数据整合技术与重症监护临床医生绩效的关联:一项系统综述与Meta分析
该系统综述与Meta分析纳入2004至2016年发表的20项研究(16项实验研究含410名重症监护临床医生,4项调查研究含1511名受访者),评估以用户为中心的数据整合与可视化技术(DIVT)与重症监护临床医生绩效的关联。主要指标包括决策时间、决策准确性和认知负荷(NASA-TLX)。Meta分析显示,与纸质系统相比,所有电子可视化在自我报告的绩效、脑力需求和时间需求上均有改善(如脑力需求中位数:电子显示10、表格显示8、新型可视化8,纸质17),但不同电子显示之间差异不显著,沮丧感和体力需求无变化。作者认为DIVT与数据整合性和一致性的提高相关,仍需明确哪些可视化能有效降低认知负荷以增强基于重症监护数据的决策。
要点
- Meta分析显示,与纸质系统相比,所有电子可视化均改善自我报告的脑力需求(中位数:电子显示10、表格8、新型可视化8 vs 纸质17,满分22)。
- 时间需求中位数:电子显示8、表格和条形图7、新型可视化7,均低于纸质系统的16。
- 绩效评分(越低越好)中位数:电子显示6、表格和条形图6、新型可视化6,均优于纸质系统的14。
- 沮丧感和体力需求在纸质与电子系统间无差异,不同电子显示之间差异不显著。
- 20项研究中仅2项(10%)在临床环境中评估DIVT,14项(70%)测量决策时间,11项(55%)测量决策准确性。
适用人群与场景
- 研究对象为重症监护临床医生(护士、医师,部分研究包括呼吸治疗师或完整ICU床旁团队);纳入标准为研究测试可行的DIVT、参与者为重症监护临床医生、报告与重症监护决策相关的定量结果。
- 排除非ICU应用、场所或参与者;排除无DIVT原型、未聚焦明确数据来源或多类型数据参数的研究;排除会议论文、社论、观点文章和综述。
研究设计与关键结果
- 系统综述与Meta分析纳入20项研究(2004至2016年发表),其中16项实验研究含410名重症监护临床医生参与者,4项调查研究含1511名受访者。
- 研究完整性评分范围为27至43(满分47),研究质量评分范围为46至79(满分90)。
- 20项研究中,仅2项(10%)在临床环境中评估DIVT,14项(70%)测量决策时间,11项(55%)测量决策准确性。
- Meta分析(NASA-TLX)显示,与纸质系统相比,所有电子可视化在自我报告的绩效、脑力需求和时间需求上均有改善;脑力需求中位数(IQR):电子显示10(7-13)、表格显示8(6.0-11.5)、新型可视化8(6-12),纸质17(14-19)。
- 时间需求中位数(IQR):电子显示8(6-11)、表格和条形图7(6-11)、新型可视化7(5-11),纸质16(14.3-19.0)。
- 绩效评分中位数(IQR,越低越好):电子显示6(3-11)、表格和条形图6(4-11)、新型可视化6(4-11),纸质14(11-16)。
- 沮丧感和体力需求领域无变化;与电子对照相比,仅自我报告的努力在表格和新型可视化中显著改善(中位数:表格和条形图8(5.5-11.5)、新型可视化7(6-11) vs 电子对照10(10-12))。
- 决策准确性在11项研究中测量,新型可视化在8项研究中较传统数据信息系统改善决策准确性。
证据类型、等级与局限
- 证据类型:系统综述与Meta分析,遵循PRISMA指南,研究方案注册于PROSPERO(CRD42015020324)。
- 研究质量采用修改版QUASII评估,最高分90;研究完整性采用修改版Peute等清单评估,最高分47。
- 局限:PRISMA中与偏倚评级相关的条目未完成;2004至2016年的12年发表期可能引入异质性(及过时的对照);大多数研究的关键局限是对照组未能全面代表完整临床信息系统;阳性结果研究在本综述中比例过高,提示发表偏倚。
对床旁实践的改变
- 本综述提示,任何形式的电子数据整合与可视化(相对纸质系统)与自我报告的脑力需求、时间需求和绩效改善相关,但不同电子可视化之间差异不显著。
- 作者认为,仍需大量工作来确定哪些可视化能有效降低认知负荷以增强基于重症监护数据的决策。
- 作者提出,通过建立开放获取的基准测试方案库(含结局指标、场景和数据集)来标准化人因测试,可能加速最合适DIVT的设计和选择。
提炼说明
- 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译17 节 · 点击展开
引言
先进的监测和治疗技术为提高危重症患者的预后做出了贡献。为了理解这些不断增长的数据,负责整合多来源数据(即设备)的技术必须实现高度的设备互联性和大数据存储能力。重要的是,它们必须有意义地显示数据。在这方面,技术既需要全面性,也需要可定制性。数据和信息可视化是一个被不同工程和生物学领域用于应对大量多样数据源的概念。1 数据整合与可视化技术(DIVT)是我们用来描述整合来自多个医疗设备连续数据的软件应用或平台的术语。通过流式传输多参数数据,DIVT还旨在通过使用算法将数据浓缩为新的单一数值指标或有助于传达含义的视觉隐喻,来降低其多参数维度。开发满足这些挑战性要求的技术努力已经进行了数十年,但并未立即得到采用。2
美国医学研究所的《人非圣贤,孰能无过:构建更安全的卫生系统3》指出,医疗差错可能源于人与技术之间欠佳的交互,部分原因是技术设计不佳。以用户为中心的设计流程可以确保数据集成与可视化技术(DIVTs)安全、有效且高效地支持重症监护临床医生的工作。4 为重症监护交付设计这些技术所面临的挑战在于高度专业化的个体临床医生以及多学科团队协作照护的协作性质。5,6 整合不仅包括来自多个设备的数据流,还包括将整个住院期间的数据压缩到单一交互式屏幕上。数据集成与可视化技术是作为数据存储库而构建的综合电子病历系统24项关键功能之外的一个独立且额外的概念。7 1992年,Cunningham等8为新生儿重症监护引入了MARY,一种交互式计算机化趋势监测系统。该显示将多个生理数据趋势的持续数秒的波形数据扩展至数分钟或数天。临床医生预期观察趋势将有助于管理新生儿照护并增进他们对患者生理学的理解。8 然而,1991年一项以MARY作为技术干预的随机临床试验9发现患者结局并无改善。该系统无效的一种解释是“重症监护数据呈现不佳[导致]对发展中病理的解读延迟或不佳。”9 所提出的解决方案是使数据趋势既具有视觉吸引力又具有灵活性,即提供一个可定制且响应迅速的界面并采用新的视觉表征。9 一项关于呼吸数据视觉隐喻的研究10显示,与传统显示相比,呼吸治疗师做出决策的速度快一倍且准确度相同。这2项研究既未关注临床医生的表现,也未整合来自多个设备的数据。卫生保健中以人为因素为中心的正式研究的演变以及多设备数据整合的快速发展,为在临床部署之前评估新显示提供了可能性。本系统综述旨在通过评估和综合人为因素研究,确定DIVTs与认知表现,特别是临床医生决策之间的关联。
方法
研究识别与选择
本综述的方案按照系统综述和荟萃分析首选报告条目(PRISMA)报告指南11实施,该指南是卫生保健研究中的标准框架。据我们所知,尚无遵循PRISMA指南的关于技术介导的数据整合用于重症监护交付的人为因素研究的综述。12,13,14,15 该研究还在PROSPERO注册(PROSPERO标识符:CRD42015020324)。
系统性检索由一名受过医学研究培训的合格信息专家(C.N.)执行。已发表的研究必须满足3项要求:(1)该研究测试了一种可行的数据集成与可视化工具(DIVT),(2)涉及的参与者为重症监护临床医生,(3)该研究报告了与重症监护决策相关的定量结果。De Georgia等[2]指出,计算机于2003年被广泛引入重症监护病房(ICU),因此我们的检索始于2004年。检索于2014年5月在5个数据库(MEDLINE、Embase、Cochrane对照试验中心注册库、PsycINFO和Web of Science)中进行,并于2018年1月更新。选取了大量数据库特定的主题词以捕获重症监护、数据展示和人为因素的概念。使用布尔逻辑“或”将所有重症监护术语、所有数据展示术语和所有人为因素术语分别合并。这3组术语使用“与”进行合并,并按出版日期以及英语或法语文章进行限定。在所有数据库中,使用截词符和相邻运算符以捕获词干和拼写变体。在适用的情况下,对数据库主题词进行扩展检索,以纳入更狭义的术语。数据库的“用于”术语生成了文本词检索,并与所选数据库主题词合并。2种检索策略见补充材料中的eMethods 1和eMethods 2。使用Google Scholar以人为因素、数据整合和重症监护等术语对系统性检索进行补充。此外,还筛选了关于显示器、生理监护仪和数据表示的人为因素研究的现有综述,以查找更多研究。
纳入与排除标准
图1展示了检索和排除过程。我们使用纳入和排除标准来识别真正的人为因素研究,在随机临床试验和观察性研究中进行检索。研究须为原创性研究;须以ICU为场所、模拟ICU或参与者来自ICU;并须描述技术类型及其与临床医生工作相关的功能能力。我们排除了非ICU应用、场所或参与者;没有DIVT原型、未关注明确的数据和信息来源、或未涉及多种类型数据参数的研究;以及会议文章、社论、观点文章和综述。此外,研究必须致力于开发或改进可视化的设计,该可视化整合了来自明确定义来源的连续和/或间歇性临床数据。纳入研究中DIVT的示例见图2。[16,17,18,19] 排除研究的示例为那些侧重于在没有临床医生参与者的情况下开发技术(例如,无人类因素研究)[20,21]或侧重于技术对患者结局的影响(例如,住院时间、感染率)的研究。[22] 为具有真实环境相关性,研究需要一种有形的、完全交互式的技术,并描述了界面特征,以解释其与改善临床医生绩效的关联。侧重于临床医生无法感知的技术后端设计的工程学研究被排除。排除研究的示例为那些侧重于数据整合和可视化的计算进展(例如,算法开发或验证)[23]或涉及医疗设备互连性的研究。[24,25]
审查流程
文章通过标题、摘要和全文进行筛选。全文文章由2位作者(Y.L.L.和L.K.)独立筛选,随后选定最终样本。如有分歧,由4位作者(Y.L.L.、P.T.、L.K.和A.-M.G.)讨论文章是否纳入。对最终纳入文章的参考文献列表逐一筛选以查找其他文章。使用文献管理软件EndNote(Clarivate Analytics)管理引文。
数据提取与分析
纳入的研究发表于2004年至2016年。综述和荟萃分析于2014年5月至2018年4月进行。两位作者(Y.L.L.和L.K.)提取所有研究的数据并制表。一般研究特征和评价见补充材料中的e表1;模拟特征、技术特征和对照见补充材料中的e表2。基于临床医生表现的研究结局分为阳性(统计学改善)、中性(无统计学差异)或阴性(统计学恶化)(表)。16,17,18,19,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41 研究完整性和质量采用Peute等42健康信息技术人为因素研究基本研究要素清单的修改版进行评估。该清单经修改增加了2项标准:(1)研究是否获得伦理批准;(2)是否使用德尔菲法或其他专家共识过程。修改后的清单包含47个条目,最高分为47分(补充材料中的e表3)。研究要求的示例包括在引言部分引用先前人为因素研究的结果、包含技术截图以及提供参与者的信息技术经验水平。提取者之间的差异经讨论解决;最终完整性评分通过共识达成。
报告质量采用修改版的质量评估信息学工具(QUASII)进行评估。43 为将该工具应用于人因研究,对18个问题中的3个进行了修改:(1)第3项中的“信息系统的实施”改为“技术实施”;(2)第7项中的“患者”改为“临床医生”;(3)第8项中的“提供者类型”改为“技术实施”(补充材料中的eTable 4)。由于量表本身以及锚定陈述对人因领域的不适用性,在原始7点量表上区分各点具有挑战性。为减少感知的主观性,将量表缩减为5点。在Shadish44所述的效度威胁指导下,在每个条目的中点和2个端点处添加了锚定陈述。对QUASII的修改在文章评估之前经作者共识最终确定。修改版QUASII的最高评分为90分。
用于评估临床医生绩效的指标
人因健康技术研究中使用了不同类型的指标来测量数据整合与可视化技术(DIVTs)与临床医生绩效的关联。我们提取了每项研究中使用的方法。时间和决策准确性指标包括完成任务的时间、做出决策的时间、决策的准确性(即采取适当行动的比率或检测到错误的比率),以及复合时间效率和准确性评分(即处于目标范围内的时间)。美国国家航空航天局任务负荷指数(NASA-TLX)是一种标准化且经过验证的认知负荷自报测量工具,由6个分量表组成:心理需求、身体需求、时间需求、绩效、努力和挫败感。45,46 可用性可通过多种方法评估,包括计数和归类可用性问题;标准化问卷,包括标准系统可用性量表问卷;临时性自报Likert型可用性量表;或通过访谈。测量临床医生-技术交互的其他指标包括测量DIVT屏幕上的数据元素数量以及临床医生访问该技术的频率。
标准化测试评分的荟萃分析
鉴于NASA-TLX的广泛使用,我们计划使用可从类似研究中获取的NASA-TLX评分进行个体参与者评分荟萃分析。我们联系了使用NASA-TLX的研究作者以获取个体参与者评分。我们使用一项已发表的关于重症监护护理的研究47中的NASA-TLX评分作为基线评分,以比较纸质和计算机化流程。认知负荷的每个维度分别进行分析。NASA-TLX评分根据所评估的DIVT类型进行分类:(1)纸质对照,(2)电子对照,(3)表格/电子表格,(4)新型可视化。显示配对之间认知负荷的统计比较使用Kruskal-Wallis非参数检验,使用R版本3.4.4(R基金会)及ggplot2、psych、pgirmess、pastecs和car包。检验为双侧检验,P值小于.05被视为具有统计学意义。
结果
检索共返回17 645条引文,其中20篇文章符合纳入标准并被纳入本综述(图1)。这20项研究包括16项实验性研究16,17,18,19,26,27,29,30,32,33,34,35,36,37,38,41,共纳入410名重症监护临床医生参与者,以及4项基于调查的研究28,31,39,40,共纳入1511名受访者。
研究的完整性和质量
研究完整性评分范围为27至43,最高分为47(图3)。研究质量评分范围为46至79,最高分为90(图3)。最低的QUASII评分与技术实施程度低相关;其他低分与研究普适性有限(例如,仅适用于单一环境或参与者人群)或对混杂因素考虑极少相关。
研究设计、环境和参与者特征
研究设计、方法和参与者专业存在多种类型。大多数研究采用前瞻性重复测量设计。总体而言,14项研究使用模拟临床场景,2项使用直接观察40,41,1项使用ICU实时患者数据流38。在有场景描述的6项研究中19,26,27,29,30,36,5项描述了至少1个涉及脓毒症或脓毒性休克的场景19,27,29,30,36。
在地理分布上,14项研究在美国进行,其中6项在犹他大学、6项在梅奥诊所。其余研究中,3项在欧洲大陆,2项在英国,1项在澳大利亚。总体而言,4项研究在院外实验室进行19,30,35,38,11项在使用临时模拟房间的临床空间进行16,17,18,26,27,29,32,33,34,36,37,2项在床旁或病区内进行40,41。6项研究使用了多个站点18,27,28,36,39,40。在单项研究中18,1个站点是原型开发站点,另1个是测试站点。
半数研究聚焦于单一专业(护士19,27,30,32,33,35或医生16,18,26,38);4项研究同时涉及护士和医生17,29,34,36,其中1项增加了呼吸治疗师41,1项包括完整的ICU床旁团队40。参与者样本量范围为6至375。在明确说明的研究中,4项专注于成人患者26,30,36,38,2项专注于新生儿患者17,34,2项专注于烧伤创伤18,33,1项涉及内科、外科和创伤ICU的混合人群40。详细的参与者特征见补充材料中的e表1。
研究技术特征
本综述中的数据整合与可视化技术将基本生命体征与来自输液泵16,32、抗生素使用记录18或机械通气35,41的选定数据相整合。这些研究中描述的技术均未整合所有类型的临床数据参数。仅半数技术为完全可用的工作原型,能够模拟实际使用并显示实时连续数据。从2004年至2014年,原型成熟度从纸质原型演进为完全实施的ICU技术(图2)。例如,在Görges等人2012年的研究中,医生要求“在[隐喻可视化]平均动脉压图的条形显示和钟面显示中均添加收缩压和舒张压值”16。当研究作者使用趋势19、轨迹27或投影33等术语时,可推断其具有时间数据表示功能。
研究技术可视化
在20项研究中,有9项比较了传统数据显示与新型可视化手段。计算机化的自然语言摘要(例如,模拟医生的患者摘要)与时间序列可视化相比,并未改善决策制定。17,34 时间序列是数据趋势的主要视觉表示形式,仅有4项研究整合数据用于患者状态评估。26,35,38,40 隐喻可视化——即参数或参数组的符号化表示,旨在浓缩数据,通常为非时间序列可视化——在6项研究中使用。16,19,27,32,35,41 一项研究35发现,生理和呼吸机参数的新型隐喻可视化并未改善问题检测时间,且产生了非预期的数据抽象,阻碍了对更高粒度数据的获取。
指标与结局
在20项研究中,用于衡量与临床医生表现关联的3种最常见指标为:(1) 完成任务或做出决策所需时间,(2) 决策质量,(3) 认知工作负荷。时间在行动(如启动决策的时间)、等待(如处于目标范围内的时间)或信息收集(如完成数据收集任务的时间)的背景下进行测量。时间作为效率指标,在14项研究中使用(补充材料中的eTable 2)。在其中8项研究中,16,19,26,32,33,37,38,40 临床医生使用数据信息可视化工具(DIVTs)相比传统或先前版本的数据信息系统更具时间效率。在Effken29和Effken等30的研究中,使用了时间效率和决策准确性的复合指标,但未显示DIVTs的改善。在另一项研究33中,时间效率和决策准确性在所有情境意识水平(如感知、理解和预测)均有改善。有1项研究使用归一化至系统设计者完成给定任务最快时间的测量时间,来比较新型可视化与其对照。37
决策质量通常根据熟悉场景的专家制定的评分表进行评估。决策准确性在11项研究中进行了测量。16,18,26,27,30,32,33,36,37,38,41 与传统数据信息系统相比16,19,26,27,32,33,38 或将电子病历与纸质病历进行比较时36,新型可视化在11项研究中的8项改善了决策准确性。在3项研究中,通过使用德尔菲法的独立专家咨询,将决策质量评分的主观性降至最低。27,30,39
用户偏好报告(如对照与DIVTs之间的偏好或开放式访谈)在提供定性数据的超过半数研究中使用。总体而言,10项研究报告了量表上的可用性或偏好。16,18,19,27,30,32,34,35,40,41
DIVTs与认知工作负荷关联的荟萃分析
共有7项研究使用NASA-TLX测量自我报告的认知工作量。16,19,26,27,30,32,38 3项研究16,27,32的个体参与者NASA-TLX评分由原始研究的研究者提供,用于与一项使用纸质系统测量认知工作量的重症监护研究47进行汇总分析。4个技术类别如下:(1)纸质,1项研究,26名参与者47;(2)电子控制,4项研究,89名参与者16,27,32,47;(3)表格,3项研究,63名参与者16,27,32;(4)新型可视化,3项研究,63名参与者。16,27,32 各类别及NASA-TLX各维度的中位数和四分位距(IQR)见图4。与纸质流程相比,电子显示显著改善了心理需求、时间需求和绩效,提示任何电子组件或数据整合均优于纸质系统。与纸质系统相比,所有电子可视化的心理需求评分中位数均较低。最高分为22分,电子显示的心理需求评分中位数(IQR)为10(7-13),表格显示为8(6.0-11.5),新型可视化为8(6-12),而纸质为17(14-19)。与纸质相比,所有电子可视化的时间需求评分中位数(IQR)也较低,电子显示为8(6-11),表格和条形显示为7(6-11),新型可视化为7(5-11),纸质为16(14.3-19.0)。与纸质相比,所有电子可视化的绩效评分中位数(IQR)均有改善(评分越低表示自我报告的绩效越好),电子显示为6(3-11),表格和条形显示为6(4-11),新型可视化为6(4-11),纸质为14(11-16)。
与电子显示相比,仅自我报告的努力在表格和新型可视化 compared with 电子控制方面有显著改善,提示所测试的电子可视化之间差异很小。2种电子显示的努力评分中位数(IQR)较低,表格和条形显示为8(5.5-11.5),新型可视化为7(6-11),而纸质为10(10-12)。纸质系统或电子系统报告的挫折感评分均无差异。
在我们未获得个体参与者NASA-TLX评分的4项研究中,2项报告了各领域的变化19,30,2项报告了综合评分的变化,综合评分结合了全部6个领域。26,38 在报告子量表的研究中,Effken等30仅发现DIVT与绩效评分相关,与其他5个子量表均无关,且计算机技能存在主效应。同样,Drews和Doig19仅发现DIVT与心理需求相关,与其他5个领域均无关。
讨论
这项关于数据集成与可视化工具(DIVTs)与重症监护临床医生绩效关联的人因学系统综述发现,已发表的文献采用了多种研究设计、方法、任务场景和结局指标。最常见的研究设计是实验性模拟,3种最常用的评估指标与时间效率、决策准确性和认知工作负荷相关。最成熟的DIVT是通过系统测试、26,38 改进、28,31 全面实施,并于2015年在庞大的ICU网络中进行的原位随机临床试验评估40而开发出来的。针对重症监护DIVTs的人因学测试尚处于起步阶段。从设计上看,DIVTs将数据数字化并整合,从而组织和格式化不同类型的数据,理想情况下将其转化为有意义的可操作信息。我们的研究结果表明,当前这一代DIVTs仅仅通过将数据统一到单一平台上,就减轻了重症监护临床医生认知工作负荷的某些方面。我们未发现有任何DIVTs研究 fully 整合了所有重症监护数据流,或解决了降维问题(例如,减少参数),除非是通过经验性观察来获得一组主要变量。31,42 虽然一些研究测试了视觉隐喻,但在理解哪种可视化最能呈现患者不断变化的临床状态方面,仍有许多工作要做。
我们的综述表明,已发表的高完整度和高质量的人因学研究报告很少。随着新技术的部署,对其与决策关联的严谨研究无疑将受益于标准方案的使用和开放获取。共享方法,包括场景描述、测试数据集和评分指标,以及基准测试方案,将有助于开发者测试DIVTs和新的隐喻可视化。我们能够汇总认知工作负荷的NASA-TLX评分,但这种方法也可用于其他测量工具,例如系统可用性量表问卷。缺乏标准化评分指标凸显了需要标准化报告方法,以评估临床医生与技术的交互及其对决策质量的影响。通过扩展现有数据存储库,例如重症监护患者状态改善控制(IMPROVE)16,32,48 和重症监护多参数智能监测(MIMIC)II,49 临床数据队列可以针对不同重症监护专科(例如,心脏)或专业(例如,呼吸治疗师)测试DIVTs。50
本综述揭示了重症监护决策支持中人为因素领域的研究空白。这一高度专业化的医疗保健队伍将受益于对所有潜在使用者(例如呼吸治疗师、药剂师和营养师)决策过程的研究。除护士和医生之外,参与决策过程并使用干预技术(例如呼吸机、输液泵和肠外营养)数据的医疗保健专业人员也需要被研究。数据整合与可视化技术正从商业或综合电子健康记录系统内部涌现,这些系统偶尔提供基本的时间序列数据可视化。鉴于这些融合系统对临床医生决策日益增长的影响,应使用本综述描述的指标(例如时间效率、决策准确性和认知负荷)对其进行评估。
局限性
本研究存在局限性。鉴于研究本身报告框架的固有局限性,我们应用了详细的方案来系统地解构研究并完成其严格评价。与偏倚评级相关的PRISMA条目未予完成。2004年至2016年12年的发表时间跨度可能引入异质性(以及过时的对照措施)。然而,我们推测医疗保健技术实施的缓慢周期可能使我们的结论对当今大多数医院仍然适用。大多数研究的关键局限性在于对照组未能全面代表完整的临床信息系统(例如纸质病历、电子病历系统和其他专用监护仪)。在现实中,信息系统可能是电子健康记录、纸质病历、其他独立监测和干预设备等的组合。识别这些技术组成部分并设计人为因素研究,将所有来源与新型DIVT中整合的来源进行比较,将有助于摒弃不必要的技术。与阴性结果或无统计学意义结果相比,本综述中阳性结果的研究比例过高,这提示存在发表偏倚。
结论
本综述总结了DIVT与重症监护临床医生绩效之间已被测量的关联。使用NASA-TLX工具测量的认知负荷是唯一表明任何形式的电子数据整合与可视化相较于纸质系统与流程改善相关的指标。本综述还呈现了多种技术、研究设计、临床医生参与者、环境、场景、任务、对照措施和结局指标。我们提出,共享场景、测试数据集和定制指标可以大大加快针对不同ICU专科的新型DIVT人为因素测试进程。我们的研究结果表明,应使用最佳实践的人为因素评价指标来测量决策效率的变化,并协调数据使其适合使用荟萃分析技术进行汇总。
参考来源
- Lin YL, Trbovich P, Kolodzey L, et al. Association of Data Integration Technologies With Intensive Care Clinician Performance: A Systematic Review and Meta-analysis. JAMA Netw Open. 2019. PMID: 31125104. doi:10.1001/jamanetworkopen.2019.4392
- 全文:PMC6632132(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6632132/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。