (см. метаанализ ), на завершение которых часто уходят месяцы. [ необходима цитата ]

Оценка

Для того чтобы CDSS предлагала ценность, она должна наглядно улучшать клинический рабочий процесс или результат. Оценка CDSS количественно определяет ее ценность для улучшения качества системы и измерения ее эффективности. Поскольку разные CDSS служат разным целям, ни одна общая метрика не применима ко всем таким системам; однако такие атрибуты, как согласованность (с экспертами и с ними), часто применяются в широком спектре систем. [25]

Критерий оценки для CDSS зависит от цели системы: например, диагностическая система поддержки принятия решений может быть оценена на основе согласованности и точности ее классификации заболеваний (по сравнению с врачами или другими системами поддержки принятия решений). Система доказательной медицины может быть оценена на основе высокой частоты улучшения состояния пациентов или более высокой финансовой компенсации для поставщиков услуг. [ необходима цитата ]

Сочетание с электронными медицинскими картами

Внедрение EHR было неизбежной проблемой. Эта проблема связана с тем, что это относительно неизведанная область, и на этапе внедрения EHR возникает много проблем и осложнений. Это можно увидеть в многочисленных проведенных исследованиях. [ необходима цитата ] Однако проблемы внедрения электронных медицинских карт (EHR) получили некоторое внимание. Тем не менее, о переходе от устаревших EHR к более новым системам известно меньше. [26]

EHR — это способ сбора и использования данных в реальном времени для предоставления высококачественного ухода за пациентами, гарантируя эффективность и рациональное использование времени и ресурсов. Совместное включение EHR и CDSS в процесс медицины может изменить способ обучения и практики медицины. [27] Было сказано, что «высшим уровнем EHR является CDSS». [28]

Поскольку «системы поддержки принятия клинических решений (CDSS) представляют собой компьютерные системы, предназначенные для оказания влияния на принятие врачами решений в отношении отдельных пациентов в тот момент времени, когда эти решения принимаются» [27] , очевидно, что было бы полезно иметь полностью интегрированную CDSS и EHR.

Несмотря на то, что преимущества очевидны, полная реализация CDSS, интегрированной с EHR, исторически требовала значительного планирования со стороны медицинского учреждения/организации для того, чтобы CDSS была успешной и эффективной. Успех и эффективность можно измерить по увеличению объема оказываемой помощи пациентам и сокращению количества неблагоприятных событий . Кроме того, будет экономия времени и ресурсов, а также выгоды с точки зрения автономии и финансовых выгод для медицинского учреждения/организации. [29]

Преимущества

Успешная интеграция CDSS/EHR позволит предоставлять пациенту наилучшую практику и высококачественную помощь, что является конечной целью здравоохранения. Три области, которые могут быть решены с помощью внедрения CDSS и электронных медицинских карт (EHR), это:

  1. Ошибки в назначении лекарств
  2. Нежелательные явления при приеме лекарств
  3. Другие медицинские ошибки

Системы CDSS будут наиболее полезны в будущем, когда медицинские учреждения станут «на 100% электронными» с точки зрения информации о пациентах в режиме реального времени, что упростит количество изменений, которые необходимо внести для обеспечения того, чтобы все системы были в курсе событий.

Измеримые преимущества систем поддержки принятия клинических решений для эффективности работы врачей и результатов лечения пациентов остаются предметом постоянных исследований.

Барьеры

Внедрение электронных медицинских карт (ЭМК) в учреждениях здравоохранения сопряжено с трудностями; наиболее важными из них являются поддержание эффективности и безопасности во время внедрения [30], но для того, чтобы процесс внедрения был эффективным, понимание перспектив пользователей ЭМК является ключом к успеху проектов по внедрению ЭМК. [31] В дополнение к этому, внедрение необходимо активно поощрять с помощью подхода «снизу вверх», ориентированного на клинические потребности. [32] То же самое можно сказать и о CDSS.

По состоянию на 2007 год основными проблемами при переходе к полностью интегрированной системе EHR/CDSS были: [33]

  1. Конфиденциальность
  2. Конфиденциальность
  3. Удобство использования
  4. Точность и полнота документа
  5. Интеграция
  6. Однородность
  7. Принятие
  8. Десенсибилизация оповещения

а также ключевые аспекты ввода данных, которые необходимо учитывать при внедрении CDSS, чтобы избежать возникновения потенциальных неблагоприятных событий. Эти аспекты включают:

В качестве технического средства устранения некоторых из этих барьеров была предложена сервисно-ориентированная архитектура . [34]

Статус в Австралии

По состоянию на июль 2015 года запланированный переход на EHR в Австралии сталкивается с трудностями. Большинство медицинских учреждений по-прежнему используют полностью бумажные системы; некоторые находятся на этапе перехода на сканированные EHR или движутся к такому этапу перехода.

Виктория попыталась внедрить EHR по всему штату с помощью своей программы HealthSMART, но проект был отменен из-за неожиданно высоких затрат. [35]

Южная Австралия (SA) однако немного более успешна, чем Виктория, в реализации EHR. Это может быть связано с тем, что все государственные организации здравоохранения в SA управляются централизованно.

SA находится в процессе внедрения «Enterprise patients administration system (EPAS)». Эта система является основой для всех государственных больниц и медицинских учреждений для EHR в SA, и ожидалось, что к концу 2014 года все учреждения в SA будут подключены к ней. Это позволит успешно интегрировать CDSS в SA и увеличить преимущества EHR. [36] К июлю 2015 года сообщалось, что только 3 из 75 медицинских учреждений внедрили EPAS. [37]

С крупнейшей системой здравоохранения в стране и федеративной, а не централизованно управляемой моделью, Новый Южный Уэльс последовательно продвигается к внедрению EHR по всему штату. Текущая итерация технологии штата, eMR2, включает функции CDSS, такие как путь сепсиса для выявления пациентов с риском на основе данных, введенных в электронную запись. По состоянию на июнь 2016 года, 93 из 194 учреждений, находящихся в зоне охвата для первоначального развертывания, внедрили eMR2. [38]

Статус в Финляндии

Служба поддержки принятия клинических решений EBMEDS, предоставляемая Duodecim Medical Publications Ltd, используется более чем 60% врачей финского общественного здравоохранения. [39]

Статус в Индии

В Индии было много недавних инициатив по продвижению цифрового здравоохранения. В Индии появляются новые платформы, такие как Eka.care, Clinisio, Raxa и т. д., которые обеспечивают интегрированную поддержку клинических решений EHR. [40]

Исследовать

Ошибки в рецептах

Исследование в Великобритании протестировало Salford Medication Safety Dashboard (SMASH), веб-приложение CDSS, помогающее врачам общей практики и фармацевтам находить в своих электронных медицинских картах людей, которые могут подвергаться угрозам безопасности из-за ошибок в рецептах. Панель инструментов была успешно использована для выявления и оказания помощи пациентам с уже зарегистрированными небезопасными рецептами, а позже она помогла отслеживать новые случаи по мере их появления. [41] [42]

Смотрите также

Ссылки

  1. ^ abcdefg Бернер, Эта С., ред. Системы поддержки принятия клинических решений. Нью-Йорк, штат Нью-Йорк: Springer, 2007.
  2. ^ abcd "Системы поддержки принятия решений". 26 июля 2005 г. 17 февраля 2009 г. <[1].
  3. ^ Бегум, Шахина; Ахмед, Мобьен Уддин; Фанк, Питер; Сюн, Нин; Фолке, Миа (июль 2011 г.). «Системы рассуждений на основе прецедентов в медицинских науках: обзор последних тенденций и разработок». Труды IEEE по системам, человеку и кибернетике — часть C: приложения и обзоры . 41 (4): 421–434. doi :10.1109/TSMCC.2010.2071862. S2CID  22441650. Архивировано из оригинала 10 февраля 2023 г. Получено 6 декабря 2019 г.
  4. ^ Хусаинова, Гульмира; Петрович, Санджа; Джаганнатхан, Рупа (2015). «Извлечение с кластеризацией в системе рассуждений на основе прецедентов для планирования лечения радиотерапией». Журнал физики: Серия конференций . 616 (1): 012013. Bibcode : 2015JPhCS.616a2013K. doi : 10.1088/1742-6596/616/1/012013 . ISSN  1742-6596.
  5. ^ Хосла, Винод (4 декабря 2012 г.). «Технологии заменят 80% того, что делают врачи». CNN . Архивировано из оригинала 28 марта 2013 г. Получено 25 апреля 2013 г.
  6. ^ Пейман., Дехгани Суфи, Махса. Самад-Солтани, Таха. Шамс Вахдати, Самад. Резаи-Хачесу. Система поддержки принятия решений для управления сортировкой: гибридный подход с использованием основанного на правилах обоснования и нечеткой логики . OCLC  1051933713.{{cite book}}: CS1 maint: multiple names: authors list (link)
  7. ^ "Стандарты HL7 CDS". Рабочая группа HL7 CDS . Получено 25 июня 2019 г.
  8. ^ CQL — Центр ресурсов eCQI Clinical Quality Language, доступ 15 февраля 2022 г.
  9. ^ Syeda-Mahmood, Tanveer (март 2015 г.). «Пленарный доклад: Роль машинного обучения в поддержке принятия клинических решений». SPIE Newsroom . doi :10.1117/2.3201503.29.
  10. ^ Wagholikar, Kavishwar; V. Sundararajan; Ashok Deshpande (2012). «Моделирование парадигм для поддержки принятия медицинских диагностических решений: обзор и будущие направления». Журнал медицинских систем . 36 (5): 3029–3049. doi :10.1007/s10916-011-9780-4. PMID  21964969. S2CID  14509743.
  11. ^ Ду, Юхан; Рафферти, Энтони Р.; МакОлифф, Фионнуала М.; Вэй, Лан; Муни, Кэтрин (21 января 2022 г.). «Объяснимая система поддержки принятия клинических решений на основе машинного обучения для прогнозирования гестационного сахарного диабета». Scientific Reports . 12 (1): 1170. Bibcode :2022NatSR..12.1170D. doi :10.1038/s41598-022-05112-2. PMC 8782851 . PMID  35064173. 
  12. ^ Медицина, Институт (28 февраля 2001 г.). Преодоление пропасти качества: новая система здравоохранения для 21-го века. doi : 10.17226/10027. ISBN 978-0-309-46561-8. PMID  25057539.
  13. ^ Varghese, J; Kleine, M; Gessner, SI; Sandmann, S; Dugas, M (май 2018 г.). «Влияние внедрения компьютеризированной системы поддержки принятия решений на результаты лечения пациентов в стационаре: систематический обзор». Журнал Американской ассоциации медицинской информатики . 25 (5): 593–602. doi : 10.1093/jamia/ocx100 . PMC 7646949. PMID  29036406 . 
  14. ^ ab Moja, L; Kwag, KH; Lytras, T; Bertizzolo, L; Brandt, L; Pecoraro, V; Rigon, G; Vaona, A; Ruggiero, F; Mangia, M; Iorio, A; Kunnamo, I; Bonovas, S (декабрь 2014 г.). «Эффективность компьютеризированных систем поддержки принятия решений, связанных с электронными медицинскими записями: систематический обзор и метаанализ». American Journal of Public Health . 104 (12): e12–22. doi :10.2105/ajph.2014.302164. PMC 4232126 . PMID  25322302. 
  15. ^ Garg AX, Adhikari NK, McDonald H, Rosas-Arellano MP, Devereaux PJ, Beyene J и др. (2005). «Влияние компьютеризированных систем поддержки принятия клинических решений на эффективность работы практикующих врачей и результаты лечения пациентов: систематический обзор». JAMA . 293 (10): 1223–38. doi :10.1001/jama.293.10.1223. PMID  15755945.
  16. ^ Кенсаку Кавамото; Кейтлин А. Хулихан; Э. Эндрю Балас; Дэвид Ф. Лобах. (2005). «Улучшение клинической практики с использованием систем поддержки принятия клинических решений: систематический обзор испытаний для выявления характеристик, критически важных для успеха». BMJ . 330 (7494): 765. doi :10.1136/bmj.38398.500764.8F. PMC 555881 . PMID  15767266. 
  17. ^ Black, AD; Car, J.; Pagliari, C.; Anandan, C.; Cresswell, K.; Bokun, T.; McKinstry, B.; Procter, R.; Majeed, A.; Sheikh, A. (18 января 2011 г.). «Влияние электронного здравоохранения на качество и безопасность медицинской помощи: систематический обзор». PLOS Medicine . 8 (1): e1000387. doi : 10.1371/journal.pmed.1000387 . PMC 3022523. PMID  21267058 .  Значок открытого доступа
  18. ^ Nachtigall, I; Tafelski, S; Deja, M; Halle, E; Grebe, MC; Tamarkin, A; Rothbart, A; Unrig, A; Meyer, E; Musial-Bright, L; Wernecke, KD; Spies, C (22 декабря 2014 г.). «Долгосрочный эффект компьютерной поддержки принятия решений при лечении антибиотиками у пациентов в критическом состоянии: перспективное когортное исследование «до/после»». BMJ Open . 4 (12): e005370. doi :10.1136/bmjopen-2014-005370. PMC 4275685. PMID  25534209 .  Значок открытого доступа
  19. ^ Национальная академия медицины (2018). «Оптимизация стратегий поддержки принятия клинических решений» (PDF) . Healthit.gov . Архивировано (PDF) из оригинала 23 апреля 2018 г. . Получено 2 февраля 2021 г. .
  20. ^ Тонекабони, Сана; Джоши, Шалмали; МакКрадден, Мелисса Д.; Голденберг, Анна (28 октября 2019 г.). «Чего хотят врачи: контекстуализация объяснимого машинного обучения для клинического конечного использования». Конференция по машинному обучению для здравоохранения . PMLR: 359–380. arXiv : 1905.05134 .
  21. ^ Антониади, Анна Маркелла; Ду, Юхан; Гендус, Ясмин; Вэй, Лан; Мазо, Клаудия; Беккер, Бретт А.; Муни, Кэтрин (31 мая 2021 г.). «Текущие проблемы и будущие возможности для XAI в системах поддержки принятия клинических решений на основе машинного обучения: систематический обзор». Прикладные науки . 11 (11): 5088. doi : 10.3390/app11115088 . ISSN  2076-3417.
  22. ^ Халифа, Мохамед; Забани, Ибрагим (2016). «Улучшение использования систем поддержки клинических решений путем снижения утомляемости при тревоге: стратегии и рекомендации». Исследования в области медицинских технологий и информатики . 226 : 51–54. ISSN  1879-8365. PMID  27350464.
  23. ^ Gluud C, Nikolova D (2007). «Вероятная страна происхождения в публикациях по рандомизированным контролируемым испытаниям и контролируемым клиническим испытаниям за последние 60 лет». Испытания . 8 : 7. doi : 10.1186/1745-6215-8-7 . PMC 1808475. PMID  17326823 . 
  24. ^ Гарднер, Рид М. (апрель 2004 г.). «Компьютерная поддержка принятия клинических решений в респираторной помощи». Респираторная помощь . 49 (4): 378–388. PMID  15030611.
  25. ^ Wagholikar, K; Kathy L. MacLaughlin; Thomas M Kastner; Petra M Casey; Michael Henry; Robert A Greenes; Hongfang Liu; Rajeev Chaudhry (2013). «Формирующая оценка точности системы поддержки принятия клинических решений для скрининга рака шейки матки». Журнал Американской ассоциации медицинской информатики . 20 (4): 747–759. doi :10.1136/amiajnl-2013-001613. PMC 3721177. PMID  23564631 . 
  26. ^ Занди, Стефани О.; Кахюн Юн-Фланнери; Гилад Дж. Куперман; Дэниел Дж. Лангсам; Дэниел Хайман; Райну Каушал (2008). «Проблемы внедрения EHR в офисных практиках с использованием электронных и бумажных документов». Журнал глобального управления информацией . 23 (6): 755–761. doi :10.1007/s11606-008-0573-5. PMC 2517887. PMID  18369679 . 
  27. ^ ab Бернер, Эта С.; Тоня Дж. Ла Ланде (2007). "1". Системы поддержки принятия клинических решений: теория и практика (2-е изд.). Нью-Йорк: Springer Science and Business Media. стр. 3–22.
  28. ^ Ротман, Брайан; Джоан. К. Леонард; Майкл. М. Вигода (2012). «Будущее электронных медицинских записей: последствия для поддержки принятия решений». Mount Sinai Journal of Medicine . 79 (6): 757–768. doi : 10.1002/msj.21351 . PMID  23239213.
  29. ^ Самбасиван, Мурали; Пуйян Эсмаилзаде; Нареш Кумар; Хоссейн Незакати (2012). «Намерение принять клинические системы поддержки принятия решений в развивающейся стране: эффект воспринимаемой профессиональной автономии, вовлеченности и убеждений врача: поперечное исследование». BMC Medical Informatics and Decision Making . 12 : 142–150. doi : 10.1186/1472-6947-12-142 . PMC 3519751. PMID  23216866 . 
  30. ^ Спеллман Кеннебек, Стефани; Натан Тимм; Майкл К. Фаррелл; С. Эндрю Спунер (2012). «Влияние внедрения электронных медицинских карт на показатели потока пациентов в педиатрическом отделении неотложной помощи». Журнал Американской ассоциации медицинской информатики . 19 (3): 443–447. doi :10.1136/amiajnl-2011-000462. PMC 3341791. PMID  22052897 . 
  31. ^ Макгинн, Кэрри Анна; Ганьон, Мари-Пьер; Шоу, Никола; Сикотт, Клод; Матье, Люк; Ледюк, Иван; Гренье, Соня; Дюплантье, Жюли; Абдельжелиль, Анис Бен; Легаре, Франция (11 сентября 2012 г.). «Точки зрения пользователей на ключевые факторы внедрения электронных медицинских карт в Канаде: исследование Дельфи». BMC Medical Informatics and Decision Making . 12 (1): 105. doi : 10.1186/1472-6947-12-105 . ISSN  1472-6947. PMC 3470948. PMID 22967231  . 
  32. ^ Розенблюм, Р.; Янг, И.; Цимлихман, Э.; Зальцберг, К.; Тэмблин, М.; Бакеридж, Д.; Форстер, А.; Бейтс, Д.У.; Тэмблин, Р. (22 февраля 2011 г.). «Качественное исследование опыта Канады в области внедрения электронных информационных технологий в сфере здравоохранения». Журнал Канадской медицинской ассоциации . 183 (5): E281–E288. doi :10.1503/cmaj.100856. ISSN  0820-3946. PMC 3060213. PMID 21343262  . 
  33. ^ Бернер, Эта С.; Тоня Дж. Ла Ланде (2007). "4". Системы поддержки принятия клинических решений: теория и практика (2-е изд.). Нью-Йорк: Springer Science and Business Media. С. 64–98.
  34. ^ Лойя, SR; Кавамото, K; Чатвин, C; Хазер, V (2014). «Сервисно-ориентированная архитектура для поддержки принятия клинических решений: систематический обзор и будущие направления». Журнал медицинских систем . 38 (12): 140. doi :10.1007/s10916-014-0140-z. PMC 5549949. PMID  25325996 . 
  35. ^ Шаретт, Роберт Н. (21 мая 2012 г.). «Проблемная система HealthSMART окончательно отменена в Виктории, Австралия». IEEE Spectrum . Получено 18 мая 2013 г.
  36. ^ "Обновление программы EPAS". South Australian Health. Архивировано из оригинала 26 июня 2018 года . Получено 15 мая 2013 года .
  37. ^ "Количество больничных коек сократится на 840, подсчитала оппозиция Южной Австралии, но SA Health отрицает установленную цифру". ABC News . 30 июня 2015 г. Получено 26 июля 2015 г.
  38. ^ "The eMR turns 10" (PDF) . Новости электронного здравоохранения . Май–июнь 2016 г. Архивировано из оригинала (PDF) 15 августа 2016 г. Получено 6 августа 2016 г.
  39. ^ "EBMEDS Clinical Decision Support". EBMEDS . Получено 12 февраля 2022 г. .
  40. ^ "MEDRXIV От концепции к реальности: изучение проблем и возможностей системы поддержки клинических решений (CDSS) в Индии". MEDRXIV . Получено 12 февраля 2024 г. .
  41. ^ «Интерактивная панель управления выявляет пациентов с риском небезопасного назначения лекарств гибким и устойчивым способом». NIHR Evidence (краткое изложение на простом английском языке). Национальный институт исследований в области здравоохранения и ухода. 22 июня 2020 г. doi : 10.3310/alert_40404. S2CID  241368429.
  42. ^ Джеффрис, Марк; Гуд, Воутер Т.; Кирс, Ричард Н.; Фиппс, Денхэм Л.; Уильямс, Ричард; Контопантелис, Евангелос; Браун, Бенджамин; Эйвери, Энтони Дж.; Пик, Нильс; Эшкрофт, Даррен М. (17 апреля 2020 г.). «Понимание использования новой интерактивной электронной панели безопасности лекарств в общей практике: исследование смешанных методов». BMC Medical Informatics and Decision Making . 20 (1): 69. doi : 10.1186/s12911-020-1084-5 . ISSN  1472-6947. PMC 7164282. PMID 32303219  . 

Внешние ссылки

      1. Системы поддержки принятия клинических решений: улучшение здравоохранения с помощью технологий

В сегодняшнем быстро развивающемся ландшафте здравоохранения системы поддержки принятия клинических решений (CDSS) играют ключевую роль в улучшении ухода за пациентами, улучшении клинических результатов и поддержке медицинских работников в принятии обоснованных решений. В этой статье рассматриваются концепция, преимущества, проблемы и будущие перспективы CDSS.

        1. Что такое система поддержки принятия клинических решений (CDSS)?

Система поддержки клинических решений (CDSS) — это компьютеризированный инструмент, разработанный для помощи поставщикам медицинских услуг в принятии клинических решений путем интеграции медицинских знаний с данными пациентов. Эти системы используют алгоритмы, базы данных и информацию о пациентах для предоставления персонализированных рекомендаций, оповещений и напоминаний медицинским работникам в месте оказания помощи.

        1. Компоненты CDSS:

1. **База знаний**: содержит медицинские рекомендации, протоколы, передовой опыт и клинические правила.

2. **Интерфейс данных пациента**: интегрируется с системами электронных медицинских карт (ЭМК) для доступа к демографическим данным пациента, истории болезни, результатам анализов и текущим лекарствам.

3. **Механизм вывода**: анализирует данные пациентов и применяет клинические правила для генерации предложений или оповещений на основе предопределенных алгоритмов.

4. **Пользовательский интерфейс**: предоставляет рекомендации, оповещения и соответствующую информацию поставщикам медицинских услуг в удобном для пользователя формате.

        1. Преимущества систем поддержки принятия клинических решений:

1. **Улучшение процесса принятия клинических решений**: CDSS предоставляет основанные на фактических данных рекомендации, сокращая количество ошибок и вариативность в клинической практике.

2. **Повышенная безопасность пациентов**: оповещения о взаимодействии лекарственных препаратов, аллергиях и потенциальных нежелательных явлениях помогают предотвратить врачебные ошибки и улучшить результаты лечения пациентов.

3. **Эффективность**: оптимизирует рабочий процесс, обеспечивая быстрый доступ к необходимой информации, сокращая время, затрачиваемое на ручной поиск и анализ данных.

4. **Экономическая эффективность**: помогает оптимизировать использование ресурсов, сокращая количество ненужных тестов, процедур и госпитализаций.

5. **Непрерывное образование**: выступает в качестве инструмента обучения, информируя поставщиков медицинских услуг о последних медицинских исследованиях и рекомендациях.

        1. Проблемы внедрения CDSS:

1. **Сложность интеграции**: интеграция CDSS с существующими системами EHR и рабочими процессами может оказаться сложной и трудоемкой.

2. **Качество данных и совместимость**: зависимость от точных и полных данных имеет решающее значение для эффективности CDSS.

3. **Принятие пользователем**: сопротивление изменениям и незнание новых технологий среди поставщиков медицинских услуг.

4. **Усталость от оповещений**: перегрузка медицинских работников чрезмерными оповещениями и напоминаниями, что приводит к десенсибилизации.

5. **Правовые и этические вопросы**: опасения относительно ответственности, конфиденциальности и сохранения конфиденциальности данных пациентов.

        1. Будущие тенденции и инновации:

1. **Искусственный интеллект и машинное обучение**: передовые алгоритмы для предиктивной аналитики , персонализированной медицины и принятия решений в режиме реального времени.

2. **Мобильные и облачные решения**: удаленный доступ и бесшовная интеграция в различных медицинских учреждениях.

3. **Обработка естественного языка**: расширение возможностей CDSS для интерпретации неструктурированных данных, таких как клинические заметки и отчеты по визуализации.

4. **CDSS, ориентированная на пациента**: вовлечение пациентов в процессы принятия решений и персонализированное управление здоровьем.

        1. Заключение:

Системы поддержки принятия клинических решений представляют собой преобразующую технологию в здравоохранении, предлагающую существенные преимущества в клинической практике, безопасности пациентов и эффективности здравоохранения. Хотя остаются проблемы в реализации и принятии, продолжающиеся достижения в области технологий и предоставления медицинских услуг готовы еще больше расширить возможности и влияние CDSS в улучшении общих результатов здравоохранения.

В заключение следует отметить, что CDSS являются важнейшими инструментами в развивающемся ландшафте медицинских технологий, позволяя медицинским работникам эффективно использовать аналитические данные и медицинские знания на месте оказания медицинской помощи, что в конечном итоге приводит к улучшению результатов лечения пациентов и повышению качества оказания медицинской помощи.