医生不采用临床决策支持系统的原因:关键分析

介绍

医疗保健研究和质量局[1推广了一种旨在“在人为错误发生之前发现或阻止它们造成伤害”的系统方法。临床决策支持系统(cdss)处于这一目标的最前沿。CDSS提供警报、提醒、处方建议、治疗指南、图像解释和诊断协助。尽管研究表明cdss减少了医疗差错并改善了结果，但它们也表明cdss没有充分发挥其潜力[2-9]。研究人员试图缩小这一缺口的原因。Coiera [10认为供应商缺乏使用技术系统的意愿和能力是主要原因之一。

Wendt等[11]讨论了可能与cdss接受度相关的几个因素，包括系统提供的信息的相关性，系统的感知有效性，以及使用该系统所花费的工作和时间。这些因素与Davis [9]中的技术接受模型(TAM)，后来由Venkatesh等人改进[12技术接受与使用统一理论(UTAUT)。这些模型为性能、努力、社会影响和促进条件的期望如何成为用户接受和技术使用的决定因素提供了一种潜在的解释[12]。使用TAM, Van Schaik等[13]评估了一个胃肠病学转诊的CDSS。该系统通过建议适当的亚专科转诊(内科与外科)、优先考虑紧急情况和提供实时预约来协助初级保健提供者。13]。他们发现，医生根据系统的潜在优点而不是他们对计算机系统的经验来评估接受程度[13]。这一发现与Venkatesh等人的[12提出的UTAUT模型，其中他们证明了性能预期是用户接受技术的最强预测器。

用户接受背后的理论及其对技术采用的影响已被彻底描述。本文的目的是对文献进行回顾，以评估我们的假设，即医生参与设计和开发具有透明决策过程的cdss将导致更高的接受率。

方法

评论

使用关键词“临床决策支持”、“决策支持接受度”和“用户接受度”对MEDLINE/PubMed、CINAHL、PsycInfo、IEEE explore和Web of Science进行了搜索。没有包括任何数据库的时间框架限制，并且语言过滤器仅设置为英语研究。在我们最初的搜索中，我们找到了186篇论文。去除重复项后，还剩下150项研究。要纳入本综述，论文必须符合以下纳入标准:调查人类与CDSS的互动，并使用TAM问卷、焦点小组或访谈评估用户接受程度。如果论文的重点是不包括临床护理的决策支持系统，或者如果他们没有实证调查用户接受度，则论文被排除在外。标题和摘要综述排除了111项研究。对其余39项研究进行了全文审查，最终得出14项研究符合纳入标准。搜索结果总结为图1。

‎ 查看此图

研究结果被分为对cdss有利或不利的反应。有利和不利的分类是基于焦点小组的解释和访谈的研究人员进行的审查论文。此外，每一篇被审查的论文都标注了CDSS的类型。如果一项研究使用TAM问卷，结果将被单独总结。

任务分析

为了更好地理解与cdss相关的问题，我们进行了任务分析。使用过去的研究，任务分析帮助从两个不同的角度确定和描述目标、用户输入、系统输出、知识需求和约束。我们考虑了机器的视角(即CDSS引擎)。我们还考虑了用户(即医生)的观点。文献回顾和任务分析是设计CDSS模型以提高用户接受度的基础。

结果

评论

对14篇文章的结果进行评价。定性评价cdss用户接受度的11篇文章见表1以及使用TAM定量评估cdss用户接受度的三篇文章见表2。记录临床指南、提醒和诊断性cdss方面的有利和不利反应。良好的反应是由于系统使用的便利性，感知到的时间节省，以及感知到的系统在改善护理提供和整体患者健康方面的有用性[14]。据报道，拥有较高计算机技能的用户更容易接受;然而，大多数用户的接受度不佳[15]。这些不利的响应通常与工作流干扰、系统的有效性可疑、系统引起的过多干扰以及效率低下有关。更具体地说，工作流程的限制与cdss引起的过度警报、计算机处理时间的增加以及与患者面对面的时间减少有关[14，16，17]。

在检讨的研究中，有三项使用TAM问卷评估用户对cdss的接受程度(表2)。这些研究中的cdss包括对两个不同的计算机化临床指南系统和一个为循证指南提供提醒和警报的系统的评估。感知有用性的范围都是重叠的，但在感知有用性最高的cdss上，它也具有最高的感知易用性。总体而言，TAM问卷在所有量表上显示了中等程度的用户接受度。在用户接受cdss与患者安全之间的关系方面，没有一篇被审查的论文评估这一主题。然而，伯格曼和福斯[15发现当用户接受度较低时，该技术的使用率相对较低。

任务分析

进行工作分析，以配合不断转变的专业实务(即卫生资讯科技)[29]。应用于代表性人群的任务分析通过系统地评估影响临床实践的临床医生的技能、知识和行为来加强卫生系统[30.]。CDSS在医疗保健中的使用为实践带来了新的动态，需要进行任务分析，以了解用户对这项新技术的看法。因此，执行任务分析将提高采用率。任务分析包括目标、输入、过程和输出。下一节将讨论每个任务分析阶段的目的。

目标

CDSS的目标是补充医生作为临床决策的唯一信息处理者，从而帮助减少医疗错误。然而，仍有很大的改进空间。在某种程度上，这一缺陷可能是由于医生不接受cdss作为他们决策的补充。为了更好地理解在创建临床决策过程中的挑战，我们首先考虑在这个过程中需要哪些信息。

输入

CDSS基于输入-过程-输出(IPO)模型。CDSS过程的输入包括患者特定信息，如诊断、药物、症状、实验室数据、人口统计数据和其他临床相关信息。基于知识的cdss的输入通常由临床指南决定，而非基于知识的cdss使用通过算法性能评估的最相关信息。

过程

CDSS过程有两种不同的形式:以知识为基础和以非知识为基础[31]。以知识为基础的系统由一套规则管理。另一方面，非知识系统使用计算机作为中央处理单元从历史信息中学习。因此，这些系统通常使用机器学习算法。

当cdss提供临床建议时，没有提供这些建议的支持、证据、临床指南或算法。基于知识的cdss的输入通常由临床指南决定，而非基于知识的cdss使用通过算法性能评估的最相关信息。在这两种情况下，医生都不知道CDSS使用的输入或过程。因此，CDSS对医生来说是一个黑盒子。

除了社会结构(由同伴群体决定的可接受的行为)、制度(根据规定的做法行事的要求)和决策中的个人道德之外，医生还根据相同的患者信息做出临床决策。人们可以推测，当自动化这样一个复杂的输入网络时，困难就出现了，机器永远无法完全封装或实现。

输出

cdss和医生的输出是处理输入的方法的结果。输出可能是诊断、程序、处方等。理想情况下，在向计算机和医生提供相同信息的情况下，CDSS的输出应该反映医生的决定。

CDSS对输出的控制水平与用户对输出的控制水平成反比。在仅为用户“突出显示”信息，但不请求确认或操作的情况下，CDSS可以是被动的[32]。一个例子是用红色字体显示异常的实验室值，用黑色字体显示正常的实验室值。积极的cdss独立行动，并提供建议来指导医生的行为[32]。提供诊断协助的系统就是一个例子。输出的类型取决于任务的目标导向(例如，诊断、药物警报和预防保健的临床指南)。

知识

如果CDSS系统与医生自己的决策过程相匹配，医生更有可能接受CDSS。福斯特(33描述了人类如何通过有限理性和生态理性对信息迅速采取行动。有限理性是基于使用简单的启发式，允许快速，实时的决策[34]。生态理性是基于对特定环境条件下事物的理性信念。福斯特(33认为，为了模仿人类的决策过程，机器学习需要同时具备有限理性和生态理性。

将这两种方法纳入cdss可能具有挑战性。尽管调节决策过程的启发式方法很简单;启发式操作的认知基础结构的复杂性可能难以实现。不过，福斯特[33认为机器学习算法可以通过结合有限理性和生态理性的原则来改进。为了完成这项任务，福斯特[33提出，决策机器应该有(1)一套特别的规则(或偏见)来采取行动，(2)一套生态上可行的环境因素来考虑。

克拉克(35通过一个他称之为“脚手架”的概念，扩展了这种通过有限的和生态的理性来调解决策过程的想法。克拉克(35]假设人类推理涉及三个方面:(1)个体推理由某种形式的快速、模式完成的计算(即有限理性);(2)将大量解决问题的工作转移到外部结构和流程(如社会和体制结构);(3)公共语言作为协调社会结构和调解个人思想的手段。因此，决策和认知在很大程度上依赖于在整个环境中分散推理的能力，以减少个人工作量。

Holland及其同事[36增加了额外的元素，可以帮助理解医生的决策。这些元素提供了解决问题的认知框架，其中包括两种不同的模式:语用推理模式和问题模式。实用推理模式是抽象推理规则的集合，这些规则描述了对象类型、事件关系和问题目标的一般类别之间的关系。专家使用问题模式来解决日常问题，其中专家检索适当的问题模式并为其提供特定于问题的参数。

该系统还必须具有两种类型的知识结构:心智模型和条件-行动规则。Holland及其同事[36断言“心理模型是对特定的、独特的情况的短暂的、动态的表征。它们只是含蓄地存在，与对当前形势的有组织的、多方面的描述以及由此产生的期望相对应。”条件-动作规则可以被认为是IF(条件)…THEN(动作)语句。总之，这些知识结构允许心理模式运作以解决问题。

为了成功地实现和使用cdss，必须确定这些心理模型。哈耶克(37他说，知识不是全部给予任何人的。这一说法证明了cds为何如此重要。理论上，cdss减少了医生做决定所需的认知资源。

约束

cdss的主要限制是脚手架不能被计算机完全捕获。医生执业的环境、临床和社会限制因素很难纳入CDSS。此外，通过心理模型和条件-行动规则再现医生的隐性知识是一个艰巨的目标。此外，医生必须能够支持他们的决定，并对缺乏支持证据或透明度的建议或主张持怀疑态度。cdss没有揭示输出决策是如何做出的这一事实，可能是用户不接受背后的一个驱动力。

讨论

解决临床决策支持系统用户接受度的方法

研究表明，当患者预后的改善不一致时，cdss的反应可能是不利的[6]。此外，一些研究报告了与CDSS实施相关的患者伤害事件[38]。尽管有这些发现，有限的研究正式评估了用户接受度的影响。基于我们对文献的全面回顾，我们发现用户对cdss的接受程度既有有利的，也有不利的。

如果用户发现产品令人沮丧或认为产品的目的是限制自主权，则用户可能不会使用该产品或不恰当地使用该产品[39]。Vashitz等[40把丧失自主性的后果解释为抗拒。电抗是一种不愉快的动机状态，人们在这种状态下对情况作出反应以保持自由和自主。当医生受到临床提醒的威胁，害怕在这样的系统面前失去自主和选择的自由时，就会产生抗拒。医生可能会认为这些系统是为了取代或降低他们的临床职责。Vashitz等[40描述如果建议与一个人对选择选项的最初印象相矛盾，那么未经请求的建议是如何导致一个人的抗拒状态的。

根据UTAUT，要接受技术，必须考虑用户的期望[12]。因此，在cdss的设计中，人的因素是不可忽视的。提醒和警报应该以这样一种方式呈现，即用户不会觉得它们具有威胁性或突兀性。用户对CDSS的需求和期望应该在早期和整个开发生命周期中进行评估。例如，Gadd [18通过在CDSS开发的早期阶段实施可用性测试，观察到增强的可用性和有用性。他们评估了一个不断发展的系统原型，并在3个月的时间里观察了用户的交互。在一系列会议中，他们着重于评估用户与不同系统功能集的交互，如屏幕布局、输入/输出和教育材料的链接。最后，他们在设计过程中考虑了用户对系统建议的反馈。在早期的会议中，用户对系统增强提出了令人信服的建议，这些建议影响了在随后的会议中评估的功能的系统开发。

等一下[28]讨论了他们的CDSS的开发过程，其中临床知识丰富的用户与开发人员一起设计和实施CDSS。他们还使用以用户为中心的生命周期模型设计和评估过程来评估用户的目标/期望、工作流程、环境约束和任务。最后，他们在执行之前进行了可用性测试(即用户界面的启发式评估、击键级建模和认知演练)。

cdss的开发人员试图限制医生的决策能力，并将这些知识存入计算机。目前实现这一壮举的方法采用规则和机器学习算法。然而，缺乏用户接受阻碍了CDSS的使用。研究表明，在设计CDSS时考虑用户的需求和期望可能有助于克服这一障碍。我们认为这种方法只是解决方案的一部分。

我们建议cdss在IPO模式中从黑箱过程转向更透明的方法。简单地说，告诉医生电脑是如何做出决定的。如果计算机可以成为脚手架知识的一部分，医生可能会将计算机视为一种帮助，而不是威胁或障碍。研究支持这样一种观点，即向从业人员指定管理警报的规则，并根据用户的需要和期望提供信息[41]。

提出模型以获得用户认可

我们提出了两种模型来改善cdss的发展，这可能会导致利用率的提高，从而改善患者的预后。首先是用户接受和系统适应设计(UASAD)模型，该模型旨在让终端用户参与到cdss的设计早期和整个开发过程中。第二，用投入-过程-产出-参与(IPOE)模式取代目前CDSS开发的IPO模式，该模式通过CDSS过程的透明度来“吸引”医生。

UASAD模型要求终端用户尽早参与CDSS开发。在开发CDSS之前，需要充分认识到用户的需求和期望。另一个考虑是评估系统准备情况，以确保用户可以信任系统的安全性和隐私性。原型设计应该经历一个迭代的设计过程，然后在实验室和自然环境中进行严格的可用性测试(例如，试点研究)，以确保系统在用户使用的认知和环境约束下工作。

最后，应该评估用户的接受程度，以确保系统得到适当的使用。如果用户接受度未达到预定义的阈值，则应从用户需求和期望的角度重新评估CDSS。它还应该进行适应性的重新设计。这个过程应该迭代，直到用户接受度超过预定义的阈值。为了说明这个过程，我们开发了一个UASAD模型(图2)。该模型的目的是将用户作为CDSS设计过程的焦点。

IPOE模式为用户提供了一个了解黑箱IPO过程的窗口。通过“参与”，医生将看到CDSS是如何做出决定的。IPOE窗口将被称为“参与”，因为它将向用户展示机器在生成输出时遵循的规则(图3)。因此，在决定接受或拒绝输出时，用户可以做出明智的决定。“Engage”将显示导致CDSS决策的输入、过程和输出。然后医生将能够评估相关性、有效性、支持性证据和推荐的强度。因此，该系统成为医生知识框架的一个组成部分，使他们能够更自信地接受技术及其在决策过程中的作用。

IPOE模型的一个限制是，为了使模型成功地工作，医生必须了解这个过程。利用机器学习算法(如神经网络)的过程不提供规则。因此，使所有过程透明是具有挑战性的。

为什么我们会做出错误的决定?

医生错误处理具有挑战性的决定的倾向通常会导致糟糕的临床决定。大多数执业医生倾向于根据自己的医疗经验做出决定，而其他人则寻求医疗咨询，并通过相关研究的术语进行筛选。然而，最有效的医生是有能力利用他的临床判断和计算机决策支持工具来利用cdss的力量的人。当涉及到他们所知道的医学信息时，大多数临床医生都会表现出偏见，因此，他们通常会关注那些与他们希望在病人身上看到的特定临床结果一致的事情。因此，通过利用现有的知识和技术来减少医疗错误的努力要求使用CDSS。这些系统是长期科学研究的结果，旨在为医生建立有效的工具来补充他们的临床经验。医生应该将cdss视为一种附加价值，以便在日常实践中做出最佳决策，更好地为患者服务。这些系统旨在通过使执业医生做出既准确又精确的知情决定来减少医疗错误。

‎ 查看此图

‎ 查看此图

结论

cdss的实施已经证明提高了效率，减少了医疗差错，改善了结果，但它们仍然没有充分发挥其潜力[2-9]。我们认为，这一关键缺陷可能部分是由于缺乏医生的认可。过去，CDSS的设计没有纳入医生的意见，也没有揭示他们的决策过程。因此，许多医生对接受cdss犹豫不决，导致执行不理想。在这里，我们提出了两种设计cdss的模型，目的是提高疗效和医生的接受度。其中一种模式是UASAD，通过检查用户需求和期望以及原型设计的可用性，将医生纳入设计过程。另一种模式IPOE扩展了现有的IPO框架，增加了一个“参与”阶段，向医生展示CDSS过程。这种方法允许医生在保持专业自主权的同时，将CDSS作为其决策的组成部分。验证这些模型仍有相当多的工作要做，但用户接受度似乎与CDSS的成功使用有关。最终，如果医生不接受这项技术，它不仅对技术的使用构成威胁，而且还可能对患者的健康和福祉构成威胁。