跳到主要内容

提供者是否使用计算机化临床决策支持系统?临床决策支持摄取的系统回顾和荟萃回归

摘要

背景

计算机化临床决策支持系统(cdss)是一种很有前途的知识转化工具,但往往不能对其目标结果产生有意义的影响。低CDSS提供者的吸收是造成这一问题的一个潜在因素,但尚未得到系统研究。本系统综述和荟萃回归的目的是确定报告的CDSS吸收,并确定哪些CDSS特征可能影响吸收。

方法

检索了2000年1月至2020年8月期间的Medline、Embase、CINAHL和Cochrane对照试验数据库。随机、非随机和准实验研究报告了CDSS在任何患者人群或环境中的吸收情况。提取的主要结果是CDSS的摄取,以原始比例报告,并表示使用或访问CDSS的次数超过可能与之相互作用的总次数。我们还为每个CDSS提取了可能影响吸收的上下文、内容、系统和实现特征。采用随机效应荟萃分析计算总体加权摄入量,采用多变量荟萃回归研究摄入的决定因素。

结果

在筛选的7995篇引文中,涉及373,608名患者和3607名提供者的55项研究符合全部纳入标准。meta分析显示,CDSS的总体摄入量为34.2% (95% CI 23.2 ~ 47.1%)。在满足纳入标准的研究中,只有12.4%的研究报告了摄取。多变量荟萃回归揭示了以下与吸收显著相关的因素:(1)正式评估为告知CDSS建议所需的患者数据的可用性和质量;(2)确定和解决CDSS目标的行为改变的其他障碍。

结论和意义

在CDSS试验中很少报道系统摄取。报告时,吸收率很低。这是对CDSS整体效力的一个可能可以改变的主要障碍。我们发现与CDSS背景和实施策略相关的特征最能预测吸收。今后的研究应衡量作为CDSS执行战略的一部分处理这些特点的影响。在未来报告CDSS干预效果的研究中,摄取报告也必须成为标准。

登记

普洛斯彼罗预注册,CRD42018092337

同行评审报告

背景

有效地将证据转化为临床实践仍然是医学的一个基本挑战。计算机化临床决策支持系统(cdss)是解决这一问题的一种方法,在过去20年被广泛研究。cdss是信息技术系统,向临床医生提供针对患者的建议,以促进改善护理[1].这些系统可集成到提供者电子健康记录中,可通过互联网访问,或通过移动设备交付,并具有一系列功能,包括提供护理点临床预测规则,突出指导方针支持的管理,优化药品订购和文件记录,以及劝阻潜在有害做法[2].

尽管cdss被广泛认为是护理机构间不可或缺的知识转换工具[3.4],现有的系统综述显示,它们所针对的护理过程只有微小到中等程度的改善,对临床结果的影响甚至更不乐观[25].这导致了进一步的研究,试图确定和建立可能预测干预成功的cdss的具体特征或“活性成分”[678].此前的此类研究将CDSS的“成功”定义为其对护理过程和/或临床或经济结果的影响的函数,但影响总是取决于实际情况吸收(即使用)CDSS,而非最优的CDSS吸收经常被认为是成功的一个重要障碍[19].在以前的研究中,对CDSS吸收不良提出了各种一般的解释,包括时间和资金限制、对CDSS技术缺乏知识或信心、工作流程中断、自主权丧失的感觉和低可用性[1011].然而,迄今为止,没有任何综述系统地调查了这些和其他潜在决定因素对CDSS吸收的确切影响。这代表着一个重大的知识差距,也是一个机会,以确定未来CDSS设计和/或实施中可以专门针对的障碍,以实现下游临床结果的有意义的改善,而迄今为止CDSS大多未能实现这些改善。

本系统综述和元回归的目的是通过确定专门报道CDSS吸收的研究和分离与吸收相关的CDSS特征来解决这一差距。

方法

我们使用系统综述和荟萃分析(PRISMA)指南首选报告项目报告我们的发现,我们的方法遵循Cochrane系统综述手册提供的指导[1213].

搜索

我们搜索了Ovid MEDLINE、EMBASE、CINAHL和Cochrane对照试验数据库,时间从2000年1月到2020年8月1,以后简称“附录”,第2-3页)。我们只包括了2000年以来发表的研究,因为我们主要对利用现代信息技术的计算机化CDSS感兴趣,并跨越了CDSS技术和实施科学的进步时期。世界杯2022赛程表比分我们手动搜索纳入研究的参考列表。该搜索策略由一名图书馆科学家制定,并在一名外部图书馆科学家使用PRESS指南进行同行评审后进行改进[14].

研究纳入和排除标准

我们纳入了评估CDSS在任何健康状况、所有护理环境和任何患者群体中的实施情况的研究。研究设计包括随机对照试验、非随机对照试验和对照准实验设计。包括会议摘要。CDSS的使用必须是自愿的(例如,临床医生可以选择是否激活CDSS,或者在自动激活的情况下选择忽略它),并且关于用户使用的定量信息必须在手稿或其附录中提供。

我们将CDSS定义为使用患者特定数据支持临床决策的计算机化系统。CDSS可通过提供者的电子健康记录系统或互联网获取,或使用移动设备提供。cdss可以针对医生、护士或其他相关的卫生专业人员。符合条件的cdss必须与患者护理直接相关,因此,模拟研究或只专注于培训临床医生或受训人员的研究被排除在外。

我们感兴趣的主要结果是提供者对CDSS的接受。摄取必须以原始比例报告,表示使用或获取CDSS的次数与可能与之相互作用的符合条件的总次数的比值。我们特别关注CDSS的使用,而不是下游过程或临床结果。可以在以下级别报告CDSS的吸收情况:事件级别(例如警报得到响应的比例);患者水平(例如,患者就诊比例或系统所针对的特定患者);和/或临床医生级别(例如,至少与系统进行过一次交互的合格提供者的比例)。

数据提取和质量评估

一个由6名审稿人组成的团队对摘要和标题进行了筛选,然后AK和JY分别对上一步中没有排除的所有研究的全文版本进行了一式两份的筛选,以确定最终的纳入。接下来,AK、JY和JLSC从纳入的文章中提取数据,然后由AK独立审查所有最终数据,并通过与合著者讨论解决剩余的分歧(进一步细节见附加文件)1:附录,第4页)。

我们从纳入的研究中提取了以下数据:研究方法学、临床环境、参与者特征、CDSS特征、报告的主要结果、研究持续时间和CDSS吸收(如果没有直接报告,根据研究中提供的数据或其附录计算吸收)。有多个CDSS分支的研究被提取为单独的试验。我们记录了每一种可能影响吸收的cdss的特征。我们基于GUIDES清单建立了一个初始功能列表。GUIDES核对表是一种工具,透过系统的文献查阅、国际CDSS专家的反馈、与病人和医疗保健利益相关方的谘询,以及试点测试,制定一套建议标准,以指导CDSS的设计和实施[15].在与GUIDES清单的创建者协商后,我们为每个清单元素创建了实用的定义,以方便将数据提取到“Yes/No”CDSS特征描述符中。然后,我们用之前报道的改进的德尔菲过程(Delphi process)中发现的任何额外特征来补充这些特征,该过程用于识别信息技术专家主观认为重要的CDSS特征[7].这产生了一个最终的52个CDSS特性的列表,可能与吸收相关,分类为CDSS上下文、内容、系统和实现特性,与指南检查表一致(表1).每个特征被审稿人按照是/否/不清楚/不适用进行评分,评分依据是手稿本身和/或主手稿中参考的研究中提供的进一步CDSS细节。包含一个以上元素的特征(例如,“是否进行了一项研究,它是积极的吗?”)必须同时满足两个元素才能被评为是。

表1 CDSS吸收特征

考虑到一些特征没有被常规报道,我们也试图联系研究作者来帮助特征分类。我们通过电子邮件将我们完成的CDSS特征提取表发送给每个纳入研究的对应作者,请求验证。在第一封邮件发出两周后,我们向作者发送了一封提醒邮件。我们调整了我们的数据提取表,以反映响应研究作者建议和证明的变化。对于我们没有收到作者回复的研究,为了数据分析的目的,指定为“不清楚”的特征被假设为“否”。

最后,我们根据《Cochrane干预系统综述手册》中讨论的标准提取了每项研究偏倚分类风险所需的细节,该手册根据之前的CDSS系统综述进行了修改[616].附加文件提供了进一步的详细信息1

数据综合与分析

我们使用随机效应元分析模型计算纳入研究的平均摄入比例,并通过抽样方差的倒数加权[17].使用log-odds (logit)变换来更好地近似正态分布并促进比例的元分析,这在文献中很常见[181920.].接下来,我们使用混合效应元分析模型进行亚组分析,计算每个摄入水平(事件、患者和临床医生)的加权平均摄入比例[2122].考虑到纳入研究的干预措施、背景和疾病的多样性,我们预计研究结果具有显著的异质性。

然后,我们进行了单变量元回归分析,以探索CDSS特征如何影响纳入研究中的CDSS吸收,并可能能够解释预期的CDSS吸收异质性[23].只使用单变量分析的协变量p< 0.25(参见附加文件1:附录第5-7页,表A1),我们拟合了一个多变量元回归模型,然后使用多模型推理简化得到的模型。多模型推理使用修正的Akaike信息准则(AIC)拟合和比较所有可能的模型排列,并在所有可能的模型中演示每个包含协变量的相对重要性[2425].我们试图确定简化的多变量元回归模型是否可以降低吸收比例的预期异质性,并确定任何CDSS特征与所有可能模型中增加CDSS吸收显著相关。

最后,鉴于在CDSS文献中发现的摄取报告水平较低,我们进行了一项事后分析,比较了在2011年出版的“协会-电子健康”扩展篇之前和之后发表的筛选CDSS研究中的摄取报告[26].

2统计数据用于报告所有模型的异质性。R Software,版本3.6.2 (R Foundation for Statistical Computing, Vienna)用于执行所有统计分析。Rma函数的比喻图书馆和metaprop函数的库进行模型拟合。的dmetar库进行多模型推理分析。

结果

我们的搜索发现了7841个独特的引用。我们通过纳入研究的参考文献列表确定了另外154篇引文。我们在筛选的初始阶段排除了7189篇引文,剩下806篇引文(11.2%)用于全文审查。其中,55项研究(6.8%)符合纳入标准(见纳入试验列表-附加文件)2).纳入的5项研究有2个不同的CDSS部门[27282930.31],结果总共有60个CDSS研究分支(图1).在符合其他纳入标准的443项研究中,388项研究因未报告CDSS吸收情况而被排除,其中只有55/443(12.4%)符合条件的研究报告了CDSS吸收情况。在2011年或更早(consortium - ehealth推广出版物出版的那一年)发表的201项合格研究中,24项(11.9%)报告被吸收,相比之下,2011年之后发表的32/242项(13.2%)研究(p= 0.77)。

图1
图1

审核流程流程图

在纳入的55项研究中,48项(87.3%)采用随机设计,最常见的是群随机化。大部分(41/ 55,74.6%)发生在门诊,在美国进行(36/ 55,65.5%),涉及成人(46/ 55,83.6%)。32项(58.2%)研究报告了患者水平的摄取,16项(29.1%)研究报告了事件水平的摄取,11项(20.0%)研究报告了临床医生水平的摄取(4项研究报告了超过一个水平的摄取)(表2).大多数随机和非随机对照研究的偏倚风险较高(28/ 52,53.9%),14/52研究的偏倚风险不明确(26.9%),10/52研究的偏倚风险较低(19.2%)。在3个中断的时间序列研究中,偏倚的总体风险较低1:附录第8-11页,图A1和表A2-A3)。

表2纳入研究的特征摘要(n= 55)

这55项研究涵盖了广泛的临床条件。大多数cdss集成到现有软件系统中(47/ 55,85.5%),基于特定疾病指南(49/ 55,89.1%),在临床需要的时刻和点提供建议(52/ 55,94.6%),仅针对医生(31/ 55,56.4%)。CDSS开发人员是48/55项研究(87.3%)的研究作者(见完整研究特征-附加文件)2).

来自30/55篇(54.6%)论文的作者验证了我们对CDSS特征的提取。平均而言,我们根据作者的评论对52个特征中的8.7个进行了调整,这表明我们对特征的基线分配为“是”或“否”的准确率为83.3%。在我们没有收到作者回复的25项研究中,我们平均只将1.6/52(3.1%)个特征分配为“不清楚”。

60个CDSS研究部门共涉及373,608名患者和3607名提供者。随机效应荟萃分析显示,总体加权CDSS吸收为34.2% (95% CI 23.2 - 47.1%)。正如预期的那样,所有研究部门的摄取比例荟萃分析显示出相当大的异质性(I2= 99.9%)(附加文件1:附录第12页,图A2)。在报道的不同摄取类型中,CDSS在事件水平的摄取为26.1% (95% CI 8.2 ~ 58.3%),在患者水平的摄取为32.9% (95% CI 22.7 ~ 45.1%),在临床医生水平的摄取为65.6% (95% CI 43.6 ~ 82.4%)。不同亚组间的效应大小有显著差异((df = 2) = 7.39,p= 0.025),但摄取类型的meta分析没有显著改变异质性水平(附加文件1:附录第13页,图A3)。在审稿人的要求下,我们进行了进一步的事后亚组分析,以评估基于环境(急诊科、住院或门诊)、提供者类型(医生与其他医疗保健提供者的对比)、疾病类型(心脏病、呼吸系统疾病、传染病或其他)以及成人与儿科患者人群的吸收情况。这些亚组分析都没有在统计上产生显著的效应大小差异。基于偏倚风险评估(高、不清楚、低)进行了进一步的亚组meta分析,这也没有导致亚组之间的效应大小有统计学上的显著差异(见附加文件)1:附录,完整结果第14页)。

我们根据Viechbauer和张详细描述的方法进行了离群值影响分析[32],该研究表明,一项贡献了两个CDSS研究分支的研究,Rosenbloom等人,显著扭曲了综合摄取估计。我们从我们的元回归分析中删除了这个极端的异常值,因为它可能会产生有偏见的结果(进一步细节见附加文件1:附录,第15页,正文和图A4)。

我们的多变量元回归模型控制摄取类型和其他重要的CDSS特征,仅使用来自单变量筛选的预测因子p< 0.25,并使用多模型推理进行简化,确定了正式评估患者数据的可用性和质量,以通知CDSS建议(特征4,p= 0.02)并确定和解决CDSS所针对的行为改变的其他障碍(特征35,p= 0.02)与CDSS摄取的增加显著相关(表3.).多变量元回归模型的异质性仍然很高(2= 99.5%),但纳入的协变量占总体吸收比例的异质性的38.6% (R2= 38.6%)(见附加文件1:完整单变量分析结果的附录-第5-7页表A1,关于模型简化的进一步细节-第16页文本和图A5,以及统计分析中使用的摄取特征分配-第17页图A6-A7)。

表3 CDSS吸收的多变量元回归模型,控制吸收类型(n= 58)

讨论

我们进行了系统回顾和元回归,以测量已发表的研究中CDSS的吸收,并确定与吸收相关的CDSS特征。

第一个也是最重要的发现是,发表的研究很少报道CDSS的摄取。cdss等复杂的干预措施可能在许多不同的层面之一失败,理想情况下应伴随着并行的过程评估[33],最基本的过程度量是系统吸收[15].虽然摄取是第一和必要的对于任何行为或患者水平的结果变化,只有12.4%的其他合格稿件报告采用。这可能反映出对最佳的CDSS评价和报告程序缺乏共识。联合电子健康扩展版于2011年发布[26,努力解决诸如cdss等电子卫生干预措施的独特和复杂性质,并明确规定了报告正在研究的电子卫生干预措施的使用情况的要求。然而,在consortium - ehealth扩展可用性之前发表的研究中,吸收报告与之后发表的研究没有区别,而且在单变量分析中,发表日期不是吸收增加的一个显著预测因子(附加文件1:附录表A1)。因此,鉴于在评估CDSS干预措施成功(特别是失败)的原因时系统吸收的重要性,我们的研究结果表明,迫切需要更广泛地认识CDSS特定的报告指南,如consorte - ehealth或较新的工具,如SAFER报告框架[34,以及更严格的日志使用标准。

接下来,我们对60个CDSS研究部门(涉及373,608名患者和3607名提供者)的meta分析显示,CDSS的总体使用率为34.2%。考虑到执行CDSS所涉及的大量资源和支出,只有不到一半的潜在机会使用了CDSS,这一发现令人关切。预期报告偏向于更有利的吸收可能表明真正的吸收甚至更低。在事件级(26.1%)和患者级(32.9%)中,摄取最低,但在临床医生级(65.6%)更高(p= 0.025)。这可能是由于在临床医生水平摄取测量的性质,它代表了临床医生是否有在研究期间使用CDSS,而不是在事件和患者水平测量中捕捉到的重复使用的反映。然而,令人信服的是,只有2/3的临床医生甚至尝试使用可用的CDSS。在那些尝试过的人当中,使用频率显然仍然很低。总的来说,我们的研究结果为广泛报道的cdss对过程和临床结果的低效应规模提供了一个有吸引力的解释[25].先前的综述认为,令人失望的CDSS有效性可能是由于缺乏基于理论的研究、研究时长不足或干预与背景匹配不佳[2935].我们是第一个系统评估CDSS吸收,而不是更下游的过程和临床结果。在这样做的过程中,我们已经确定了CDSS有效性的一个广泛重要的决定因素,这表明除了系统设计(对持续使用的有效行为影响)之外,还需要更加关注CDSS实施设计(用于初步采用)。

最后,我们的多变量元回归确定了两个显著预测摄取的CDSS特征。第一个是背景特征:是否对告知CDSS所需的患者数据的可用性和质量进行了正式评估。从电子病历系统内部挖掘患者数据以通知cdss的可用性和准确性可能会影响接收,因为生成个性化和准确的建议需要这些数据,而且有效访问和处理这些数据可以减少提供者交互时间(通过避免提供者数据输入的需要),这是公认的接收障碍[36].这一发现尤其相关,因为cdss越来越多地作为预先开发的“现成”干预手段,而潜在的用户将需要仔细检查这些类型的cdss是否与他们的文件实践以及患者和数据工作流程在实施之前充分一致[2].第二个因素与CDSS的实施有关,是目标临床行为的其他障碍和解决这些障碍的并行策略的存在。这反映了现实世界临床行为的复杂性,如测试或药物处方[37],除了cdss通常解决的提供者级别的内存、时间和知识障碍外,这些障碍往往受到系统或患者级别障碍的限制。当CDSS的目标是一种被它无法解决的额外障碍所阻止的行为时,它不会被使用就不足为奇了。医疗保健提供者或组织在实施CDSS时应考虑的障碍类型包括用户(提供者和患者)信念、态度和技能、专业互动、临床能力和资源以及组织支持[15].

我们在预测吸收的分析中发现的特征不同于先前系统综述中发现的与下游CDSS有效性相关的特征[6738].这可能反映了选择的行为决定因素遵循来自CDSS的建议与支持临床医生选择获取和治疗的建议是根本不同的使用这样的系统。我们确定的CDSS吸收的潜在决定因素的不同特征中最值得注意的是,它们都与CDSS的含量或系统无关。这些发现与先前的CDSS定性研究一致,该研究强调在开发CDSS时实施环境和获得良好的“临床-患者-系统集成”的重要性[39],并强调进一步将实施科学原则纳入CDSS干预设计的重要性[世界杯2022赛程表比分40].

偏见的风险

我们分析中的偏倚风险集中在少数非随机试验中,以及非聚类设计的随机试验中的污染风险类别(附加文件1:附录,图A6和表A3)。由于这种类型的偏差可能会改变结果,有利于增加CDSS的吸收,我们不认为在我们的分析中包括所有的试验会改变我们对低CDSS吸收的总体发现。

限制

我们分析的主要局限性是纳入试验之间的异质性[2].即使在使用吸收子类型分析数据时,报告的CDSS吸收的异质性也相当大。这可能是CDSS干预措施、环境、疾病和研究设计等不同性质的结果。我们认为,由于第一次综述的重点是CDSS的吸收,因此重要的是要包括广泛的CDSS研究。尽管在这种情况下一般不鼓励进行荟萃分析,但我们报告了结果,以提供对现有文献吸收的加权总结度量,并强调报告CDSS吸收的研究总体水平较低。我们也承认,接受只是参与的一个特征,这是一个多维度的概念[40].此外,可以想象的是,通过光环提醒和/或对提供者的教育效果,使用相对较少的工具会对行为产生影响。其次,尽管我们根据已发表的文献制定了一个广泛的特征列表,并获得了研究作者对我们的特征分配的高回应率,但这些特征仅占CDSS吸收可变性的40%,这表明需要进一步研究来确定驱动吸收的其他重要元素,其中可能包括个体条件或目标结果类型的影响,或关于系统本身的更详细的细节。和/或被研究的人群和/或环境。此外,我们承认,与任何非基于先验假设的模型一样,我们使用多模型推理来选择与摄取相关的重要CDSS特征应被视为探索性和假设生成[25].我们注意到,这种方法避免了逐步变量选择方法的一些统计限制[41].第三,我们没有调查出版偏倚的潜在影响。然而,绝大多数已发表的试验没有报告吸收,未发表的负面研究可能会进一步使结果偏向于我们的低吸收的发现。最后,我们的模型受到这样一个事实的限制,即只有12%的符合资格标准的研究报告了CDSS的吸收,而且如果吸收报告随着时间的推移而改善,可能会出现其他重要的CDSS吸收预测因素。此外,尽管我们强烈认为,显然需要努力改善CDSS的吸收,但我们承认,未来的工作还需要定量地确定吸收改善与下游过程和临床结果改善之间的预期相关性,而且需要其他研究方法,如定性调查,以更深入地了解环境如何影响CDSS的吸收和实施。

结论

鉴于系统性审查报告的cdss的效果往往令人失望[25],许多人呼吁重新审视cdss在临床护理中的作用[442].未来的CDSS效率有可能通过电子健康记录互操作性等技术进步和机器学习等创新信息技术方法来提高[4].然而,要实现这种系统级进步的好处,首先需要解决现有的系统吸收不足的问题。这将需要作出专门的努力,以解决吸收CDSS的决定因素。我们的审查是这个过程的第一步,并确定了与上下文和实现相关的因素与吸收最紧密相关,而不是技术、系统或内容特性。这些发现强调了在CDSS干预设计中早期纳入基于理论的实施科学方法的重要性,以实现不断发展的CDSS技术的前景。世界杯2022赛程表比分同样清楚的是,监测这一领域的成功将需要在已发表的CDSS试验中更一致地报告吸收情况。

数据和材料的可用性

在研究过程中产生或分析的所有数据都包含在附加文件中1,并可向通讯作者索取其他有关资料。

参考文献

  1. Heselmans A, Delvaux N, Laenen A, Van de Velde S, Ramaekers D, Kunnamo I,等。糖尿病初级保健的计算机化临床决策支持系统并不能提高护理质量:一项集群-随机对照试验。实现科学。2020;15(1):5。

    文章谷歌学者

  2. 关jl, Lo L, Ferguson J, Goldberg H, Diaz-Martinez JP, Tomlinson G,等。计算机化临床决策支持系统和护理中的绝对改进:对照临床试验的元分析。BMJ。2020; 370: m3216。可以从:http://www.bmj.com/content/370/bmj.m3216[引2020年11月18日]。

  3. Delvaux N, ves B, Aertgeerts B, de Velde SV, Stichele RV, Nyberg P等用于临床决策支持的编码系统:理论和现实世界的比较分析。JMIR表格Res. 2020;4(10)可从:http://www.ncbi.nlm.nih.gov/pmc/articles/PMC7641774/[引自2021年4月27日]。

  4. Sarkar U, Samal L.临床决策支持系统是否有效?BMJ。2020; 370: m3499。可以从:http://www.bmj.com/content/370/bmj.m3499[引2020年11月18日]。

  5. Shojania KG, Jennings A, Mayhew A, Ramsay C, Eccles M, Grimshaw J.即时护理电脑提醒对医生行为的影响:系统综述。中国医学杂志2010;182(5):E216225。

    文章谷歌学者

  6. Van de Velde S, Heselmans A, Delvaux N, Brandt L, Marco-Ruiz L, Spitaels D,等。利用计算机化临床决策支持评估干预成功因素的试验系统综述。实现科学。2018; 13:114。可以从:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6102833/[引自2019年11月13日]。

  7. Roshanov PS, Fernandes N, Wilczynski JM, Hemens BJ, You JJ, Handler SM,等。有效的计算机化临床决策支持系统的特征:162项随机试验的元回归。BMJ。2013; 346: f657。

    文章谷歌学者

  8. Kawamoto K, Houlihan CA, Balas EA, Lobach DF。使用临床决策支持系统改进临床实践:对试验进行系统回顾,以确定对成功至关重要的特征。BMJ。2005, 330(7494): 765。

    文章谷歌学者

  9. Bright TJ, Wong A, Dhurjati R, Bristow E, Bastian L, Coeytaux RR,等。临床决策支持系统的效果:一项系统综述。安实习医学2012;157(1):29。

    文章谷歌学者

  10. Liberati EG, Ruggiero F, Galuppo L, Gorli M, GonzGonzCoeytaux RR,等。是什么阻碍了医院采用计算机化决策支持系统?定性研究和实施框架。实现科学。2017;12(1):113。

    文章谷歌学者

  11. Devaraj S, Sharma S, Fausto D, Viernes S, Kharrazi H.临床决策支持系统采用的障碍和促进因素:系统综述。中国公共交通学报2014;3(2):36-53。

  12. Moher D, Liberati A, Tetzlaff J, Altman DG。系统审查和荟萃分析的首选报告项目:PRISMA声明。BMJ。2009; 339: b2535。

    文章谷歌学者

  13. Higgins J, Thomas J. Cochrane干预措施系统综述手册6.2版。2021.可以从:https://training.cochrane.org/handbook/current[引自2021年4月28日]。

    谷歌学者

  14. McGowan J, Sampson M, Salzwedel DM, Cogo E, Foerster V, Lefebvre C. PRESS电子搜索策略同行评议:2015指南声明。临床流行病学杂志。2016;75:40Foe。

    文章谷歌学者

  15. Van de Velde S, Kunnamo I, Roshanov P, Kortteisto T, Aertgeerts B, Vandvik PO,等。指南检查表:开发一种工具,以改进基于指南的计算机化临床决策支持的成功使用。实现科学。2018;13(1):1 - 2。可以从:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6019508/[引自2021年4月28日]。

  16. Higgins JPT, Altman DG, Gøtzsche PC, Jüni P, Moher D, Oxman AD,等。Cochrane协作网用于评估随机试验中偏倚风险的工具。BMJ。2011; 343: d5928。

    文章谷歌学者

  17. Nyaga VN, Arbyn M, Aerts M. Metaprop:执行二项式数据元分析的Stata命令。Arch Public Health. 2014;72(1):39。

    文章谷歌学者

  18. 林玲,徐聪。基于arcsin的比例元分析:利弊和替代方案。2020年卫生科学代表;3(3):e178。

    文章谷歌学者

  19. Schwarzer G, Chemaitelly H, Abu‐Raddad LJ, Rücker G.单比例元分析中使用Freeman‐Tukey双反正弦变换的反变换结果严重误导。合成方法。2019;10(3):476-83。

    文章谷歌学者

  20. Barendregt JJ, Doi SA, Lee YY, Norman RE, Vos t。中华流行病学杂志。2013;67(11):974。

    文章谷歌学者

  21. Higgins J, Thompson S, Deeks J, Altman D.临床试验系统综述的统计异质性:指南和实践的批判性评价。《卫生服务资源政策》,2002;7(1):51-61。

    文章谷歌学者

  22. 库杰斯P, Cristea IA,核菌E, reinjnders M, Huibers MJH。认知行为疗法对重度抑郁症和焦虑症的疗效如何?证据的元分析更新。世界精神病学。2016;15 (3):245 ffec。

    文章谷歌学者

  23. 汤普生律师,希金斯律师。元回归分析应该如何进行和解释?统计医学。2002;21(11):15591559。

    文章谷歌学者

  24. Harrer M, Cuijpers P, Furukawa T, Ebert D.在R中做元分析:一个实践指南。2019.可以从:https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/[引于2021年4月28日]

    谷歌学者

  25. 模型选择与多模型推理:一种实用的信息理论方法[互联网]。第二版。纽约:斯普林格-弗拉格出版社;2002.可以从:http://www.springer.com/gp/book/9780387953649[引自2021年5月3日]

    谷歌学者

  26. Eysenbach G, C-E组。consortium - ehealth:改进和标准化基于网络和移动的健康干预评估报告。《医学互联网杂志》2011;13(4):e126。

    文章谷歌学者

  27. Ballard DW, Vemula R, Chettipally UK, Kene MV, Mark DG, Elms AK等。优化电子病历中的临床决策支持。ED患者肺栓塞处置决策工具的相关临床特征。应用临床资讯。2016;7(3):883lth。

    文章谷歌学者

  28. Blecker S, austria JS, Horwitz LI, Kuperman G, Shelley D, Ferrauiola M,等。中断提供临床决策支持的提供者,以改善心力衰竭的护理。国际医学通报2019;131:103956。

    文章谷歌学者

  29. 亨德里克斯KS,唐斯SM,卡罗尔AE。儿科医生对打印的临床提醒的反应:突出提示能提高反应能力吗?阿德莱德大学Pediatr。2015;15(2):158 - 64。

    文章谷歌学者

  30. 雷诺兹EL,伯克JF,班纳吉M,卡拉汉BC。疼痛性多神经病变临床决策支持系统的随机对照试验。肌肉神经。2020;61(5):640。

    文章谷歌学者

  31. Rosenbloom ST, Geissbuhler AJ, Dupont WD, Giuse DA, Talbert DA, Tierney WM等。CPOE用户界面设计对临床护理中用户主动访问教育和患者信息的影响。中华医学会杂志2005;12(4):458-73。

    文章谷歌学者

  32. 维彻鲍尔W,张MW-L。元分析的离群值和影响诊断。合成方法。2010;1(2):112。

    文章谷歌学者

  33. 摩尔GF,奥黛丽S,巴克M,邦德L,博内尔C,哈德曼W,等。复杂干预措施的过程评价:医学研究理事会指导。BMJ。2015; 350: h1258。

    文章谷歌学者

  34. Singh H, Sittig DF。安全相关电子健康记录研究报告的社会技术框架:safe报告框架。Ann Intern Med. 2020;172(11增补):S92ctroni。

    文章谷歌学者

  35. Moja L, Kwag KH, Lytras T, Bertizzolo L, Brandt L, Pecoraro V等。与电子健康记录相关的计算机化决策支持系统的有效性:一项系统审查和元分析。中华公共卫生杂志,2014;104(12):e12-22。

    文章谷歌学者

  36. 林欣张J, Paolucci N, Price C, Sykes J, Gupta s电子哮喘管理系统的系统吸收分析和指南检查表评价:一种护理点计算机化临床决策支持系统。中国医学通报杂志2020;27(5):726evalu。

    文章谷歌学者

  37. 派蒂AM,格里姆肖JM,弗朗西斯JJ。改变行为,“或多或少”:实施和取消实施干预包括不同的行为改变技术吗?实现科学。2021;十六20。

    文章谷歌学者

  38. Garg AX, Adhikari NKJ, McDonald H, rosa - arellano议员,Devereaux PJ, Beyene J,等。计算机化临床决策支持系统对医生绩效和患者预后的影响:一项系统综述。《美国医学协会杂志》上。2005, 293(10): 1223。

    中科院文章谷歌学者

  39. Miller A, Moon B, Anders S, Walden R, Brown S, Montella D.将计算机化临床决策支持系统集成到临床工作:定性研究的综合。国际医学通报2015;84(12):1009-18。

    文章谷歌学者

  40. Michie S, Yardley L, West R, Patrick K, Greaves F.开发和评估数字干预措施,以促进健康和卫生保健中的行为改变:来自国际研讨会的建议。《医学互联网杂志》2017;19(6):e7126。

    文章谷歌学者

  41. 惠廷厄姆MJ,史蒂芬斯PA,布拉德伯里RB,弗雷克顿RP。为什么我们仍然在生态学和行为学中使用逐步模型?动物科学与技术,2006;29(5):369 - 369。

    文章谷歌学者

  42. 在过去的十年里,我对临床决策支持系统的了解。BMJ。2020;可以从:http://blogs.bmj.com/bmj/2020/09/18/janice-kwan-what-i-have-learned-about-clinical-decision-support-systems-over-the-past-decade/[引自2021年5月4日]。

下载参考

确认

我们感谢Stephanie Segovia、Rosalind Tang、Aliki Karanikas和Janannii Selvanathan在研究管理、标题和摘要筛选方面的支持。

资金

AK得到了加拿大卫生研究所的卫生研究培训奖学金的支持。资助方在考虑研究设计、收集、分析、解释数据、撰写报告或决定将文章提交发表方面没有任何作用。

作者信息

作者和联系

作者

贡献

AK和SG领导了研究设计。AK、SVdV和SG形成CDSS吸收特征。AK、JY、JLSC、SG抽取数据,AK进行数据分析。AK起草了手稿,所有作者提供了反馈和修改,并批准了最终提交的版本。AK是担保人。通讯作者证明,所有列出的作者都符合作者标准,没有其他符合标准的作者被遗漏。

相应的作者

对应到萨米尔·古普塔

道德声明

伦理批准和同意参与

不适用

同意出版

不适用

相互竞争的利益

作者声明他们没有竞争利益。

额外的信息

出版商的注意

2022年世界足球赛事施普林格自然对出版的地图和机构附属的管辖权要求保持中立。

补充信息

额外的文件1。

补充材料参考整个手稿。

额外的文件2。

完整的研究细节。入选试验和全部研究特征提取列表。

权利和权限

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License),该协议允许在任何媒体或格式中使用、分享、改编、分发和复制,只要您给予原作者和来源适当的署名,提供创作共用许可协议的链接,并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中,除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中,并且您的预期用途不被法律法规允许或超出了允许的用途,您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信用额度中另有说明。

再版和权限

关于这篇文章

通过CrossMark验证货币和真实性

引用这篇文章

Kouri, A,山田,J,林欣张,J。et al。提供者是否使用计算机化临床决策支持系统?临床决策支持摄取的系统回顾和荟萃回归。实现科学17日,21(2022)。https://doi.org/10.1186/s13012-022-01199-3

下载引用

  • 收到了

  • 接受

  • 发表

  • DOIhttps://doi.org/10.1186/s13012-022-01199-3