Clinical Decision Support Systems

Transcriptie

1 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)

2 Synopsis Klinisch beslissen Snel Context afhankelijk Meer feiten dan documenteerbaar Kennis Advies Tijd Kwaliteit

3 Het EPD : altijd ondercomplex Context Details Anamnese PDMS IC, NICU. Afsprakensysteem Decursus ECG s, EEG s, Foto s Registraties Medicatie Kennisbronnen 11 UMC St Radboud 3

4 Man, 62 jaar Web Bellen dokter alarmnummer Beslisboom Acute pijn op de borst Transport door ambulance Aankondiging SEH Vroegbehandeling Presentatie SEH + Aard van de pijn Drukkend, uitstraling linker arm Morfine,O 2,nitro, Order aspirine set Start monitoring ECG Lab order PCI verzoek Reanimatie Reanimatie protocol Start MONA Medicatiebewaking Alarmen en HR 110, 90, BP BP 105, 110, SpO2 98% 90% trendanalyse Automatische ECG ST elevatie I, avl, V4-V6 beoordeling Geen verhoging hartenzymen Bayesiaanse inschatting Ventrikelfibrilleren Succesvolle cardioversie Dotter therapy Image processing

5 Een Poolse man van 28 jaar 1. Trekarbeider in campinghuisje 2. Snel progressieve verlamming 3. Wijde, lichtstijve pupillen 4. Oppervlakkig ademhaling Diagnostiek? Therapie?

6

7 Synopis Clinical decision support systems Doelen van CDSS Kennis winst Tijdswinst Reminders Indeling en typering Succes- en faalfactoren Kennis CDSS Tijd Kwaliteit

8 Kenmerken Timing Feedback vs Feed forward Triggering Automated vs On demand Missing data Non-inquisitive vs Inquisitive Knowledge Knowledge based vs Machine learning

9 Feedback Medicatie bewakingssignalen Kenmerken Bewezen klinische effectiviteit Vullen kennis aan Onderhoudsintensief Workflow onderbrekend Signaal moeheid

10 Feed forward Order set Kenmerken Kenmerken Tijdwinst Onderhoudsintensief Sluit aan op praktijk Tijdswinst Vullen kennis aan Bewezen effectiviteit (?) Gemakkelijk te onderhouden Vereist training gebuikers

11 Feed forward On demand Inquisitive Knowledge based

12 Feed forward On demand Non-inquisitive Knowledge based

13 Feed forward Automated Non-inquisitive Knowledge based

14 Feed forward On demand Inquisitive Knowledge based

15 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

16 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 Neg Test Voorspellende waarde + test : 1,2%

17 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 Neg Test Voorspellende waarde + test : 50,8%

18 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 Feed or incomplete forward On demand Non-Inquisitive Natural language processing Hypothesis generation Evidence-based learning Bayesian / neuronal network 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.

19 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

20 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

21 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