临床决策支持(CDS)是医疗机构为了优化临床决策、医疗服务使用情况管理和人群健康所能部署的最强大的工具之一。医院通常会在其电子病历系统中植入CDS,以支持检验科和放射科的医嘱以及用药处方。例如,常见的与药物相关的CDS目标包括在肾功能不全的情况下对严重的药物与药物相互作用及适当的药物剂量发出预警。同样,当临床医生试图对患者进行不合适的检查时,CDS可能会发出预警信息,或者帮助临床医生为患者选择最合适的影像学检查。其它常见的CDS目标包括关于预防性保健的提醒和关于可能被忽视的诊断的提示。
尽管CDS具有巨大价值,但医疗机构必须明智而审慎地部署CDS,因为从临床医生的预警负担角度来看,每一项CDS干预措施都有其“成本”。过多的CDS预警,尤其是无关的预警提示,往往会让临床医生感到厌烦,分散宝贵的时间和注意力,使他们不能把更多的时间和精力用于更重要的患者诊疗活动。最终,临床医生面对无穷无尽的预警,就会干脆开始完全无视这些预警,甚至会忽视了那些与危重患者安全问题有关的预警信息,这种现象被称之为“预警疲劳”。解决预警疲劳问题的一个常见方法是尽量减少CDS的使用,即,应就重要且优先级最高的临床状况设置预警提示。然而,简单地规避CDS的使用,虽然有可能有效避免预警疲劳,但有一个明显的缺点,即这会限制CDS的重要好处。在这方面,信息专家和医疗机构常常从预警负担和CDS益处之间的微妙权衡角度来看待CDS实施决策。
本文认为,一个被临床医生忽视的CDS预警,本质上是被“浪费”掉了;因为这种预警产生了预警负担“成本”,但在患者管理方面却没有得到相应的好处。消除这些浪费掉的预警会在不牺牲益处的情况下减少预警负担。假设能够开发一些机器学习模型来预测临床医生是否可能接受或忽视给定的预警,那么,这类模型就可抑制那些可能被临床医生忽略的预警(并且只对可能被接受的预警发出预警信息),从而在保持预警提示的大部分益处的同时减少预警负担。
为了开发这种方法,本文作者考虑了重复检查的医嘱预警。顾名思义,“重复”检查是指在同一患者身上重复同一项检查,但时间间隔太短,无法提供有意义的新信息。重复检查的可接受时间间隔因临床病情和分析物的不同而不同,可能从只需几分钟的血气分析到永远不需要做的生殖基因检测。重复检查很常见,特别是当患者找多个临床医生看病时。重复检查的采集、执行和解释浪费了医院的资源和患者的金钱与时间。重复检查还可能会导致假阳性结果,并需要额外不必要的下游检查。大多数医嘱录入系统(CPOE)具有重复检查预警功能,但由于上述预警负担和预警疲劳的风险,这些系统功能可能不会被使用。
本报告特别考虑了在8家医院和115种不同检查中实施的重复检查预警。利用这些预警的绩效数据,作者开发了一系列机器学习模型,以便根据临床背景预测临床医生是否会遵从预警。最后,他们模拟了如何使用这些预测模型来驱动“智能”预警方案,以减少预警负担,同时保持大部分预警益处。
如需要《利用机器学习来预测临床决策支持依从性,减少预警负担和评估重复检查医嘱预警》(英文,共9页),请在本微信公众号中赞赏(点喜欢或稀罕作者后按本公众号设定打赏)后发来email地址索取。