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医学信息学上的原创作品。必须包括完整的书目信息,https://medinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
当为了响应少量有用的警报而生成许多不相关的警报时,警报疲劳是不可避免的。了解医生的反应是提高临床决策支持系统(CDSS)有效性的必要条件。
本研究旨在通过评估与药物相关的被动警报系统中警报的临床适当性和相应的医生的反应来了解CDSS和医生的行为。
分析了与药物相关的订单、警报和患者电子病历的数据。分析的数据是在2019年8月至2020年6月期间产生的,当时患者在急诊科。我们评估了382例警报的适当性和医生的反应,并对它们进行了分类。
在382例警报病例中,只有7.3% (n=28)的警报是临床适当的。关于医生对警报反应的适当性,92.4% (n=353)被认为是适当的。在警报分类中,只有3.4% (n=13)的警报被成功触发,2.1% (n=8)的警报在临床相关性和医生反应方面都不恰当。本研究的超验率为92.9% (n=355)。
我们通过对与药物相关的被动警报系统的详细病历审查,评估警报的适当性和医生的反应。由于算法作为一个规则库运行,没有反映患者的个人状况,因此会产生大量不必要的警报。通过理解医生的反应来最大化CDSS的价值是很重要的。
与临床决策支持系统(CDSS)相关联的计算机化医生指令输入(CPOE)已成为医疗保健系统的必要组成部分。CDSS的主要目的是提高患者的安全和护理质量,与药物相关的CDSS尤其有价值[
尽管CDSS警报的实现越来越多,但仍有相当数量的警报被覆盖[
在电子病历(EMRs)中实施临床决策支持工具的一个常见问题是警觉疲劳[
在CDSS中,通常使用两种类型的警报。一种类型的警告是活动警告或“弹出”警告。这些警报要求用户执行操作以继续临床过程,例如单击按钮或说明主要原因。另一种类型的警报是被动警告,例如标记潜在的异常值。与主动警报不同,被动警报不会中断提供者的工作流程;因此,这些警报不需要用户的响应来覆盖临床过程。许多研究已经证实了主动警报会导致警报疲劳的问题[
在被动警报系统中评估无覆盖原因的覆盖的适当性以及警报本身对患者特定病情的临床适当性的研究有限。为了理解医生的行为,以前的研究只根据他们的推理来评估推翻的适当性[
本研究旨在评估在与药物相关的被动警报系统中警报的临床适当性和相应的医生的反应。
本研究为回顾性观察性研究,按用药分层抽样。分析的警报是从2019年8月至2020年6月急诊科(ED)的药物订单中生成的。我们从临床数据仓库(CDW)获得了用药单、警报和患者EMR数据。在韩国,法律规定,只有医生才能开处方,但情况有限。
这项研究得到了三星医疗中心机构审查委员会(IRB 2021-09-115)的批准。
这项研究是在韩国首尔一所高等学术医疗中心的急诊科进行的。每年门诊人次200万人次,提供住院服务1975张床位。急诊科有69张病床和大约35名医生。每年到急诊科就诊的患者人数从75,000到80,000不等。ED的工作流程不受控制且不可预测[
我们的EMR系统是自研系统,2016年开始实施。数据分析和综合知识研究窗口(DARWIN)是一个广泛的系统,包括CPOE以及护理、药学、账单和研究支持,甚至患者门户和web服务。
将药物CDSS中的被动警报系统应用于DARWIN。虽然带有内联文本的被动警报不会干扰医生的工作流程,但它们也可能导致CDSS警报的有效性降低[
本研究使用从研究地点的CDW中提取的数据进行。CDW是每日更新的临床数据的集成存储,如未识别的患者人口统计信息、诊断、处方和实验室结果。在过去,研究人员必须单独检查研究所需的变量,并相应地处理数据。然而,使用CDW,研究者可以很容易地自动获得数据,根据研究者假设的各种变量进行排序。CDW支持将非结构化数据(如文本数据)自动转换为标准化数据,从而方便地进行前瞻性队列研究。
总共选择了20个经常被覆盖的药物警报。我们认为,经常被忽略的警报在临床上的相关性较低;因此,我们将经常被覆盖的警报作为评估目标进行优先级排序。难以评估临床适当性的DDI类型和警报被排除如下:当没有特定的剂量设置信息用于减少剂量时,当根据适应症和严重程度调整剂量的范围很宽时。从20个经常被覆盖的药物警报中随机抽取被覆盖病例和未被覆盖病例。每种药物警报的病例数如下所示。
当医生没有按照警报的建议更改医嘱时,就会发生警报覆盖。我们之前的研究将警报覆盖定义为当日志数据上发生警报时,顺序没有变化[
通过对警报覆盖病例的高级病历回顾和文献研究,由3名临床医生(一名医生、一名药剂师和一名护士)组成的小组确定了每个警报适当性的标准。详细病历回顾,通过患者EMR确认患者年龄、性别、体重、化验室结果(钾、钠、血清肌酐或肾小球滤过率等)、ct状态等信息。每个小组成员独立审查了382例警报病例的随机样本,以评估警报临床相关性的适当性和医生的反应。当小组成员意见不一致时,通过小组讨论达成共识。
根据适当性评估的结果对警报进行分类。我们参考了McCoy等人开发的评估框架[
警报分类表。警报分类表包括不可判定的类别——由于被动警报系统不包括覆盖原因,一些情况可能难以评估。
KTAS是一种评估工具,用于分类ED患者的严重程度和紧急程度。这是一个基于患者主诉和症状严重程度的5级分类量表。KTAS于2012年在韩国成立,旨在提高患者安全,最大限度地减少医院层面的ED拥堵。KTAS对进入急诊科的患者进行评估,评估程序如下:印象评估、感染确认、主要症状选择和主要/次要考虑因素[
通常被忽略的药物根据警报类型进行分组,并检查警报模式。采用分层随机抽样方法抽取病历复查样本。在我们的样本中,我们分析了警报的适当性、医生的反应和患者的人口统计。使用κ指数计算评估警报和医生反应适当性的评分者之间的信度。结果显示为计数和百分比。假阳性警报、医生反应不当和忽略的比率以总警报的百分比表示。所有统计检验均采用R统计软件(4.0.3版本;R统计计算基础)。
医疗记录审查包括356例患者。
共有728种药物触发了警报;然而,我们选择了20个经常被覆盖的药物警报,因为我们认为经常被覆盖的警报的临床相关性较低。
在382个警报分类中,只有3.4% (n=13)的警报被成功触发,2.1% (n=8)的警报和医生的反应都不合适(
学习流程图。DDI:药物-药物相互作用。
这20人分析了药物警报。
订单(用药类型) | 警报类型 | 警报计数,n | 用于医疗记录审查的覆盖警报(N=200), N | 用于医疗记录审查的未覆盖警报(N=182), N |
碳酸氢钠,8.4%,20 mL(其他) | 剂量 | 2125 | 10 | 10 |
埃索美拉唑,40 mg(质子泵抑制剂) | 剂量 | 1885 | 10 | 10 |
头孢曲松钠,2 g(抗生素) | 肾 | 1379 | 10 | 10 |
卡利马特粉,5克(其他) | 剂量 | 1494 | 10 | 10 |
他唑芬,2.25 g(抗生素) | 肾 | 1108 | 10 | 10 |
葡萄糖酸钙,2克/20毫升(钙) | 剂量 | 1230 | 10 | 10 |
对乙酰氨基酚,1 g/100 mL(止痛) | 剂量 | 1527 | 10 | 10 |
泮托拉唑,40mg(质子泵抑制剂) | 剂量 | 1059 | 10 | 10 |
乳果糖糖浆(其他) | 剂量 | 701 | 10 | 10 |
丙帕他莫,1克(镇痛) | 年龄 | 1205 | 10 | 10 |
甲基强的松龙,4毫克(类固醇) | 剂量 | 378 | 10 | 6 |
布洛芬,20mg /mL(非甾体抗炎药一个) | 剂量 | 611 | 10 | 10 |
左氧氟沙星,750毫克(抗生素) | 肾 | 421 | 10 | 10 |
醋酸特利加压素,1毫克(血管收缩剂) | 剂量 | 386 | 10 | 10 |
肾上腺素,1毫克(其他) | 剂量 | 340 | 10 | 9 |
胺碘酮,150毫克(抗心律失常) | 剂量 | 329 | 10 | 10 |
美罗培南,500毫克(抗生素) | 肾 | 301 | 10 | 10 |
氨苄西林/舒巴坦,1.5 g(抗生素) | 剂量 | 271 | 10 | 9 |
头孢唑林,1克(抗生素) | 剂量 | 275 | 10 | 6 |
头孢地托酯,100 mg(抗生素) | 剂量 | 301 | 10 | 2 |
一个非甾体抗炎药。
病人的人口。
人口 | 患者(N=356), N (%) | |||
|
||||
|
女 | 152 (42.7) | ||
|
男性 | 204 (57.3) | ||
|
||||
|
0 ~ 20 | 58 (16.3) | ||
|
20至<40 | 18 (5.1) | ||
|
40至<60 | 75 (21.1) | ||
|
≥60 | 205 (57.6) | ||
|
||||
|
1(最关键) | 13 (3.7) | ||
|
2 | 51 (14.3) | ||
|
3. | 197 (55.3) | ||
|
4 | 94 (26.4) | ||
|
5(最不重要的) | 1 (0.3) | ||
|
||||
|
Noninjury | 68 (19.1) | ||
|
受伤 | 288 (80.9) | ||
|
||||
|
放电 | 121 (34) | ||
|
|
193 (54.2) | ||
|
|
普通病房(n=193) | 165 (85.5) | |
|
|
重症监护室(n=193) | 28日(14.5) | |
|
转移 | 22日(6.2) | ||
|
死亡 | 20 (5.6) |
一个KTAS:韩国分诊敏锐度量表。
警戒临床相关性和医生反应的适当性。
适当性评估 | 例(N=382), N (%) | ||
|
适当的 | 不合适的 | Nondecidable |
警惕临床相关性 | 28日(7.3) | 354 (92.7) | 0 (0) |
医生的反应 | 353 (92.4) | 23日(6) | 6 (1.6) |
警报的评估。
警惕临床相关性 | 医师反应(N=382), N (%) | ||
|
适当的 | 不合适的 | Nondecidable |
适当的 | 13 (3.4)一个 | 15 (3.9)b, c | 0 (0) |
不合适的 | 340 (89)c | 8 (2.1)d | 6 (1.6) |
Nondecidable | 0 (0) | 0 (0) | 0 (0) |
一个成功的警报。
b医生的不依从。
c覆盖率(355/382,92.9%)由这两个值之和除以警报总数决定。
d意想不到的不良后果。
在这项研究中,我们通过详细的医疗记录审查,评估了警报的适当性和医生对药物相关被动警报系统的反应。我们发现只有7.3%的警报是临床适当的,6%的警报导致医生的不适当反应。当为少量适当的警报生成大量不相关的警报时,警报疲劳是不可避免的。有一些成功的警报,警报是适当的,医生接受了警报。医生不遵守警报可能是由于警报的内容含糊不清,没有提供有用的信息[
许多研究已经根据警报的适当性确定了覆盖的适当性[
在我们之前的研究中,我们报告的覆盖率为61.9% [
进一步的研究应探讨利用机器学习(ML)和人工智能(AI)提高警报准确性的技术,分析尚未被广泛研究的被动CDSS,并探索警报数量与医生反应之间的因果关系。临床相关性低的多个警报降低了医生对警报的依赖。此外,许多不必要的警报会导致警报疲劳,并增加忽略真正重要的警报的可能性[
我们的研究有几个局限性。首先,它是在一个ED实践中心进行的。其次,对医生反应适当性的评估可能是主观的,因为被动警报系统不收集覆盖原因。此外,我们没有确认意外不良后果警报的临床后果。仅检查与处方阶段相关的临床后果,不分析调剂/给药阶段。
我们通过对与药物相关的被动警报系统的详细病历审查,评估了警报的适当性和医生的反应。只有更好地了解医生的整体行为,才有可能提高CDSS的有效性。在我们的研究中,大多数警报不能反映每个患者的临床情况;然而,医生们的回答大多是恰当的。当为了响应少量有用的警报而生成大量无关的警报时,警报疲劳是不可避免的。有必要减少不必要的警报,提高其临床相关性,提高警报可靠性,并优化警报。
根据覆盖和未覆盖警报的警报适当性的比较。覆盖警报(7%适当)和未覆盖警报(7.7%适当)之间的临床相关性的适当性没有差异。
人工智能
临床决策支持系统
临床数据仓库
计算机医嘱录入
综合知识的数据分析和研究窗口
药物之间相互作用
急诊科
电子病历
韩国分类和敏锐度量表
机器学习
WCC构想并设计了实验;惠普公司进行了实验;MKC, W Jeong, HC对实验有贡献;W Jung和JY分析了数据;WCC和惠普共同撰写了论文
没有宣布。