پرونده سلامت الکترونیک نیاز به یک شات در بازو

یک مرد جوان اجازه دهید او را راجر می رسد در بخش اورژانس شکایت از درد شکم و حالت تهوع. یک معاینه فیزیکی نشان می دهد که درد متمرکز شده است در سمت راست و پایین بخشی از شکم او. دکتر نگران است که آن می تواند آپاندیسیت. اما در زمان تصویربرداری نتایج دوباره راجر احساس بهتر و اسکن نشان می دهد که پیوست به نظر می رسد طبیعی است. دکتر نوبت به کامپیوتر به تجویز داروهای دو یکی برای حالت تهوع و تیلنول برای درد قبل از تخلیه به او.

این یکی از سناریوهای ساختگی ارائه شده به 55 پزشکان در سراسر کشور به عنوان بخشی از یک مطالعه نگاهی به قابلیت استفاده از پرونده الکترونیک سلامت (EHRs). به تجویز داروهای پزشک برای قرار دادن آنها را در سیستم EHR. در یک بیمارستان یک جستجوی ساده برای تیلنول به ارمغان می آورد تا یک لیست از بیش از 80 گزینه های. راجر یک 26 ساله اما این لیست شامل تیلنول برای کودکان و نوزادان و همچنین تیلنول برای گرفتگی های قاعدگی است. دکتر تلاش می کند به باد افشان لیست با تایپ مورد نظر دوز 500 میلی گرم—به پنجره جستجو, اما در حال حاضر او می شود صفر بازدید. بنابراین او بازگشت به لیست اصلی و در نهایت انتخاب 68 گزینه—تیلنول قدرت فوق العاده (500 میلی گرم) اغلب تجویز دوز تیلنول. آنچه که باید یک کار ساده گرفته گرانبها دقیقه و به مراتب بیشتر از قدرت آن را سزاوار. این فقط یکی از نمونه های بی شماری دردناک سرخوردگی است که پزشکان در برخورد با هر روز زمانی که آنها با استفاده از تر ،

این EHRs—نسخه دیجیتال از کاغذ نمودار که پزشکان استفاده می شود برای ضبط بيماران بازديد نتایج آزمایشگاهی و دیگر اطلاعات مهم پزشکی—قرار بود برای تبدیل عمل پزشکی است. سلامت فناوری اطلاعات اقتصادی و سلامت بالینی (هایتک) قانون به تصویب رسید در سال 2009 ارائه شده است $36 میلیارد دلار مشوق های مالی به درایو بیمارستان ها و درمانگاه به انتقال از کاغذ نمودار به تر ، پس از آن باراک اوباما رئیس جمهور گفت: تغییر خواهد “کاهش ضایعات از بین بردن نوار قرمز و کاهش نیاز به تکرار گران قیمت آزمایش های پزشکی.” او اضافه کرد که آن را “صرفه جویی در زندگی با کاهش کشنده اما قابل پیشگیری از خطاهای پزشکی است که نفوذ ما سیستم مراقبت های بهداشتی.”

زمانی که فناوری به تصویب رسید و 48 درصد از پزشکان مورد استفاده تر ، 2017 که تعداد صعود به 85 درصد اما قدرت ایجاد تغییر و تحول EHRs هنوز متوجه شد. پزشکان در مورد شکایت clunky واسط و وقت گیر ورود اطلاعات. نظرسنجی ها نشان می دهد که آنها زمان بیشتری را صرف برقراری ارتباط با یک بیمار فایل از با بیمار واقعی. به عنوان یک نتیجه فرسودگی شغلی رو به افزایش است. حتی اوباما مشاهده شده است که اجرای این نمی رویم به عنوان برنامه ریزی شده. “این ثابت می شود سخت تر از ما انتظار می رود,” او گفت: Vox در سال 2017.

در عین حال تر انجام دهید باید از این پتانسیل برای ارائه بینش و بازده با توجه به پزشکان و دانشمندان داده. هوش مصنوعی در قالب یادگیری ماشین—که اجازه می دهد تا کامپیوتر به شناسایی الگوهای موجود در داده ها و نتیجه گیری خود را—ممکن است قادر به کمک به غلبه بر موانع مواجه می شوند با تر و باز کردن توانایی های بالقوه خود برای ساخت پیش بینی و بهبود مراقبت از بیمار است.

دیجیتال افتضاح

در سال 2016 انجمن پزشکی آمریکا همکاری با MedStar سلامت سازمان بهداشت و درمان است که در عمل از 10 بیمارستان در بالتیمور-واشنگتن در منطقه به بررسی قابلیت استفاده از دو تا از بزرگترین سیستم های EHR توسعه یافته توسط Cerner مستقر در شمال Kansas City, Mo. و حماسه مستقر در ورونا, Wis., بود. با هم این دو شرکت به حساب 54 درصد از مراقبت حاد در بيمارستان بازار است. تیم استخدام پزشکان اورژانس در چهار بيمارستان و به آنها ساختگی اطلاعات بیمار و شش حالات از جمله یکی در مورد راجر که ارائه شده با آنچه به نظر می رسید مانند آپاندیسیت. این حالات خواسته پزشکان برای مشترک انجام وظایف مانند تجویز داروها و سفارش انجام شد. محققان ارزیابی چه مدت آن را در زمان پزشکان برای تکمیل هر وظیفه چگونه بسیاری از کلیک های مورد نیاز بودند و چگونه با دقت آنها انجام شده است.

چیزی که آنها پیدا شد و دلسرد کننده است. زمان و تعداد کلیک های مورد نیاز به طور گسترده ای متنوع از سایت به سایت و حتی در بین سایت ها با استفاده از همان سیستم. و برخی از وظایف مانند کاهش تدریجی دوز استروئید ثابت فوق العاده روی حیله و تزویر در سراسر هیئت مدیره. پزشکان تا به حال به صورت دستی محاسبه مخروطی دوز که در زمان در هر نقطه از دو تا سه دقیقه و مورد نیاز 20 تا 42 کلیک. این نقص طراحی نمی شد خوش خیم. پزشکان اغلب دوز اشتباهات. در یک سایت ارور رای دادن به 50 درصد است. “ما دیده ایم بیماران در حال آزار و حتی بیماران در حال مرگ به دلیل اشتباهات و یا مسائلی که بوجود می آیند از قابلیت استفاده از این سیستم می گوید:” راج Ratwani مدیر MedStar سلامت مرکز ملی برای عوامل انسانی در بهداشت و درمان.

اما clunky رابط فقط بخشی از مشکل تر ، یکی دیگر از سد این است که اطلاعات هنوز هم جریان به راحتی بین ارائه دهندگان. این سیستم فاقد “توانایی یکپارچه و به طور خودکار تحویل داده زمانی که و که در آن مورد نیاز است در زیر قابل اعتماد در شبکه بدون سیاسی یا مالی مسدود کردن” با توجه به 2018 گزارش از آکادمی ملی پزشکی است. اگر یک بیمار تغییرات پزشکان بازديد مراقبت های فوری و یا حرکت در سراسر کشور سوابق خود را ممکن است یا ممکن است به دنبال. “متصل مراقبت از هدف; قطع مراقبت از واقعیت” نویسندگان نوشت.

در مارس 2018 هریس نظرسنجی انجام یک نظرسنجی آنلاین به نمایندگی از دانشگاه استنفورد پزشکی است که به بررسی پزشکان نگرش در مورد تر ، نتایج عاقلانه است. پزشکان گزارش هزینه های به طور متوسط حدود نیم ساعت در هر بیمار است. بیش از 60 درصد از این زمان صرف شد تعامل با بیمار EHR. نیمی از کار مبتنی بر پزشکان مراقبت های اولیه فکر می کنم با استفاده از یک EHR در واقع کاهش اثربخشی بالینی خود را. اسحاق Kohane یک دانشمند کامپیوتر و صندلی از گروه انفورماتیک پزشکی در دانشکده پزشکی هاروارد می گذارد و آن را با صراحت: “مدارک پزشکی خورد.”

در عین حال با وجود این قابل توجهی از مشکلات موجود در سیستم های EHR بسیاری از پزشکان معتقدند که پرونده های الکترونیکی در حال بهبود گسترده بیش کاغذ نمودار. گرفتن بيماران داده های دیجیتالی به این معنی است که آنها در حال حاضر در دسترس برای تجزیه و تحلیل با استفاده از قدرت هوش مصنوعی. “وجود پتانسیل عظیمی برای استفاده از هوش مصنوعی و یادگیری ماشین به منظور توسعه مدل های پیش بینی و درک بهتر سلامت,” Ratwani می گوید. “من فکر می کنم که کاملا به آینده است.”

آن است که در حال حاضر اتفاق می افتد به برخی از حد. در سال 2015 حماسی شروع به ارائه به مشتریان خود ماشین-مدل های یادگیری. برای توسعه این مدل رایانه ای دانشمندان شروع با الگوریتم ها و آموزش آنها با استفاده از نمونه های دنیای واقعی شناخته شده میباشد. برای مثال اگر هدف این است که برای پیش بینی که بیماران در معرض بیشترین خطر ابتلا به تهدید کننده زندگی خون بیماری شناخته شده به عنوان عفونت است که ناشی از عفونت الگوریتم ممکن است ترکیب داده ها به طور معمول جمع آوری شده در بخش مراقبت ويژه مانند فشار خون, نبض و درجه حرارت. بهتر است اطلاعات بهتر مدل انجام خواهد شد.

حماسه در حال حاضر دارای یک کتابخانه از مدل های است که مشتریان خود را می توانید خرید. “ما بیش از 300 سازمان و یا در حال اجرا و یا اجرای مدل از کتابخانه امروز” می گوید: Seth Hain, مدیر تجزیه و تحلیل و یادگیری ماشین در حماسه. شرکت سپسيس-پیش بینی مدل که اسکن بيماران اطلاعات هر 15 دقیقه و نظارت بر بیش از 80 متغیر است یکی از محبوب ترین. شمال بلوط نظام سلامت در Hammond, La., پیاده سازی مدل در سال 2017. اگر یک بیمار نمره می رسد یک آستانه خاص پزشکان دریافت یک هشدار است که سیگنال های آنها را برای نظارت بر بیمار بیشتر از نزدیک و ارائه آنتی بیوتیک ها در صورت نیاز. از آنجا که نظام سلامت اجرا شده مدل مرگ و میر ناشی از سپسیس کاهش یافته است 18 درصد است.

اما ساخت و اجرای این نوع از مدل سختتر از آن ممکن است در ابتدا به نظر می رسد. بیشتر تکیه تنها بر روی یک EHR را ساختار داده ها—داده هایی را که جمع آوری شده و فرمت شده را در همان راه. کسانی که اطلاعات ممکن است شامل فشار خون, خواندن, نتایج آزمایشگاهی تشخیص یا مواد مخدر آلرژی. اما EHRs شامل طیف گسترده ای از بدون ساختار داده ها بیش از حد مانند یک پزشک یادداشت در مورد یک دیدار e-mail ها و x-ray تصاویر. “اطلاعات وجود دارد وجود دارد, اما این واقعا سخت است برای یک کامپیوتر برای استخراج آن می گوید:” آخر دوشی-ولز یک دانشمند علوم کامپیوتر در دانشگاه هاروارد. نادیده گرفتن این متن به معنی از دست دادن اطلاعات با ارزش مانند اینکه آیا بیمار بهبود یافته است. “وجود دارد واقعا یک کد برای بهتر انجام,” او می گوید. علاوه بر این Ratwani اشاره می کند که به دلیل فقیر قابلیت داده ها اغلب در نهایت در نقطه اشتباه. برای مثال توت فرنگی آلرژی ممکن است در نهایت در مستند بالینی یادداشت به جای اینکه ذکر شده در آلرژی جعبه. در چنین مواردی یک مدل است که به نظر می رسد برای آلرژی تنها در آلرژی بخش از EHR “ساخته شده است از اطلاعات نادرست است.” “است که احتمالا یکی از بزرگترین چالش ما در حال حاضر است.”

لئو آنتونی, Celi, یک متخصص مراقبت های ویژه و بالینی مدیر تحقیقات در موسسه تکنولوژی ماساچوست آزمایشگاه محاسباتی فیزیولوژی موافق است. بسیاری از اطلاعات موجود در EHRs آماده برای تغذیه به یک الگوریتم است. یک مقدار عظیم از گزینش برای اولین بار رخ می دهد. برای مثال می گویند شما می خواهید برای طراحی یک الگوریتم برای کمک به بیماران در بخش مراقبت ويژه جلوگیری از پایین قند خون, یک مشکل شایع است. که برای تلفن های موبایل ساده, Celi می گوید. اما معلوم می شود که قند خون اندازه گیری به روش های مختلف با خون گرفته شده از هر کدام یک خراش انگشت یا یک ورید. انسولین تجویز شده است در روش های مختلف ، زمانی که Celi و همکارانش به بررسی تمام داده ها بر روی انسولین و قند خون از بیماران در یک بیمارستان “وجود دارد به معنای واقعی کلمه هزاران نفر از راه های مختلف آنها وارد شده در EHR.” این داده ها باید به صورت دستی مرتب شده و خوشه های نوع قبل از یکی حتی می توانید با طراحی یک الگوریتم است. “داده های سلامت مانند نفت خام” Celi می گوید. “آن بی فایده است مگر اینکه آن تصفیه شده است.”

هوشمند رفع

فعلی مشکلات EHRs مانع تلاش ها برای استفاده از هوش مصنوعی به اینسو انسو جمع کردن بینش های مهم اما هوش مصنوعی ممکن است خود را فراهم می کند یک راه حل ممکن است. یکی از اصلی ترین اشکالاتی موجود سیستم های EHR پزشکان می گویند زمان آن طول می کشد به سند سفر—همه چیز از شکایت بیمار به پزشک و تحلیل و توصیه. بسیاری از پزشکان بر این باورند که بسیاری از ارزش درمانی از یک پزشک مراجعه کنید در تعاملات Kohane می گوید. اما EHRs باید “به معنای واقعی کلمه گرفته شده دکتر از رو به رو به کامپیوتر است.” پزشکان باید به نوع خود روایت از سفر اما آنها نیز وارد کنید مقدار از اطلاعات همان زمانی که آنها سفارش آزمایشگاه آزمایشات تجویز داروها و صدور صورت حساب را وارد کنید کدهای می گوید: پل Brient رئیس محصول افسر در athenahealth یکی دیگر از EHR فروشنده. این نوع از تکراری کار منجر به پزشک سرخوردگی و فرسودگی شغلی.

به عنوان یک عکاسی در اندازه گیری برخی از بیمارستان ها در حال حاضر کاتبان نشستن در قرار ملاقات به سند این دیدار در حالی که پزشک در تعامل با بیمار است. اما چندین شرکت در حال کار بر روی دیجیتال کاتبان ماشین-الگوریتم های یادگیری است که می تواند یک مکالمه بین دکتر و بیمار, تجزیه متن و استفاده از آن برای پر کردن در اطلاعات مربوط به بیمار در EHR.

در واقع برخی از این سیستم ها در حال حاضر در دسترس است. در سال 2017 Saykara های مستقر در سیاتل, راه اندازی, راه اندازی یک دستیار مجازی به نام کارا. برنامه های iOS با استفاده از یادگیری ماشین تشخیص صدا و پردازش زبان برای ضبط مکالمات بین بیماران و پزشکان و آنها را تبدیل به یادداشت های, تشخیص و سفارشات در EHR. نسخه های قبلی این نرم افزار مورد نیاز دهید از پزشک—بسیار شبیه به اپل Siri—اما نسخه فعلی قرار داده می شود در “محیط حالت” که در آن به سادگی گوش به کل حفاظت و پس از آن را انتخاب و اطلاعات مربوطه. تر تبدیل پزشکان به ورود اطلاعات کارمندان Kohane می گوید. اما برنامه های مانند کارا می تواند در خدمت به عنوان هوشمند و آگاه همکاران. و Saykara یک میزبان از شروع یو پی اس در حال توسعه از جمله ابزار. Athenahealth آخرین نرم افزار تلفن همراه اجازه می دهد تا پزشکان به مستندات خود را دیکته کند. برنامه پس از آن که ترجمه متن به مناسب صدور صورت حساب و کدهای تشخیصی. اما “آن را کامل توسط هر کشش از تخیل” Brient می گوید. پزشک هنوز برای بررسی خطا است. برنامه کاهش حجم کار ، این سیستم که رابرت Wachter صندلی از گروه پزشکی در دانشگاه کالیفرنیا در سان فرانسیسکو دیده است در حال “احتمالا نه کاملا آماده برای زمان نخست” او می گوید: اما آنها باید در یک زن و شوهر از سال است.

هوش مصنوعی نیز ممکن است کمک به پزشکان را بهتر و بیشتر پیچیده تصمیم گیری. “ما فکر می کنم از پشتیبانی تصمیم گیری در یک سیستم کامپیوتری به عنوان یک هشدار” می گوید: یعقوب Reider یک پزشک و مدیر عامل در اتحاد برای سلامت بهتر نیویورک مبتنی بر سیستم مراقبت های بهداشتی است که با این نسخهها کار برای بهبود سلامت جوامع است. که هشدار ممکن است یک جعبه که بالا میآید به یک هشدار دارو آلرژی. اما یک سیستم پیچیده تر ممکن است لیست احتمال عوارض با دارو گزینه در مقابل مواد مخدر گزینه B و ارائه یک مقایسه هزینه. از یک فن آوری نظر در حال توسعه از جمله یک ویژگی است که “هیچ متفاوت از آمازون قرار دادن تبلیغات و یا ساخت شما آگاه باشید از خرید فرصت” او می گوید.

Wachter می بیند حداقل یک نشانه امیدوار است که پیشرفت در حال آمدن است. در چند سال گذشته عظیم از جهان فناوری—گوگل, آمازون, مایکروسافت توسعه داده اند منافع قوی در مراقبت های بهداشتی. گوگل به عنوان مثال با همکاری محققان از U. C. S. F. دانشگاه استنفورد و دانشگاه شیکاگو به منظور توسعه مدل های هدف در پیش بینی حوادث مربوط به بیماران بستری مانند مرگ و میر و غیر منتظره بستری مجدد.

برای مقابله با کثیف دیتا مشکل محققان برای اولین بار ترجمه شده داده ها از دو سیستم های EHR به یک فرمت استاندارد نام سریع بهداشت و درمان همکاری منابع یا FHIR (تلفظ “آتش”). سپس به جای دست-انتخاب مجموعه ای از متغیرها مانند فشار خون و ضربان قلب آنها تا به حال این مدل بخوانید بيماران کل نمودار به عنوان آنها گشوده در طول زمان تا نقطه از بستری شدن در بیمارستان. اطلاعات unspooled به کل از 46,864,534,945 نقاط داده از جمله یادداشت های بالینی. “چه جالب که در مورد روش این است که هر پیش بینی با استفاده از همان داده ها را پیش بینی می گوید:” آلوین Rajkomar یک پزشک و محقق هوش مصنوعی در گوگل که منجر به تلاش است. که هر دو عنصر ساده ورود اطلاعات و افزایش عملکرد.

اما مشارکت گسترده شرکت های بزرگ نیز افزایش جدی نگرانی های حریم خصوصی. در اواسط ماه نوامبر سال 2019 به وال استریت ژورنال گزارش داده که گوگل از طریق همکاری با صعود این کشور به دومین سیستم مراقبت های بهداشتی در حال به دست اورد دسترسی به سوابق دهها میلیون نفر از مردم بدون دانش خود را و یا رضایت. شرکت برنامه ریزی برای استفاده از این اطلاعات به منظور توسعه ماشین آلات-ابزار یادگیری آن را آسان تر برای پزشکان برای دسترسی به اطلاعات بیمار است.

این نوع از داده های است و نه بی سابقه و یا غیر قانونی. طارق شوکت گوگل ابر رئیس جمهور از صنعت محصولات و راه حل های نوشت که داده ها “را نمی توان مورد استفاده برای هر هدف دیگر از برای ارائه این خدمات ما ارائه تحت توافق و بیمار داده نمی تواند و نمی خواهد در ترکیب با هر گوگل اطلاعات مصرف کننده.” اما این اطمینان را متوقف کند وزارت بهداشت و خدمات انسانی از باز کردن یک پرس و جو برای تعیین اینکه آیا گوگل/معراج با پیروی بهداشت و درمان بیمه حمل و پاسخگویی به قانون و مقررات. به عنوان پرس و زمان پرس و جو شد و ادامه دارد.

اما نگرانی های حریم خصوصی نباید توقف تلاش برای بهتر و دقیق تر و بیشتر پاسخگو پرونده سلامت الکترونیک با توجه به Reider. وجود دارد راه هایی برای توسعه این سیستم است که حفظ حریم خصوصی و امنیت او می گوید.

در نهایت تحول واقعی از عمل پزشکی ممکن است نیاز به یک نوع کاملا جدیدی از EHR است که به سادگی نمی دیجیتال فایل و پوشه. همه عمده تر هستند ساخته شده در بالا از پایگاه داده از نوع معماری است که در 20 تا 30 سال, Reider مشاهده. “این سطر و ستون اطلاعات است.” او با تشبیه این سیستم به نرم افزار مورد استفاده برای ضبط موجودی در یک آجر و ملات کتابفروشی: “این را می دانیم که کتاب آن را خریداری و آن را می دانیم که کتاب آن به فروش می رسد.” در حال حاضر تصور چگونه آمازون با استفاده از الگوریتم پیش بینی آنچه ممکن است مشتری خرید فردا و پیش بینی تقاضا است. “آنها به مهندسی سیستم های خود را به طوری که آنها می توانند یاد بگیرند که در این راه و پس از آن آنها می توانند مستقل عمل” Reider می گوید. مراقبت های بهداشتی نیاز به همان نوع از تحول جهش.

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>