在医疗机构几乎全部采用电子健康记录 (EHR) 且健康数据跨科室和机构合并的时代,越来越多人认识到临床实践已不同以往。围手术期照护也不例外。最新研究表明,在采用的麻醉技术、1给予的药物2,3和手术室人员配置模式等实践方面,不同机构存在广泛差异。4在某些情况下,实践差异是有必要的,这可以通过亚专科培训、当地卫生资源限制和患者知情预期等因素来解释。然而,在其他情况下,此类差异无法解释或毫无根据,可能由于缺乏实践基准、医院资源分配不理想或缺乏针对个体患者需求的精准照护。5,6
在某些情况下,此类实践差异可能与更糟糕的结果有关,包括麻醉医师配置比例的实践模式、4医院对安全实践的依从性7以及抢救失败率。8
为消除无法解释或毫无根据的差异,现代质量改进 (QI) 和研究倡议越来越多地寻求多中心学习型卫生系统方法,整合从不同中心的实践差异中获得的比较有效性证据,以制定绩效基准和质量指标。9,10随着战略性多中心基础设施的落地,这类基准和质量指标可以在参与机构中传播,根据不断发展的最佳实践进行快速迭代,并提高患者安全性和医疗照护价值。11,12多中心围手术期结局组 (MPOG) 是与围手术期照护相关的一项学习型卫生系统基础设施,我们在本文中对其进行了介绍,以阐明 (i) 整合围手术期 EHR 进行研究和质量改进 (QI) 所需的方法;(ii) 可用于有效利用收集的海量围手术期健康数据的大数据工具;以及 (iii) 创建社区共享研究和质量指标输出以推进围手术期照护和患者安全的价值主张。最后,人工智能和机器学习方法的兴起为加强健康信息收集和临床决策提供了新的机遇,我们描述了在实施人工智能/机器学习方法方面取得持续成功的核心挑战,以及应对这些挑战的方法。
围手术期数据指导下的学习型卫生系统原则:多中心围手术期结局组 (MULTICENTER PERIOPERATIVE OUTCOME GROUP, MPOG)
不同机构的 EHR 数据差异较大
学习型卫生系统 (LHS) 被定义为“知识生成深度融入医学实践核心,成为医疗照护服务的自然产物,并推动照护的不断改进。”13 MPOG 致力于成为一个专注于围手术期照护的学习型卫生系统,以满足 QI、研究和患者安全领域不断提高的标准(图 1)。2008 年,几家学术中心联合推出了 MPOG,这些中心有意使用其新实施的电子麻醉记录保存系统开展多中心观察性分析。这些中心很快发现,通过适当的管理和协作,这一数据集可以成为学习型卫生系统的基础,其中MPOG数据可带来新的认识。这一认识带来了实践变革,而实践变革则衍生出了新的数据。这种方法的飞轮效应显著,现已吸引近 100 家医院加入 MPOG 小组。MPOG 转而开发了提取、摄取、清理和分析这些数据的工具,用于各种研究、QI 和教育相关用途。各机构提交的数据集至少包括围手术期的生理、药物、文本注释、人员配置、关键事件以及液体输入和输出数据。这些指标均从现有麻醉医疗记录的机构映射数据中自动得出,且基本与各机构使用的特定 EHR 供应商无关。此外,数据集还包括术前病史和身体状况信息、实验室检查结果和管理数据,如现行医疗服务与操作术语 (CPT) 代码、出院诊断和医院死亡率数据。
不同机构的 EHR 数据差异较大。因此,MPOG 的一个基本组成部分是将不同参与机构的 EHR 数据转换为可用于研究和 QI 的预先计算、经验证表型的方法。14这是一个严谨的过程,需要采取算法来整合 MPOG 中所有数据类型的组合,以生成更可靠的临床推断。这些推断可作为支持研究人员进行分析的基本要素,并让 QI 负责人和临床医生能够了解照护模式的变化。表型是 MPOG 研究和 QI 的重要组成部分,示例包括麻醉技术、美国麻醉医师协会身体状况和患者吸烟状况。在每种情况下,这些数据在各个机构都有数千种记录方式,MPOG 开发的软件算法可将数据转换为支持可共同操作的表型。
MPOG 工具将围手术期 EHR 数据转化为提高患者安全性的知识和行动
MPOG 开发了分析大数据的计划和工具
MPOG 开发了多种程序和工具,以分析大数据,为细致、有意义的 QI 和研究项目提供推断,旨在提高患者安全。
MPOG 的 QI 任务由其质量委员会 (Quality Committee) 管理,该委员会由各参与机构倡导 QI 的麻醉医师组成。该委员会负责批准并维护反映最佳可用证据的质量措施,并制定了定期重新审查 QI 措施的计划,以适应该领域不断扩大和发展的知识库。该委员会联合儿科、产科、老年医学和心脏麻醉的亚专科小组委员会,构思新的 QI 倡议,各小组委员会均由参与机构的质量倡导者和领域专家组成。这些委员会致力于促进开放讨论与合作,并分享最佳实践和汲取的经验教训。
为帮助成员在其所在机构中实施变革,MPOG 开发了一系列基于计算表型基础的计划。这些计划包括 QI 指标开发、实践层面的反馈、个体提供者的反馈、QI 工具包和质量协作会议(如表 1 所示)。有关所有 QI 指标的更多详细信息,请参见:https://spec.mpog.org/Measures/Public。可跟踪个体提供者的表现,并向个人提供反馈(图 2)。
表 1:多中心围手术期结局组内的质量改进计划。
为补充其 QI 任务,研究委员会 (Research Committee) 负责对 MPOG 的研究任务进行管理,该委员会通过审查提交的提案和跟踪正在进行的项目的进展来协调 MPOG 的临床研究工作。该委员会由来自各参与机构的 MPOG 主要研究者组成,负责评估所有 MPOG 研究提案,提供关键的假设和方法指导,并在项目提交批准前确保使用 MPOG 数据进行的临床研究的科学适当性。为使用 MPOG 数据开展有意义的研究,该小组开发了多项程序和工具来完善登记数据库。这些计划包括研究委员会例会和年度 MPOG 行思会,以及用于开发研究队列和简化研究查询的软件工具(例如密歇根州安阿伯市的 DataDirect®)。
密歇根州的绩效改进
在密歇根州,MPOG 是密歇根州蓝十字蓝盾协会 (Blue Cross Blue Shield of Michigan) 资助的 QI 计划的一部分,该项目是一个学习型卫生系统。17该计划为多个专科和健康状况领域的 QI 小组提供资金。18采用上述机制,非盲绩效审查、多专科协作会议和付款人驱动的财务激励措施可带来显著的照护改善。重要麻醉照护领域(如血糖和体温管理)的改进以及参与计划的医院成功提供更具成本效益的照护印证了这一点(表 2)。19
表 2:多中心围手术期结局组的质量改进影响示例。
研究倡议:评估多中心实践差异和围手术期照护结构
考虑到不同临床医生和机构的围手术期实践存在广泛差异,MPOG 的重要研究结果包括量化临床医生或机构(而非患者或手术)对实践模式解释程度的研究。此类实践差异可能反映临床医生培训、个人实践偏好或机构的临床照护和基础设施结构,已被用于研究对患者转归的影响。在某些情况下,实践差异(包括麻醉医师配置比例、医院对安全实践的依从情况7和抢救失败率8)与较差的结局相关;而在其他情况下,其与不良结局并无关联,包括主治医生进行重叠手术20或外科医生在前一天通宵手术21)。
人工智能和机器学习为围手术期照护带来的机遇和挑战
安全采用人工智能面临挑战
用于处理电子健康记录 (EHR) 数据以进行多中心研究和 QI 的大数据工具成功开发,让我们有机会将采用人工智能和机器学习技术的方法应用于提高数据质量,开发 QI 指标,并通过预测算法开发来改善临床照护。考虑到围手术期 EHR 数据的复杂性和粒度,能够处理不同变量间大量复杂的非线性相互作用的人工智能/机器学习方法有时显著优于经典统计方法。然而,在围手术期学习型卫生系统中安全采用基于人工智能/机器学习的方法存在挑战。这些挑战包括:(i) 现有临床医生知识库在优势和局限性方面存在较大差异;(ii) 需要临床算法监督和管理;(iii) 需要确保训练人工智能/机器学习算法的源数据的保真度;以及 (iv) 采取一种系统性方法识别和解决基于人工智能/机器学习的临床决策支持系统中可能传播的偏倚(图 3)。
在临床医生知识方面,人工智能/机器学习教育正被纳入医学课程和医疗照护领域的继续医学教育。22在算法管理和监督方面,QI 和患者安全工作为委员会提供了框架,以监测健康系统内部署的人工智能/机器学习模型的框架。23在数据保真度方面,提出了诊断和补救 EHR 数据质量变化的方法(“数据集转移”),24重点是维持一线临床医生与算法管理委员会之间的闭环沟通,提高对模型性能不佳的认识,培养临床医生分辨可以依赖预测模型与忽略该模型的临床情况,从而提高患者安全性。最后,由于算法偏倚问题仍然存在,解决不同临床亚组之间差异模型性能的机会(特别是在涉及人种、民族和性别时)25包括明确检查这些亚组中人工智能/机器学习模型的性能。
结论
整合患者、临床医生、机构和地区的围手术期 EHR 数据,以进行比较有效性研究并提高麻醉照护质量和安全性的机会已成熟。围手术期学习型卫生系统配备大数据工具,可适当利用基于人工智能/机器学习的方法,这为临床医生群体提供了一个平台,可供其在学习型卫生系统中共享数据、交流意见和传播不断发展的最佳实践。
Michael R. Mathis 是密歇根大学(密歇根州安阿伯市)的麻醉学副教授,也是密歇根医学院计算生物信息学系的附属教员。
Robert B. Schonberger 是耶鲁医学院(康涅狄克州纽黑文)的麻醉学副教授兼学术事务副主席。
Anthony L. Edelman 是密歇根大学(密歇根州安阿伯市)密歇根医学院的麻醉学助理教授兼成人麻醉学副主席。
Allison M. Janda, MD 是密歇根大学(密歇根州安阿伯市)密歇根医学院的麻醉学助理教授。
Douglas A. Colquhoun, MB ChB, MSc, MPH 是密歇根大学(密歇根州安阿伯市)密歇根医学院的麻醉学助理教授。
Michael L. Burns, MD 是密歇根大学(密歇根州安阿伯市)密歇根医学院的麻醉学助理教授。
Nirav J. Shah 是密歇根大学(密歇根州安阿伯市)密歇根医学院的麻醉学副教授。
Michael Mathis, MD 接受了来自美国国立卫生研究院(NHLBI、NIDDK、AHRQ)的研究项目经费,以及 Chiesi, USA 向密歇根大学提供的研究支持,这些费用与本研究无关。Robert Schoenberger, MD, MCDHS 报告其拥有 Johnson and Johnson 的股票,这与本研究无关。Anthony Edelman, MD 接受了来自美国国立卫生研究院 (AHRQ) 的经费(支付给密歇根大学),该费用与本研究无关。Allison Janda, MD 接受了来自美国国立卫生研究院 (NHLBI) 和以患者为中心的结果研究机构 (Patient Centered Outcomes Research Institute) 的研究项目经费,这些费用与本研究无关。Douglas Colquhoun, MB ChB, MSc, MPH 接受了来自美国国立卫生研究院 (NHLBI) 的研究项目经费,以及 Merck & Co 和 Chiesi, USA 向密歇根大学提供的研究支持,这些费用与本研究无关。Michael Burns, MD 接受了来自密歇根州蓝十字蓝盾协会 (BCBSM) 和以患者为中心的结果研究机构 的研究项目经费,这些费用与本研究无关;其也是 Decimal Code, Inc. 的联合创始人,这与本研究无关。Nirav Shah, MD 接受了来自美国国立卫生研究院(NLM、NIA)、以患者为中心的结果研究机构、密歇根州蓝十字蓝盾协会、Edwards Lifesciences 和 Apple, Inc. 的经费(支付给密歇根大学),这些费用与本研究无关。不存在其他可能影响本研究的关系或活动。
所有工作和部分经费均归密歇根大学(美国密歇根州安阿伯市)密歇根医学院麻醉学系所有。本项目获得了美国国立卫生研究院(NIDDK R01DK133226;NHLBI R01HL167790、NIA R01AG059607、NHLBI K08HL159327、NHLBII K23HL166685,马里兰州贝塞斯达)的支持。此外,密歇根州蓝十字蓝盾协会/Blue Care Network 在密歇根州蓝十字蓝盾协会/Blue Care Network Value Partnerships 计划中提供了部分资金,以支持将基础电子健康记录数据收集到多中心围手术期结局组登记数据库中。尽管密歇根州蓝十字蓝盾协会/Blue Care Network 和多中心围手术期结局组开展了协作,但作者表达的意见、信念和观点不一定代表密歇根州蓝十字蓝盾协会/Blue Care Network 或其任何员工的意见、信念和观点。此外,作者表达的意见、信念和观点不一定代表美国国立卫生研究院或其任何员工的意见、信念和观点。行业贡献者在本研究中未发挥作用。
参考文献
- 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.
- 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.
- 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.
- 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.
- 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.
- Sessler DI. Implications of practice variability. Anesthesiology. 2020;132:606–608. PMID: 32053562.
- 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.
- 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.
- 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.
- Foley T, Vale L. A framework for understanding, designing, developing and evaluating learning health systems. Learn Health Syst. 2023;7:e10315. PMID: 36654802.
- 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.
- 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.
- Olsen L, Aisner D, Mcginnis JM, eds. The Learning Healthcare System: Workshop Summary. National Academies Press; 2007. PMID: 21452449.
- 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.
- MPOG Measure Specs—Measure List. https://spec.mpog.org/Measures/Public. Accessed February 16, 2024.
- Toolkits. MPOG. Published July 24, 2019. https://mpog.org/toolkits/. Accessed February 16, 2024.
- 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.
- Collaborative quality initiatives—value partnerships.com — blue cross blue shield of Michigan. https://www.valuepartnerships.com/programs/collaborative-quality-initiatives/. Accessed February 16, 2024.
- 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.
- Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
- 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.
- Howell MD, Corrado GS, DeSalvo KB. Three epochs of artificial intelligence in health care. JAMA. 2024;331:242–244. PMID: 38227029.
- 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.
- 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.
- 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.