ابزارهای فنی برای تعیین ماشه چیست؟

پیشرفت در کاهش خطاهای تشخیصی تا حدی به دلیل روشهای ضعیف تعریف شده برای شناسایی خطاها ، موقعیت های پرخطر و عوارض جانبی ، تا حدودی کند است. ابزارهای Trigger Electronic (E-Trigger) ، که مقادیر زیادی از داده های بیمار را برای شناسایی سیگنال ها نشانگر خطای احتمالی یا عارضه جانبی معدن می کند ، یک روش امیدوارکننده را برای شناسایی کارآمد خطاها ارائه می دهد. مقادیر فزاینده ای از داده های الکترونیکی طولی و تکنیک های انبارداری داده های بلوغ و زیرساخت ها فرصتی بی سابقه برای اجرای انواع جدیدی از ابزارهای الکترونیکی که از الگوریتم ها برای شناسایی خطرات و وقایع مربوط به فرآیند تشخیص استفاده می کنند ، ارائه می دهند. ما یک چارچوب کشف دانش ، چارچوب ابزارهای Safer DX Trigger را ارائه می دهیم ، که سیستم های بهداشتی را قادر می سازد تا ابزارهای الکترونیکی را برای شناسایی و اندازه گیری خطاهای تشخیصی با استفاده از داده های جامع سلامت الکترونیکی (EHR) توسعه و اندازه گیری کنند. ابزارهای Safer DX E-Trigger حوادث تشخیصی بالقوه را تشخیص می دهند و به سیستم های بهداشتی امکان نظارت بر میزان رویداد را می دهند ، عوامل مشارکتی را مطالعه می کنند و اهداف بهبود ایمنی تشخیصی را شناسایی می کنند. علاوه بر ترویج یادگیری سازمانی ، برخی از افراد الکترونیکی می توانند داده های آینده نگر را تحت نظر داشته باشند و به شناسایی بیماران در معرض خطر بالا برای یک عوارض جانبی جانبی در آینده کمک کنند ، پزشکان ، بیماران یا پرسنل ایمنی را قادر می سازد تا اقدامات پیشگیرانه را انجام دهند. کاربرد موفقیت آمیز الگوریتم های الکترونیکی نیاز به سیستم های بهداشتی برای سرمایه گذاری در اطلاع رسانی بالینی ، متخصصان فناوری اطلاعات ، متخصصان ایمنی بیمار و پزشکان ، همه کسانی که برای غلبه بر چالش های توسعه و اجرای همکاری می کنند. ما تحقیقات کلیدی آینده ، از جمله پیشرفت در پردازش زبان طبیعی و یادگیری ماشین را برای بهبود اثربخشی های الکترونیکی ارائه می دهیم. ادغام دستگاه های الکترونیکی ایمنی تشخیصی در استراتژی های ایمنی بیمار در بیمار می تواند پیشرفت در کاهش آسیب های قابل پیشگیری از خطاهای تشخیصی را تسریع کند.

• سوابق بهداشت الکترونیکی
• فناوری اطلاعات سلامتی
• محرک
• انفورماتیک پزشکی
• ایمنی بیمار
• خطاهای تشخیصی
• تأخیرهای تشخیصی

این یک مقاله دسترسی آزاد است که مطابق با مجوز Creative Commons Attribution غیر تجاری (CC BY-NC 4. 0) توزیع شده است ، که به دیگران اجازه می دهد توزیع ، ریمیکس ، سازگاری ، ساخت بر اساس این کار غیر تجاری و مجوز کارهای مشتق آنها را بر اساس مختلف انجام دهند. شرایط ، مشروط بر اینکه کار اصلی به درستی ذکر شده باشد ، اعتبار مناسبی داده می شود ، هرگونه تغییر انجام شده نشان داده می شود و استفاده از آن غیر تجاری است. نگاه کنید به: http://creativeecommons. org/licenses/by-nc/4. 0

آمار از altmetric. com

درخواست مجوزها

اگر مایل به استفاده مجدد از هر یک از این مقاله هستید ، از لینک زیر استفاده کنید که شما را به سرویس حقوقی مرکز حق چاپ کپی رایت می برد. شما قادر خواهید بود به روش های مختلف ، قیمت سریع و مجوز فوری برای استفاده مجدد از محتوا را بدست آورید.

• سوابق بهداشت الکترونیکی
• فناوری اطلاعات سلامتی
• محرک
• انفورماتیک پزشکی
• ایمنی بیمار
• خطاهای تشخیصی
• تأخیرهای تشخیصی

نزدیک به دو دهه پس از گزارش انستیتوی پزشکی "برای ERR انسان است" ، 1 خطاهای پزشکی مکرر باقی می مانند. 2-4 روش ها برای شناسایی کارآمد و مؤثر موقعیت های پرخطر برای جلوگیری از آسیب و همچنین شناسایی حوادث ایمنی بیمار برای فعال کردن سازمانی مورد نیاز است. یادگیری برای پیشگیری از خطا . 5 6 اندازه گیری مورد نیاز برای بهبود تشخیص به دلیل پیچیدگی یک فرآیند تشخیصی در حال تحول ، به ویژه چالش برانگیز است. 7 استفاده از فناوری اطلاعات بهداشتی (HIT) برای نظارت بر ایمنی بیمار 8 ضروری است اما در تشخیص خطای تشخیصی کاربرد محدودی دریافت کرده است. تصویب گسترده اخیر سوابق جامع سلامت الکترونیکی (EHR) و انبارهای داده های بالینی توانایی ما را در جمع آوری ، ذخیره ، استفاده و تجزیه و تحلیل مقادیر گسترده ای از داده های کلینیکی الکترونیکی که به نقشه برداری از روند تشخیص کمک می کند ، پیشرفت کرده اند.

محرک ها به اندازه گیری ایمنی در بیمارستان ها کمک کرده اند. به عنوان مثال، استفاده از تجویز نالوکسان در خارج از اتاق ریکاوری پس از بیهوشی می تواند نشان دهنده بی خوابی بیش از حد به دلیل تجویز مواد افیونی باشد. توسعه و استفاده از ماشه به طور پیوسته در دهه گذشته در پیش بیمارستانی، 9 اتاق اورژانس، 10 بستری، 11 مراقبت سرپایی12 و تنظیمات بهداشتی خانگی، 13 افزایش یافته و به شناسایی واکنش های نامطلوب دارویی، 10 عوارض جراحی14 15 و سایر آسیب های بالقوه قابل پیشگیری کمک کرده است. ابزارهای (e-trigger) 16 که مقادیر زیادی از داده های بالینی و اداری را برای شناسایی سیگنال ها برای رویدادهای نامطلوب احتمالی استخراج می کنند، 17-19 یک روش امیدوارکننده برای تشخیص رویدادهای ایمنی بیمار ارائه می دهند. چنین ابزارهایی در تشخیص رویدادهای نامطلوب در مقایسه با گزارش داوطلبانه یا استفاده از شاخص های ایمنی بیمار کارآمدتر و مؤثرتر هستند. در حالی که بیشتر محرک های الکترونیکی به داده های ساختاریافته (متن غیرآزاد) متکی هستند، برخی می توانند کلمات خاصی را در یادداشت ها یا گزارش های پیشرفت شناسایی کنند.

بیشترین استفاده از ابزارهای ماشه (مؤسسه برای پیشرفت جهانی ابزار بهداشت و درمان) 23 شامل ابزارهای دستی و الکترونیکی برای تشخیص حوادث بستری است. 20-28 با این حال ، آنها برای تشخیص خطاهای تشخیصی طراحی نشده اند. در همین حال ، انواع دیگر ابزارهای ماشه برای خطاهای تشخیصی ایجاد شده و در حال آماده سازی برای ادغام در سیستم های نظارت ایمنی بیمار موجود است . 4 29 30 برای تحریک پیشرفت در این زمینه ، ما یک چارچوب کشف دانش ، چارچوب ابزارهای Safer DX Trigger ، ارائه می دهیم. این می تواند سیستم های بهداشتی را قادر به توسعه و پیاده سازی ابزارهای الکترونیکی کند که خطاهای تشخیصی را با استفاده از داده های جامع EHR اندازه گیری می کنند. سیستم های بهداشتی همچنین برای عملیاتی کردن این چارچوب ، نیاز به اهرم و یا توسعه زیرساخت های ایمنی و کیفیت موجود خود دارند (مانند رهبری بالینی ، متخصصان HIT ، مدیران ایمنی و مدیریت ریسک). علاوه بر نمایش کاربرد ابزارهای ایمنی الکترونیکی تشخیصی ، ما چندین استراتژی را برای تقویت توسعه و اجرای آنها برجسته می کنیم. محرک ها می توانند حوادث تشخیصی را شناسایی کنند ، به سیستم های بهداشتی اجازه می دهند تا میزان رویداد را تحت نظر داشته باشند و عوامل مؤثر را مطالعه کنند ، و بنابراین به طور بالقوه از این وقایع یاد گرفته و از وقایع مشابه در آینده جلوگیری می کنند. علاوه بر این ، برخی از مبتکران الکترونیکی امکان نظارت بر داده های آینده نگر را فراهم می کنند و به شناسایی بیماران در معرض خطر بالای حوادث جانبی جانبی آینده کمک می کنند ، پزشکان ، بیماران یا پرسنل ایمنی را قادر می سازد تا اقدامات پیشگیرانه را انجام دهند.

مفهوم سازی ایمنی تشخیصی الکترونیکی

محرک ها برای اندازه گیری ایمنی بیمار جدید نیستند. چندین محرک موجود بر شناسایی خطاهای مربوط به داروها ، مانند تجویز دوزهای نادرست یا عوارض رویه مانند بازگشت به اتاق عمل ، تمرکز دارند. فقط اخیراً این مفهوم برای تشخیص مشکلات احتمالی با فرآیندهای تشخیصی ، مانند الگوهای مراقبت حاکی از تشخیص از دست رفته یا تأخیر سازگار شده است. 19 به عنوان مثال ، ویزیت کلینیک که چند روز بعد توسط یک بستری غیر برنامه ریزی شده یا بازدید بعدی به بخش اورژانس انجام می شودنشانگر چیزی باشد که در اولین بازدید از دست رفته است . 31 به طور مشابه ، تشخیص نادرست با یک بیمار بیمارستانی طولانی مدت برای یک تشخیص معین یا انتقال بستری غیر منتظره به سطح بالاتری از مراقبت ، 1933 به ویژه در نظر گرفتن بیماران جوانتر با حداقل همبستگی می تواند پیشنهاد شود. 33 شناسایی رویداد می تواند یادگیری سازمانی را با هدف پرداختن به عوامل اساسی که منجر به خطا شده است ، ارتقاء دهد ، مشابه آنچه در چارچوب DX Safer DX 2015 در سال 2015 برای اندازه گیری خطاهای تشخیصی ارائه شده بود. ارزیابی از تأثیر تلاش برای کاهش عوارض جانبی.

علاوه بر این ، برخی از ابزارهای مربوط به فن آوری الکترونیکی می توانند موقعیت های پرخطر را به صورت آینده نگر کنترل کنند ، مانند زمانی که خطر آسیب زیاد است ، حتی اگر هنوز هیچ آسیبی رخ نداده باشد. مطالعات متعددی نشان داده اند که ابزارهای تحریک کننده الکترونیکی نوید در تشخیص خطاهای حذف ، مانند تشخیص تأخیر در مراقبت پس از نتیجه آزمایش غیر طبیعی مشکوک به سرطان ، نارسایی کلیوی 26-30 ، 29 36 عفونت 29 و شرایط تیروئید ، 37 و همچنین ارائه می دهند. بیماران در معرض خطر تاخیر در عوارض بارداری . 38 39 این محرک ها می توانند موقعیت هایی را شناسایی کنند که مداخله قبلی به طور بالقوه می تواند نتایج بیمار را بهبود بخشد. Triggers Eutriggers آینده می تواند سایر فرآیندهای مرتبط با خطاهای تشخیصی را کشف کند ، مانند زمانی که سابقه کافی جمع آوری شده یا آزمایش تشخیصی برای یک علامت پرخطر انجام نشده است (به عنوان مثال ، هیچ ارزیابی تب مستند یا ضبط دما در بیماران مبتلا به درد کمر ،در جایی که ممکن است یک آبسه اپیدورال نخاعی تشخیص داده نشده از دست برود) . 40 41 در جدول 1 ، ما چندین نمونه از ابزارهای "ایمن تر DX" را ارائه می دهیم که با ابعاد فرآیند چارچوب ایمن تر DX هماهنگ است. برای ترویج جذب ابزارهای Safer DX Trigger توسط سیستم های بهداشتی ، اکنون در مورد اقدامات اساسی برای توسعه و اجرای آنها بحث می کنیم.

• مشاهده خطی
• مشاهده پنجره

میز 1

نمونه هایی از محرک های الکترونیکی Safer Dx با ابعاد فرآیند تشخیصی چارچوب Safer Dx34 نگاشت شده اند.

چارچوب ابزارهای محرک Dx ایمن تر

بررسی اجمالی

توسعه E-Trigger ممکن است به عنوان شکلی از داده کاوی یا تطبیق الگو برای کشف دانش در مورد فرآیندهای بالینی در نظر گرفته شود. چندین چارچوب کشف دانش از زمینه هایی مانند آمار، یادگیری ماشین و تحقیقات پایگاه داده تکامل یافته اند. Hripcsak و همکاران چارچوبی را برای استخراج داده های بالینی پیچیده برای تحقیقات ایمنی بیمار پیشنهاد کردند که از هفت مرحله تکراری تشکیل شده است: تعریف رویدادهای هدف، دسترسی به مخزن داده های بالینی، استفاده از پردازش زبان طبیعی (NLP) برای تفسیر داده های روایت، ایجاد پرس و جو برایشناسایی و طبقه بندی رویدادها، تأیید تشخیص هدف، مشخص کردن خطاها با استفاده از طبقه بندی های سیستمی یا شناختی، و ارائه بازخورد. تاکید بر عملیاتی کردن آنها با استفاده از رویکرد چند رشته ای.

• دانلود شکل
• در برگه جدیدی باز کن
• دانلود پاورپوینت

شکل 1

چارچوب ابزارهای E-trigger Dx Safer. ابعاد فرآیند تشخیصی اقتباس شده از Safer Dx Framework. 34

روش های توسعه

این روش های توسعه (جدول 2) اکنون برای شناسایی چندین رویداد تشخیصی مورد علاقه تأیید شده اند. 25-29 31 35 36 43

• مشاهده خطی
• مشاهده پنجره

جدول 2

فرآیند توسعه ابزار E-trigger Dx ایمن تر

مرحله 1: خطای تشخیصی مورد علاقه را شناسایی و اولویت بندی کنید

انتخاب خطای تشخیصی برای تمرکز بر روی مناطق پرخطری که در تحقیقات قبلی و/یا اولویت های محلی شناسایی شده اند، هدایت می شود. تشخیص صحیح یا به موقع 1 45-48 زیرا این بر قابلیت پیشگیری (تمرکز تلاش ها در جایی که بهبود امکان پذیرتر است) تاکید می کند و تحول تشخیص را در طول زمان نشان می دهد.

به عنوان مثال، یک تشخیص بالقوه از دست رفته سرطان ریه مربوط به پیگیری تاخیری پس از رادیوگرافی غیرطبیعی قفسه سینه را در نظر بگیرید. 26 35 مجموعه معتبری از ادبیات نشان می دهد که نتایج ضعیف و اقدامات نادرست می تواند ناشی از تاخیر در پیگیری تصویربرداری غیرطبیعی باشد. بدخیمی های ریه بالقوه نادیده گرفته می شوند. 49-51

مرحله 2: معیارهای عملیاتی برای تشخیص خطای تشخیصی را تعریف کنید

توسعه تعاریف عملیاتی شامل ایجاد زبانی بدون ابهام برای توصیف عینی همه ویژگی های شمول و حذف برای شناسایی رویداد است. به عنوان مثال، یک تعریف عملیاتی از "پذیرش مجدد غیرمنتظره" ممکن است "پذیرش مجدد برنامه ریزی نشده در همان بیمارستان برای همان بیمار طی 14 روز پس از ترخیص" باشد. در بسیاری از موارد، تعاریف استاندارد وجود نخواهد داشت و باید توسط ذینفعان ایمنی بیمار و بالینی ایجاد شود. ادبیات منتشر شده، دستورالعمل های بالینی از جوامع دانشگاهی، و ورودی های پزشکان، کارکنان و سایر ذینفعان با تخصص یا مشارکت در فرآیندهای مراقبت مرتبط، امکان توسعه معیارهای دقیق مطابق با فرآیندهای محلی و ویژگی های محل را فراهم می کند. اجماع ممکن است با بررسی تیمی تعیین شده و تأیید کلیه معیارهای نهایی یا روش های دلفی 52 با تجدید نظرهای تکراری بر اساس بازخورد فردی و بررسی مجدد توسط گروه به دست آید.

در مثال بالا، تعریف رادیوگرافی «غیر طبیعی»، اقدام بعدی و مدت زمانی که باید به عنوان «تاخیر» در نظر گرفته شود، به ظاهر ساده است، اما در غیاب هیچ استانداردی، یک مرحله کلیدی است.«رادیوگرافی غیرطبیعی» می تواند شامل هر رادیوگرافی ساده قفسه سینه باشد که رادیولوژیست یافته های مشکوک به بدخیمی جدید ریه را ثبت کند و پیگیری «به موقع» می تواند شامل تکرار تصویربرداری یا بیوپسی ریه باشد که ظرف 30 روز پس از رادیوگرافی اولیه انجام می شود. در حالی که بازه زمانی 30 روزه بیشتر از زمانی است که برای انجام یک رادیوگرافی غیرطبیعی لازم است، به اندازه کافی کوتاه است تا یک ناهنجاری را قبل از پیشرفت بالینی قابل توجه بیماری «پیگیری» کند و فرصتی برای مداخله فراهم کند. اجماع در این چارچوب زمانی ممکن است شامل پزشکان مراقبت های اولیه، ریه شناسان، انکولوژیست ها و کارشناسان ایمنی بیمار باشد، و ممکن است تعاریف از سایتی به سایت دیگر متفاوت باشد. این معیارها همچنین باید بیمارانی را که ارزیابی تشخیصی اضافی غیرضروری است، از جمله بیماران مبتلا به سرطان ریه شناخته شده یا بیماری لاعلاج حذف کنند.

مرحله 3: منابع بالقوه داده الکترونیکی را تعیین کنید

ماهیت و کیفیت داده های موجود تعیین می کند که ماشه تا چه اندازه می تواند همگروه مورد نظر را ضبط کند ، و تعاریف عملیاتی اغلب بر اساس داده های موجود به اصلاحات نیاز دارد. تمام محرک های ایمنی در نهایت شامل بررسی های پزشکی دستی برای تأیید اعتبار (در حین توسعه ماشه) هستند و عملکرد (در حین اجرای ماشه) را انجام می دهند. عملکرد داخلی EHR ممکن است امکان دسترسی به داده ها و قابلیت های پرس و جو کافی برای توسعه الکترونیکی را فراهم کند که در آن فقط چند معیار ساده مورد نیاز است ، اما ممکن است در صورت وجود معیارهای شمول و محرومیت متعدد ، یک انبار داده مورد نیاز باشد. علاوه بر دسترسی به داده های بالینی و اداری ، توسعه E-Trigger برای توسعه ، پالایش و آزمایش الگوریتم های و همچنین ذخیره موقت برای نگه داشتن داده ها از سوابق مشخص شده ، به نرم افزار پرس و جو متکی است.< SPAN> ماهیت و کیفیت داده های موجود تعیین می کند تا چه میزان ماشه می تواند گروه مورد نظر را به طور قابل اعتماد ضبط کند و تعاریف عملیاتی اغلب بر اساس داده های موجود به اصلاحات نیاز دارد. تمام محرک های ایمنی در نهایت شامل بررسی های پزشکی دستی برای تأیید اعتبار (در حین توسعه ماشه) هستند و عملکرد (در حین اجرای ماشه) را انجام می دهند. عملکرد داخلی EHR ممکن است امکان دسترسی به داده ها و قابلیت های پرس و جو کافی برای توسعه الکترونیکی را فراهم کند که در آن فقط چند معیار ساده مورد نیاز است ، اما ممکن است در صورت وجود معیارهای شمول و محرومیت متعدد ، یک انبار داده مورد نیاز باشد. علاوه بر دسترسی به داده های بالینی و اداری ، توسعه E-Trigger برای توسعه ، پالایش و آزمایش الگوریتم ها و همچنین ذخیره موقت برای نگه داشتن داده ها از سوابق مشخص شده ، به نرم افزار پرس و جو متکی است. ماهیت و کیفیت داده های موجود تعیین می کند که چه چیزی را تعیین می کندمیزان ماشه می تواند به طور قابل اعتماد گروه مورد نظر را ضبط کند ، و تعاریف عملیاتی اغلب بر اساس داده های موجود به اصلاحات نیاز دارد. تمام محرک های ایمنی در نهایت شامل بررسی های پزشکی دستی برای تأیید اعتبار (در حین توسعه ماشه) هستند و عملکرد (در حین اجرای ماشه) را انجام می دهند. عملکرد داخلی EHR ممکن است امکان دسترسی به داده ها و قابلیت های پرس و جو کافی برای توسعه الکترونیکی را فراهم کند که در آن فقط چند معیار ساده مورد نیاز است ، اما ممکن است در صورت وجود معیارهای شمول و محرومیت متعدد ، یک انبار داده مورد نیاز باشد. علاوه بر دسترسی به داده های بالینی و اداری ، توسعه E-Trigger برای توسعه ، پالایش و آزمایش الگوریتم های و همچنین ذخیره موقت برای نگه داشتن داده ها از سوابق مشخص شده ، به نرم افزار پرس و جو متکی است.

می توان از هر دو داده ساختاریافته و/یا بدون ساختار استفاده کرد. داده های ساختاریافته یا «کدگذاری شده» مانند کدهای طبقه بندی بین المللی بیماری ها (ICD) و نتایج آزمایشگاهی را می توان برای شناسایی عینی موارد داده استفاده کرد. الگوریتم های پیشرفته تر متن کاوی، مانند NLP، می توانند به صورت اختیاری به یک راه انداز الکترونیکی اضافه شوند تا امکان استفاده از مقادیر زیادی از داده های بدون ساختار (یعنی متن آزاد) را فراهم کنند، به ویژه زمانی که یک فیلد داده ساختاریافته برای یک معیار کلیدی وجود نداشته باشد. اما داده های مربوطه در یادداشت ها یا گزارش های پیشرفت موجود است. برای مثال، یک کد گزارش دهی و سیستم داده تصویربرداری ساختار یافته پستان (BIRADS) ممکن است در تشخیص سرطان های احتمالی در نتایج ماموگرافی مفید باشد. با این حال، هیچ سیستم کدگذاری مشابهی به طور گسترده برای تشخیص توده های کبد در آزمایش های تصویربرداری شکم استفاده نمی شود. درعوض، یک الگوریتم NLP می تواند متن نتیجه تصویربرداری شکمی را برای تفاسیر رادیولوژیست که حضور توده های کبدی را توصیف می کند اسکن کند. 53 در حالی که روش های NLP به طور فعال در حال بررسی هستند، موانع برای استقرار بیشتر شامل دسترسی محدود به داده های مشترک برای مقایسه، فقدان مجموعه داده های مشروح برای آموزش است. و عدم توسعه کاربر محور و نگرانی در مورد تکرارپذیری نتایج در تنظیمات مختلف. 54 استقرار سیستم های NLP معمولاً به یک توسعه دهنده خبره نیاز دارد تا الگوریتم هایی خاص برای مفاهیم مورد پرسش در داده های متن آزاد بسازد، و اغلب به راحتی نمی توان آنها را مجدداً در آن استفاده کرد. پروژه های بعدی. 54 این ممکن است محرک های مبتنی بر NLP را فراتر از قابلیت های کاربر فعلی قرار دهد و به پشتیبانی بیشتر توسعه دهنده نیاز داشته باشد و استفاده گسترده تر را محدود کند. به طور مشابه، یادگیری ماشینی بدون نظارت، که در آن رایانه ها بدون برنامه ریزی صریح عمل می کنند، می تواند به توسعه و بهبود محرک ها کمک کند. چنین الگوریتم هایی به طور بالقوه می توانند الگوهای موجود در داده های بالینی را «یاد بگیرند» و خطاهای تشخیصی بالقوه را پیش بینی کنند. با این حال، استفاده از یادگیری ماشین برای «هوشمندتر کردن» محرک ها نیاز به تحقیق و توسعه بیشتری دارد و برای اجرای گسترده آماده نیست.

مرحله 4: یک الگوریتم e-trigger برای به دست آوردن گروه مورد علاقه بسازید

منطق بالینی برای انتخاب یک گروه مورد علاقه را می توان به زبان پرس و جو لازم برای استخراج داده های الکترونیکی تبدیل کرد. این امر به افراد دارای دیتابیس و تخصص برنامه نویسی پرس و جو ، مانند دانش برنامه نویسی زبان پرس و جو ساختاری نیاز دارد. درک دقیق از رویداد بالینی مورد علاقه و منابع داده های موجود برای تولید گروههای بیمار برای اعتبار سنجی بعدی مورد نیاز است ، که به متخصصان بالینی نیاز دارد تا با برنامه نویس پرس و جو همکاری نزدیکی داشته باشند.

در حالی که معیارهای ورود به سیستم در ابتدا بیماران در معرض خطر را شناسایی می کنند ، برای محدود کردن جمعیت مورد علاقه ، مجموعه ای قوی از محرومیت ها لازم است. این محرومیت ها می تواند بیماران را در مراقبت از آسایشگاه ها یا کسانی که بعید به نظر می رسد خطای تشخیصی داشته باشند ، از جمله بیمارانی که اقدامات پیگیری به موقع قبلاً انجام شده است (به عنوان مثال ، آزمایش تصویربرداری یا بیوپسی انجام شده در مدت 30 روز) یا بیماران به طور انتخابی برای روشها به جای غیر منتظره از بین ببرد. پذیرش پس از مراجعه به مراقبت های اولیه. گروه باقیمانده شامل نمونه ای غنی شده از بیماران با بیشترین خطر برای خطا خواهد بود.

مرحله 5: آزمایش الکترونیکی را بر روی منبع داده آزمایش کنید و سوابق پزشکی را مرور کنید

بسته به پیچیدگی الگوریتم ، معیار شمول و محرومیت فردی باید از طریق بررسی نمونه کوچکی از سوابق تأیید شود. این ممکن است الگوریتم بالقوه یا مسائل مربوط به داده ها را جدا کند (به عنوان مثال ، کدهای ICD اضافی که باید در نظر گرفته شوند) هنگام آزمایش الگوریتم کامل ، بلافاصله آشکار نمی شوند. به عنوان مثال ، نمونه کوچکی از سوابق نشان می دهد که آیا محرومیت هایی مانند بیماری ترمینال ، سرطان شناخته شده ریه ، آزمایش تصویربرداری در مدت 30 روز و آزمایش بیوپسی در طی 30 روز در واقع با دقت انجام شده است.

استفاده از الگوریتم کامل E-Trigger لیستی از بیماران را در معرض خطر بالای خطای تشخیصی (بیماران مثبت E-Trigger ") به دست می آورد. سوابق پزشکی بیماران مبتلا به Trigger مثبت باید توسط یک پزشک مورد بررسی قرار گیرد تا حضور یا عدم وجود خطای تشخیصی را ارزیابی کند. به عنوان مثال ، هنگامی که پیگیری به موقع در یک موسسه خارج انجام شد یا هنگامی که بازدید برگشتی برنامه ریزی شده بود و فقط در یک متن متن آزاد از یک یادداشت پیشرفت ذکر شد ، سابقه مثبت کاذب خواهد بود. بررسی ها همچنین به تعیین اینکه آیا معیارهای اولیه برای افزایش ارزش پیش بینی آینده نیاز به پالایش دارند یا خیر. مروری بر بیماران مستثنی از گروه (بیماران منفی "E-Trigger) ممکن است اطلاعات را برای کمک به تصفیه الکترونیکی شناسایی کند (به عنوان مثال ، اطمینان از استفاده از داده های مناسب برای انتخاب و اینکه آیا اطلاعات اضافی بیمار باید در ماشه گنجانیده شود). مصاحبه های کارگردانی پزشکان درگیر (به عنوان مثال ، پزشکان ، پرستاران) و متخصصان موضوع نیز ممکن است اطلاعاتی را برای تغییر معیارها ارائه دهند.

مرحله ششم: ارزیابی عملکرد الگوریتم E-Trigger

چندین اقدامات ارزیابی می تواند برای ارزیابی تریگرهای الکترونیکی ، از جمله مقادیر پیش بینی مثبت (PPV) بر اساس تعداد سوابق پرچم دار ابزار الکترونیکی تأیید شده به عنوان خطای تشخیصی در بررسی (شماره ساز) تقسیم بر تعداد کل سوابق پرچم گذاری شده استفاده شود. مخرج) . 56 اگر سوابق "منفی" (به عنوان مثال ، آنهایی که توسط ماشه پرچم گذاری نشده اند) مورد بررسی قرار می گیرند ، مقادیر پیش بینی منفی (NPV ؛ تعداد بیماران بدون خطای تشخیصی تقسیم شده توسط تمام بیمارانی که توسط محرک الکترونیکی پرچم گذاری نشده اند) ، حساسیت و حساسیت و حساسیت و حساسیت دارند. علاوه بر این ، ویژگی می تواند محاسبه شود. استفاده از معیارها برای انتخاب جمعیت با ریسک بالاتر ، اغلب PPV های بالاتری را به همراه خواهد داشت (به عنوان مثال ، از جمله سفارشات لیپاز برای شناسایی بیماران مبتلا به درد حاد شکم به بخش اورژانس) . 57 تجارت اغلب برای دستیابی به بهترین تبعیض بیماران مورد علاقه مورد نیاز استاز بیماران بدون هدف یا رویداد مورد علاقه. ترژگرهای الکترونیکی با PPV های بالاتر ، منابع صرف شده برای بررسی های تأیید کننده دستی را کاهش می دهند ، در حالی که کسانی که NPV بالاتر دارند ، سوابق کمتری را که حاوی رویداد مورد علاقه هستند ، از دست می دهند. با وقایع غیر معمول ، مانند تحقیقات ایمنی بیمار ، فقط می توان NPV تخمین زده شده را با بررسی نمونه متوسط سوابق (به عنوان مثال ، 100) تهیه کرد زیرا تعداد سوابق "منفی الکترونیکی" که باید بررسی شوندیافتن یک رویداد واحد بسیار گسترده و هزینه ای است. حساسیت بالاتر ممکن است برای برخی از افراد الکترونیکی که در آن اهمیت همه وقایع ضبط شده از بار بررسی اضافی که توسط مثبت کاذب معرفی شده است ، مطلوب باشد.

PPV به برنامه ریزی برای منابع انسانی کمک می کند تا سوابق را بررسی کند و در مورد خروجی E-Trigger عمل کند. پرسنل بالینی برای جلوگیری از آسیب در شرایط پرخطر مداخله می کنند ، در حالی که پرسنل ایمنی بیمار حوادث و عواملی را که منجر به خطاها می شود ، بررسی می کنند. بهبود فرآیند و فعالیتهای یادگیری سازمانی دنبال می شود. بررسی ها و اقدامات برای فرصت های از دست رفته برای بستن حلقه در نتایج آزمایش غیر طبیعی فقط به چند دقیقه در هر بیمار نیاز دارد و به یک فرد مجرد اجازه می دهد تا در هفته بسیاری از سوابق را کنترل کند. با این حال ، دیگران مربوط به اینکه آیا یک خطای شناختی رخ داده است و تحقیقات متعاقب آن در مورد آنچه اتفاق می افتد بسیار طولانی تر خواهد شد.

مرحله 7: برای بهبود عملکرد محرک ، به طور تکراری تصفیه می کنید

با استفاده از دانش به دست آمده از مراحل قبلی ، محرک الکترونیکی ممکن است به طور مکرر تصفیه شود تا بتواند دستگیر گروه تعریف شده را بهبود ببخشد. این ممکن است به سادگی تغییر مقدار یک میدان ساختاری یا طراحی مجدد بالقوه کل الگوریتم برای ضبط بهتر رویداد بالینی باشد. مشابه توسعه اولیه ، تجدید نظر باید توسط کارشناسان محتوا و بررسی تکراری داده های موجود انجام شود. پزشکان همچنین می توانند تجدید نظر بر اساس شرایط بالینی ارائه دهند.

اجرای و استفاده

هدف نهایی از توسعه ایمن تر DX E ، بهبود ایمنی بیمار از طریق اندازه گیری بهتر و کشف خطاهای تشخیصی با استفاده از داده های الکترونیکی است. پس از توسعه ابزارهای E-Trigger برای ضبط گروه مورد نظر بیماران با عملکرد قابل قبول ، فعالیت های تجزیه و تحلیل ایمنی و راه حل های بالقوه می توانند بر اساس آنچه که LEARNTT. 58 استفاده می شود ، استفاده شود. روندها ، ایجاد بازخورد و یادگیری ، تسهیل درک فرآیندهای مشارکتی اساسی و اطلاع رسانی در مورد استراتژی های بهبود. علاوه بر این ، برخی از افراد الکترونیکی می توانند به سیستم های بهداشتی کمک کنند تا در صورت استفاده آینده نگر از آسیب بیمار جلوگیری کنند.

علاوه بر داشتن پشتیبانی از رهبری ، سیستم های بهداشتی باید از موجودی موجود استفاده کنند یا زیرساخت های اضافی لازم را برای توسعه و اجرای محرک های ایمنی تشخیصی ایجاد کنند. در سازمان هایی که دارای برنامه های ایمنی پیشرفته هستند ، توسعه و اجرای فقط به سرمایه گذاری اضافی اضافی منابع نیاز دارد. اما برای دیگران در مراحل اولیه ، ابزار ماشه می تواند نقطه شروع مفیدی را ارائه دهد. ما پیش بینی می کنیم بسیاری از الگوریتم های معتبر می توانند برای کاهش بار کار توسعه آزادانه در بین موسسات به اشتراک گذاشته شوند. 60 61 کلیه سیستم های بهداشتی نیاز به تشکیل یک تیم چند رشته ای برای برداشت دانش تولید شده توسط ابزار الکترونیکی دارند. این گروه باید به عوامل اجرای مربوط به نحوه استفاده بهتر از نتایج الکترونیکی ، از جمله اینکه چه کسی باید آنها را دریافت کند و چگونه می پردازد ، بپردازد. برنامه های آینده نگر این یافته ها را برای انجام اقدامات به پزشکان واگذار می کند. روشهای سنتی برقراری ارتباط با چنین یافته هایی چالش های 62 را ایجاد کرده است. بنابراین ، کار اضافی برای ارائه قابل اعتماد چنین اطلاعاتی لازم است. برخی از رویدادهای شناسایی شده ممکن است نیاز به تحقیقات بیشتر داشته باشد و تیم های ایمنی و بهبود فرایند اختصاصی بیمار برای جمع آوری و تجزیه و تحلیل داده ها و توصیه های استراتژی های بهبود به زمان و منابع نیاز دارند. چنین گروهی باید از پزشکان درگیر در فرآیندهای مراقبت ، اطلاع رسانی ، متخصصان ایمنی بیمار و بیماران تشکیل شود و تخصص چند رشته ای را برای درک داده ها ، رویدادهای ایمنی و ایجاد و اجرای راه حل های مؤثر بدست آورند. در حالی که نیاز به سرمایه گذاری در منابع و زیرساخت های اضافی وجود دارد ، ساختن چنین برنامه نهادی می تواند پیشرفت های چشمگیری در کیفیت ، دقت و به موقع تشخیص ها داشته باشد.

بحث

ما استفاده از یک چارچوب کشف دانش را برای هدایت توسعه و اجرای-ترانزیت های الکترونیکی برای شناسایی اهداف برای بهبود ایمنی تشخیصی نشان می دهیم. این رویکرد نوید اولیه را برای شناسایی و توصیف نگرانی های ایمنی تشخیصی در سیستم های بهداشتی با استفاده از EHR. 25-28 35 این رویکرد کشف می تواند پیشرفت در جهت هدف استفاده از EHR برای نظارت و بهبود ایمنی بیمار ، پیشرفته ترین و چالش برانگیزترین جنبه را تضمین کند. از EHR استفاده می شود . 8 63

استفاده از چارچوب ابزار ایمن تر DX E-Trigger بدون محدودیت نیست. اول ، بخش قابل توجهی از اطلاعات مراقبت های بهداشتی در یادداشت ها یا اسناد متن آزاد موجود است. این ممکن است استفاده از روشهای مبتنی بر NLP را در صورتی که عملکرد الکترونیکی برای تشخیص گروه مورد علاقه ناکافی باشد ، لازم باشد ، اما NLP برای بهبود قابلیت حمل نیاز به تخصص و روش های اضافی دارد و دسترسی به ابزارهای NLP هنوز مورد بررسی قرار می گیرد . 64 65 استفاده از مدل های آماریبرای برآورد احتمال خطای تشخیصی یا Machine Leaing55 66 برای برنامه ریزی یک کامپیوتر برای یادگیری از الگوهای داده و پیش بینی های بعدی ممکن است پیشرفت های بعدی در عملکرد را فراهم کند. بلوغ این تکنیک ها باعث توسعه و استفاده از ابزارهای پیشرفته تر و مؤثرتر الکترونیکی می شود. دوم ، در دسترس بودن و کیفیت داده ها همچنان موضوعات مهمی هستند که بر امکان سنجی و عملکرد تأثیر می گذارد. حتی در سازمانهایی که مراقبت های جامع و طولی را ارائه می دهند ، ما به اشتراک گذاری داده ها در مؤسسات را ناقص پیدا کرده ایم که نیاز به فرآیندهای عمدی برای جمع آوری و ضبط یافته های خارجی دارد. استفاده کنید. تلاش برای بهبود به اشتراک گذاری داده ها در حال حاضر در حال انجام است ، اما در ایالات اولیه (به عنوان مثال ، نسخه های نمایش داده های فقط از سازمان های خارجی). با بهبود به اشتراک گذاری داده ها ، ابزارهای Trigger فرصت های بهتری برای تأثیرگذاری بر ایمنی بیمار خواهند داشت. 67 علاوه بر این ، حتی اگر تمام مراقبت ها در یک سازمان واحد انجام شود ، داده های غایب ، ناقص ، منسوخ یا نادرست می تواند بر عملکرد ابزار تحریک تأثیر بگذارد. به طور مشابه ، عناصر خاصی از تاریخ ، معاینات یا ارزیابی های بیماران ممکن است در پرونده پزشکی ثبت نشود ، هر دو عملکرد الکترونیکی و بررسی نمودارهای بعدی را که برای تأیید نتایج محرک استفاده می شود ، محدود می کند. مواد و روش ها.

نتیجه

استفاده از داده های بالینی الکترونیکی ضربه و به راحتی در دسترس می تواند اندازه گیری ایمنی بهتر بیمار را فراهم کند. چارچوب ابزارهای Safer DX Trigger که در اینجا مورد بحث قرار گرفته است ، می تواند هم در زمان واقعی و هم به صورت گذشته نگر از فرصت ها برای بهبود ایمنی تشخیصی پیش ببرد. توسعه و اجرای ابزارهای تشخیصی ایمنی تشخیصی به همراه سرمایه گذاری های نهادی برای انجام این کار می تواند دانش ما را در مورد کاهش آسیب های ناشی از خطاهای تشخیصی و تسریع در پیشرفت در بهبود ایمنی بیمار بهبود بخشد.

منابع

1. Kohn LT ،
2. کوریگان JM ،
3. دونالدون ام اس