Анализ систем помощи в принятии клинических решений в амбулаторной практике

Системы помощи принятия клинических решений (CDSS) играют важную роль в улучшении медицинской помощи пациентам, предоставляя медицинским работникам ценную информацию и инструменты для принятия решений [1].

Цель данного исследования - исследовать и оценить эффективность и влияние CDSS в амбулаторных учреждениях.

Был проведен комплексный обзор литературы для сбора соответствующих исследований о внедрении CDSS в амбулаторной практике. В ходе анализа были выявлены различные типы КСПП, включая системы оповещений и напоминаний, правила принятия решений, а также системы информации и образования. Результаты показывают, что внедрение CDSS в амбулаторных учреждениях повышает качество медицинской помощи, снижает затраты, дает большую силу пациентам, поддерживает медицинских специалистов в принятии решений и улучшает непрерывность медицинской помощи. Интеграция CDSS с электронными медицинскими записями оптимизирует рабочий процесс, улучшает использование ресурсов и облегчает координацию ухода за пациентами. Несмотря на сложности, связанные с интеграцией и этическими вопросами, CDSS имеет потенциал для революционизации предоставления амбулаторной медицинской помощи [2]. Перспективы развития включают продвижение стандартов взаимодействия, использование искусственного интеллекта и проведение долгосрочных исследований для оценки влияния на результаты лечения пациентов и стоимостную эффективность [3]. В заключение CDSS в амбулаторных учреждениях имеют значительное значение для улучшения медицинской помощи пациентам и процессов в здравоохранении, с потенциалом для улучшения результатов лечения и опыта пациентов.

Методы: Обзор литературы.

1. Muhiyaddin R., Abd - Alrazaq A.A., Househ M., Alam T., Shah Z. The Impact of Clinical Decision Support Systems (CDSS) on Physicians: A Scoping Review. Stud Health Technol Inform. 2020 Jun 26; 272:470 - 473. doi: 10.3233/SHTI200597. PMID: 32604704.

2. Peiffer-Smadja N., Rawson T.M.., Ahmad R, Buchard A., Georgiou P., Lescure F.X., Birgand G., Holmes A.H. Machine learning for clinical decision support in infectious diseases: a narrative review of current applications. Clin Microbiol Infect. 2020 May; 26 (5): 584 - 595. doi: 10.1016/j.cmi.2019.09.009. Epub 2019 Sep 17. Erratum in: Clin Microbiol Infect. 2020 Aug; 26 (8):1118. PMID: 31539636.

3. Kilsdonk E., Peute L.W., Jaspers M.W. Factors influencing implementation success of guideline-based clinical decision support systems: A systematic review and gaps analysis. Int J Med Inform. 2017 Feb; 98: 56 - 64. doi: 10.1016/j.ijmedinf.2016.12.001. Epub 2016 Dec 5. PMID: 28034413.

4. Harada T., Miyagami T., Kunitomo K., Shimizu T. Clinical Decision Support Systems for Diagnosis in Primary Care: A Scoping Review. Int J Environ Res Public Health. 2021 Aug 10;18(16):8435. doi: 10.3390/ijerph18168435. PMID: 34444182; PMCID: PMC8391274.

5. Mebrahtu T.F., Skyrme S., Randell R., Keenan A.M., Bloor K., Yang H., Andre D., Ledward A., King H., Thompson C. Effects of computerised clinical decision support systems (CDSS) on nursing and allied health professional performance and patient outcomes: a systematic review of experimental and observational studies. BMJ Open. 2021 Dec 15;11(12): e053886. doi: 10.1136/bmjopen-2021-053886. PMID: 34911719; PMCID: PMC8679061.

6. Schaarup C., Pape-Haugaard L.B., Hejlesen O.K. Models Used in Clinical Decision Support Systems Supporting Healthcare Professionals Treating Chronic Wounds: Systematic Literature Review. JMIR Diabetes. 2018 Jun 21; 3 (2): e11. doi: 10.2196/diabetes.8316. PMID: 30291078; PMCID: PMC6238865.

7. Sutton R.T., Pincock D.., Baumgart D.C., Sadowski D.C., Fedorak R.N., Kroeker K.I. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digit Med. 2020 Feb 6; 3:17. doi: 10.1038/s41746-020-0221-y. PMID: 32047862; PMCID: PMC7005290.

8. Ciapponi A., Fernandez Nievas S.E., Seijo M., Rodríguez M.B., Vietto V., García-Perdomo H.A., Virgilio S., Fajreldines A.V., Tost J., Rose C.J., Garcia-Elorrio E. Reducing medication errors for adults in hospital settings. Cochrane Database Syst Rev. 2021 Nov 25; 11 (11): CD009985. doi: 10.1002/14651858.CD009985.pub2. PMID: 34822165; PMCID: PMC8614640.

9. Strockbine V.L., Gehrie E.A., Zhou Q.P., Guzzetta C.E. Reducing Unnecessary Phlebotomy Testing Using a Clinical Decision Support System. J Healthc Qual. 2020 Mar/Apr;42(2):98-105. doi: 10.1097/JHQ.0000000000000245. PMID: 31972663.

10. Gallagher J., O'Sullivan D., McCarthy S., Gillespie P., Woods N., O'Mahony D., Byrne S. Structured Pharmacist Review of Medication in Older Hospitalised Patients: A Cost-Effectiveness Analysis. Drugs Aging. 2016 Apr; 33 (4): 285-94. doi: 10.1007/s40266-016-0348-3. PMID: 26861468.

11. Cox J.L., Parkash R., Abidi S.S., Thabane L., Xie F., MacKillop J., Abidi S.R., Ciaccia A., Choudhri S.H., Abusharekh A., Nemis-White J.; IMPACT-AF Investigators. Optimizing primary care management of atrial fibrillation: The rationale and methods of the Integrated Management Program Advancing Community Treatment of Atrial Fibrillation (IMPACT-AF) study. Am Heart J. 2018 Jul; 201:149-157. doi: 10.1016/j.ahj.2018.04.008. Epub 2018 Apr 7. PMID: 29807323.

12. Bilici E., Despotou G., Arvanitis T.N. The use of computer-interpretable clinical guidelines to manage care complexities of patients with multimorbid conditions: A review. Digit Health. 2018 Oct 3; 4:2055207618804927. doi: 10.1177/2055207618804927. PMID: 30302270; PMCID: PMC6172935.

13. Baker J.D. The Purpose, Process, and Methods of Writing a Literature Review. AORN J. 2016 Mar;103(3): 265-9. doi: 10.1016/j.aorn.2016.01.016. PMID: 26924364.

14. Wasylewicz A.T.-M., Scheepers-Hoeks AM.-JW. Clinical Decision Support Systems. 2018 Dec 22. In: Kubben P., Dumontier M., Dekker A., editors. Fundamentals of Clinical Data Science [Internet]. Cham (CH): Springer; 2019. Chapter 11. PMID: 31314237.

15. Olufisayo O., Mohd Yusof M., Ezat Wan Puteh S. Enhancing CDSS Alert Appropriateness in Clinical Workflow Using the Lean Method. Stud Health Technol Inform. 2018; 255:112-116. PMID: 30306918.

16. Jeong H., Kamaleswaran R. Pivotal challenges in artificial intelligence and machine learning applications for neonatal care. Semin Fetal Neonatal Med. 2022 Oct; 27 (5):101393. doi: 10.1016/j.siny.2022.101393. Epub 2022 Oct 13. PMID: 36266181.