Ieguvumi:
- Izpratne par to, kā darbojas laboratorijas informācijas sistēma (LIS), starpprogrammatūra un HL7/ASTM datu plūsma un kur šai ķēdei tiek pievienots mākslīgais intelekts.
- Spēja izstrādāt automātiskās verifikācijas noteikumus ar mākslīgā intelekta atbalstu un noteikt drošus ierobežojumus un izņēmumu noteikumus
- Spēja izprast pacientu drošības risku saistībā ar integrācijas kļūdām (vienību neatbilstība, LOINC kods, kanālu sajaukšanās) un pozīcijas pārbaudes punktus
Laboratorijas rezultāts veic neredzamu ceļojumu, līdz tas atstāj ierīci un sasniedz ārsta ekrānu: ierīce ģenerē datus, starpprogrammatūra tos apkopo, Laboratorijas informācijas sistēma (LIS) to reģistrē un pārbauda, slimnīcas informācijas sistēma (HIS) savieno to ar pacientu, un rezultāts tiek ziņots. Katrā šīs ķēdes posmā dati tiek pārtulkoti no viena formāta uz citu, un katrs tulkojums ir kļūdas iespēja: vienība neatbilst, testa kods ir sajaukts, kanāls tiek nomainīts pret citu analītu. AI var radīt lielu vērtību, pievienojot to šai ķēdei, jo īpaši padarot gudrākus automātiskās verifikācijas noteikumus, taču nepareizi novietots AI var paātrināt un palielināt kļūdu.
Šajā nodaļā jūs uzzināsiet, kā darbojas LIS, starpprogrammatūra un datu apmaiņas standarti (HL7, ASTM, LOINC); automātiskās verifikācijas loģikas un drošības robežas; Mēs segsim pacientu drošības risku integrācijas kļūdu gadījumā. Pamatprincips: AI paātrina likumu un plūsmu; Lēmumu par to, kurš rezultāts tiks publicēts automātiski un kurš nonāks pie cilvēka, nosaka eksperts ar drošības noteikumiem.
Datu plūsmas gredzeni
LIS (Laboratorijas informācijas sistēma) ir laboratorijas smadzenes: tā saņem testu pasūtījumus, izseko paraugus, reģistrē, pārbauda un ziņo par rezultātiem. Starpprogrammatūra ir starpprogrammatūra, kas atrodas starp ierīcēm un LIS; Tas apkopo datus no vairākām ierīcēm, piemēro noteikumus (delta pārbaude, automātiska pārbaude) un pārvalda atkārtošanas/atšķaidīšanas pieprasījumus. HIMS/HIS pārvalda pacienta identitāti un pieprasījumus visā slimnīcā.
Šīs sistēmas savā starpā runā standarta "valodās":
- HL7 (7. veselības līmenis): ziņojumapmaiņas standarts starp veselības sistēmām. Pārbaudes pieprasījums un tā rezultāts tiek pārsūtīti kā HL7 ziņojumi.
- ASTM: ziņojumapmaiņas standarts, ko galvenokārt izmanto ierīces un starpprogrammatūras saziņā.
- LOINC: vārdnīca, kas universāli kodē laboratorijas testus. Testam “glikoze, serums” ir LOINC kods; Pateicoties šim kodam, dažādas sistēmas saprot, ka tās runā par vienu un to pašu testu.
Bez šiem standartiem katra ierīce un sistēma pārprastu viena otru. AI var palīdzēt saskaņot šos ziņojumus, meklēt kļūdas un ģenerēt noteikumus; bet saskaņošanas precizitāte ir jāpārbauda cilvēkam.
slānis
Misija
Tipisks kļūdu risks
Ierīce (analizators)
veic mērījumus
Kalibrēšana, kanālu šķērsruna
starpprogrammatūra
Apkopo datus, piemēro noteikumus
Nepareizs noteikums, vienību saspēle
LIS
Reģistrē, pārbauda, ziņo
LOINC/testa koda apjukums
VIŅŠ/VIŅŠ
Pacienta ID, pieprasījums
Nepareiza pacientu atbilstība
Kas ir automātiskā verifikācija?
Automātiskā pārbaude ir automātiska rezultātu izlaišana, kas atbilst noteiktiem drošiem nosacījumiem, bez cilvēka uzraudzības. Piemēram: rezultātu, kas atrodas atsauces diapazonā, kuram ir derīga kvalitātes kontrole, ir tīra delta pārbaude, nav traucējumu karodziņu un kas nav kritisks, var tikt automātiski apstiprināts. Tas novērš parasto normālo rezultātu masu no cilvēka un novirza eksperta uzmanību uz rezultātiem, kas faktiski ir jāpārbauda. Labi izstrādāta automatizēta pārbaude var droši paātrināt ievērojamu rezultātu daļu laboratorijā.
Taču automatizētās verifikācijas pamatā ir tas, ko jūs NEautomatizējat. No automatizācijas jāizslēdz un jānorāda uz cilvēkiem:
- Kritiskās/panikas vērtības
- Delta pārbaudes pārkāpumi
- Analīti ar kvalitātes kontroles pārkāpumu
- Interferences karodziņi (hemolīze, lipēmija, dzelte)
- Rezultāti, kur ierīce ievieto "čekas" zīmi
- Noteikti rezultāti, kas ir ārpus atsauces diapazona un kuriem nepieciešama klīniska interpretācija
Uzmanību: “Automātiski visu atlaist” ir visbīstamākais automatizācijas lēmums. Labu automatizāciju nosaka izņēmuma noteikumi; Svarīgāk ir noskaidrot, kurš rezultāts noteikti nonāks pie cilvēkiem, nevis kurš izturēs.
Kā pievienot AI integrācijai
AI ir ļoti noderīgs kā palīgs, izstrādājot automātiskās validācijas noteikumus: tas var pārskatīt esošos noteikumus, norādīt uz nepilnībām, simulēt, kādus rezultātus nodos noteikumu kopa, pārbaudīt izņēmumu sarakstu. Tas var arī meklēt atbilstības kļūdas (vienību neatbilstība, negaidīts vērtību diapazons, koda neskaidrības) HL7/ASTM ziņojumos. Taču neviens AI ieteiktais noteikums netiek ieviests ražošanā, ja tas nav apstiprināts ar reāliem pacienta datiem un retrospektīvām pārbaudēm. Pirms tiešraides automatizācijas kārtula tiek pārbaudīta, pamatojoties uz vēsturiskajiem rezultātiem, un tiek jautāts: “Cik kritisko vērtību tas izlaistu?” To vajadzētu pārbaudīt ar jautājumu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Rakstiet automātiskās apstiprināšanas noteikumus un ātri saņemiet rezultātus.
Šī uzvedne neietver drošības ierobežojumus, izņēmumus un laboratorijas kontekstu. AI var ierosināt plašu, bīstamu "visu izturēt" noteikumu, un pastāv risks, ka kritiskās vērtības tiks automātiski atbrīvotas.
Spēcīga uzvedne:
Jūsu loma: palīgs laboratorijas ekspertam, kurš izstrādā automatizētas validācijas noteikumus. Mērķis ir drošība; ātrums ir sekundārs. Ierosiniet noteikumu projektu šādiem analītiem: [analītu saraksts]. Katrai kārtulai atsevišķi rakstiet automātiskās atbrīvošanas NOSACĪJUMI un IZŅĒMUMS (pāriet uz cilvēku) gadījumus. Izņēmumos ir jāietver vismaz šādi: kritiskā vērtība, delta pārbaudes pārkāpums, kvalitātes kontroles pārkāpums, traucējumu karodziņš, ierīces pārbaudes karodziņš. Blakus katram noteikumam pievienojiet piezīmi "šis noteikums var izvairīties no šī riska". Es pārbaudīšu noteikumus retrospektīvi pirms laišanas ražošanā; Uzrakstiet arī, kādus vēsturiskos datus man vajadzētu pārbaudīt testēšanai.
Spēcīga uzvedne piešķir prioritāti drošībai, ievieš izņēmumus, apšauba riskus un ietver validācijas darbību.
trīs mini futrāļi
1. gadījums — labi izstrādāta automatizācija. Laboratorija iestata automātisku apstiprināšanu ikdienas pilnīgas asins analīzes rezultātiem: atsauces diapazonā, QC skaidrs, delta skaidrs, bez ierīces karoga. Kritiskās vērtības, sprādziena karogs, delta pārkāpums iet uz cilvēku. Tas simulē AI noteikumu kopu un parāda, ka pēdējo 10 000 rezultātu laikā neviena kritiskā vērtība nav izkļuvusi. Eksperts apstiprina un ievieš noteikumu; Aptuveni 70% rezultātu tiek droši paātrināti, koncentrējot uzmanību uz kritiskajiem.
2. gadījums — apjoma saskaņošanas kļūda. Pēc integrācijas atjaunināšanas ierīce nosūta mmol/L, savukārt starpprogrammatūra sagaida magnija mg/dL. Vērtības tiek sistemātiski mērogotas nepareizi. AI iezīmē pēkšņu un pilnīgi negaidītu rezultātu nobīdi diapazonā (“visi magnija rezultāti ~2,4 reizes normāli”). Speciālists atrod un novērš vienību saskaņošanas kļūdu. Ja automatizācija nebūtu uztvērusi šo kļūdu, tūkstošiem rezultātu būtu bijuši nepareizi — spilgts piemērs tam, ka automatizācija var palielināt kļūdu.
3. gadījums — automātiska kritiskās vērtības aizplūšana. Tas atver plašu automātisko validāciju, nenosakot citu laboratorijas izņēmuma noteikumu. Lai gan kālija līmenis 6,4 mmol/L ir kritisks, tas tiek automātiski atbrīvots, un paziņojums tiek izlaists. Pacientam tiek nodarīts kaitējums. Nodarbība: automātiskās validācijas drošība ir atkarīga no izņēmuma noteikumu pilnīguma; kritiskā vērtība nekad netiek atstāta automatizācijas ziņā.
Kopējamas uzvedņu veidnes
AUTOMĀTISKĀS APSTIPRINĀŠANAS NOTEIKUMA VEIDNES Analīts: [nosaukums]. Uzskaitiet automātiskās atbrīvošanas nosacījumus (atsauces diapazons, kvalitātes kontroles statuss, delta, traucējumi, ierīces karodziņš). Pēc tam atsevišķi norādiet izņēmumus "JĀIET CILVĒKIEM". Norādiet risku, ko katrs noteikums var neievērot. Noteikums ir melnraksts; Es to neizmantošu bez retrospektīvas pārbaudes.
NOTEIKUMU SIMULĀCIJAS VEIDNE Lietojiet šo automātiskās validācijas noteikumu anonīmajam vēsturisko rezultātu sarakstam, ko es sniegšu. Parādiet, kuri rezultāti tiks nodoti automātiski un kuri tiks nodoti cilvēkiem. Konkrēti: vai kādas kritiskās vērtības ir nodotas automātiski? Delta pārkāpums izbēga? Noteikums: [noteikums]. Rezultāti: [saraksts].
INTEGRĀCIJAS KĻŪDAS SKENĒŠANAS VEIDNEŠo analītu rezultāti norāda uz integrācijas/atbilstības kļūdu: pēkšņa un konsekventa visu rezultātu novirze (iespējama vienības kļūda), negaidīts diapazons, neatbilstība no vienas ierīces/kanāla. Atzīmējiet aizdomīgo modeli un iespējamo cēloni; Es pieņemšu lēmumu. Dati: [saraksts].
LOINC/TESTA KODA PĀRBAUDES VEIDSPārbaudiet tālāk norādīto testa nosaukumu un iesniegto kodu: vai testa nosaukums un kodā aprakstītais tests attiecas uz vienu un to pašu analītu? Vai skaļums ir saderīgs? Ja ir nesaderība, atzīmējiet "[atbilstība ir jāpārbauda]". Atbilstības: [saraksts].
Biežas kļūdas
- Ieslēdziet automātisko verifikāciju bez izņēmuma. Automatizācija bez kritiskās vērtības, delta, kvalitātes kontroles un traucējumu izņēmumiem ir bīstama.
- Noteikuma ieviešana ražošanā, to neapstiprinot. Jaunais noteikums netiks ieviests bez retrospektīvas vēsturisko datu pārbaudes.
- Netiek pārbaudīta vienību atbilstība. Kļūda, piemēram, mg/dL ↔ mmol/L, klusi novirza visus rezultātus.
- Pārbaudes kods/LOINC neskaidrības. Neatbilstošs kods var izveidot vienu testa ziņojumu kā citu testu.
- AI noteikuma ieteikumu maldināšana kā pierādījumu. Priekšlikums ir projekts; Tikai simulācija un validācija parāda drošību.
Padoms. Veidojot automātiskās apstiprināšanas kārtulu, vispirms uzdodiet jautājumu "ko es NEKAD automātiski neizietu?" Sāciet ar jautājumu. Kad esat pilnībā izveidojis izņēmumu sarakstu, automatizāciju var droši paplašināt. Drošību mēra nevis pēc rezultātiem, kas iet garām, bet gan pēc tā, ko nelaiž garām.
Rezumējot
Laboratorijas datu plūsmas vairāku posmu ķēdē no ierīces līdz ārstam; LIS, starpprogrammatūra un HL7/ASTM/LOINC standarti nodrošina šo plūsmu, un katrs zvans ir kļūdas iespēja. Automātiskā pārbaude paātrina rezultātus drošos apstākļos, bet tās drošība ir atkarīga no izņēmuma noteikumiem (kritiskā vērtība, delta, QC, traucējumiem ir jānonāk pie cilvēkiem). Mākslīgais intelekts ir spēcīgs palīgs noteikumu izstrādē, to modelēšanā un integrācijas kļūdu meklēšanā; Tomēr neviens noteikums netiek ieviests ražošanā bez retrospektīvas pārbaudes un ekspertu apstiprināšanas. Automatizācija arī mērogo kļūdu; Tāpēc kontrolpunkti ir neaizstājami.
Lietojumprogrammas uzdevums
Pieprasīt kārtulu kopu no AI, izmantojot analīta veidni “Automated Validation Rule Draft”; Jo īpaši pārbaudiet, vai izņēmumu saraksts ir pilnīgs. Pēc tam lietojiet šo kārtulu vēsturisko rezultātu saraksta paraugam ar veidni "Kārtulas simulācija" un pārbaudiet, vai nav novērsti kritiskās vērtības/delta pārkāpumi. Visbeidzot, izveidojiet apjoma atbilstības scenāriju un izmēģiniet veidni "Integrācijas kļūdu skenēšana".
kontrolsaraksts
- [ ] Esmu pilnībā definējis izņēmumu sarakstu (kritiskais, delta, QC, traucējumi) automātiskai pārbaudei.
- [ ] Es pārbaudīju kārtulu retrospektīvi ar vēsturiskiem datiem pirms tā ieviešanas ražošanā.
- [ ] Esmu pārliecinājies, ka netiek automātiski pārbaudītas kritiskās vērtības/delta pārkāpumi.
- [ ] Es pārbaudīju ierīci un LOINC/testa koda atbilstību.
- [ ] Es meklēju integrācijas kļūmes pazīmes (pēkšņa konsekventa novirze).
- [ ] Es apstiprināju AI noteikumu ieteikumu, izmantojot simulāciju un validāciju.