Wie wir nach Anzeichen von medizinischen Fehlern suchten



    2006 explodierte ein Aneurysma im Kopf meines Schwiegervaters und ein Schlaganfall traf ihn. Am Abend dieses Tages machte er Witze und versuchte, die Krankenstation zu durchlaufen. Wiederholter Schlaganfall, der unter der Aufsicht von Ärzten stattfand, konnte seinem Gehirn nicht widerstehen - der Test hörte auf zu sprechen, zu gehen und Verwandte zu erkennen. In einem anderen Krankenhaus wurde er auf die Füße gestellt, aber aufgrund eines medizinischen Fehlers während der Erstbehandlung verlor er für immer seine Sprache, und seine Persönlichkeit wandelte sich in Unkenntlichkeit.

    Was mit ihm passiert ist, wird als nosokomialer Schlaganfall bezeichnet. Dies ist einer der Marker (oder anderer Auslöser) systemischer Probleme in einer medizinischen Organisation. Sie müssen analysiert werden, um die Anzahl vermeidbarer medizinischer Fehler in Krankenhäusern zu reduzieren und die Qualität der Patientenversorgung zu verbessern.

    In den USA wurde dieses Problem Anfang der 2000er Jahre verwirrt. Das Massachusetts Institute for Health Improvement (IHI) hat das IHI Global Trigger Tool zur Messung unerwünschter Ereignisse entwickelt , das dann von führenden US-amerikanischen und europäischen Kliniken implementiert wurde.

    Im Jahr 2016 haben wir (das russische Büro von SAS) versucht, ein System zur Analyse medizinischer Auslöser gemäß der IHI-Methodik in Russland zu erstellen. Ich werde dir sagen, was daraus geworden ist.

    Wo hast du angefangen?


    Zunächst begannen wir mit der Suche nach gleichgesinnten Ärzten, die die Idee teilen, die Qualität der medizinischen Versorgung zu analysieren. Wir haben die Leiter mehrerer Moskauer Krankenhäuser, Kollegen aus unserem europäischen Büro und Vertreter des dänischen Krankenhauses Lillebaelt, das das 2015 auf der Analyseplattform SAS basierende Auslösererkennungssystem von IHI geschaffen hat, zum SAS Forum Russia 2016 eingeladen .

    Die Geschichte der Dänen interessierte den Chefarzt eines großen Moskauer multidisziplinären Krankenhauses, und wir vereinbarten, ein Experiment durchzuführen, um die Krankenakten zu analysieren. Unter den Bedingungen der NDA können wir die Details des Projekts nicht offenlegen. Daher wird das Krankenhaus im Folgenden einfach als Klinik und deren Leiter - der Chefarzt - bezeichnet.

    Im Juni - Juli 2016 haben wir den Inhalt und den Umfang des Projekts mit der Leitung der Klinik besprochen, im August haben wir die Leistungsbeschreibung vorbereitet und im September mit der Arbeit begonnen. Das Rückgrat des Teams der SAS bestand aus Alexander Zhukov ( al_undefined ) und Dmitry Kyayenko.

    Die Methode IHI enthält 51 Trigger. Für das Projekt zusammen mit der Leitung der Klinik haben wir Folgendes ausgewählt:

    • Blutleukozyten <3.000 x 10 ^ 6 / µl (außer bei Chemotherapiepatienten)
    • Blutplättchen <50.000 × 10 ^ 6 / μl (außer bei Chemotherapiepatienten)
    • Nosokomialer Schlaganfall
    • Nosokomialer Infarkt
    • Wiederholte ungeplante Überweisungen zur Intensivstation und Intensivstation (ICU) innerhalb von 24 Stunden
    • Wiederbelebung innerhalb von 24 Stunden nach der Operation
    • Wiederbelebung in Schlafzimmern

    Die Aufbereitung der Ausgangsdaten und die Zuordnung wesentlicher Informationen dazu hat, wie oft in der Analytik, den größten Teil der Zeit beansprucht.

    Datensätze abrufen


    Die Daten des medizinischen Informationssystems (MIS) der Klinik wurden in einer Oraklovoy-Datenbank mit einer komplexen Struktur abgelegt. Beschreibungen der Schemata konnten nicht gefunden werden. Daher mussten wir die Datenstruktur und die Verbindungen der Entitäten wiederherstellen und die Informationen aus der Datenbank mit den Informationen der MIS-Grafikschnittstelle abgleichen.

    Für das Projekt benötigten wir folgende Arten von Krankenakten:

    • Die Daten der Untersuchung des Arztempfangs
    • Diagnosetabelle
    • Tagebucheinträge
    • Operationsprotokolle und präoperative Konzepte
    • Zuweisungen und Leistungsinformationen
    • Stadium und Entladung epicrises
    • Übersetzung epicrises
    • Todeskrisen

    Diese Daten (mit Ausnahme der Diagnosetabelle) liegen in XML in CLOB. In der Klinik gab es keine Beschreibung der XML-Struktur, daher musste deren Inhalt in langen Diskussionen empirisch ermittelt werden.

    In den XML-Dokumenten war ein Durcheinander. Im Knoten Allgemeine Bedingungen könnten beispielsweise Informationen zu den Beschwerden des Patienten enthalten sein, während der Knoten Beschwerden selbst leer war. Häufig haben Ärzte alle Patientendaten (Beschwerden, Untersuchungsergebnisse, Empfehlungen zur weiteren Behandlung und Verschreibung von Arzneimitteln usw.) in einem Bereich erfasst, beispielsweise im „Kommentar“.

    Das Scannen von XML in flache Tabellen wurde vom regulären SAS XML Mapper durchgeführt. Die komplexesten Dokumente mit den erforderlichen Informationen auf verschiedenen Schachtelungsebenen wurden in Python mit einem selbstgeschriebenen Parser analysiert. Es wurde von SAS gestartet und in einen einzigen ausführbaren Prozess des SAS Enterprise Guide integriert:



    Um die Ergebnisse von Laboruntersuchungen nicht aus dem Text von Epikrises herauszureißen (was immer noch ein Vergnügen ist, da einige Ärzte es gewohnt sind, dies in Eile zu dokumentieren), haben wir Daten aus dem Laborinformationssystem (LIS) entnommen. Sie waren auch in XML verpackt, jedoch in einer einfachen Form - "Analyse", "Indikator", "Wert".

    Wie wurden die Daten untersucht?


    Als wir die Krankenakten in eine klare und nutzbare Form brachten, stellte sich heraus, dass nur 2 von 7 Auslösern formalisiert waren - der Gehalt an „Leukozyten“ und „Blutplättchen“. Sie wurden in Zahlen ausgedrückt, die mit einem Schwellenwert verglichen werden konnten.

    Wir mussten die Analyse eines solchen Auslösers wie "Wiederholte ungeplante Überweisungen auf die Intensivstation innerhalb von 24 Stunden" aufgeben. Dieser Marker basiert auf den Datum-Uhrzeit-Markierungen und wurde als Gott der Seele in die IIA-Klinik aufgenommen - sie könnten einige Tage verpassen oder sogar ein Datum aus der Zukunft setzen.

    Nosokomiale Schlaganfälle, Herzinfarkte und Wiederbelebungsmaßnahmen waren in keiner Weise kodiert und wurden in der Tabelle nicht in Bezug auf den Patientenausweis aufgezeichnet. Sie sollten in den Epikrisen- und Tagebucheinträgen gesucht werden. Daher waren die verbleibenden 4 Auslöser nicht formatiert, das heißt, sie mussten den unstrukturierten Text analysieren.

    Dafür haben wir das Natural Language Processing-Tool (Natural Language Processing) - SAS Contextual Analysis - verwendet . Dies ist eine webbasierte Lösung mit einer visuellen Schnittstelle, mit der Sie Textverarbeitungsmodelle erstellen können, auch wenn keine Programmierkenntnisse und Linguistikkenntnisse vorhanden sind (Sie können jedoch nicht auf das Fachgebiet und die Sprache, in der der Text geschrieben wird, verzichten).

    Jetzt sind diese Probleme in Mode gekommen, um sie mit neuronalen Netzwerken zu lösen. Wir haben sie jedoch bewusst verlassen und den Mechanismus der sprachlichen Regeln angewandt, weil:

    • Ein gutes Ergebnis in neuronalen Netzen ist nur auf einer qualitativ hochwertigen, von Ärzten vormarkierten Stichprobe von Zehntausenden von Aufzeichnungen möglich, und wir hatten es nicht von Wort
    • Das neuronale Netzwerk gibt keine klare Erklärung für seine Entscheidung (es kann nicht interpretiert werden), und Ärzte können nicht mit einer Black Box arbeiten - sie müssen verstehen, welche Symptome, Indikatoren oder Handlungen auf unerwünschte Ereignisse hinweisen

    Wie trainiere ich das System?


    Obwohl wir uns mit allen Auslösern der Liste befasst haben, konzentrierten sich die Hauptanstrengungen auf die Identifizierung von nosokomialen Schlaganfällen und Herzinfarkten (wir nennen dies kurz VBI). Dies ist einer der gefährlichsten Auslöser, die neben gesundheitlichen Schäden für die Patienten schrecklich sind, weil sie nicht von medizinischem Personal beworben werden. Und wenn das Management das Problem nicht kennt, kann es damit nicht umgehen.

    Mit VBI war alles nicht einfach. Es gab keinen Standard oder keine Vorschrift, die verpflichtet war, die Fakten eines Schlaganfalls oder Herzinfarkts in einer einheitlichen Form zu dokumentieren: Einige Ärzte bezeichneten Schlaganfall als „akuten zerebrovaskulären Unfall“, andere als (oh, ja!) Schlaganfall und andere als „Schlaganfall“. ". Manchmal wurde eine nosokomiale Infektion nur durch die vorgeschriebene Behandlung gesehen.

    Grundsätzlich könnten wir:

    1. Befragen Sie alle Ärzte, wie sie Schlaganfälle und Herzinfarkte beschreiben. Es bestand jedoch die Gefahr, dass etwas verpasst wurde - niemand berücksichtigt die Liste der Aufzeichnungen und das Nachschlagewerk der Abkürzungen. Und zu diesem Thema zu sprechen, war ein bisschen bereit.
    2. Gehen Sie gemeinsam mit den Ärzten alle Epikrisen durch und analysieren Sie, ob Anzeichen einer nosokomialen Infektion vorliegen oder nicht. Aber diese Zeit war weder bei uns noch bei ihnen.

    Wir haben uns anders verhalten: Wir haben eine Sammlung von Texten in die Kontextuelle Analyse geladen und thematische Modelle erstellt, die die wichtigsten Ideen für jeden Datensatz auswählten. Ohne in den Text des Dokuments (z. B. eine Epicrisis) einzusteigen, war es möglich, nur Einträge mit dem Betreff „Schlaganfall“ oder „NMC“ auszuwählen und sie separat zu dem im Text beschriebenen HFI-Thema zu studieren: Welche Wörter werden in welcher Entfernung verwendet Es gibt usw. Plus-Modelle selbst bieten mögliche Formulierungen zur Beschreibung von Schlüsselideen an.

    Nach der thematischen Kennzeichnung der Dokumente kommunizierten wir mit den Ärzten, verfeinerten und entwickelten die sprachlichen Regeln zur Identifizierung von Ereignissen, die auf Auslöser hindeuten. Die Regeln berücksichtigen die grammatischen Formen der Wörter, die Entfernung zwischen ihnen, ihre Reihenfolge, Position (in einem Satz, Absatz, Anfang / Ende des Textes) usw.

    Also suchten wir nach Wiederbelebung:



    Und so - Schlägen:



    Bei der Analyse eines Textes sollten Sie immer den Abstand zwischen den Schlüsselwörtern und ihrer Reihenfolge auswerten, um nicht zu viel zu erfassen. Hier ist ein Beispiel, wenn alle richtigen Wörter ("akut", "Verletzung", "Gehirn", "Blutkreislauf") im Satz enthalten sind, aber es gibt keinen nosokomialen Schlaganfall:



    Es war sehr wichtig, die Beschreibung der Tatsache des nosokomialen Schlaganfalls von zu trennen Die gleichen Schlüsselwörter wurden verwendet in:



    Schließen Sie die Regel "Die Folgen eines Schlaganfalls" aus (oben in Remove_item):



    Zusammen mit den Ärzten haben wir etwa 30 sprachliche Regeln entwickelt, die bestimmen, ob Anzeichen von Auslösern in den Epikrisen vorliegen. Sie wurden von Contextual Analysis in Form eines Scoring-Codes heruntergeladen, der mit den Datensätzen des ausführbaren Auswertungsprozesses im SAS Enterprise Guide verbunden war.

    Bei nosokomialen Schlaganfällen und Herzinfarkten endet der Prozess der Entscheidung, ob ein Auslöser vorliegt, jedoch nicht dort. Wir hätten aus der Anzahl der Kandidaten für den Auslöser diejenigen Fälle entfernen sollen, die bei Aufnahme des Patienten vorhergesagt werden könnten. Dazu haben wir die Ergebnisse der Regelverarbeitung mit der Diagnosetabelle verglichen.

    Ich möchte Sie daran erinnern, dass ein Auslöser ein Ereignis ist (das den Zustand des Patienten verschlimmert), ein unerwartetes Ereignisin Bezug auf die Diagnose bei der Aufnahme. Dies ist ein Signal für einen medizinischen Fehler oder ein Krankenhausproblem, das systemische Maßnahmen zur Beseitigung zukünftiger Komplikationen erfordert und nicht nur eine Verschlechterung der Gesundheit des Patienten.

    Angenommen, die Kontextanalyse hat einem Datensatz die Bezeichnung "nosokomialer Infarkt" zugewiesen. Wir überprüfen die Diagnose: Wurde der Patient mit koronarer Herzkrankheit aufgenommen, war das Risiko eines Herzinfarkts hoch. Dieses Ereignis ist zwar nicht günstig, aber leider zu erwarten. Vorzeichenauslöser nicht zuweisbar.

    Wenn der Patient mit Appendizitis aufgenommen wurde und während der Behandlung einen Schlaganfall erlitt, könnte dies ein medizinischer Fehler sein. Zum Beispiel haben sie nicht mit dem Druck Schritt gehalten oder ihren Sprung mit Medikamenten oder Handlungen provoziert. Datensätze weisen das Attribut "Trigger" zu.

    Das Ergebnis war folgender Geschäftsprozess:



    Es war für Ärzte bequem - sie konnten die sprachlichen Regeln für die Analyse der Epikrisen unabhängig ergänzen, die dann in den Bewertungscode hochgeladen und vom Analysesystem aufgegriffen wurden.

    So visualisieren Sie die Daten


    In der letzten Phase haben wir in SAS Visual Analytics einen Bericht erstellt - dies ist unser webbasiertes Produkt für Visualisierungs- und BI-Aufgaben. Es wurde alle 5 Minuten aktualisiert und zeigte Statistiken zum Auftreten von Auslösern in Abteilungen, Ärzten und Patienten. Der verantwortliche Arzt (zum Beispiel der Leiter der Kardiologieabteilung) ging zu dem Bericht und untersuchte, welche Auslöser in der letzten Stunde, Tag, Woche entdeckt wurden. Könnte der Abteilung "fehlschlagen", sehen Sie die Trigger-Dynamik für die Periode usw.:



    Um den Artikel nicht mit Screenshots zu laden (insbesondere "verschmiert"), haben wir eine kleine Demonstration der depersonalisierten Daten aufgezeichnet:


    Wir wollten auch eine automatische Verteilung von Triggerbenachrichtigungen einrichten - ein guter Ton für Analysesysteme, die kritische Indikatoren verfolgen. Zumal die Mailing-Funktionalität in SAS Visual Analytics integriert ist. Die Klinik wollte jedoch keinen Zugriff auf den Mail-Server gewähren, ebenso wie sie sich weigerte, SMS-Mailing durch die Verbindung mit externen Diensten zu organisieren.

    Wie alles endete


    Die Krankenhausleitung führte ein Experiment durch, indem sie die Ergebnisse der manuellen Erkennung von Auslösern unerwünschter Ereignisse durch ein Ärzteteam und eine automatische Analyse durch das SAS-System verglich. Das Ergebnis war nicht zugunsten der Menschen: Das SAS-System fand mehr als ein medizinisches Gremium. Für einige Auslöser - mehrmals mehr:



    Die erhöhte Genauigkeit ist jedoch nicht die Hauptsache, die das Auslösererkennungssystem zur Verfügung stellt. Vor allem erlaubte es:

    1. Ständige Überwachung aller Krankenakten sicherstellen. Nicht nach dem Zufallsprinzip ausgewählt oder die unheimlichsten Fälle, sondern alle. Nicht nur einmal pro Quartal, sondern in einem Modus, der sich der Echtzeit nähert.
    2. Befreien Sie die Zeit hochqualifizierten Personals, um sich auf Kernaktivitäten zu konzentrieren. Nur im Rahmen des Experiments konnte das medizinische Personal mit einem umfassenden manuellen Audit verwechselt werden. Im normalen Modus ist dazu keine Zeit - wenn die Ärzte sich mit den Aufzeichnungen herumschlagen, wird es niemanden geben, der die Menschen behandelt.

    Wichtig für den Erfolg des Projekts war die volle Unterstützung der Verwaltung - des Chefarztes, seiner Stellvertreter und Abteilungsleiter. Da der Leiter der Klinik in den USA ausgebildet wurde, stellte sich für ihn die Idee eines auf Qualitätsmanagement und automatisierte Datenanalyse basierenden Managements als nah und verständlich heraus.

    Leider verließ der Chefarzt kurz vor der Implementierung des Analysesystems seinen Posten. Sein Wechsler war ehrlich gesagt konservativ und wusch schmutzige Wäsche nicht gern in der Öffentlichkeit. Die Klinik schrieb die Ergebnisse eines vielversprechenden Projekts "in the table" ab und kehrte zu den über viele Jahre bewährten Arbeitsmethoden zurück.

    Obwohl es nicht angenehm ist, ein nicht beanspruchtes Produkt herzustellen, war das Experimentieren in der Klinik für das nächste Projekt über die Prüfung von Ausweiskarten im CHI-System für uns sehr nützlich. Aber dazu ein andermal mehr.

    Jetzt auch beliebt: