Un sistema de apoyo a la toma de decisiones clínicas ( CDSS ) es una tecnología de información de salud, proporciona a los médicos, el personal, los pacientes u otras personas el conocimiento y la información específica de cada persona, filtrada de manera inteligente o presentada en los momentos adecuados, para mejorar la salud y la atención médica. CDS abarca una variedad de herramientas para mejorar la toma de decisiones en el flujo de trabajo clínico. Estas herramientas incluyen alertas y recordatorios computarizados para los proveedores de atención y los pacientes; guías clínicas; conjuntos de órdenes de condiciones específicas; informes y resúmenes de datos de pacientes enfocados; plantillas de documentación; soporte de diagnóstico e información de referencia contextualmente relevante, entre otras herramientas. Robert Hayward, del Center for Health Evidence, ha propuesto una definición de trabajo: "Los sistemas de apoyo a la toma de decisiones clínicas vinculan las observaciones de la salud con el conocimiento de la salud para influir en las elecciones de salud de los médicos para mejorar la atención médica". [1]Los CDSS constituyen un tema importante en la inteligencia artificial en medicina .
Caracteristicas
Un sistema de apoyo a la decisión clínica es un sistema de conocimiento activo, que utiliza variables de datos del paciente para producir consejos sobre el caso de salud. Esto implica que un CDSS es simplemente un sistema de apoyo a la toma de decisiones que se centra en utilizar la gestión del conocimiento de tal manera que se obtenga un asesoramiento clínico para la atención del paciente basado en múltiples elementos de datos del paciente.
Propósito
El objetivo principal del CDSS moderno es ayudar a los médicos en el punto de atención. [2] Esto significa que los médicos interactúan con un CDSS para ayudar a analizar y llegar a un diagnóstico basado en los datos del paciente.
En los primeros días, los CDSS se concibieron como si se usaran literalmente para tomar decisiones por el médico. El médico ingresaría la información y esperaría a que el CDSS emitiera la opción "correcta" y el médico simplemente actuaría sobre esa salida. Sin embargo, la metodología moderna de usar CDSS para ayudar significa que el médico interactúa con el CDSS, utilizando tanto su propio conocimiento como el CDSS, para hacer un mejor análisis de los datos del paciente que el que los humanos o los CDSS podrían hacer por sí mismos. Por lo general, un CDSS hace sugerencias para que el médico las revise, y se espera que el médico escoja información útil de los resultados presentados y descarte las sugerencias erróneas de CDSS. [3]
Los dos tipos principales de CDSS se basan en el conocimiento y no se basan en el conocimiento: [2]
Un ejemplo de cómo un médico puede utilizar un sistema de apoyo a las decisiones clínicas es un sistema de apoyo a las decisiones de diagnóstico. Un DDSS solicita algunos de los datos de los pacientes y, en respuesta, propone un conjunto de diagnósticos adecuados. Luego, el médico toma la salida del DDSS y determina qué diagnósticos podrían ser relevantes y cuáles no, [2] y, si es necesario, ordena más pruebas para delimitar el diagnóstico.
Otro ejemplo de un CDSS sería un sistema de razonamiento basado en casos (CBR). [4] Un sistema CBR podría utilizar datos de casos anteriores para ayudar a determinar la cantidad apropiada de haces y los ángulos óptimos de haz para su uso en radioterapia para pacientes con cáncer de cerebro; los físicos médicos y los oncólogos luego revisarían el plan de tratamiento recomendado para determinar su viabilidad. [5]
Otra clasificación importante de un CDSS se basa en el momento de su uso. Los médicos usan estos sistemas en el punto de atención para ayudarlos mientras tratan con un paciente, y el momento de uso es previo al diagnóstico, durante el diagnóstico o posterior al diagnóstico. [ cita requerida ] Los sistemas CDSS de pre-diagnóstico se utilizan para ayudar al médico a preparar los diagnósticos. Los CDSS utilizados durante el diagnóstico ayudan a revisar y filtrar las opciones de diagnóstico preliminares del médico para mejorar sus resultados finales. Los sistemas CDSS posteriores al diagnóstico se utilizan para extraer datos para derivar conexiones entre los pacientes y su historial médico pasado y la investigación clínica para predecir eventos futuros. [2] A partir de 2012, se ha afirmado que el apoyo a la toma de decisiones comenzará a reemplazar a los médicos en tareas comunes en el futuro. [6]
Otro enfoque, utilizado por el Servicio Nacional de Salud en Inglaterra, es usar un DDSS (ya sea, en el pasado, operado por el paciente o, hoy, por un operador telefónico que no está capacitado médicamente) para clasificar las condiciones médicas fuera de horas sugiriendo al paciente un próximo paso adecuado (por ejemplo, llamar a una ambulancia o ver a un médico de cabecera el siguiente día laborable). La sugerencia, que puede ser ignorada por el paciente o por el operador del teléfono si el sentido común o la precaución sugieren lo contrario, se basa en la información conocida y en una conclusión implícita sobre cuál es el diagnóstico del peor de los casos ; no siempre se le revela al paciente, porque bien podría ser incorrecto y no se basa en la opinión de una persona capacitada médicamente; solo se usa para propósitos de triaje inicial. [ cita requerida ]
CDSS basado en el conocimiento
La mayoría de los CDSS constan de tres partes: la base de conocimientos, un motor de inferencia y un mecanismo para comunicarse. [7] La base de conocimientos contiene las reglas y asociaciones de datos compilados que, con mayor frecuencia, adoptan la forma de reglas SI-ENTONCES. Si este fuera un sistema para determinar las interacciones entre medicamentos , entonces una regla podría ser que SI se toma el medicamento X Y se toma el medicamento Y ENTONCES alertar al usuario. Con otra interfaz, un usuario avanzado podría editar la base de conocimientos para mantenerla actualizada con nuevos medicamentos. El motor de inferencia combina las reglas de la base de conocimientos con los datos del paciente. El mecanismo de comunicación permite que el sistema muestre los resultados al usuario y también tenga entrada en el sistema. [3] [2]
Se necesita un lenguaje de expresión como GELLO o CQL (Clinical Quality Language) para expresar artefactos de conocimiento de manera computable. Por ejemplo: si un paciente tiene diabetes mellitus, y si el resultado de la última prueba de hemoglobina A1c fue inferior al 7%, recomiende volver a realizar la prueba si han pasado más de 6 meses, pero si el resultado de la última prueba fue superior o igual al 7% , luego recomiende volver a realizar la prueba si han pasado más de 3 meses.
El enfoque actual del HL7 CDS WG es basarse en el lenguaje de calidad clínica (CQL). [8] CMS ha anunciado que planea utilizar CQL para la especificación de eCQM ( https://ecqi.healthit.gov/cql ).
CDSS no basado en el conocimiento
Los CDSS que no utilizan una base de conocimientos utilizan una forma de inteligencia artificial llamada aprendizaje automático , [9] que permite a las computadoras aprender de experiencias pasadas y / o encontrar patrones en los datos clínicos. Esto elimina la necesidad de escribir reglas y de la participación de expertos. Sin embargo, dado que los sistemas basados en el aprendizaje automático no pueden explicar las razones de sus conclusiones, la mayoría de los médicos no los utilizan directamente para diagnósticos, por razones de confiabilidad y responsabilidad. [3] [2] No obstante, pueden ser útiles como sistemas de posdiagnóstico, para sugerir patrones para que los médicos los examinen con mayor profundidad.
A partir de 2012, tres tipos de sistemas no basados en el conocimiento son las máquinas de vectores de soporte , las redes neuronales artificiales y los algoritmos genéticos . [10]
- Las redes neuronales artificiales utilizan nodos y conexiones ponderadas entre ellos para analizar los patrones encontrados en los datos del paciente para derivar asociaciones entre los síntomas y un diagnóstico.
- Los algoritmos genéticos se basan en procesos evolutivos simplificados que utilizan la selección dirigida para lograr resultados óptimos de CDSS. Los algoritmos de selección evalúan componentes de conjuntos aleatorios de soluciones a un problema. Las soluciones que salen en la parte superior luego se recombinan y mutan y pasan por el proceso nuevamente. Esto sucede una y otra vez hasta que se descubre la solución adecuada. Son funcionalmente similares a las redes neuronales en el sentido de que también son "cajas negras" que intentan derivar conocimiento de los datos del paciente.
- Las redes no basadas en el conocimiento a menudo se enfocan en una lista limitada de síntomas, como los síntomas de una sola enfermedad, en contraposición al enfoque basado en el conocimiento que cubre el diagnóstico de muchas enfermedades diferentes. [3] [2]
Normativas
Estados Unidos
Con la promulgación de la Ley Estadounidense de Recuperación y Reinversión de 2009 (ARRA), existe un impulso para la adopción generalizada de tecnología de información de salud a través de la Ley de Tecnología de Información de Salud para la Salud Económica y Clínica (HITECH). A través de estas iniciativas, más hospitales y clínicas están integrando registros médicos electrónicos (EMR) y entrada computarizada de órdenes médicas (CPOE) dentro de su procesamiento y almacenamiento de información de salud. En consecuencia, el Instituto de Medicina (IOM) promovió el uso de la tecnología de la información sanitaria, incluidos los sistemas de apoyo a la toma de decisiones clínicas para mejorar la calidad de la atención al paciente. [11] El IOM había publicado un informe en 1999, To Err is Human , que se centró en la crisis de seguridad del paciente en los Estados Unidos, señalando el número increíblemente alto de muertes. Esta estadística atrajo gran atención a la calidad de la atención al paciente. [ cita requerida ]
Con la promulgación de la Ley HITECH incluida en la ARRA, que fomenta la adopción de tecnologías de la información para la salud, todavía existen casos legales más detallados para CDSS y EMR [ ¿cuándo? ] siendo definido por la Oficina del Coordinador Nacional de Tecnología de la Información de la Salud (ONC) y aprobado por el Departamento de Salud y Servicios Humanos (HHS). Aún no se ha publicado una definición de "uso significativo". [ aclaración necesaria ]
A pesar de la ausencia de leyes, es casi seguro que se consideraría que los proveedores de CDSS tienen el deber legal de cuidar tanto a los pacientes que pueden verse afectados negativamente debido al uso de CDSS como a los médicos que pueden usar la tecnología para el cuidado del paciente. [ cita requerida ] [ aclaración necesaria ] Sin embargo, las regulaciones legales de deberes de cuidado aún no están explícitamente definidas.
Con legislaciones efectivas recientes relacionadas con incentivos de pago por cambio de desempeño, los CDSS se están volviendo más atractivos. [ cita requerida ] [ aclaración necesaria ]
Eficacia
La evidencia de la efectividad de CDSS es mixta. Hay ciertas entidades patológicas que se benefician más del CDSS que otras entidades patológicas. Una revisión sistemática de 2018 identificó seis afecciones médicas, en las que el CDSS mejoró los resultados de los pacientes en entornos hospitalarios, que incluyen: manejo de la glucosa en sangre, manejo de transfusiones de sangre, prevención del deterioro fisiológico, prevención de úlceras por presión, prevención de lesión renal aguda y profilaxis de tromboembolia venosa. [12] Una revisión sistemática de 2014 no encontró ningún beneficio en términos de riesgo de muerte cuando el CDSS se combinó con la historia clínica electrónica . [13] Sin embargo, puede haber algunos beneficios en términos de otros resultados. [13] Una revisión sistemática de 2005 concluyó que los CDSS mejoraron el desempeño de los médicos en el 64% de los estudios y los resultados de los pacientes en el 13% de los estudios. Las características de CDSS asociadas con el desempeño mejorado del médico incluían avisos electrónicos automáticos en lugar de requerir la activación del sistema por parte del usuario. [14]
Una revisión sistemática de 2005 encontró ... "Los sistemas de apoyo a la toma de decisiones mejoraron significativamente la práctica clínica en el 68% de los ensayos". Las características de CDSS asociadas con el éxito incluyeron la integración en el flujo de trabajo clínico en lugar de un inicio de sesión o una pantalla separados. Plantillas electrónicas en lugar de impresas, que brindan apoyo a la toma de decisiones en el momento y el lugar de la atención en lugar de antes y brindan recomendaciones para la atención. . [15]
Sin embargo, las revisiones sistemáticas posteriores fueron menos optimistas sobre los efectos de los CDS, y una de 2011 afirmaba "Existe una gran brecha entre los beneficios postulados y demostrados empíricamente de [CDSS y otras] tecnologías de eSalud ... ser demostrado " . [dieciséis]
En 2014 se publicó una evaluación de 5 años de la eficacia de un CDSS en la implementación de un tratamiento racional de las infecciones bacterianas; según los autores, fue el primer estudio a largo plazo de un CDSS. [17]
Desafíos para la adopción
Desafíos clínicos
Muchas instituciones médicas y empresas de software han realizado un gran esfuerzo para producir CDSS viables para respaldar todos los aspectos de las tareas clínicas. Sin embargo, con la complejidad de los flujos de trabajo clínicos y las altas demandas de tiempo del personal, la institución que implementa el sistema de apoyo debe tener cuidado para garantizar que el sistema se convierta en una parte fluida e integral del flujo de trabajo clínico. Algunos CDSS han tenido diferentes grados de éxito, mientras que otros han sufrido problemas comunes que impiden o reducen la adopción y aceptación exitosas.
Dos sectores del dominio de la salud en los que los CDSS han tenido un gran impacto son los sectores de farmacia y facturación. Existen sistemas de pedidos de recetas y farmacias de uso común que ahora realizan la verificación por lotes de los pedidos para detectar interacciones negativas con los medicamentos e informan las advertencias al profesional que realiza el pedido. Otro sector de éxito para CDSS es la facturación y la presentación de reclamaciones. Dado que muchos hospitales dependen de los reembolsos de Medicare para permanecer en funcionamiento, se han creado sistemas para ayudar a examinar tanto un plan de tratamiento propuesto como las reglas actuales de Medicare a fin de sugerir un plan que intente abordar tanto la atención del paciente como las necesidades financieras. de la institución. [ cita requerida ]
Otros CDSS destinados a tareas de diagnóstico han tenido éxito, pero a menudo son muy limitados en cuanto a implementación y alcance. El sistema de dolor abdominal de Leeds entró en funcionamiento en 1971 para el hospital de la Universidad de Leeds y se informó que produjo un diagnóstico correcto en el 91,8% de los casos, en comparación con la tasa de éxito de los médicos del 79,6%. [ cita requerida ]
A pesar de la amplia gama de esfuerzos de las instituciones para producir y utilizar estos sistemas, todavía no se ha logrado una adopción y aceptación generalizadas para la mayoría de las ofertas. Históricamente, un gran obstáculo para la aceptación ha sido la integración del flujo de trabajo. Existía una tendencia a centrarse únicamente en el núcleo funcional de toma de decisiones del CDSS, lo que provocaba una deficiencia en la planificación de cómo el médico utilizará realmente el producto in situ. A menudo, los CDSS eran aplicaciones independientes, que requerían que el médico dejara de trabajar en su sistema actual, cambiara al CDSS, ingresara los datos necesarios (incluso si ya se habían ingresado en otro sistema) y examinara los resultados producidos. Los pasos adicionales rompen el flujo desde la perspectiva del médico y cuestan un tiempo precioso. [ cita requerida ] [18]
Desafíos técnicos y barreras para la implementación
Los sistemas de apoyo a la toma de decisiones clínicas enfrentan grandes desafíos técnicos en varias áreas. Los sistemas biológicos son profundamente complicados y una decisión clínica puede utilizar una enorme variedad de datos potencialmente relevantes. Por ejemplo, un sistema de medicina electrónica basada en evidencia puede considerar los síntomas, el historial médico, los antecedentes familiares y la genética de un paciente , así como las tendencias históricas y geográficas de la aparición de la enfermedad, y los datos clínicos publicados sobre la eficacia de los medicamentos al recomendar el curso de tratamiento de un paciente. .
Clínicamente, un gran obstáculo para la aceptación de CDSS es la integración del flujo de trabajo.
Otra fuente de controversia con muchos sistemas de apoyo médico es que producen una gran cantidad de alertas. Cuando los sistemas producen un gran volumen de advertencias (especialmente aquellas que no requieren escalada), además de la molestia, los médicos pueden prestar menos atención a las advertencias, lo que hace que se pierdan alertas potencialmente críticas.
Mantenimiento
Uno de los principales desafíos que enfrenta el CDSS es la dificultad para incorporar la gran cantidad de investigación clínica que se publica de forma continua. En un año determinado, se publican decenas de miles de ensayos clínicos. [19] Actualmente, cada uno de estos estudios debe leerse manualmente, evaluarse para su legitimidad científica e incorporarse al CDSS de manera precisa. En 2004, se afirmó que el proceso de recopilación de datos clínicos y conocimientos médicos y ponerlos en una forma que las computadoras puedan manipular para ayudar en el apoyo de decisiones clínicas está "todavía en su infancia". [20]
Sin embargo, es más factible para una empresa hacer esto de manera centralizada, aunque de manera incompleta, que para cada médico individual tratar de mantenerse al día con todas las investigaciones que se publican. [ cita requerida ]
Además de ser laboriosa, la integración de nuevos datos a veces puede ser difícil de cuantificar o incorporar en el esquema de apoyo a la decisión existente, particularmente en casos en los que diferentes artículos clínicos pueden parecer contradictorios. La resolución adecuada de este tipo de discrepancias suele ser el tema de los artículos clínicos en sí (ver metanálisis ), que a menudo tardan meses en completarse. [ cita requerida ]
Evaluación
Para que un CDSS ofrezca valor, debe mejorar de manera demostrable el flujo de trabajo clínico o el resultado. La evaluación de CDSS es el proceso de cuantificar su valor para mejorar la calidad de un sistema y medir su efectividad. Debido a que diferentes CDSS tienen diferentes propósitos, no existe una métrica genérica que se aplique a todos esos sistemas; sin embargo, atributos como la coherencia (consigo mismo y con los expertos) a menudo se aplican en un amplio espectro de sistemas. [21]
El punto de referencia de evaluación para un CDSS depende del objetivo del sistema: por ejemplo, un sistema de apoyo a la toma de decisiones de diagnóstico puede calificarse según la consistencia y precisión de su clasificación de enfermedad (en comparación con los médicos u otros sistemas de apoyo a la toma de decisiones). Un sistema de medicina basado en la evidencia podría clasificarse en función de una alta incidencia de mejora del paciente o un mayor reembolso financiero para los proveedores de atención. [ cita requerida ]
Combinando con historiales médicos electrónicos
La implementación de HCE fue un desafío inevitable. Las razones detrás de este desafío son que es un área relativamente desconocida y hay muchos problemas y complicaciones durante la fase de implementación de una HCE. Esto se puede ver en los numerosos estudios que se han realizado. [ cita requerida ] Sin embargo, los desafíos en la implementación de registros de salud electrónicos (EHR) han recibido cierta atención, pero se sabe menos sobre el proceso de transición de EHR heredados a sistemas más nuevos. [22]
Los EHR son una forma de capturar y utilizar datos en tiempo real para brindar atención al paciente de alta calidad, lo que garantiza la eficiencia y el uso eficaz del tiempo y los recursos. La incorporación de EHR y CDSS juntos en el proceso de la medicina tiene el potencial de cambiar la forma en que se enseña y se practica la medicina. [23] Se ha dicho que "el nivel más alto de HCE es un CDSS". [24]
Dado que "los sistemas de apoyo a la decisión clínica (CDSS) son sistemas informáticos diseñados para influir en la toma de decisiones del médico sobre pacientes individuales en el momento en que se toman estas decisiones", [23] está claro que sería beneficioso tener un CDSS completamente integrado y EHR.
Aunque se pueden ver los beneficios, la implementación completa de un CDSS que está integrado con un EHR ha requerido históricamente una planificación significativa por parte del centro / organización de atención médica, para que el propósito del CDSS sea exitoso y efectivo. El éxito y la eficacia se pueden medir por el aumento en la atención al paciente que se brinda y la reducción de los eventos adversos que ocurren. Además, habría un ahorro de tiempo y recursos, y beneficios en términos de autonomía y beneficios económicos para la institución / organización de salud. [25]
Beneficios de CDSS combinados con EHR
Una integración exitosa de CDSS / EHR permitirá brindar al paciente las mejores prácticas y una atención de alta calidad, que es el objetivo final de la atención médica.
Los errores siempre han ocurrido en la atención médica, por lo que tratar de minimizarlos tanto como sea posible es importante para brindar una atención de calidad al paciente. Tres áreas que se pueden abordar con la implementación de CDSS y registros médicos electrónicos (EHR) son:
- Errores de prescripción de medicamentos
- Eventos adversos de medicamentos
- Otros errores médicos
Los CDSS serán más beneficiosos en el futuro cuando las instalaciones sanitarias sean "100% electrónicas" en términos de información del paciente en tiempo real, simplificando así el número de modificaciones que deben producirse para garantizar que todos los sistemas estén actualizados entre sí.
Los beneficios medibles de los sistemas de apoyo a la toma de decisiones clínicas sobre el desempeño de los médicos y los resultados de los pacientes siguen siendo objeto de investigación en curso.
Barreras
La implementación de historias clínicas electrónicas (HCE) en entornos de atención médica plantea desafíos; nada más importante que mantener la eficiencia y la seguridad durante el despliegue, [26] pero para que el proceso de implementación sea efectivo, la comprensión de las perspectivas de los usuarios de HCE es clave para el éxito de los proyectos de implementación de HCE. [27] Además de esto, la adopción debe fomentarse activamente a través de un enfoque de abajo hacia arriba, en el que las necesidades clínicas sean lo primero. [28] Lo mismo puede decirse de CDSS.
A partir de 2007, las principales áreas de preocupación con el paso a un sistema HCE / CDSS totalmente integrado han sido: [29]
- Intimidad
- Confidencialidad
- La facilidad de uso
- Exactitud e integridad del documento
- Integración
- Uniformidad
- Aceptación
- Alerta de desensibilización
así como los aspectos clave de la entrada de datos que deben abordarse al implementar un CDSS para evitar que ocurran posibles eventos adversos. Estos aspectos incluyen si:
- se están utilizando datos correctos
- todos los datos se han introducido en el sistema
- se están siguiendo las mejores prácticas actuales
- los datos se basan en pruebas [se necesita aclaración ]
Se ha propuesto una arquitectura orientada a servicios como medio técnico para abordar algunas de estas barreras. [30]
Estado en Australia
En julio de 2015, la transición planificada a los HCE en Australia se enfrenta a dificultades. La mayoría de los centros de atención médica todavía ejecutan sistemas completamente basados en papel, y algunos se encuentran en una fase de transición de HCE escaneados, o se están moviendo hacia esa fase de transición.
Victoria ha intentado implementar EHR en todo el estado con su programa HealthSMART, pero debido a costos inesperadamente altos, canceló el proyecto. [31]
Sin embargo, Australia del Sur (SA) tiene un poco más de éxito que Victoria en la implementación de un HCE. Esto puede deberse a que todas las organizaciones sanitarias públicas de Sudáfrica se gestionan de forma centralizada.
(Sin embargo, por otro lado, el Servicio Nacional de Salud del Reino Unido también se administra de manera centralizada, y su Programa Nacional de TI en la década de 2000, que incluía HCE en su ámbito de competencia, fue un desastre costoso).
SA está en proceso de implementar el " Sistema de administración de pacientes empresarial (EPAS)". Este sistema es la base para todos los hospitales públicos y sitios de atención médica para un HCE dentro de SA y se esperaba que para fines de 2014 todas las instalaciones de SA estén conectadas a él. Esto permitiría una integración exitosa de CDSS en SA y aumentaría los beneficios de la HCE. [32] En julio de 2015 se informó que solo 3 de 75 establecimientos de salud implementaron EPAS. [33]
Con el sistema de salud más grande del país y un modelo federado en lugar de administrado centralmente, Nueva Gales del Sur está logrando un progreso constante hacia la implementación de los HCE en todo el estado. La iteración actual de la tecnología del estado, eMR2, incluye características de CDSS como una vía de sepsis para identificar a pacientes en riesgo en base a la entrada de datos al registro electrónico. En junio de 2016, 93 de los 194 sitios incluidos en el alcance de la implementación inicial habían implementado eMR2 [34].
Estado en Finlandia
El servicio Duodecim EBMEDS Clinical Decision Support es utilizado por más del 60% de los médicos de salud pública finlandeses. [35]
Ver también
- Lenguaje de expresión Gello
- Organización Internacional de Desarrollo de Estándares de Terminología Sanitaria
- Algoritmo médico
- Informática Médica
- Ley de protección de la información de salud personal (una ley en vigor en Ontario)
- Apoyo a la toma de decisiones sobre el tratamiento (herramientas de apoyo a la toma de decisiones para los pacientes)
- Inteligencia artificial en la salud
- Un sistema médico prospectivo del futuro / Un sistema de atención médica completo
Referencias
- ^ "CDSS" . www.ebmconnect.com . Consultado el 2 de febrero de 2021 .
- ^ a b c d e f g Berner, Eta S., ed. Sistemas de apoyo a la decisión clínica. Nueva York, NY: Springer, 2007.
- ^ a b c d "Sistemas de apoyo a la toma de decisiones". 26 de julio de 2005. 17 de febrero de 2009 < [1] .
- ^ Begum, Shahina; Ahmed, Mobyen Uddin; Funk, Peter; Xiong, Ning; Folke, Mia (julio de 2011). "Sistemas de razonamiento basado en casos en las ciencias de la salud: una encuesta de tendencias y desarrollos recientes" . Transacciones IEEE sobre sistemas, hombre y cibernética - Parte C: Aplicaciones y revisiones . 41 (4): 421–434. doi : 10.1109 / TSMCC.2010.2071862 . S2CID 22441650 .
- ^ Khussainova, Gulmira; Petrovic, Sanja; Jagannathan, Rupa (2015). "Recuperación con agrupamiento en un sistema de razonamiento basado en casos para la planificación del tratamiento de radioterapia" . Journal of Physics: Serie de conferencias . 616 (1): 012013. Código bibliográfico : 2015JPhCS.616a2013K . doi : 10.1088 / 1742-6596 / 616/1/012013 . ISSN 1742-6596 .
- ^ Khosla, Vinod (4 de diciembre de 2012). La tecnología sustituirá al 80% de lo que hacen los médicos ” . CNN . Archivado desde el original el 28 de marzo de 2013 . Consultado el 25 de abril de 2013 .
- ^ Peyman., Dehghani Soufi, Mahsa. Samad-Soltani, Taha. Shams Vahdati, Samad. Rezaei-Hachesu. Sistema de apoyo a la toma de decisiones para la gestión del triaje: un enfoque híbrido que utiliza el razonamiento basado en reglas y la lógica difusa . OCLC 1051933713 .
- ^ "Estándares HL7 CDS" . Grupo de trabajo HL7 CDS . Consultado el 25 de junio de 2019 .
- ^ Spie (marzo de 2015). "Charla plenaria de Tanveer Syeda-Mahmood: el papel del aprendizaje automático en el apoyo a la decisión clínica". Sala de prensa SPIE . doi : 10.1117 / 2.3201503.29 .
- ^ Wagholikar, Kavishwar; V. Sundararajan; Ashok Deshpande (2012). "Paradigmas de modelado para el apoyo a la decisión de diagnóstico médico: una encuesta y direcciones futuras". Revista de sistemas médicos . 36 (5): 3029-3049. doi : 10.1007 / s10916-011-9780-4 . PMID 21964969 . S2CID 14509743 .
- ^ Medicina, Instituto de (28 de febrero de 2001). Cruzando el abismo de la calidad: un nuevo sistema de salud para el siglo XXI . doi : 10.17226 / 10027 . ISBN 978-0-309-46561-8. PMID 25057539 .
- ^ Varghese, J; Kleine, M; Gessner, SI; Sandmann, S; Dugas, M (mayo de 2018). "Efectos de las implementaciones del sistema de soporte de decisiones computarizado sobre los resultados del paciente en la atención hospitalaria: una revisión sistemática" . Revista de la Asociación Estadounidense de Informática Médica . 25 (5): 593–602. doi : 10.1093 / jamia / ocx100 . PMC 7646949 . PMID 29036406 .
- ^ a b Moja, L; Kwag, KH; Lytras, T; Bertizzolo, L; Brandt, L; Pecoraro, V; Rigon, G; Vaona, A; Ruggiero, F; Mangia, M; Iorio, A; Kunnamo, yo; Bonovas, S (diciembre de 2014). "Eficacia de los sistemas informatizados de apoyo a la toma de decisiones vinculados a historias clínicas electrónicas: una revisión sistemática y metanálisis" . Revista estadounidense de salud pública . 104 (12): e12-22. doi : 10.2105 / ajph.2014.302164 . PMC 4232126 . PMID 25322302 .
- ^ Garg AX, Adhikari NK, McDonald H, Rosas-Arellano MP, Devereaux PJ, Beyene J, et al. (2005). "Efectos de los sistemas computarizados de apoyo a la decisión clínica sobre el desempeño del médico y los resultados del paciente: una revisión sistemática". JAMA . 293 (10): 1223–38. doi : 10.1001 / jama.293.10.1223 . PMID 15755945 .
- ^ Kensaku Kawamoto; Caitlin A Houlihan; E Andrew Balas; David F Lobach. (2005). "Mejora de la práctica clínica utilizando sistemas de apoyo a la decisión clínica: una revisión sistemática de los ensayos para identificar características críticas para el éxito" . BMJ . 330 (7494): 765. doi : 10.1136 / bmj.38398.500764.8F . PMC 555881 . PMID 15767266 .
- ^ Negro, AD; Car, J .; Pagliari, C .; Anandan, C .; Cresswell, K .; Bokun, T .; McKinstry, B .; Procter, R .; Majeed, A .; Sheikh, A. (18 de enero de 2011). "El impacto de la ehealth en la calidad y seguridad de la atención sanitaria: una visión general sistemática" . PLOS Medicine . 8 (1): e1000387. doi : 10.1371 / journal.pmed.1000387 . PMC 3022523 . PMID 21267058 .
- ^ Nachtigall, yo; Tafelski, S; Deja, M; Halle, E; Grebe, MC; Tamarkin, A; Rothbart, A; Unrig, A; Meyer, E; Musial-Bright, L; Wernecke, KD; Spies, C (22 de diciembre de 2014). "Efecto a largo plazo del apoyo a la decisión asistida por computadora para el tratamiento con antibióticos en pacientes críticamente enfermos: un estudio de cohorte prospectivo 'antes / después'" . BMJ Open . 4 (12): e005370. doi : 10.1136 / bmjopen-2014-005370 . PMC 4275685 . PMID 25534209 .
- ^ Academia Nacional de Medicina (2018). "Optimización de estrategias para el apoyo a la toma de decisiones clínicas" (PDF) . Healthit.gov . Consultado el 2 de febrero de 2021 .
- ^ Gluud C, Nikolova D (2007). "País de origen probable en publicaciones sobre ensayos controlados aleatorios y ensayos clínicos controlados durante los últimos 60 años" . Ensayos . 8 : 7. doi : 10.1186 / 1745-6215-8-7 . PMC 1808475 . PMID 17326823 .
- ^ Gardner, Reed M (abril de 2004). "Apoyo a la decisión clínica computarizada en cuidados respiratorios". Cuidado respiratorio . 49 (4): 378–388. PMID 15030611 .
- ^ Wagholikar, K; Kathy L. MacLaughlin; Thomas M Kastner; Petra M Casey; Michael Henry; Robert A Greenes; Hongfang Liu; Rajeev Chaudhry (2013). "Evaluación formativa de la precisión de un sistema de apoyo a la decisión clínica para la detección del cáncer de cuello uterino" . Revista de la Asociación Estadounidense de Informática Médica . 20 (4): 747–759. doi : 10.1136 / amiajnl-2013-001613 . PMC 3721177 . PMID 23564631 .
- ^ Zandieh, Stephanie O .; Kahyun Yoon-Flannery; Gilad J. Kuperman; Daniel J. Langsam; Daniel Hyman; Rainu Kaushal (2008). "Desafíos para la implementación de EHR en prácticas de oficina electrónicas versus en papel" . Revista de Gestión de la Información Global . 23 (6): 755–761. doi : 10.1007 / s11606-008-0573-5 . PMC 2517887 . PMID 18369679 .
- ^ a b Berner, Eta S .; Tonya J. La Lande (2007). "1". Sistemas de apoyo a la decisión clínica: teoría y práctica (2 ed.). Nueva York: Springer Science and Business Media. págs. 3-22.
- ^ Rothman, Brian; Joan. C. Leonard; Miguel. M. Vigoda (2012). "Futuro de la historia clínica electrónica: implicaciones para el apoyo a la toma de decisiones". Revista de Medicina de Mount Sinai . 79 (6): 757–768. doi : 10.1002 / msj.21351 . PMID 23239213 .
- ^ Sambasivan, Murali; Pouyan Esmaeilzadeh; Naresh Kumar; Hossein Nezakati (2012). "Intención de adoptar sistemas de apoyo a la decisión clínica en un país en desarrollo: efecto de la autonomía, participación y creencia profesional percibida por el médico: un estudio transversal" . BMC Informática Médica y Toma de Decisiones . 12 : 142-150. doi : 10.1186 / 1472-6947-12-142 . PMC 3519751 . PMID 23216866 .
- ^ Spellman Kennebeck, Stephanie; Nathan Timm; Michael K Farrell; S Andrew Spooner (2012). "Impacto de la implementación de la historia clínica electrónica en las métricas de flujo de pacientes en un servicio de urgencias pediátricas" . Revista de la Asociación Estadounidense de Informática Médica . 19 (3): 443–447. doi : 10.1136 / amiajnl-2011-000462 . PMC 3341791 . PMID 22052897 .
- ^ McGinn, Carrie Anna; Gagnon, Marie-Pierre; Shaw, Nicola; Sicotte, Claude; Mathieu, Luc; Leduc, Yvan; Grenier, Sonya; Duplantie, Julie; Abdeljelil, Anis Ben; Légaré, Francia (11 de septiembre de 2012). "Perspectivas de los usuarios de los factores clave para la implementación de registros de salud electrónicos en Canadá: un estudio de Delphi" . BMC Informática Médica y Toma de Decisiones . 12 (1): 105. doi : 10.1186 / 1472-6947-12-105 . ISSN 1472-6947 . PMC 3470948 . PMID 22967231 .
- ^ Rozenblum, R .; Jang, Y .; Zimlichman, E .; Salzberg, C .; Tamblyn, M .; Buckeridge, D .; Forster, A .; Bates, DW; Tamblyn, R. (22 de febrero de 2011). "Un estudio cualitativo de la experiencia de Canadá con la implementación de tecnología de información de salud electrónica" . Revista de la Asociación Médica Canadiense . 183 (5): E281 – E288. doi : 10.1503 / cmaj.100856 . ISSN 0820-3946 . PMC 3060213 . PMID 21343262 .
- ^ Berner, Eta S .; Tonya J. La Lande (2007). "4". Sistemas de apoyo a la decisión clínica: teoría y práctica (2 ed.). Nueva York: Springer Science and Business Media. págs. 64–98.
- ^ Loya, SR; Kawamoto, K; Chatwin, C; Huser, V (2014). "Arquitectura orientada a servicios para el apoyo a la decisión clínica: una revisión sistemática y direcciones futuras" . Revista de sistemas médicos . 38 (12): 140. doi : 10.1007 / s10916-014-0140-z . PMC 5549949 . PMID 25325996 .
- ^ Charette, Robert N. "Sistema HealthSMART en problemas finalmente cancelado en Victoria Australia" . Consultado el 18 de mayo de 2013 .
- ^ "Actualización del programa EPAS" . Salud de Australia del Sur . Consultado el 15 de mayo de 2013 .
- ^ http://www.abc.net.au/news/2015-07-01/hospital-beds-closure-epas-electronic-records-delay/6586492 , consultado el 26 de julio de 2015
- ^ El eMR cumple 10 años. " EHealth News" (PDF) . Consultado el 6 de agosto de 2016 .
- ^ "Soporte de decisión clínica EBMEDS" . EBMEDS .
enlaces externos
- Soporte de decisiones clínicas de Duodecim EBMEDS
- Capítulo de apoyo a la toma de decisiones de la Guía de informática de la salud de Coiera
- OpenClinical mantiene un extenso archivo de sistemas de Inteligencia Artificial en uso clínico rutinario.
- Robert Trowbridge / Scott Weingarten. Capítulo 53. Sistemas de apoyo a la toma de decisiones clínicas
- Stanford CDSS