Clinical Decision Support Systems Een visie vanuit de praktijk Do’s / don’ts “Seminar Medical Intelligence”, Utrecht 12 september 2014 Ernst de Bel Informatie Architect Arts (voorheen internist – intensivist) Synopsis Klinisch beslissen • Snel • Context afhankelijk • Meer feiten dan documenteerbaar Kennis Tijd Advies Kwaliteit Het EPD : altijd ‘ondercomplex’ • Context • Details Anamnese PDMS IC, NICU…. Decursus Afsprakensysteem ECG’s, EEG’s, Foto’s… Registraties Medicatie Kennisbronnen 11 UMC St Radboud 3 Man, 62 jaar Acute pijn op de borst Web Bellendokter alarmnummer Aankondiging SEH Beslisboom Transport door ambulance Presentatie SEH Vroegbehandeling Aard van de pijn Drukkend, uitstraling linker arm Orderaspirine set Morfine,O2,nitro, Start MONA Medicatiebewaking Start monitoring ECG Lab order PCI verzoek Alarmen en HR 90, 110,BP BP105, 110,SpO2 SpO298% 90% trendanalyse Automatische ECGST elevatie I, aVL, V4-V6 beoordeling Geen verhoging hartenzymen Bayesiaanse inschatting Ventrikelfibrilleren Reanimatie Reanimatie protocol Succesvolle cardioversie Dotter therapyImage processing + Een Poolse man van 28 jaar 1. 2. 3. 4. Trekarbeider in campinghuisje Snel progressieve verlamming Wijde, lichtstijve pupillen Oppervlakkig ademhaling • • Diagnostiek ? Therapie ? Synopis Clinical decision support systems • Doelen van CDSS • Kennis winst • Tijdswinst • Reminders • Indeling en typering • Succes- en faalfactoren Kennis Tijd CDSS Kwaliteit Kenmerken • Timing • Feedback vs Feed forward • Triggering • Automated vs On demand • Missing data • Non-inquisitive vs Inquisitive • Knowledge • Knowledge based vs Machine learning Feedback Medicatie bewakingssignalen Kenmerken •Bewezen klinische effectiviteit •Vullen kennis aan •Onderhoudsintensief •Workflow onderbrekend •Signaal moeheid Feed forward Order set Kenmerken Kenmerken •Tijdwinst •Onderhoudsintensief •Sluit aan op praktijk •Tijdswinst •Vullen kennis aan •Bewezen effectiviteit (?) •Gemakkelijk te onderhouden •Vereist training gebuikers •Feed forward •On demand •Inquisitive •Knowledge based •Feed forward •On demand •Non-inquisitive •Knowledge based •Feed forward •Automated •Non-inquisitive •Knowledge based •Feed forward •On demand •Inquisitive •Knowledge based Engine Types • Rules (Kinderen van 3–12 maanden: Rectaal: bij lichaamsgewicht 3–5,5 kg: 60 mg 2-4×/dag) AsthmaCritic, Clinical rules, diagnosispro, DxMate, Gaston, Esagil • ‘Bayes’ deDombal, GIDEON, Iliad, Dxplain, SimulConsult • Neuraal netwerk Watson, image processing, ECG processing Bayes Vrouw (20 jr) met pijn op de borst bij inspanning ECG bij inspanning : kan passen bij kransvatlijden (test +) Test - bij 96% van personen zonder vaatlijden Test + bij 96% van personen met vaatlijden Ziek Niet ziek Pos. Test 48 3998 4048 Neg Test 2 95952 95952 50 99950 100000 Voorspellende waarde + test : 1,2% Bayes Man (60 jr) met pijn op de borst bij inspanning ECG bij inspanning : past bij kransvatlijden Test - bij 96% van personen zonder vaatlijden Test + bij 96% van personen met vaatlijden Ziek Niet ziek Pos. Test 3970 3840 7810 Neg Test 30 92160 92190 4000 96000 100000 Voorspellende waarde + test : 50,8% IBM Watson According to one expert, only 20 percent of the knowledge physicians use to make diagnosis and treatment decisions today is evidence based. The result? One in five diagnoses are incorrect or incomplete •Feed forward •On demand In fact, the amount of medical information available is doubling every five years •Non-Inquisitive •Natural language processing IBM Watson mines the patient data to find relevant facts about family history, current medications and other existing conditions •Hypothesis generation IBM Watson then provides a list of potential diagnoses along with a score that •Evidence-based learning indicates the level of confidence for each hypothesis. •Bayesian / neuronal network IBM Watson According to one expert, only 20 percent of the knowledge physicians use to make diagnosis and treatment decisions today is evidence based. The result? One in five diagnoses are incorrect or incomplete In fact, the amount of medical information available is doubling every five years IBM Watson mines the patient data to find relevant facts about family history, current medications and other existing conditions IBM Watson then provides a list of potential diagnoses along with a score that indicates the level of confidence for each hypothesis. Toepassing kansrijk in oncologie / hematologie Hinderpalen voor implementatie CDSS • Geen tijdswinst • Registratielast • Meer klikken • Onderbrekingen / aanwijzingen • Gebruikte kennis zonder redactie onbetrouwbaar • Veel onderhoud • Geen bewijs van effectiviteit op klinische eindpunten • In veel situaties geen enkele bijdrage te verwachten • Succesverhalen vaak alleen binnen medische faculteiten Sleutels voor succes CDSS DO • Gebruiker blijft in control • Beloning voor invoer • Minimale invoer, kliks • Informatie • Relevant • Aanvullend • Beknopt • Gericht op context • Tijdswinst • Aangetoonde effecten op tijd, kwaliteit, patient outcome? DON’T • Hinderende pop-ups • Lange vraagbomen • Te veel algoritmische conclusies • Vertrouwen op ingevoerde data • Informatie • Overbekend • Lange teksten • Absurd in context • Tijdrovend
© Copyright 2025 ExpyDoc