的观点
摘要
电子健康记录(EHRs)为病人护理的研究和改进提供了机会。然而,由于临床记录中存在大量信息,使用电子病历数据存在挑战,将这些信息转化为现有策略的可用数据可能是劳动密集型和昂贵的。本案例报告详细介绍了在伊利诺伊州芝加哥拉什大学医学中心的“回家之路”项目中,将遭遇后表格(PEF)系统纳入EHR的协作开发和实施,以解决这些问题,并为临床工作流程带来有限的负担。PEF系统被证明是一种有效的工具,超过98%的临床遭遇包括在实施后5个月内完成PEF。此外,在不到4年的使用时间里,该系统已经生成了超过325188个独特的、易于访问的数据点。PEF系统已被部署到其他环境,表明该系统可能具有更广泛的临床用途。
JMIR Form Res 2020;4(4):e17429doi: 10.2196/17429
关键字
介绍
背景
在医疗系统中越来越多地使用电子健康记录(EHR)为研究和质量改进提供了独特的机会,并有可能显著改善患者护理[
]。EHR中捕获的数据提供了关于患者特征、治疗需求、就诊频率和其他类型信息的重要见解。电子病历中所包含的大量信息也使先进模型得以发展,以预测疾病的进程,检查治疗效果,并确定治疗方案[ , ]。尽管电子病历中包含了丰富的信息,但在提取可用数据以推进护理和临床操作时,仍然存在一个重大挑战。这在很大程度上是由于临床进展记录中存在大量基于文本的信息,将这些信息转化为可用的数据点可能是劳动密集型和昂贵的[ , ]。人工图表审查和数据编码或更先进的分析技术,如自然语言处理(NLP),是用于使电子病历中基于文本的信息更可用的策略。然而,手动检查图表和提取数据或使用NLP训练机器学习模型来识别正确的信息需要大量时间,因此与较高的人工成本相关[
]。因此,即使组织希望使用他们的数据来驱动临床或操作决策,如果没有大量的资源投入到这一过程中,这通常是不可行的。即使资源的可用性不是障碍,并且利用先进的NLP从临床进展记录中提取基于文本的数据,在获得可用数据和开发准确模型方面仍然存在挑战[
]。例如,许多临床进展记录所包含的文本和信息可能极其相似或相同,这是提供者为节省时间而复制粘贴的结果[ , , ]。因此,从这些笔记中提取的数据可能高度偏斜,并可能导致泛化能力有限的过拟合模型[ , ]。在其他情况下,临床进展记录的内容可能有很大差异,特别是在行为健康信息方面[ ]。虽然一些提供者包括可能影响治疗结果的因素的详细文件,例如所提供的干预的类型和持续时间,转介给其他提供者,或治疗过程中客户症状的变化,但其他提供者可能只在其进度记录中包含最低限度的必要文件。总的来说,临床进展记录很容易出现文件错误,从而导致缺失或不正确的治疗信息,并增加提取可用数据的额外负担。因此,确定和使用改进数据捕获过程而不给提供者增加重大负担的方法是至关重要的。改进数据捕获过程的一个策略是在EHRs中开发针对每个诊所和遇到类型的需求的定制流程图。这些流程表可以在几乎所有级别的患者互动中实施,以便在与患者接触时收集相关的可用数据。例如,遭遇后表单(pef)是可以附加到每次临床遭遇的流程图,使临床医生能够快速、准确和完整地记录相关的治疗信息,这些信息可以很容易地提取用于分析目的。对于行为健康,这可能包括在治疗过程中使用的干预措施、提供干预措施的时间、临床严重程度和进展、提供的转诊或终止状态等信息。pef的适应性和便利性使组织和提供者能够轻松准确地获取与其特定需求相关的信息。
在本案例报告中,我们记录了拉什大学医学中心“回家之路”项目中PEF系统的开发和实施。具体来说,我们详细介绍了PEF内容和系统的开发过程,演示了使用该系统可以捕获和容易提取的数据类型和数量,并描述了系统的实现。
例描述
PEF系统最初是在芝加哥拉什大学医学中心精神科的“回家之路”项目中开发和实施的,目的是为了方便地记录和评估项目的使用和有效性,并能够向其资助者提供详细的项目信息。后来,这一制度被推广到学术医疗中心的其他部门。
方法
相遇后形式的发展
在PEF系统开发过程中,来自不同团队的成员一起工作,以确定他们独特的数据需求并注意特定的限制。团队包括临床服务提供商谁提供服务并负责输入会话数据知识管理团队它结合了多种来源的数据,包括电子健康档案和在线调查工具,来自数据团队谁负责清理和审计数据,以确保其准确性,成员来自研究小组他们使用数据进行描述性和预测性分析,以产生有助于改善临床护理的见解。目标是开发一个全面而高效的系统,能够在每次患者就诊时在90秒或更短的时间内收集所有相关数据,以防止对时间有限的临床医生造成过度负担。此外,PEF系统也必须如此适应性强的因为项目需求会随着规模的扩大而改变。这对系统来说是至关重要的易于使用的所有相关方都可以快速学习该工具,并将错误减少到最低限度或易于检测和纠正。PEF系统也需要如此可访问的并能够立即提取数据用于分析目的。此外,正如前面所描述的,重要的是系统应该是具有成本效益的因为实施涉及NLP的更高级方法的成本可能会令人望而却步。在“回家的路”项目的PEF中被确定为重要的临床数据,以及对其目的的简要描述显示在
。显示了回家之路计划PEF。PEF的具体领域可能根据诊所的需要而有所不同。
相遇后表单字段 | 描述 |
访问类型 | 具体说明见面是当面、电话还是视频 |
服务线 | 具体说明所提供的服务是一次入院还是常规预约,以及该服务是门诊还是3周强化治疗计划的一部分 |
服务类型 | 具体说明服务对象是个人、团体、家庭还是夫妻 |
临床整体印象量表(严重程度) | 经过验证的临床医生评分量表,以指示患者的症状严重程度 |
临床整体印象量表(改进) | 经过验证的临床医生评分量表,以表明患者的改善程度 |
主要的干预 | 指定提供的干预类型 |
用于初级干预的时间 | 指定传递干预的分钟数 |
二次干预 | 如果适用,指定任何二次干预的类型 |
用于二次干预的时间 | 指定进行二次干预的分钟数 |
推荐给 | 指定在会话期间进行的转诊类型 |
推荐目标 | 具体说明推荐人是谁 |
推荐的理由 | 说明转介的原因 |
终止 | 指定是否在会话期间发生终止 |
终止日期 | 指定终止日期 |
离开的原因 | 说明离开或终止护理的原因 |
实施“回家的路”计划
在PEF系统的开发(包括评估各种原型)之后,该团队将其实施到“回家之路计划”的临床流程中。所有“回家之路”项目的工作人员都必须参加一个1小时的培训课程,会上讨论了“和平行动论坛”的目的。演示了如何填写表格,并回答了有关使用的问题。从临床进展记录中提取数据的困难被特别强调,以帮助工作人员理解以容易提取的方式收集数据的重要性,即使这个过程加起来每次遇到90秒。在最初的培训之后,团队定期与选定的提供者会面,以确保每个人都对pef的完成方式保持一致,例如,确保提供者都以相同的方式编码认知行为干预,而不是使用另一种非认知行为干预代码。培训结束几周后,该小组再次与工作人员会面,通过提供关于已经使用pef完成的遭遇的基本描述性信息,来证明pef的有用性。描述性信息集中在提供干预措施(如认知行为疗法)所花费的分钟数,以及自PEF实施以来所提出和跟踪的转诊类型。这一过程背后的意图是加强提供者对PEF的使用。临床医生在PEF实施后很快开始使用它(
)。在短短5个月内,98.2%(109/111)的“回家之路计划”临床遭遇包括PEF。自实行特别津贴制度以来,使用率一直极高;平均而言,自2015年5月以来,只有0.08%(260/323,026)的所有遭遇出现PEF缺失。2015年12月至2019年8月期间,“回家之路”项目提供商共完成了40,889个pef,捕获了超过325,188个独特数据点。为了促进实施,该小组会见了那些倾向于不充分利用PEF系统的提供者,以确定和解决潜在的障碍。使用PEF的最大障碍是提供者无法在EHR中找到它,这导致了在哪里找到它的具体指导指南的创建。当团队在初始实现后遇到定位或填写表单的问题时,他们会继续与提供者会面,并将继续在需要时这样做。该团队还继续向提供者提供关于该计划的描述性和高级分析见解,以进一步加强PEF系统的实用性和重要性。
讨论
在本案例研究中,我们描述了PEF系统的开发和实现,该系统可用于快速准确地捕捉临床相关数据,全面而高效,适应性强,易于使用,可访问,具有成本效益。考虑到手动提取临床进展记录内容或使用更先进和更昂贵的过程(如NLP)所带来的挑战,确定可以轻松捕获临床数据并立即用于分析目的的方法非常重要。本研究演示了在Epic中构建的PEF系统;然而,它可以以最小的努力内置到大多数现代电子病历系统中,因为它是基于附加在每次遭遇中的简单流程表。此外,PEF系统高度适应任何部门或诊所的独特需求。它也足够灵活,内容可以随着优先级或需求的变化而改变。
“回家的路”项目中PEF系统的实施表明了成员和不同团队之间合作的重要性。实现新系统的一个常见挑战是,方向是从上到下给出的,而期望使用新开发工具的个人几乎没有输入。在这种情况下,来自各个团队的成员共同开发了一个最终产品,以满足每个相关人员的需求。此外,开发团队在实施阶段与提供者密切合作,确保提供者了解为什么要开发该系统,以及与现有实践相比(即仅临床进展记录)该系统的好处。随后,开发团队通过反复向提供者演示正在生成哪些数据以及如何将其用于临床或操作决策,加强了新开发的PEF系统的使用。
值得注意的是,流程表的使用并不局限于pef,因为流程表可以用于捕获所有类型的数据。自PEF系统成功实施以来,“回家之路计划”已将该系统用于大多数其他形式的数据收集,如入院评估期间的人口信息、医疗信息或临床医生管理的评估数据。有趣的是,服务提供商仍在谈论数据收集的便利性。使用PEF系统捕获的数据对于为预测模型的开发提供数据至关重要,这些模型已导致临床操作的改进[
]。这个案例研究有几个需要注意的局限性。首先,本案例研究集中在一个学术医疗中心的单一项目。需要进行进一步的研究,以确定PEF是否是其他部门和医疗系统的可行选择。其次,PEF系统的实施不是随机的。因此,不可能确定开发团队和提供者之间的密切合作以及逐步方法以何种方式影响最终的采用。最后,PEF系统没有直接与使用NLP的方法进行比较。因此,无法确定PEF系统是否比基于nlp的方法更准确、更劳动密集或更昂贵。
尽管存在上述挑战,本案例研究强调了PEF系统在快速、准确地获取数据方面的作用,而不会增加提供者的负担,也不需要大量的时间或资金来提取临床数据。未来的研究应密切审查实施过程,以确定在各种卫生环境中推广PEF等新工具的最有效方式。
致谢
我们感谢受伤战士项目对战士护理网络和由此产生的研究的支持。我们还要感谢参与“回家之路”项目的退伍军人和他们的家人,并向“回家之路”项目的管理人员、研究助理和临床医生表示感谢。
作者PH得到了美国国立卫生研究院职业发展奖(5KL2TR002387-02)的支持,并获得了受伤战士项目和波音公司的资助。作者AZ得到了美国国家心理健康研究所(K23 MH103394)职业发展奖的支持。作者MP获得了受伤战士项目的支持和美国国立卫生研究院和杨森制药公司的研究资金;他为Aptinyx、Clintara和Palo Alto Health Sciences提供咨询;他持有Argus、Doyen Medical、Mensante Corporation、Mindsite和Targia Pharmaceuticals的股权;他从sigha, SAFER的采访中获得版税。作者NK得到了由罗伯特·r·麦考密克基金会和美国职业棒球大联盟发起的“受伤战士项目”和“欢迎回来的老兵”的资助。NK还得到了国家先进转化科学中心(UL1-TR002398, KL2-TR002387)、国家药物滥用研究所(R01-DA041071, UG1-DA049467)和拉什大学医学中心Cynthia Oudejans Harris医学博士捐赠基金的支持。内容仅为作者的责任,并不一定代表美国国立卫生研究院、受伤战士项目或任何其他资助机构的官方观点。
利益冲突
没有宣布。
参考文献
- Blumenthal D, Tavenner M.电子健康记录的“有意义使用”法规。中华外科杂志2010年8月5日;363(6):501-504。[CrossRef] [Medline]
- Van Calster B, Wynants L, Timmerman D, Steyerberg EW, Collins GS。医疗保健中的预测分析:我们如何知道它有效?J Am Med Inform association 2019年12月01日;26(12):1651-1654 [免费全文] [CrossRef] [Medline]
- 陈凯,陈国强,李志强,等。可扩展和精确的深度学习与电子健康记录。NPJ数字医学2018年5月8日;1(1):18 [免费全文] [CrossRef] [Medline]
- 王卫东,王永杰,王永杰。电子健康记录中文本来源的特征分析。JAMA Intern Med 2017 Aug 01;177(8):1212-1213 [免费全文] [CrossRef] [Medline]
- Milinovich A, Kattan MW。从Epic中提取和利用电子健康数据进行研究。Ann Transl Med 2018 Feb;6(3):42-42 [免费全文] [CrossRef] [Medline]
- 刘峰,翁超,余华。自然语言处理、电子健康记录与临床研究。在:临床研究信息学。伦敦:施普林格;2012年1月23日:293-310。
- 郭涛,郭涛,徐志伟。大型临床记录数据集中高度相似记录的识别和特征。J Biomed Inform 2018年6月;82:63-69 [免费全文] [CrossRef] [Medline]
- Hammond KW, Helbig ST, Benson CC, brathwate - sketoe BM。电子病历可信吗?对复制、粘贴和复制的观察。AMIA年度诉讼程序2003:269-273 [免费全文] [Medline]
- 霍利斯特B,博纳姆VL。电子健康记录衍生的社会和行为数据是否应该用于精准医疗研究?美国医学会杂志伦理学2018年9月01日;20(9):E873-E880 [免费全文] [CrossRef] [Medline]
- HIMSS。2019年1月30日。拉什大学医学中心HIMSS戴维斯企业奖网址:https://www.himss.org/library/rush-university-medical-center-himss-davies-enterprise-award[2019-10-14]访问
缩写
电子健康档案:电子健康记录 |
NLP:自然语言处理 |
PEF:postencounter形式。 |
C·洛维斯编辑;这是一篇未经同行评审的文章。提交12.12.19;接受01.02.20;发表06.04.20
版权©Philip Held, Randy A Boley, Walter G Faig, John A O'Toole, Imran Desai, Alyson K Zalta, Jawad Khan, Shannon Sims, Michael B Brennan, Rebecca Van Horn, Angela C Glover, Bala N Hota, Brian D Patty, S Shafiq Rab, Mark H Pollack, Niranjan S Karnik。最初发表于JMIR Formative Research (http://formative.www.mybigtv.com), 06.04.2020。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Formative Research上的原创作品。必须包括完整的书目信息,http://formative.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。