System wspomagania decyzji klinicznych

System wspomagania decyzji klinicznych ( CDSS ) to technologia informacyjna dotycząca zdrowia , która zapewnia klinicystom, personelowi, pacjentom lub innym osobom wiedzę i informacje specyficzne dla danej osoby, aby pomóc zdrowiu i opiece zdrowotnej. CDSS obejmuje różnorodne narzędzia usprawniające podejmowanie decyzji w przebiegu pracy klinicznej. Narzędzia te obejmują między innymi skomputeryzowane alerty i przypomnienia dla świadczeniodawców i pacjentów, wytyczne kliniczne, zestawy zleceń dla określonych schorzeń, szczegółowe raporty i podsumowania danych pacjentów, szablony dokumentacji, wsparcie diagnostyczne i kontekstowo istotne informacje referencyjne. Robert Hayward z Centrum zaproponował roboczą definicję dowodów zdrowotnych: „Systemy wspomagania decyzji klinicznych łączą obserwacje zdrowotne z wiedzą zdrowotną, aby wpływać na wybory zdrowotne dokonywane przez klinicystów w celu poprawy opieki zdrowotnej”. CDSS stanowią główny temat sztucznej inteligencji w medycynie .

Charakterystyka

System wspomagania decyzji klinicznych to aktywny system wiedzy, który wykorzystuje zmienne danych pacjenta do udzielania porad dotyczących opieki zdrowotnej. Oznacza to, że CDSS to po prostu system wspomagania decyzji , który koncentruje się na wykorzystaniu zarządzania wiedzą .

Zamiar

Głównym celem nowoczesnych CDSS jest pomoc klinicystom w miejscu opieki. Oznacza to, że klinicyści wchodzą w interakcję z CDSS, aby pomóc w analizie i postawieniu diagnozy na podstawie danych pacjentów dotyczących różnych chorób.

Na początku CDSS były pomyślane tak, aby dosłownie podejmować decyzje za lekarza. Klinicysta wprowadzałby informacje i czekał, aż CDSS wyświetli „właściwy” wybór, a klinicysta po prostu działałby na podstawie tych danych wyjściowych. Jednak nowoczesna metodologia korzystania z CDSS do pomocy oznacza, że ​​​​klinicysta wchodzi w interakcję z CDSS, wykorzystując zarówno swoją wiedzę, jak i CDSS, lepiej do analizy danych pacjenta, niż mógłby to zrobić sam człowiek lub CDSS. Zazwyczaj CDSS sugeruje klinicyście, aby przejrzał, a klinicysta powinien wybrać przydatne informacje z przedstawionych wyników i odrzucić błędne sugestie CDSS.

Dwa główne typy CDSS są oparte na wiedzy i nieoparte na wiedzy:

Przykładem wykorzystania klinicznego systemu wspomagania decyzji przez klinicystę jest system wspomagania decyzji diagnostycznych (DDSS). DDSS żąda niektórych danych pacjentów iw odpowiedzi proponuje zestaw odpowiednich diagnoz. Następnie lekarz bierze dane wyjściowe DDSS i określa, które diagnozy mogą być istotne, a które nie, iw razie potrzeby zleca dalsze badania w celu zawężenia diagnozy.

Innym przykładem CDSS byłby system wnioskowania oparty na przypadkach (CBR). System CBR może wykorzystywać dane z poprzednich przypadków, aby pomóc w określeniu odpowiedniej ilości wiązek i optymalnych kątów wiązek do zastosowania w radioterapii pacjentów z rakiem mózgu; fizycy medyczni i onkolodzy dokonaliby następnie przeglądu zalecanego planu leczenia, aby określić jego wykonalność.

Inna ważna klasyfikacja CDSS opiera się na czasie jego użycia. Lekarze używają tych systemów w miejscu opieki, aby pomóc im w kontaktach z pacjentem, przy czym czas użycia to albo przed diagnozą, podczas diagnozy, albo po diagnozie. [ potrzebne źródło ] Systemy CDSS do wstępnej diagnozy pomagają lekarzowi w przygotowaniu diagnozy. CDSS pomagają przeglądać i filtrować wstępne wybory diagnostyczne lekarza w celu poprawy wyników. Systemy CDSS po diagnozie są wykorzystywane do eksploracji danych w celu uzyskania powiązań między pacjentami a ich historią medyczną i badaniami klinicznymi w celu przewidywania przyszłych zdarzeń. Od 2012 roku twierdzono, że wspomaganie decyzji zacznie w przyszłości zastępować klinicystów w wykonywaniu typowych zadań.

Innym podejściem, stosowanym przez National Health Service w Anglii, jest wykorzystanie DDSS do segregacji schorzeń poza godzinami pracy poprzez zasugerowanie pacjentowi odpowiedniego następnego kroku (np. wezwania karetki lub wizyty u lekarza pierwszego kontaktu w następnym dniu roboczym). . Sugestia, która może zostać zlekceważona przez pacjenta lub pracownika telefonu, jeśli zdrowy rozsądek lub ostrożność podpowiada inaczej, opiera się na znanych informacjach i domniemanym wniosku dotyczącym najgorszej diagnozy ; nie zawsze jest ujawniany pacjentowi, ponieważ może być błędny i nie jest oparty na opinii osoby przeszkolonej medycznie - jest używany tylko do celów wstępnej segregacji. [ potrzebne źródło ]

CDSS oparty na wiedzy

Większość CDSS składa się z trzech części: bazy wiedzy, mechanizmu wnioskowania i mechanizmu komunikacji. Baza wiedzy zawiera reguły i asocjacje skompilowanych danych, które najczęściej przyjmują postać reguł JEŻELI-TO. Gdyby był to system do określania interakcji leków , regułą mogłoby być, że JEŚLI lek X jest przyjmowany ORAZ lek Y jest przyjmowany, TO ostrzega użytkownika. Korzystając z innego interfejsu, zaawansowany użytkownik może edytować bazę wiedzy, aby aktualizować ją o nowe leki. Silnik wnioskowania łączy reguły z bazy wiedzy z danymi pacjenta. Mechanizm komunikacji umożliwia systemowi prezentację wyników użytkownikowi oraz wprowadzanie danych do systemu.

Język wyrażeń, taki jak GELLO [ wymagane wyjaśnienie ] lub CQL (Clinical Quality Language) jest potrzebny do wyrażania artefaktów wiedzy w sposób obliczalny. Na przykład: jeśli pacjent ma cukrzycę, a ostatni wynik badania hemoglobiny A1c był niższy niż 7%, zaleca się ponowne badanie, jeśli minęło ponad sześć miesięcy, ale jeśli ostatni wynik badania był większy lub równy 7% , a następnie zalecić ponowne przetestowanie, jeśli minęły ponad trzy miesiące.

Obecnym celem HL7 CDS WG jest budowanie na języku jakości klinicznej (CQL). Amerykańskie Centers for Medicare & Medicaid Services (CMS) ogłosiło, że planuje wykorzystać CQL do specyfikacji Elektronicznych Pomiarów Jakości Klinicznej (eCQM).

CDSS nieoparte na wiedzy

CDSS, które nie korzystają z bazy wiedzy, wykorzystują formę sztucznej inteligencji zwaną uczeniem maszynowym , która umożliwia komputerom uczenie się na podstawie przeszłych doświadczeń i/lub znajdowanie wzorców w danych klinicznych. Eliminuje to potrzebę pisania zasad i wkładu ekspertów. Ponieważ jednak systemy oparte na uczeniu maszynowym nie są w stanie wyjaśnić przyczyn swoich wniosków, większość klinicystów nie używa ich bezpośrednio do diagnozy, niezawodności i odpowiedzialności. Niemniej jednak mogą być przydatne jako systemy post-diagnostyczne, do sugerowania wzorców dla klinicystów do głębszego zbadania.

Od 2012 roku trzy typy systemów nieopartych na wiedzy to maszyny wektorów nośnych , sztuczne sieci neuronowe i algorytmy genetyczne .

  1. Sztuczne sieci neuronowe wykorzystują węzły i ważone połączenia między nimi do analizy wzorców znalezionych w danych pacjentów w celu uzyskania powiązań między objawami a diagnozą.
  2. Algorytmy genetyczne opierają się na uproszczonych procesach ewolucyjnych z wykorzystaniem ukierunkowanej selekcji w celu uzyskania optymalnych wyników CDSS. Algorytmy selekcji oceniają składowe losowych zestawów rozwiązań problemu. Rozwiązania, które wychodzą na wierzch, są następnie ponownie łączone i mutowane, a następnie ponownie przechodzą przez proces. Dzieje się tak w kółko, aż do znalezienia właściwego rozwiązania. Są funkcjonalnie podobne do sieci neuronowych, ponieważ są również „czarnymi skrzynkami”, które próbują czerpać wiedzę z danych pacjentów.
  3. Sieci nieoparte na wiedzy często koncentrują się na wąskiej liście objawów, takich jak objawy pojedynczej choroby, w przeciwieństwie do podejścia opartego na wiedzy, które obejmuje diagnozę wielu chorób.

Przykładem CDSS nieopartego na wiedzy jest serwer WWW opracowany przy użyciu maszyny wektorów nośnych do przewidywania cukrzycy ciążowej w Irlandii.

Przepisy prawne

Stany Zjednoczone

Wraz z uchwaleniem amerykańskiej ustawy o odbudowie i reinwestowaniu z 2009 r. (ARRA) pojawił się nacisk na powszechne przyjęcie technologii informacji medycznej za pośrednictwem ustawy o technologiach informacyjnych dla zdrowia ekonomicznego i klinicznego (HITECH). Dzięki tym inicjatywom coraz więcej szpitali i klinik integruje elektroniczną dokumentację medyczną (EMR) i skomputeryzowany system wprowadzania zleceń lekarskich (CPOE) w ramach przetwarzania i przechowywania informacji zdrowotnych. W związku z tym Instytut Medycyny (IOM) promował wykorzystanie technologii informacji medycznej, w tym systemów wspomagania decyzji klinicznych, w celu poprawy jakości opieki nad pacjentem. IOM opublikowała w 1999 roku raport To Err is Human (To Err is Human) , który koncentrował się na kryzysie bezpieczeństwa pacjentów w Stanach Zjednoczonych, wskazując na niewiarygodnie wysoką liczbę zgonów. Ta statystyka przyciągnęła dużą uwagę do jakości opieki nad pacjentem. [ potrzebne źródło ]

Wraz z uchwaleniem ustawy HITECH zawartej w ARRA, zachęcającej do przyjęcia IT w dziedzinie zdrowia, bardziej szczegółowe orzecznictwo dotyczące CDSS i EMR jest nadal [ kiedy? ] jest zdefiniowany przez Biuro Krajowego Koordynatora ds. Technologii Informacyjnych dla Zdrowia (ONC) i zatwierdzony przez Departament Zdrowia i Opieki Społecznej (HHS). Definicja „znaczącego wykorzystania” nie została jeszcze opublikowana. [ wymagane wyjaśnienie ]

Pomimo braku przepisów, dostawcy CDSS prawie na pewno byliby postrzegani jako mający prawny obowiązek opieki zarówno nad pacjentami, na których stosowanie CDSS może mieć negatywny wpływ, jak i klinicystami, którzy mogą wykorzystywać tę technologię do opieki nad pacjentem. [ potrzebne źródło ] [ potrzebne wyjaśnienie ] Jednak przepisy prawne dotyczące obowiązków opieki nie są jeszcze jednoznacznie określone.

Dzięki niedawnym obowiązującym prawodawstwom związanym z zachętami do płatności za zmianę wyników, CDSS stają się coraz bardziej atrakcyjne. [ potrzebne źródło ] [ potrzebne wyjaśnienie ]

Skuteczność

Dowody na skuteczność CDSS są mieszane. Istnieją pewne choroby, które odnoszą większe korzyści z CDSS niż inne jednostki chorobowe. W przeglądzie systematycznym z 2018 r. zidentyfikowano sześć schorzeń, w których CDSS poprawiło wyniki pacjentów w warunkach szpitalnych, w tym zarządzanie poziomem glukozy we krwi, zarządzanie transfuzją krwi, zapobieganie pogorszeniu fizjologicznemu, zapobieganie odleżynom, zapobieganie ostremu uszkodzeniu nerek i profilaktyka żylnej choroby zakrzepowo-zatorowej. Przegląd systematyczny z 2014 r. nie wykazał korzyści pod względem ryzyka zgonu, gdy CDSS połączono z elektroniczną dokumentacją medyczną . Mogą jednak wiązać się z pewnymi korzyściami wynikającymi z innych wyników. przeglądzie systematycznym z 2005 r. stwierdzono, że CDSS poprawiły wyniki lekarzy w 64% badań i wyniki pacjentów w 13% badań. Funkcje CDSS związane z poprawą wydajności lekarza obejmowały automatyczne monity elektroniczne, zamiast wymagać aktywacji systemu przez użytkownika.

W przeglądzie systematycznym z 2005 r. stwierdzono… „Systemy wspomagania decyzji znacznie poprawiły praktykę kliniczną w 68% badań”. Funkcje CDSS związane z sukcesem obejmowały integrację z przebiegiem pracy klinicznej, a nie oddzielne logowanie lub ekran, szablony elektroniczne, a nie papierowe, zapewnianie wsparcia w podejmowaniu decyzji w czasie i miejscu opieki zamiast wcześniejszej oraz dostarczanie zaleceń dotyczących opieki.

Jednak późniejsze przeglądy systematyczne były mniej optymistyczne co do skutków CDS, a jeden z 2011 r. Stwierdzał: „Istnieje duża przepaść między postulowanymi a empirycznie wykazanymi korzyściami wynikającymi z [CDSS i innych] technologii e-zdrowia… ich opłacalność ma jeszcze do wykazać” .

W 2014 roku opublikowano 5-letnią ocenę skuteczności CDSS we wdrażaniu racjonalnego leczenia zakażeń bakteryjnych; według autorów było to pierwsze długoterminowe badanie CDSS.

Wyzwania związane z adopcją

Wyzwania kliniczne

Wiele instytucji medycznych i firm programistycznych włożyło wiele wysiłku w stworzenie opłacalnych CDSS do obsługi wszystkich aspektów zadań klinicznych. Jednak ze względu na złożoność przepływów pracy klinicznej i wysokie wymagania dotyczące czasu personelu, instytucja wdrażająca system wsparcia musi zadbać o to, aby system stał się integralną częścią przepływu pracy klinicznej. Niektóre CDSS odniosły różny sukces, podczas gdy inne borykały się z typowymi problemami uniemożliwiającymi lub ograniczającymi pomyślne przyjęcie i akceptację.

Dwa sektory opieki zdrowotnej, w których CDSS wywarły duży wpływ, to sektory farmaceutyczny i rozliczeniowy. Powszechnie używane systemy apteczne i systemy do zamawiania recept wykonują teraz oparte na partiach zlecenia sprawdzania negatywnych interakcji leków i zgłaszają ostrzeżenia specjaliście zamawiającemu. Innym sektorem odnoszącym sukcesy dla CDSS jest fakturowanie i zgłaszanie roszczeń. Ponieważ wiele szpitali polega na Medicare , aby utrzymać swoje funkcjonowanie, stworzono systemy pomagające zbadać zarówno proponowany plan leczenia, jak i aktualne zasady Medicare, aby zaproponować plan, który próbuje zająć się zarówno opieką nad pacjentem, jak i potrzebami finansowymi szpitala. instytucja. [ potrzebne źródło ]

Inne CDSS, które mają na celu zadania diagnostyczne, odniosły sukces, ale często mają bardzo ograniczone zastosowanie i zakres. System bólu brzucha w Leeds zaczął działać w 1971 roku dla szpitala University of Leeds. Zgłoszono, że postawiono prawidłową diagnozę w 91,8% przypadków, w porównaniu do wskaźnika sukcesu klinicystów wynoszącego 79,6%. [ potrzebne źródło ]

Pomimo szerokiego zakresu wysiłków podejmowanych przez instytucje w celu stworzenia i wykorzystania tych systemów, w przypadku większości ofert nadal nie osiągnięto powszechnego przyjęcia i akceptacji. Jedną z dużych przeszkód na drodze do akceptacji była historycznie integracja przepływu pracy. Istniała tendencja do skupiania się wyłącznie na funkcjonalnym rdzeniu decyzyjnym CDSS, co powodowało braki w planowaniu, w jaki sposób klinicysta będzie używał produktu in situ. CDSS były samodzielnymi aplikacjami, wymagającymi od klinicysty zaprzestania pracy nad obecnym systemem, przełączenia się na CDSS, wprowadzenia niezbędnych danych (nawet jeśli zostały już wprowadzone do innego systemu) i zbadania uzyskanych wyników. Dodatkowe kroki przerywają przepływ z perspektywy klinicysty i kosztują cenny czas. [ potrzebne źródło ]

Wyzwania techniczne i bariery wdrażania

Systemy wspomagania decyzji klinicznych napotykają poważne wyzwania techniczne w wielu obszarach. Systemy biologiczne są niezwykle skomplikowane, a decyzja kliniczna może uwzględniać ogromny zakres potencjalnie istotnych danych. Na przykład elektroniczny medycyny opartej na dowodach może potencjalnie uwzględniać objawy pacjenta, historię medyczną, historię rodzinną i genetykę , a także historyczne i geograficzne trendy występowania chorób oraz opublikowane dane kliniczne dotyczące skuteczności terapeutycznej przy zalecaniu przebiegu leczenia pacjenta .

Z klinicznego punktu widzenia dużym czynnikiem zniechęcającym do akceptacji CDSS jest integracja przepływu pracy.

Chociaż wykazano, że klinicyści wymagają wyjaśnień dotyczących CDSS opartego na uczeniu maszynowym, aby móc zrozumieć i zaufać ich sugestiom, istnieje ogólny wyraźny brak zastosowania możliwej do wyjaśnienia sztucznej inteligencji w kontekście CDSS, co stanowi kolejną barierę dla przyjęcia tych systemów.

Innym źródłem niezgody z wieloma systemami wsparcia medycznego jest to, że generują one ogromną liczbę alertów. Gdy systemy generują dużą liczbę ostrzeżeń (zwłaszcza tych, które nie wymagają eskalacji), oprócz irytacji, klinicyści mogą zwracać mniejszą uwagę na ostrzeżenia, co powoduje, że potencjalnie krytyczne alerty są pomijane. Zjawisko to nazywane jest zmęczeniem czujnym.

Konserwacja

Jednym z głównych wyzwań stojących przed CDSS jest trudność w uwzględnieniu ogromnej liczby badań klinicznych publikowanych na bieżąco. W danym roku publikowanych jest kilkadziesiąt tysięcy badań klinicznych. Obecnie każde z tych badań musi być czytane ręcznie, oceniane pod kątem zasadności naukowej i dokładnie włączane do CDSS. W 2004 roku stwierdzono, że proces gromadzenia danych klinicznych i wiedzy medycznej oraz umieszczania ich w formie, którą komputery mogą manipulować w celu wspomagania decyzji klinicznych, jest „jeszcze w powijakach”.

Niemniej jednak bardziej realne jest, aby firma robiła to centralnie, nawet jeśli niekompletnie, niż aby każdy lekarz starał się nadążać za wszystkimi publikowanymi badaniami. [ potrzebne źródło ]

Oprócz tego, że jest pracochłonna, integracja nowych danych może być czasami trudna do oszacowania lub włączenia do istniejącego schematu wspomagania decyzji, szczególnie w przypadkach, gdy różne dokumenty kliniczne mogą wydawać się sprzeczne. Właściwe rozwiązywanie tego rodzaju rozbieżności jest często przedmiotem samych prac klinicznych (patrz metaanaliza ), których ukończenie często zajmuje miesiące. [ potrzebne źródło ]

Ocena

Aby CDSS oferował wartość, musi wyraźnie poprawić przebieg pracy klinicznej lub wyniki. Ocena CDSS określa ilościowo jego wartość w celu poprawy jakości systemu i pomiaru jego skuteczności. Ponieważ różne CDSS służą różnym celom, żadna ogólna miara nie ma zastosowania do wszystkich takich systemów; jednak atrybuty takie jak spójność (z ekspertami iz ekspertami) często mają zastosowanie w szerokim spektrum systemów.

Benchmark oceny dla CDSS zależy od celu systemu: na przykład diagnostyczny system wspomagania decyzji może być oceniany na podstawie spójności i dokładności jego klasyfikacji choroby (w porównaniu z lekarzami lub innymi systemami wspomagania decyzji). System medycyny opartej na dowodach może być oceniany na podstawie wysokiej częstości występowania poprawy stanu pacjenta lub wyższego zwrotu finansowego dla świadczeniodawców. [ potrzebne źródło ]

W połączeniu z elektroniczną dokumentacją medyczną

Wdrożenie EHR było nieuniknionym wyzwaniem. Wyzwanie to wynika z faktu, że jest to stosunkowo niezbadany obszar, aw fazie wdrażania EHR występuje wiele problemów i komplikacji. Widać to w licznych badaniach, które zostały przeprowadzone. [ potrzebne źródło ] Jednak pewne uwagi poświęcono wyzwaniom związanym z wdrażaniem elektronicznej dokumentacji medycznej (EHR). Wciąż jednak mniej wiadomo na temat przechodzenia ze starszych EHR na nowsze systemy.

EHR to sposób na przechwytywanie i wykorzystywanie danych w czasie rzeczywistym w celu zapewnienia wysokiej jakości opieki nad pacjentem, zapewniającej wydajność i efektywne wykorzystanie czasu i zasobów. Włączenie EHR i CDSS razem do procesu medycznego może zmienić sposób, w jaki medycyna była nauczana i praktykowana. Mówi się, że „najwyższym poziomem EHR jest CDSS”.

Ponieważ „systemy wspomagania decyzji klinicznych (CDSS) to systemy komputerowe zaprojektowane tak, aby wpływać na podejmowanie przez klinicystów decyzji dotyczących poszczególnych pacjentów w momencie podejmowania tych decyzji”, jasne jest, że w pełni zintegrowane CDSS i EHR byłyby korzystne.

Chociaż korzyści są widoczne, pełne wdrożenie CDSS zintegrowanego z EHR wymagało w przeszłości znacznego planowania ze strony placówki/organizacji opieki zdrowotnej, aby CDSS odniósł sukces i był skuteczny. Sukces i skuteczność można mierzyć zwiększoną opieką nad pacjentem i mniejszą liczbą zdarzeń niepożądanych . Ponadto placówka/organizacja opieki zdrowotnej uzyskałaby oszczędność czasu i zasobów oraz korzyści pod względem autonomii i korzyści finansowych.

Korzyści z CDSS w połączeniu z EHR

Pomyślna integracja CDSS/EHR pozwoli zapewnić pacjentowi najlepszą praktykę, wysokiej jakości opiekę, co jest ostatecznym celem opieki zdrowotnej.

Błędy zdarzały się zawsze w opiece zdrowotnej, więc dążenie do ich zminimalizowania jest ważne, aby zapewnić pacjentom wysokiej jakości opiekę. Trzy obszary, którymi można się zająć dzięki wdrożeniu CDSS i elektronicznej dokumentacji medycznej (EHR), to:

  1. Błędy w przepisywaniu leków
  2. Działania niepożądane leku
  3. Inne błędy medyczne

CDSS będą najbardziej korzystne w przyszłości, gdy placówki opieki zdrowotnej będą „w 100% elektroniczne” pod względem informacji o pacjencie w czasie rzeczywistym, upraszczając w ten sposób liczbę modyfikacji, które muszą nastąpić, aby zapewnić aktualność wszystkich systemów.

Wymierne korzyści płynące z systemów wspomagania decyzji klinicznych w zakresie wyników pracy lekarzy i pacjentów pozostają przedmiotem ciągłych badań.

Bariery

Wdrażanie elektronicznej dokumentacji medycznej (EHR) w placówkach opieki zdrowotnej wiąże się z wyzwaniami; żaden nie jest ważniejszy niż utrzymanie wydajności i bezpieczeństwa podczas rolloutu, ale aby proces wdrożenia był efektywny, zrozumienie perspektywy użytkowników EHR jest kluczem do sukcesu projektów wdrożeniowych EHR. Oprócz tego należy aktywnie wspierać adopcję poprzez podejście oddolne, uwzględniające przede wszystkim potrzeby kliniczne. To samo można powiedzieć o CDSS.

Od 2007 r. głównymi obszarami zainteresowania związanymi z przejściem na w pełni zintegrowany system EHR/CDSS były:

  1. Prywatność
  2. Poufność
  3. Przyjazność dla użytkownika
  4. Dokładność i kompletność dokumentów
  5. Integracja
  6. Jednolitość
  7. Przyjęcie
  8. Ostrzeżenie o odczulaniu

a także kluczowe aspekty wprowadzania danych, którymi należy się zająć przy wdrażaniu CDSS, aby uniknąć wystąpienia potencjalnych zdarzeń niepożądanych. Aspekty te obejmują, czy:

  • używane są prawidłowe dane
  • wszystkie dane zostały wprowadzone do systemu
  • przestrzegane są aktualne najlepsze praktyki
  • dane są oparte na dowodach [ wymagane wyjaśnienie ]

Zaproponowano architekturę zorientowaną na usługi jako środek techniczny do pokonania niektórych z tych barier .

Stan w Australii

Od lipca 2015 r. planowane przejście na EHR w Australii napotyka trudności. Większość placówek opieki zdrowotnej nadal korzysta z systemów opartych wyłącznie na papierze; niektóre są w fazie przejściowej zeskanowanych EHR lub zmierzają w kierunku takiej fazy przejściowej.

Victoria próbowała wdrożyć EHR w całym stanie za pomocą programu HealthSMART, ale anulowała projekt z powodu nieoczekiwanie wysokich kosztów.

Australia Południowa (SA) odnosi jednak nieco większe sukcesy niż Wiktoria we wdrażaniu EHR. Może tak być, ponieważ wszystkie publiczne organizacje opieki zdrowotnej w SA są zarządzane centralnie.

(Jednak z drugiej strony brytyjska Narodowa Służba Zdrowia jest również administrowana centralnie, a jej Narodowy Program Informatyczny w 2000 roku, który obejmował EHR w swoich kompetencjach, był kosztowną katastrofą).

SA jest w trakcie wdrażania „Korporacyjnego systemu zarządzania pacjentami (EPAS)”. System ten jest podstawą dla wszystkich publicznych szpitali i zakładów opieki zdrowotnej dla EHR w SA i oczekiwano, że do końca 2014 roku wszystkie placówki w SA zostaną do niego podłączone. Pozwoliłoby to na udaną integrację CDSS z SA i zwiększenie korzyści płynących z EHR. Do lipca 2015 roku zgłoszono, że tylko 3 z 75 placówek służby zdrowia wdrożyły EPAS.

Dzięki największemu systemowi opieki zdrowotnej w kraju i modelowi federacyjnemu, a nie centralnie administrowanemu, Nowa Południowa Walia czyni stałe postępy w kierunku wdrażania EHR w całym stanie. Obecna iteracja stanowej technologii, eMR2, obejmuje funkcje CDSS, takie jak ścieżka sepsy do identyfikacji pacjentów z grupy ryzyka na podstawie danych wprowadzonych do rejestru elektronicznego. Według stanu na czerwiec 2016 r. 93 ze 194 lokalizacji objętych wstępnym wdrożeniem wdrożyło eMR2

Stan w Finlandii

Z usługi wspomagania decyzji klinicznych EBMEDS świadczonej przez Duodecim Medical Publications Ltd korzysta ponad 60% fińskich lekarzy publicznej służby zdrowia.

Badania

Błędy na receptę

Badanie przeprowadzone w Wielkiej Brytanii przetestowało Salford Medication Safety Dashboard (SMASH), internetową aplikację CDSS, która pomaga lekarzom pierwszego kontaktu i farmaceutom znaleźć osoby w ich elektronicznej dokumentacji medycznej, które mogą być narażone na zagrożenia bezpieczeństwa z powodu błędów w receptach. Pulpit nawigacyjny był z powodzeniem wykorzystywany do identyfikowania i pomagania pacjentom z już zarejestrowanymi niebezpiecznymi receptami, a później pomagał monitorować pojawiające się nowe przypadki.

Zobacz też

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Clinical_decision_support_system&oldid=1120897360 ”