医生不采用临床决策支持系统的原因:批判性分析

简介

医疗保健研究和质量局[1)提倡一种系统方法，旨在“在人为错误发生之前发现它们或阻止它们造成伤害”。临床决策支持系统(CDSSs)是这一目标的前沿。CDSS提供警报、提醒、处方建议、治疗指南、图像解释和诊断协助。尽管研究表明cdss减少了医疗差错并改善了结果，但它们也表明cdss没有发挥其全部潜力[2-9］．研究人员试图缩小这一不足的原因。Coiera [10]认为提供商缺乏使用技术系统的意愿和能力是主要原因之一。

温德等人[11]讨论了可能与接受cdss有关的几个因素，包括系统提供的信息的相关性，系统的感知有效性，以及在使用系统上花费的工作和时间。这些因素与Davis [9]在技术接受模型(TAM)中，后来由Venkatesh等人改进[12在接受和使用技术统一理论(UTAUT)中。这些模型提供了一种潜在的解释，说明对性能、努力、社会影响和便利条件的期望如何成为用户接受和技术使用的决定因素[12］．利用TAM, Van Schaik等人[13]评估了胃肠病学转诊CDSS。该系统通过建议适当的亚专科转诊(内科与外科)，优先考虑紧急情况，并提供实时预订来协助初级保健提供者[13］．他们发现，医生根据系统的潜在优点而不是他们使用计算机系统的经验来评估接受程度[13］．这一发现与Venkatesh等人的[12他们提出了UTAUT模型，在该模型中，他们证明了性能期望是用户接受技术的最强预测因素。

用户接受背后的理论及其对技术采用的影响已经被彻底描述。本文的目的是对文献进行回顾，以评估我们的假设，即医生有意义地参与cdss的设计和开发，并具有透明的决策过程，将导致更高的接受率。

方法

评论

使用关键词“临床决策支持”、“决策支持接受度”和“用户接受度”对MEDLINE/PubMed、CINAHL、PsycInfo、IEEE Xplore和Web of Science进行搜索。任何数据库都没有时间限制，语言过滤器只设置为英语研究。在最初的搜索中，我们找到了186篇论文。去除重复项后，剩下150项研究。为了被纳入本综述，论文必须符合以下纳入标准:调查与CDSS的人类互动，并使用TAM问卷、焦点小组或访谈评估用户接受度。如果论文的重点是不包括临床护理的决策支持系统，或者没有实证调查用户接受度，那么论文将被排除在外。标题和摘要综述剔除了111项研究。其余39项研究进行了全文回顾，最终有14项研究符合纳入标准。搜索结果汇总在图1。

‎ 查看此图

研究结果被分为对cdss表现出有利或不利的反应。有利和不利的分类是基于对被审查论文的研究人员进行的焦点小组和访谈的解释。此外，每篇被审查的论文都指出了CDSS的类型。如果一项研究使用TAM问卷，结果将单独总结。

任务分析

为了更好地理解与cdss相关的问题，我们进行了任务分析。使用过去的研究，任务分析帮助从两个不同的角度识别和描述目标、用户输入、系统输出、知识需求和约束。我们考虑了机器(即CDSS引擎)的视角。我们还考虑了使用者(即医生)的观点。文献综述和任务分析是设计CDSS模型的基础，提高了用户接受度。

结果

评论

对14篇文献的结果进行了评价。定性评价用户对cdss接受度的11篇文章可以在表1使用TAM对cdss的用户接受度进行定量评估的三篇文章见表2。记录患者在临床指南、提醒、诊断cdss方面的积极反应和不良反应。良好的反应是由于系统易于使用，节约时间，以及系统在改善护理服务和患者整体健康方面的有用性[14］．据报道，计算机技能越高的用户接受度越高;然而，大多数用户的接受反应并不理想[15］．这些不利的响应通常与工作流干扰、系统有效性问题、系统引起的过多干扰、效率不足有关。更具体地说，工作流程限制与cdss引起过多警报、增加计算机处理时间和减少与患者面对面的时间有关[14，16，17］．

在回顾的研究中，有三项使用TAM问卷来评估用户对cdss的接受程度(表2)．这些研究中的cdss包括对两种不同的计算机化临床指南系统的评估，以及一种为循证指南提供提醒和警报的系统。感知有用性的范围都是重叠的，但在感知有用性最高的cdss上，它也有最高的感知易用性。总体而言，TAM问卷显示用户在所有量表上接受度适中。在cdss的用户接受度与患者安全之间的关系方面，没有一篇被综述的论文评价了这一主题。然而，Bergman和Fors [15]发现，当用户接受度较低时，该技术的使用相对较低。

任务分析

进行任务分析，以跟上不断变化的专业实践(即卫生资讯科技)[29］．应用于代表性人群的任务分析通过系统评估影响临床实践的临床医生的技能、知识和行为来加强卫生系统[30.］．CDSS在医疗保健领域的使用为实践引入了新的动态，需要进行任务分析以了解用户对这一新技术的看法。出于这个原因，执行任务分析将提高采用水平。任务分析包括目标、输入、过程和输出。下一节将讨论每个任务分析阶段的目的。

目标

CDSS的目标是补充医生作为临床决策的唯一信息处理者，从而有助于减少医疗错误。然而，还有很大的改进空间。在某种程度上，这一缺点可能是由于缺乏医生接受cdss补充他们的决策。为了更好地理解创建临床决策过程的挑战，我们首先考虑哪些信息进入了这个过程。

输入

CDSS基于输入-过程-输出(IPO)模型。CDSS过程的输入包括患者特定的信息，如诊断、药物、症状、实验室数据、人口统计数据和其他临床相关信息。基于知识的cdss的输入通常由临床指南决定，而非基于知识的cdss使用由算法性能评估的最相关信息。

过程

CDSS过程有两种不同的形式:基于知识的和基于非知识的[31］．基于知识的系统由一组规则来管理。另一方面，非基于知识的系统使用计算机作为中央处理单元，从历史信息中学习。因此，这些系统通常使用机器学习算法。

当CDSSs提供临床建议时，不提供这些建议的支持、证据、临床指南或算法。基于知识的cdss的输入通常由临床指南决定，而非基于知识的cdss使用由算法性能评估的最相关信息。在这两种情况下，医生都不知道CDSS使用的输入或过程。因此，CDSS对医生来说是一个黑箱。

除了社会结构(由同辈群体决定的可接受行为)、制度(根据强制实践的要求行事)和决策中的个人道德之外，医生还根据相同的患者信息做出临床决策。可想而知，自动化这样一个复杂的输入网络是很困难的，因为机器永远无法完全封装或实现。

输出

cdss和医生的输出是处理输入所采用的方法的结果。输出可能是诊断、程序、处方等。理想情况下，在计算机和医生提供相同信息的情况下，CDSS的输出应该反映医生的决定。

CDSS对输出的控制级别与用户对输出的控制级别成反比。在某些情况下，CDSS可能是被动的，即它们只为用户“突出显示”信息，而不请求确认或操作[32］．例如，用红色字体显示异常实验室值，用黑色字体显示正常实验室值。主动cdss独立行动，并提供建议指导医生的行为[32］．提供诊断协助的系统就是一个例子。输出的类型取决于任务的目标方向(例如，诊断、药物警报和预防保健的临床指南)。

知识

如果CDSS系统与医生自己的决策过程相匹配，医生更有可能接受CDSS。福斯特(33描述了人类如何利用有限理性和生态理性对信息迅速采取行动。有限理性是基于使用简单的启发式，允许快速、实时的决策。34］．生态理性是基于对特定环境中事物的理性信念，在这种环境中，条件是流动的。福斯特(33他认为，机器学习中需要同时存在有限理性和生态理性，以模仿人类的决策过程。

将这两种方法纳入cdss可能具有挑战性。尽管调节决策过程的启发式方法很简单;启发式操作背后的认知基础结构的复杂性可能很难实现。福斯特[33他认为，机器学习算法可以通过结合有限理性和生态理性的原则来改进。为了完成这项任务，福斯特[33他建议，决策机器应该有(1)一套特别的规则(或偏见)来采取行动，(2)一套生态上可行的环境因素来考虑。

克拉克(35通过一个他称之为“脚手架”的概念，扩展了通过有限理性和生态理性来调解决策过程的想法。克拉克(35他认为人类推理包括三个方面:(1)由某种形式的快速、模式完成式计算(即有限理性)所铸就的个体推理;(2)将大量解决问题的工作交给外部结构和过程(如社会和制度结构);(3)公共语言作为协调社会结构和调解个人思想的手段。因此，决策和认知在很大程度上依赖于在整个环境中分散推理以减少个人工作量的能力。

Holland和他的同事[36]增加了额外的元素，有助于理解医生的决策。这些元素为解决问题提供了一个认知框架，包括两种不同的模式:语用推理模式和问题模式。语用推理模式是抽象推理规则的集群，这些规则描述了对象类型、事件关系和问题目标等一般类的关系。专家使用问题模式来解决常规问题，其中专家检索适当的问题模式并为其提供特定于问题的参数。

系统还必须具有两种类型的知识结构:心智模型和条件-行动规则。Holland和他的同事[36)断言，“心理模型是特定、独特情境的短暂、动态表征。它们只是含蓄地存在，与对当前形势的有组织的、多方面的描述以及由此产生的期望相对应。”条件-动作规则可以被认为是一个IF(条件)…THEN(动作)语句。总之，这些知识结构使心理图式得以运作以解决问题。

为了成功地实施和使用cdss，必须识别这些心智模型。哈耶克(37]指出，知识不会完整地提供给任何人。这一说法证明了cdss为何如此重要。理论上，cdss减少了医生做决定所需的认知资源。

约束

cdss的主要限制是计算机不能完全捕获脚手架。医生执业的环境、临床和社会制约因素很难纳入CDSS。此外，通过心理模型和状态-行动规则重现医生的隐性知识是一个艰巨的目标。此外，医生必须能够支持他们的决定，并对缺乏支持证据或透明度的建议或主张持怀疑态度。cdss没有揭示输出决策是如何做出的这一事实可能是用户缺乏接受度的背后驱动力。

讨论

解决临床决策支持系统用户接受度的方法

研究表明，当患者预后的改善不一致时，对cdss的反应可能是不利的[6］．此外，一些研究报告了与CDSS实施相关的患者伤害事件[38］．尽管有这些发现，有限的研究已经正式评估了用户接受的影响。基于我们对文献的全面回顾，我们发现用户对cdss的接受程度既有有利的，也有不利的。

如果用户发现产品令人沮丧或认为产品的目的是限制自主性，用户可能不会使用该产品或不恰当地使用该产品[39］．瓦西兹等人[40)将丧失自主性的后果解释为反抗。电抗是一种令人不快的动机状态，人们在这种状态下对情况做出反应以保持自由和自主。当医生害怕在这样的系统面前失去自主性和选择自由，而感到受到临床提醒的威胁时，就可能存在抵触情绪。医生可能会认为这些系统是为了取代或降低他们的临床职责。瓦西兹等人[40)描述了如果建议与一个人对选择选项的原始印象相矛盾，那么未经请求的建议可能会导致抗拒状态。

基于UTAUT，技术要被接受，就需要考虑用户的期望[12］．因此，在cdss的设计中，人的因素是不可忽视的。提醒和提醒应该以这样一种方式呈现，用户不会觉得它们是威胁或突兀的。应该在开发生命周期的早期和整个过程中评估CDSS的用户需求和期望。例如，Gadd [18]通过在CDSS开发的早期阶段实施可用性测试，观察到增强的可用性和有用性。他们评估了一个不断发展的系统原型，并观察了3个月的用户交互。在一系列的会议中，他们专注于评估用户与不同系统功能集(如屏幕布局、输入/输出和教育材料链接)的交互。最后，他们在设计过程中考虑了用户对系统建议的反馈。在前面的会议中，用户对系统增强提出了令人信服的建议，这些建议影响了系统功能的开发，并在后面的会议中进行了评估。

法勒等[28]讨论了他们CDSS的开发过程，有临床知识的用户与开发人员一起设计和实现CDSS。他们还使用以用户为中心的生命周期模型设计和评估过程来评估用户的目标/期望、工作流、环境约束和任务。最后，他们在实现之前进行可用性测试(例如，用户界面的启发式评估、击键级建模和认知演练)。

cdss的开发人员试图将医生的决策能力封存起来，并将这些知识存入计算机。目前实现这一壮举的方法采用规则和机器学习算法。然而，缺乏用户的认可妨碍了CDSS的使用。研究表明，在设计CDSS时考虑用户的需求和期望可能有助于克服这一障碍。我们认为，这种方法只是解决方案的一部分。

我们建议cdss在IPO模式中摆脱黑箱流程，采用更透明的方法。简单地说，就是告诉医生计算机是如何做出决定的。如果计算机可以成为脚手架知识的一部分，医生可能会将计算机视为一种帮助，而不是威胁或障碍。研究支持这样的观点，即管理警报的规则应指定给从业者，而信息应根据用户的需要和期望来呈现[41］．

获得用户接受的模型建议

我们提出了两种模型来改善cdss的发展，这可能会导致增加利用率，从而改善患者的预后。首先，是用户接受和系统适应设计(UASAD)模型，该模型旨在让最终用户参与到cdss设计的早期和整个开发过程中。第二，正在用输入-过程-输出-参与(IPOE)模型取代目前CDSS开发的IPO模型，该模型通过CDSS过程透明度来“参与”医生。

UASAD模型要求最终用户尽早参与CDSS开发。在开发CDSS之前，需要充分实现用户的需求和期望。另一个需要考虑的问题是评估系统的准备情况，以确保用户能够信任系统的安全性和私密性。原型设计应该在实验室和自然环境(即试点研究)进行严格的可用性测试之后，经历一个迭代的设计过程，以确保系统在用户功能的认知和环境约束下工作。

最后，应该评估用户接受度，以确保系统被恰当地使用。如果用户接受度没有达到预定的阈值以上，则应该从用户需求和期望的角度重新评估CDSS。它还应该进行适应性的重新设计。这个过程应该迭代，直到用户接受度超过预定义的阈值。为了说明这个过程，我们开发了一个UASAD模型(图2)．该模型的目的是将用户作为CDSS设计过程的焦点。

IPOE模式为用户提供了一个了解黑盒IPO流程的窗口。通过“参与”，医生将看到CDSS是如何做出决定的。IPOE窗口将被称为“engage”，因为它将向用户展示机器生成输出所遵循的规则(图3)．因此，在决定接受或拒绝输出时，用户可以做出明智的决定。“Engage”将显示导致CDSS决策的输入、过程和输出。然后，医生将能够评估建议的相关性、有效性、支持证据和强度。因此，该系统成为医生的支架知识的组成部分，使他们能够更自信地接受技术及其在决策过程中的作用。

IPOE模型的一个局限性是，为了使模型成功工作，医生必须了解这个过程。利用机器学习算法的过程，如神经网络，不提供规则。因此，使所有流程透明是一项挑战。

为什么我们会做出错误的决定?

医生不正确地处理具有挑战性的决策的倾向通常会导致糟糕的临床决策。大多数执业医生倾向于根据自己的医疗经验做出决定，而其他人则寻求医疗咨询，并通过相关研究的术语进行过滤。然而，最有效的医生是有能力利用他的临床判断，加上计算机化的决策支持工具，以利用cdss的力量。当涉及到他们所知道的医疗信息时，大多数临床医生表现出偏见，因此，他们通常专注于与他们希望在患者身上看到的特定临床结果一致的事情。因此，使用CDSS的背景是通过利用现有知识和技术减少医疗差错的努力。这些系统是长期科学研究的结果，为医生建立有效的工具，以补充他们的临床经验。医生应该将cdss视为一种附加价值，以便在日常实践中做出最佳决策，更好地为患者服务。这些系统试图通过使执业医生做出准确和精确的知情决定来减少医疗错误。

‎ 查看此图

‎ 查看此图

结论

cdss的实施已证明提高了效率，减少了医疗差错，并改善了结果，但它们仍未达到其全部潜力[2-9］．我们认为这一关键缺陷可能部分是由于缺乏医生的认可。在过去，CDSS设计没有纳入医生的输入，也没有揭示他们的决策过程。因此，许多医生在接受cdss时犹豫不决，导致实施不佳。在这里，我们提出了两种设计cdss的模型，目的是提高疗效和医生的接受度。其中一个模型，UASAD，通过检查用户需求和期望以及原型设计的可用性，将医生纳入设计过程。另一个模型IPOE扩展了现有的IPO框架，增加了一个向医生显示CDSS过程的“参与”阶段。这种方法允许医生在保持专业自主性的同时，将CDSS作为其决策的组成部分。验证这些模型还有大量的工作要做，然而用户的接受程度似乎与CDSS的成功使用有关。最终，如果医生不接受这项技术，它不仅会对技术的使用构成威胁，而且还会对患者的健康和福祉构成威胁。