Automatsko otkrivanje neželjenih događaja zasnovano na okidaču u elektronskim zdravstvenim kartonima: sistematski pregled.
Journal of medical Internet research
Sažetak istraživanja
Pozadina Neželjeni događaji u zdravstvenoj zaštiti nose značajna opterećenja za zdravstvene sisteme, institucije i pacijente. Alati za retrospektivne okidače često se ručno primjenjuju za otkrivanje AE, iako automatizirani pristupi koji koriste elektronske zdravstvene kartone mogu ponuditi otkrivanje neželjenih događaja u realnom vremenu, omogućavajući pravovremene korektivne intervencije.
Cilj Cilj ovog sistematskog pregleda bio je da opiše trenutne metode istraživanja i izazove u vezi sa upotrebom metoda detekcije neželjenih događaja zasnovanih na automatskom okidaču u elektronskim zdravstvenim kartonima. Pored toga, imali smo za cilj da procenimo dizajn primenjenih studija i da sintetiziramo procene prevalencije neželjenih događaja i dijagnostičke testove tačnosti metoda automatske detekcije koristeći alat za ručno okidanje kao referentni standard. Ispitane su metode PubMed, EMBASE, CINAHL i Cochrane biblioteka. Uključili smo opservacijske studije, primjenu alata za okidanje u uvjetima akutne njege i isključili studije koje su koristile nebolničke i ambulantne postavke. Prihvatljivi članci podijeljeni su na studije točnosti dijagnostičkih testova i studije prevalencije. Izveli smo prevalenciju studije i procjene za pozitivnu prediktivnu vrijednost. Procijenili smo rizike pristrasnosti i probleme primjenljivosti koristeći alat za procjenu kvaliteta za studije dijagnostičke tačnosti-2 (QUADAS-2) za studije tačnosti dijagnostičkih testova i interno razvijen alat za studije prevalencije.
Rezultati Ukupno 11 studija ispunilo je sve kriterijume: 2 su se ticale tačnosti dijagnostičkih testova i 9 prevalencije. Procijenili smo da je nekoliko studija izloženo visokim rizicima pristrasnosti zbog njihove automatske metode detekcije, definicije ishoda i vrste statističkih analiza. U svih 11 studija, prevalenca neželjenih događaja kretala se od 0% do 17,9%, sa medijanom od 0,8%. Pozitivna prediktivna vrijednost svih pokretača za otkrivanje neželjenih događaja kretala se od 0% do 100% u svim studijama, sa medijanom od 40%. Neki okidači su imali širok raspon pozitivnih prediktivnih vrijednosti: (1) u 6 studija, hipoglikemija je imala pozitivnu prediktivnu vrijednost u rasponu od 15,8% do 60%; (2) u 5 studija, nalokson je imao pozitivnu prediktivnu vrijednost u rasponu od 20% do 91%; (3) u 4 studije, flumazenil je imao pozitivnu prediktivnu vrijednost u rasponu od 38,9% do 83,3%; i (4) u 4 studije, protamin je imao pozitivnu prediktivnu vrijednost u rasponu od 0% do 60%. Nismo bili u mogućnosti da odredimo prevalenciju neželjenih događaja, pozitivnu prediktivnu vrijednost, mogućnost prevencije i ozbiljnost u 40,4%, 10,5%, 71,1% i 68,4% studija, respektivno. Ove studije nisu prijavile ukupan broj analiziranih zapisa, pokretača ili neželjenih događaja; ili studije nisu izvršile analizu.
Zaključci Uočili smo široke varijacije među studijama u prevalenci prijavljenih neželjenih događaja i pozitivnoj prediktivnoj vrijednosti. Nedostatak dovoljno opisanih metoda doveo je do poteškoća u tumačenju. Da bismo poboljšali kvalitetu, vidimo potrebu za skupom preporuka kako bi se podržala optimalna upotreba dizajna istraživanja i adekvatno izvještavanje o budućim studijama otkrivanja neželjenih događaja.
Prikaži originalni naslov i sažetak na engleskom
Trigger Tool-Based Automated Adverse Event Detection in Electronic Health Records: Systematic Review.
Background Adverse events in health care entail substantial burdens to health care systems, institutions, and patients. Retrospective trigger tools are often manually applied to detect AEs, although automated approaches using electronic health records may offer real-time adverse event detection, allowing timely corrective interventions.
Objective The aim of this systematic review was to describe current study methods and challenges regarding the use of automatic trigger tool-based adverse event detection methods in electronic health records. In addition, we aimed to appraise the applied studies' designs and to synthesize estimates of adverse event prevalence and diagnostic test accuracy of automatic detection methods using manual trigger tool as a reference standard.
Methods PubMed, EMBASE, CINAHL, and the Cochrane Library were queried. We included observational studies, applying trigger tools in acute care settings, and excluded studies using nonhospital and outpatient settings. Eligible articles were divided into diagnostic test accuracy studies and prevalence studies. We derived the study prevalence and estimates for the positive predictive value. We assessed bias risks and applicability concerns using Quality Assessment tool for Diagnostic Accuracy Studies-2 (QUADAS-2) for diagnostic test accuracy studies and an in-house developed tool for prevalence studies.
Results A total of 11 studies met all criteria: 2 concerned diagnostic test accuracy and 9 prevalence. We judged several studies to be at high bias risks for their automated detection method, definition of outcomes, and type of statistical analyses. Across all the 11 studies, adverse event prevalence ranged from 0% to 17.9%, with a median of 0.8%. The positive predictive value of all triggers to detect adverse events ranged from 0% to 100% across studies, with a median of 40%. Some triggers had wide ranging positive predictive value values: (1) in 6 studies, hypoglycemia had a positive predictive value ranging from 15.8% to 60%; (2) in 5 studies, naloxone had a positive predictive value ranging from 20% to 91%; (3) in 4 studies, flumazenil had a positive predictive value ranging from 38.9% to 83.3%; and (4) in 4 studies, protamine had a positive predictive value ranging from 0% to 60%. We were unable to determine the adverse event prevalence, positive predictive value, preventability, and severity in 40.4%, 10.5%, 71.1%, and 68.4% of the studies, respectively. These studies did not report the overall number of records analyzed, triggers, or adverse events; or the studies did not conduct the analysis.
Conclusions We observed broad interstudy variation in reported adverse event prevalence and positive predictive value. The lack of sufficiently described methods led to difficulties regarding interpretation. To improve quality, we see the need for a set of recommendations to endorse optimal use of research designs and adequate reporting of future adverse event detection studies.
Izvorni podaci
- DOI
- 10.2196/jmir.9901
- PMID
- 29848467
- PMCID
- PMC6000482
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom