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
