Volume 7, No. 2 • June 2024   Issue PDF

إطار متطور لاستخدام أدوات البيانات الضخمة والتعلم الآلي من أجل تحسين جودة الرعاية في الفترة المحيطة بالجراحة والأبحاث وسلامة المرضى

Michael R. Mathis‏، MD‏؛ وRobert B. Schonberger‏، MD‏، MHCDS‏؛ وAnthony L. Edelman‏، MD‏، MBA‏؛ وAllison M. Janda‏، MD‏؛ وDouglas A. Colquhoun‏، MB ChB‏، MSc‏، MPH‏؛ وMichael L. Burns MD‏، PhD‏؛ وNirav J. Shah‏، MD

في حقبة يسودها التبني شبه الكامل للسجلات الصحية الإلكترونية (EHR) واندماج البيانات الصحية عبر الأقسام والمؤسسات، ظهر اعتراف متزايد بتباين الممارسات. لا تُستَثنى الرعاية في الفترة المحيطة بالجراحة من ذلك؛ إذ تُظهر الدراسات الحديثة تباينًا كبيرًا على مستوى المؤسسات في الممارسات مثل أساليب التخدير المعتمدة،1 والأدوية التي تُعطى للمرضى، 2، 3 ونماذج التوظيف المستخدَمة في غرف العمليات.4 وفي بعض الحالات، يكون هذا التباين مبرَّرًا، كما يتضح من عوامل مثل التدريب في التخصصات الفرعية، وقيود الموارد الصحية المحلية، وتوقعات المرضى المستنيرة. ومع ذلك، ففي حالات أخرى لا يكون التباين مفسرًا أو مبررًا، وقد يعزى ذلك إلى الافتقار إلى معايير الممارسات، وتخصيص موارد دون المستوى الأمثل للمستشفيات، أو الافتقار إلى الرعاية الدقيقة المخصصة بحسب احتياجات المرضى.5، 6

في بعض الحالات، قد يرتبط تباين الممارسات هذا بنتائج أسوأ بما في ذلك أنماط الممارسات في ما يتعلق بنسب توظيف اختصاصيي التخدير،4 ومستوى التزام المستشفى بممارسات السلامة،7 ومعدلات الفشل في الإنقاذ.8

لمعالجة التباين غير المفسر أو المبرَّر، تسعى المبادرات الحديثة الخاصة بالبحث وتحسين الجودة (QI) بشكل متزايد إلى وضع نُهُج لأنظمة صحية تعلُّمية متعددة المراكز، ما يدمج أدلة الفعالية المقارنة المستمدَة من تباين الممارسات عبر المراكز من أجل تطوير معايير الأداء ومقاييس الجودة.9، 10 ومن خلال تطبيق البُنى التحتية الإستراتيجية متعددة المراكز، يمكن نشر المعايير ومقاييس الجودة هذه تباعًا عبر المؤسسات المشارِكة للاستمرار بخطى سريعة على نهج أفضل الممارسات المتطورة، وتعزيز سلامة المرض وقيمة الرعاية الصحية.11، 12 تُعَد مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز (MPOG) واحدةً من البُنى التحتية للنظام الصحي التعليمية ذات الصلة بالرعاية في الفترة المحيطة بالجراحة، وقد تناولناها في هذا المقال لتوضيح: (1) النُهُج اللازمة لدمج السجلات الصحية الإلكترونية للفترة المحيطة بالجراحة من أجل إجراء البحث وتحسين الجودة، و(2) أدوات البيانات الضخمة التي يمكن استخدامها للاستفادة بشكل فعال من القدر الكبير من البيانات الصحية التي تم جمعها عن الفترة المحيطة بالجراحة، و(3) عرض قيمة نشر نتائج الأبحاث ومقاييس الجودة في المجتمع لتطوير الرعاية في الفترة المحيطة بالجراحة وسلامة المرضى. وفي الختام، فبالنظر إلى صعود نُهُج الذكاء الاصطناعي والتعلم الآلي التي توفر فرصًا جديدة لتعزيز جمع المعلومات الصحية واتخاذ القرارات السريرية، سنذكر التحديات الرئيسية التي تواجه التطبيق الناجح والمستدام لأساليب الذكاء الاصطناعي/التعلم الآلي والنُهُج التي تتصدي لتلك التحديات.

مبادئ النظام الصحي التعليمي التي تخضع لتوجيه بيانات الفترة المحيطة بالجراحة: مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز (MPOG)

بيانات السجلات الصحية الإلكترونية تختلف اختلافًا كبيرًا بين المؤسسات

تم تعريف النظام الصحي التعليمي (LHS) على أنه نظام “تكون فيه عملية توليد المعرفة مدمجةً بدرجة كبيرة في صميم الممارسات الطبية التي تكون نتاجًا ومنتجًا طبيعيًا لعملية تقديم الرعاية الصحية، وتؤدي إلى تحسين الرعاية باستمرار”.13 تسعى مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز إلى أن تكون نظامًا صحيًا تعليميًا يركز على الرعاية في الفترة المحيطة بالجراحة ويعالج المعايير التي تتزايد باستمرار الخاصة بتحسين الجودة والبحث وسلامة المرضى (الجدول 1). أطلقت عدة مراكز أكاديمية هذه المجموعة في عام 2008، وكانت هذه المراكز مهتمة باستخدام أنظمة الاحتفاظ بسجلات التخدير الإلكترونية الجديدة المطبقة حديثًا لإجراء التحليلات القائمة على الملاحظة متعددة المراكز. لكن وبعد فترة وجيزة، اتضح أنه يمكن أن تكون مجموعة البيانات هذه نفسها -من خلال الحوكمة والتعاون المناسبين- أساسًا يقوم عليه نظام صحي تعليمي حيث تعمل بيانات مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز على توليد المعرفة. تؤدي هذه المعرفة إلى تغيير الممارسات، وتؤدي تغييرات الممارسات إلى إيجاد بيانات جديدة. أدى تأثير دولاب الموازنة لهذا النهج إلى مشاركة نحو 100 مستشفى في مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز. وفي المقابل، طورت المجموعة أدوات لاستخراج هذه البيانات واستيعابها وتنقيتها وتحليلها من أجل البحث وتحسين الجودة والاستخدامات المتعلقة بالتعليم. يشمل الحد الأدنى لمجموعة البيانات التي تقدمها كل مؤسسة بيانات عن الوظائف الفسيولوجية، والأدوية، والملاحظات النصية، والموظفين، والأحداث الرئيسية، والسوائل التي يتم إدخالها وإخراجها خلال الفترة المحيطة بالجراحة. يتم اشتقاق جميع هذه العلامات تلقائيًا من البيانات المعينة على مستوى المؤسسات ضمن السجلات الطبية للتخدير الموجودة، كما أنها غير مرتبطة بمورد السجلات الصحية الإلكترونية المخصَّص المستخدَم في كل مؤسسة. بالإضافة إلى ذلك، يتم تضمين السيرة المرضية قبل الجراحة، والمعلومات المتعلقة بالجسد، ونتائج المختبرات، والبيانات الإدارية مثل رموز المصطلحات الإجرائية الحالية (CPT)، وتشخيصات حالات الخروج، وبيانات الوفيات في المستشفيات.

الشكل 1: ركائز البحث وتحسين الجودة في مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز (MPOG).

الشكل 1: ركائز البحث وتحسين الجودة في مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز (MPOG).

تختلف بيانات السجلات الصحية الإلكترونية اختلافًا كبيرًا بين المؤسسات. ونتيجة لذلك، فإن العنصر الأساسي الذي تقوم عليه “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” هو منهجية تحويل بيانات السجلات الصحية الإلكترونية عبر المواقع المشاركة إلى أنماط ظاهرية مثبتة ومحسوبة سلفًا يمكن استخدامها للبحث وتحسين الجودة.14 تتضمن هذه العملية الصارمة تطبيق خوارزميات لدمج مجموعات من جميع أنواع البيانات داخل مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز لتوليد استنتاجات سريرية أكثر موثوقية. وتكون هذه الاستنتاجات الركائز الأساسية التي تتيح للباحثين إجراء التحليلات وتتيح لمسؤولي تحسين الجودة والأطباء فهم التباين في أنماط الرعاية. تشمل أمثلة الأنماط الظاهرية التي تُعَد مكونات أساسية في أنشطة البحث وتحسين الجودة الخاصة “بمجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” تقنية التخدير، وحالة المريض البدنية حسب تصنيف الجمعية الأمريكية لأطباء التخدير، وحالة تدخين المرضى. وفي كل من هذه الحالات، توجد آلاف الطرق التي يتم بها توثيق هذه البيانات عبر المواقع، وتحوِّل الخوارزميات البرمجية التي طورتها “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” البيانات إلى أنماط ظاهرية قابلة للتشغيل البيني.

أدوات “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” لتحويل بيانات السجلات الصحية الإلكترونية للفترة المحيطة بالجراحة إلى معرفة وإجراءات لتعزيز سلامة المرضى

طوَّرت “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” برامج وأدوات لتحليل البيانات الضخمة

طورت “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” برامج وأدوات لتحليل البيانات الضخمة وإتاحة الاستنتاجات من أجل مشروعات البحث وتحسين الجودة الدقيقة والمهمة التي تهدف إلى تحسين سلامة المرضى.

تخضع مهمة تحسين الجودة في “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” لإدارة لجنة الجودة الخاصة بها، التي تتكون من رواد تحسين الجودة المتخصصين في التخدير من كل موقع مشارك. وتوافق هذه اللجنة على مقاييس الجودة التي تعكس أفضل الأدلة المتاحة وتحافظ على تلك المقاييس، كما توجد خطة موضوعة لإعادة تقييم مقاييس تحسين الجودة بشكل دوري لاستيعاب قاعدة المعرفة المتزايدة والمتطورة في هذا المجال. تنبع أفكار المبادرات الجديدة لتحسين الجودة من هذه اللجنة وكذلك من اللجان الفرعية المتخصصة في التخدير في مجال طب الأطفال وطب التوليد وطب الشيخوخة وطب القلب، وتتكون كل لجنة من رواد الجودة وخبراء المجال من المؤسسات المشاركة. تعزز هذه اللجان النقاشات المفتوحة والتعاون وتبادل أفضل الممارسات والدروس المستفادة.

طورت “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” سلسلة من البرامج المبنية على أساس الأنماط الظاهرية المحسوبة لكي يتمكن الأعضاء من إحداث تغيير في مؤسساتهم. وتشمل هذه البرامج تطوير مقياس تحسين الجودة، والملاحظات على مستوى الممارسة، وملاحظات مقدمي الخدمات الفرديين، ومجموعات أدوات تحسين الجودة، والاجتماعات التعاونية بشأن الجودة على النحو الموضح في الجدول 1. ويمكن العثور على مزيد من التفاصيل التي توضح جميع مقاييس تحسين الجودة على https://spec.mpog.org/Measures/Public. يمكن تتبع أداء مقدمي الخدمات الفرديين وتقديم الملاحظات إليهم (الشكل 2).

الجدول 1: برامج تحسين الجودة ضمن “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز”.

الجدول 1: برامج تحسين الجودة ضمن "مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز".

الشكل 2: ملاحظات مقدمي الخدمات الفرديين حول جودة الفترة المحيطة بالجراحة: رسائل بريد إلكتروني حول الأداء الشخصي.

الشكل 2: ملاحظات مقدمي الخدمات الفرديين حول جودة الفترة المحيطة بالجراحة: رسائل بريد إلكتروني حول الأداء الشخصي.

لإكمال مهمة تحسين الجودة، تخضع مهمة البحث في “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” لإدارة لجنة البحث الخاصة بها، وتنسق اللجنة جهود البحث السريري للمجموعة من خلال مراجعة الاقتراحات المقدمة وتتبع تقدم المشروعات الجارية. وتعمل هذه اللجنة -المكونة من الباحثين الرئيسيين في “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” من كل موقع مشارك- على تقييم جميع مقترحات أبحاث المجموعة، وتوفر إرشادات مهمة حول الفرضيات والمنهجية، وتضمن الملاءمة العلمية للبحث السريري باستخدام بيانات المجموعة قبل الموافقة على المشروع. وأنشأت المجموعة عدة برامج وأدوات للاستفادة من السجل وتمكين البحث الهادف باستخدام بيانات المجموعة. تشمل هذه البرامج اجتماعات منتظمة للجنة البحث وملتقى سنويًا “لمجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز”، إضافةً إلى أدوات برمجية (مثل DataDirect®‎، آن آربور، ميشيغان) لتطوير مجموعات البحث وتبسيط الاستفسارات البحثية.

تحسين الأداء داخل ولاية ميشيغان

في ولاية ميشيغان، تُعَد “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” جزءًا من برنامج تحسين الجودة الممول من مؤسسة Blue Cross Blue Shield of Michigan، ويعمل البرنامج كنظام صحي تعليمي.17 ويمول هذا البرنامج مجموعات تحسين الجودة عبر تخصصات وحالات صحية مختلفة.18 ومن خلال الآليات الموضحة أعلاه، تؤدي مراجعات الأداء غير المعماة، والاجتماعات التعاونية متعددة التخصصات، والحوافز المالية التي يدفعها الممولون إلى تحسينات كبيرة في الرعاية. يتضح ذلك من خلال التحسينات في مجالات الرعاية التخديرية المهمة مثل إدارة نسبة السكر في الدم ودرجة الحرارة، فضلاً عن تحقيق رعاية أكثر فعالية من حيث التكلفة للمستشفيات المشاركة في هذا البرنامج (الجدول 2).19

الجدول 2: أمثلة “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” على تأثير تحسين الجودة.

الجدول 2: أمثلة "مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز" على تأثير تحسين الجودة.

مبادرة بحثية: تقييمات تباين الممارسات متعددة المراكز وهياكل الرعاية في الفترة المحيطة بالجراحة

نظرًا إلى اتساع نطاق تباين الممارسات في الفترة المحيطة بالجراحة بين الأطباء والمواقع، تضمنت نتائج الأبحاث المهمة الخاصة “بمجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” دراسات تقدِّر إلى أي مدى تُعزى أنماط الممارسة إلى الأطباء أو المؤسسات، بدلاً من المريض أو الجراحة. استُخدم هذا التباين في الممارسات، الذي قد يكون مؤشرًا على تدريب الأطباء أو تفضيلاتهم الشخصية في الممارسة أو هياكل الرعاية السريرية والبنية التحتية على مستوى المؤسسات، لدراسة تأثيره في نتائج المرضى. في بعض الحالات، يرتبط التباين في الممارسات -بما في ذلك نسب توظيف المتخصصين في التخدير، ومدى التزام المستشفى بممارسات السلامة،7 ومعدلات الفشل في الإنقاذ8– بنتائج أسوأ، في حين أنه في حالات أخرى لا يوجد ارتباط بالنتائج السلبية، بما في ذلك الجراحات المتداخلة التي يجريها الجراح المعالج20 أو الجراحات التي يجريها الجراح بعد العمل طوال الليل في اليوم السابق.21

الفرص والتحديات التي يطرحها الذكاء الاصطناعي والتعلم الآلي في الرعاية في الفترة المحيطة بالجراحة

تحديات أمام الاعتماد الآمن للذكاء الاصطناعي

بالتزامن مع تطوير أدوات البيانات الضخمة لمعالجة بيانات السجلات الصحية الإلكترونية لإجراء الأبحاث متعددة المراكز وتحسين الجودة، تظهر فرص لتطبيق أساليب تستخدم الذكاء الاصطناعي والتعلم الآلي لتحسين جودة البيانات، وتطوير مقاييس تحسين الجودة، وتحسين الرعاية السريرية من خلال تطوير خوارزميات تنبئية. نظرًا إلى تعقيدات بيانات السجلات الصحية الإلكترونية للفترة المحيطة بالجراحة ودقتها، فإن أساليب الذكاء الاصطناعي/التعلم الآلي القادرة على معالجة عدد كبير من التفاعلات غير الخطية المعقدة بين المتغيرات تقدم أحيانًا مزايا كبيرة مقارنةً بالنُّهج الإحصائية التقليدية. ومع ذلك، توجد تحديات أمام الاعتماد الآمن للأساليب القائمة على الذكاء الاصطناعي/التعلم الآلي في الأنظمة الصحية التعليمية للفترة المحيطية بالجراحة. وتشمل هذه التحديات (1) الاختلافات الواسعة في قاعدة معارف الأطباء المتاحة في ما يتعلق بنقاط القوة والضعف، و(2) الحاجة إلى الإشراف على الخوارزميات السريرية وحوكمتها، و(3) الحاجة إلى ضمان دقة البيانات المصدرية التي تُدرَّب عليها خوارزميات الذكاء الاصطناعي/التعلم الآلي، و(4) اتباع نهج منظم للتعرف على أوجه التحيز المحتمل نشرها في أنظمة دعم القرارات السريرية القائمة على الذكاء الاصطناعي/التعلم الآلي ومعالجتها (الشكل 3).

الشكل 3: اعتبارات الاعتماد الآمن للذكاء الاصطناعي (AI) والتعلم الآلي (ML) في الرعاية في الفترة المحيطة بالجراحة.

الشكل 3: اعتبارات الاعتماد الآمن للذكاء الاصطناعي (AI) والتعلم الآلي (ML) في الرعاية في الفترة المحيطة بالجراحة.

في ما يتعلق بمعرفة الأطباء، يُدمج تعليم الذكاء الاصطناعي/التعلم الآلي في المناهج الطبية وفرص التعليم الطبي المستمر في الرعاية الصحية.22 وفي ما يتعلق بحوكمة الخوارزميات والإشراف عليها، تطرح جهود تحسين الجودة وسلامة المرضى أطرًا للجان لمراقبة نماذج الذكاء الاصطناعي/التعلم الآلي المنتشرة داخل النظام الصحي.23 أما في ما يخص دقة البيانات، ثمة نُهج مقترحة لتشخيص التغييرات في جودة بيانات السجلات الصحية الإلكترونية ومعالجتها (“تحول مجموعة البيانات”)،24 مع التركيز على الحفاظ على التواصل المغلق بين الأطباء في الخطوط الأمامية ولجان حوكمة الخوارزميات، ما قد يعزز سلامة المرضى من خلال تعزيز الوعي بأداء النموذج الضعيف ومن ثَم تثقيف الأطباء بشأن السياقات السريرية التي يمكن الاعتماد فيها على النموذج التنبئي أو تجاهله. وأخيرًا، مع استمرار المخاوف بشأن التحيز الخوارزمي، ثمة فرص لمعالجة الأداء المختلف للنماذج عبر المجموعات الفرعية السريرية المتنوعة -خاصةً عندما تكون قائمة على العِرق أو الإثنية أو الجنس25– تشمل فحص أداء نماذج الذكاء الاصطناعي/التعلم الآلي بشكل صريح في هذه المجموعات الفرعية.

الخلاصة

ثمة فرص سانحة لدمج بيانات السجلات الصحية الإلكترونية للفترة المحيطة بالجراحة بين المرضى والأطباء والمؤسسات والمناطق لإجراء أبحاث الفعالية المقارنة وتحسين جودة الرعاية التخديرية وسلامتها. تعمل الأنظمة الصحية التعليمية للفترة المحيطة بالجراحة المجهزة بأدوات البيانات الضخمة التي تستفيد بشكل مناسب من الأساليب الجديدة القائمة على الذكاء الاصطناعي/التعلم الآلي على توفير منصة لمجتمعات الأطباء لمشاركة البيانات، وتبادل الأفكار، ونشر أفضل الممارسات المتطورة ضمن نظام صحي تعليمي.

 

Michael R. Mathis أستاذ مساعد في قسم التخدير، وعضو هيئة تدريس منتسب في قسم المعلوماتية الحيوية الحاسوبية في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Robert B. Schonberger أستاذ مساعد ونائب رئيس الشؤون الأكاديمية في قسم التخدير في كلية الطب بجامعة ييل، نيو هيفن، كونيتيكت.

Anthony L. Edelman أستاذ مساعد في قسم التخدير ورئيس مشارك في قسم التخدير للبالغين في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Allison M. Janda، ‏MD، أستاذة مساعدة في قسم التخدير في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Douglas A. Colquhoun، ‏MB ChB‏، MSc‏، MPH، أستاذ مساعد في قسم التخدير في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Michael L. Burns، ‏MD، أستاذ مساعد في قسم التخدير في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Nirav J. Shah أستاذ مساعد في قسم التخدير في كلية الطب بجامعة ميشيغان، آن آربر، ميشيغان.

Michael Mathis، ‏MD، حصل على منح بحثية من المعاهد الوطنية للصحة في الولايات المتحدة (المعهد الوطني للقلب والرئة والدم، والمعهد الوطني للسكري وأمراض الجهاز الهضمي والكلى، ووكالة بحوث الرعاية الصحية والجودة) ودعم بحثي مدفوع إلى جامعة ميشيغان من شركة Chiesi بالولايات المتحدة، ولا علاقة لذلك بهذا العمل الحالي. Robert Schoenberger، ‏MD‏، MCDHS، ذكر أنه يمتلك أسهمًا في شركة Johnson and Johnson، ولا علاقة لذلك بهذا العمل الحالي. Anthony Edelman، ‏MD، حصل على تمويل (مدفوع إلى جامعة ميشيغان) من المعاهد الوطنية للصحة في الولايات المتحدة (وكالة بحوث الرعاية الصحية والجودة)، ولا علاقة لذلك بهذا العمل الحالي. Allison Janda، ‏MD، حصلت على دعم في شكل منح بحثية من المعاهد الوطنية للصحة في الولايات المتحدة (المعهد الوطني للقلب والرئة والدم) ومعهد أبحاث النتائج المتمحورة حول المريض، ولا علاقة لذلك بهذا العمل الحالي. Douglas Colquhoun، ‏MB ChB‏، MSc‏، MPH، حصل على منحة بحثية من المعاهد الوطنية للصحة في الولايات المتحدة (المعهد الوطني للقلب والرئة والدم) ودعم بحثي مدفوع إلى جامعة ميشيغان من شركة Merck & Co وChiesi بالولايات المتحدة، ولا علاقة لذلك بهذا العمل الحالي. Michael Burns، ‏MD، حصل على دعم في شكل منح بحثية من Blue Cross Blue Shield of Michigan (BCBSM) ومعهد أبحاث النتائج المتمحورة حول المريض، ولا علاقة لذلك بهذا العمل الحالي، وهو مؤسس مشارك لشركة Decimal Code, Inc، ولا علاقة لذلك بهذا العمل الحالي. Nirav Shah، ‏MD، حصل على تمويل (مدفوع إلى جامعة ميشيغان) من المعاهد الوطنية للصحة في الولايات المتحدة (المكتبة الوطنية للطب، والمعهد الوطني للشيخوخة)، ومعهد أبحاث النتائج المتمحورة حول المريض، وBlue Cross Blue Shield Michigan، وEdwards Lifesciences، وApple, Inc، ولا علاقة لذلك بهذا العمل الحالي. لا توجد علاقات أو أنشطة أخرى قد يبدو أنها أثرت في العمل المقدم.

تُنسب جميع الأعمال والتمويل الجزئي إلى قسم التخدير، في كلية الطب بجامعة ميشيغان (آن آربر، ميشيغان، الولايات المتحدة الأمريكية). تلقى المشروع المذكور دعمًا جزئيًا من جانب المعاهد الوطنية للصحة في الولايات المتحدة (المعهد الوطني للسكري وأمراض الجهاز الهضمي والكلى R01DK133226، والمعهد الوطني للقلب والرئة والدم R01HL167790، والمعهد الوطني للشيخوخة R01AG059607، والمعهد الوطني للقلب والرئة والدم K08HL159327، والمعهد الوطني للقلب والرئة والدم K23HL166685، بيثيسدا، ولاية ماريلاند). إضافةً إلى ذلك، تم تقديم تمويل جزئي لدعم جمع بيانات السجلات الصحية الإلكترونية الأساسية في سجل “مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” من جانب Blue Cross Blue Shield of Michigan/Blue Care Network كجزء من برنامج شراكات القيمة الخاص بـ Blue Cross Blue Shield of Michigan/Blue Care Network. على الرغم من أن Blue Cross Blue Shield of Michigan/Blue Care Network و”مجموعة النتائج في الفترة المحيطة بالجراحة متعددة المراكز” تعملان معًا، فإن الآراء والمعتقدات ووجهات النظر التي يعبر عنها المؤلفون لا تعكس بالضرورة الآراء والمعتقدات ووجهات النظر التي تتبناها Blue Cross Blue Shield of Michigan/Blue Care Network أو أي من موظفيها. إضافةً إلى ذلك، فإن الآراء والمعتقدات ووجهات النظر التي يعبر عنها المؤلفون لا تعكس بالضرورة الآراء والمعتقدات ووجهات النظر التي تتبناها المعاهد الوطنية للصحة أو أي من موظفيها. لم يكن للمسهمين في المجال أي دور في الدراسة.

المراجع

  1. Roberts DJ, Mor R, Rosen MN, et al. Hospital-, anesthesiologist-, surgeon-, and patient-level variations in neuraxial anesthesia use for lower limb revascularization surgery: a population-based cross-sectional study. Anesth Analg. 2022;135:1282–1292. PMID: 36219577.
  2. Janda AM, Spence J, Dubovoy T, et al. Multicentre analysis of practice patterns regarding benzodiazepine use in cardiac surgery. Br J Anaesth. 2022;128:772–784. PMID: 35101244.
  3. Mathis MR, Janda AM, Kheterpal S, et al. Patient-, clinician-, and institution-level variation in inotrope use for cardiac surgery: a multicenter observational analysis. Anesthesiology. 2023;139:122–141. PMID: 37094103.
  4. Burns ML, Saager L, Cassidy RB, et al. Association of anesthesiologist staffing ratio with surgical patient morbidity and mortality. JAMA Surg. 2022;157:807–815. PMID: 35857304.
  5. Sutherland K, Levesque JF. Unwarranted clinical variation in health care: definitions and proposal of an analytic framework. J Eval Clin Pract. 2020;26:687–696. PMID: 31136047.
  6. Sessler DI. Implications of practice variability. Anesthesiology. 2020;132:606–608. PMID: 32053562.
  7. Brooke BS, Dominici F, Pronovost PJ, et al. Variations in surgical outcomes associated with hospital compliance with safety practices. Surgery. 2012;151:651–659. PMID: 22261296.
  8. Portuondo JI, Farjah F, Massarweh NN. Association between hospital perioperative quality and long-term survival after noncardiac surgery. JAMA Surg. 2022;157:258–268. PMID: 35044437.
  9. Casey JD, Courtright KR, Rice TW, Semler MW. What can a learning healthcare system teach us about improving outcomes? Curr Opin Crit Care. 2021;27:527–536. PMID: 34232148.
  10. Foley T, Vale L. A framework for understanding, designing, developing and evaluating learning health systems. Learn Health Syst. 2023;7:e10315. PMID: 36654802.
  11. Sheetz KH, Englesbe MJ. Expanding the quality collaborative model as a blueprint for higher-value care. JAMA Health Forum. 2020;1:e200413-e200413. PMID: 36218502.
  12. Smith M, Saunders R, Stuckhardt L, McGinnis JM. Committee on the Learning Health Care System in America; Institute of Medicine. Best care at lower cost: the path to continuously learning health care in America. National Academies Press (US); 2013 May 10. PMID: 24901184.
  13. Olsen L, Aisner D, Mcginnis JM, eds. The Learning Healthcare System: Workshop Summary. National Academies Press; 2007. PMID: 21452449.
  14. Colquhoun DA, Shanks AM, Kapeles SR, et al. Considerations for integration of perioperative electronic health records across institutions for research and quality improvement: the approach taken by the Multicenter Perioperative Outcomes Group. Anesth Analg. 2020;130:1133–1146. PMID: 32287121.
  15. MPOG Measure Specs—Measure List. https://spec.mpog.org/Measures/Public. Accessed February 16, 2024.
  16. Toolkits. MPOG. Published July 24, 2019. https://mpog.org/toolkits/. Accessed February 16, 2024.
  17. Howard R, Grant J, Leyden T, Englesbe M. Improving the quality of health care through 25 years of statewide collaboration in Michigan. NEJM Catalyst. 3:CAT.22.0153. doi: 10.1056/CAT.22.0153.
  18. Collaborative quality initiatives—value partnerships.com — blue cross blue shield of Michigan. https://www.valuepartnerships.com/programs/collaborative-quality-initiatives/. Accessed February 16, 2024.
  19. Janda AM, Vaughn MT, Colquhoun DA, et al. Does anesthesia quality improvement participation lead to incremental savings in a surgical quality collaborative population? A retrospective observational study. Anesth Analg. 2023;137:1093–1103. PMID: 37678254.
  20. Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
  21. Sun EC, Mello MM, Vaughn MT, et al. Assessment of perioperative outcomes among surgeons who operated the night before. JAMA Intern Med. 2022;182:720–728. PMID: 35604661.
  22. Howell MD, Corrado GS, DeSalvo KB. Three epochs of artificial intelligence in health care. JAMA. 2024;331:242–244. PMID: 38227029.
  23. Reddy S, Allan S, Coghlan S, Cooper P. A governance model for the application of AI in health care. J Am Med Inform Assoc. 2020;27:491–497. PMID: 31682262.
  24. Finlayson SG, Subbaswamy A, Singh K, et al. The clinician and dataset shift in artificial intelligence. N Engl J Med. 2021;385:283–286. PMID: 34260843.
  25. Chin MH, Afsar-Manesh N, Bierman AS, et al. Guiding principles to address the impact of algorithm bias on racial and ethnic disparities in health and health care. JAMA Netw Open. 2023;6:e2345050. PMID: 38100101.