DOI: https://doi.org/10.1038/s41746-024-01094-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38760407
تاريخ النشر: 2024-05-17
المؤلف: Mukund Poddar وآخرون
الموضوع الرئيسي: أنظمة السجلات الصحية الإلكترونية
نظرة عامة
تؤكد خاتمة ورقة البحث على التعقيدات المرتبطة بترجمة أدوات علم البيانات الأكاديمية إلى تطبيقات عملية داخل أنظمة الصحة الكبيرة. وتبرز الحاجة إلى مشاركة مختلف أصحاب المصلحة لنشر أداة علم بيانات قابلة للتطبيق. تقترح الورقة أنه بمجرد أن تؤسس المنظمة عددًا كافيًا من الأدوات في الإنتاج، قد يستدعي ذلك مزيدًا من الاستثمار في تطوير المنصات وتشكيل فرق مخصصة لعمليات التعلم الآلي.
تطور مهم تم ذكره هو القاعدة النهائية لمكتب المنسق الوطني لتكنولوجيا المعلومات الصحية (ONC)، والتي تلزم أنظمة الصحة بتنفيذ واجهات برمجة التطبيقات (APIs) المعتمدة على موارد التفاعل السريع للرعاية الصحية (FHIR) لتبادل البيانات السريرية بحلول 31 ديسمبر 2022. من المتوقع أن تعزز هذه اللوائح التفاعل داخل نظام بيانات الرعاية الصحية في الولايات المتحدة، مما يسهل نشر أدوات علم البيانات. يدعو المؤلفون فرق البحث إلى النظر في التطبيق العملي لعملهم من البداية لزيادة احتمالية تحسين نتائج رعاية المرضى.
نقاش
تحدد قسم النقاش المتطلبات الأساسية والاعتبارات الحرجة لنشر نماذج التعلم الآلي في بيئات الرعاية الصحية. ويؤكد على ضرورة الدعم المؤسسي وعرض قيمة سريرية واضحة تتماشى مع أولويات المنظمة، لا سيما فيما يتعلق بالهدف الرباعي لمعهد تحسين الرعاية الصحية. تشمل العناصر الرئيسية تحديد تأثير النموذج على القرارات السريرية، وتحديد المستخدمين المستهدفين، وضمان توفر البيانات في الوقت المناسب خلال لقاءات المرضى. كما يبرز القسم أهمية إشراك أصحاب المصلحة المتنوعين طوال عملية النشر لجمع المتطلبات الشاملة وتسهيل التواصل الفعال.
التخطيط التشغيلي أمر حاسم، مع توصيات لإنشاء فريق مخصص مسؤول عن صيانة النموذج ومعالجة تحديات علم البيانات بعد النشر. يدعو المؤلفون إلى اتباع نهج عكسي لاستخراج وتحويل وتحميل (ETL) لجمع المتطلبات، مما يضمن أن مستخدمي الأطباء النهائيين يساهمون في تصميم الأداة ووظائفها. بالإضافة إلى ذلك، يناقش القسم اعتبارات البنية التحتية، مع التأكيد على الحاجة إلى أمان معلومات قوي والالتزام بأفضل ممارسات تطوير البرمجيات. أخيرًا، يتناول التحديات بعد النشر مثل انحراف مجموعة البيانات والحاجة إلى تعديلات مستمرة على النموذج استجابةً للتغيرات في الممارسات السريرية أو مصادر البيانات، مما يبرز تعقيد ترجمة الأدوات الأكاديمية إلى تطبيقات عملية داخل أنظمة الصحة.
DOI: https://doi.org/10.1038/s41746-024-01094-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38760407
Publication Date: 2024-05-17
Author(s): Mukund Poddar et al.
Primary Topic: Electronic Health Records Systems
Overview
The conclusion of the research paper emphasizes the complexities involved in translating academic data science tools into practical applications within large health systems. It highlights the necessity for engagement from various stakeholders to successfully deploy a minimum viable data science tool. The paper suggests that once an organization has established a sufficient number of tools in production, it may warrant further investment in developing platforms and forming dedicated Machine Learning Operations teams.
A significant development mentioned is the Office of the National Coordinator for Healthcare IT (ONC) Final Rule, which mandates health systems to implement Fast Healthcare Interoperability Resources (FHIR)-based APIs for clinical data exchange by December 31, 2022. This regulation is expected to enhance interoperability within the U.S. healthcare data ecosystem, facilitating the deployment of data science tools. The authors advocate for research teams to consider the practical application of their work from the outset to increase the likelihood of improving patient care outcomes.
Discussion
The discussion section outlines critical prerequisites and considerations for deploying machine learning models in healthcare settings. It emphasizes the necessity of institutional support and a clear clinical value proposition aligned with organizational priorities, particularly in relation to the Institute for Healthcare Improvement’s Quadruple Aim. Key elements include defining the model’s impact on clinical decisions, identifying target users, and ensuring timely data availability during patient encounters. The section also highlights the importance of engaging diverse stakeholders throughout the deployment process to gather comprehensive requirements and facilitate effective communication.
Operational planning is crucial, with recommendations for establishing a dedicated team responsible for model maintenance and addressing data science challenges post-deployment. The authors advocate for an inverted extract, transform, load (ETL) approach to gather requirements, ensuring that clinician end-users inform the tool’s design and functionality. Additionally, the section discusses infrastructure considerations, emphasizing the need for robust information security and adherence to software development best practices. Finally, it addresses post-deployment challenges such as dataset drift and the need for ongoing adjustments to the model in response to changes in clinical practice or data sources, underscoring the complexity of translating academic tools into practical applications within health systems.