An Online Survey of Healthcare Professionals to Understand the Use of Clinical Prediction Models in Practice
Deze studie onderzocht 157 zorgprofessionals en onthulde dat hoewel klinische voorspellingsmodellen over het algemeen gewaardeerd en breed gebruikt worden, hun effectieve implementatie wordt gehinderd door problemen met workflowintegratie, regelgevende onzekerheid en inconsistente adoptie, wat een gecoördineerde inspanning noodzakelijk maakt om ervoor te zorgen dat modellen transparant, gebruiksvriendelijk en rigoureus gevalideerd zijn voor de praktijk in de echte wereld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het menselijk lichaam voor als een enorme, bruisende stad waar elke seconde miljoenen kleine gebeurtenissen plaatsvinden. Artsen zijn de stadsplanners die proberen alles soepel te laten verlopen, maar soms hebben ze een beetje hulp nodig bij het voorspellen van verkeersopstoppingen, stroomuitval of stormen voordat ze plaatsvinden. Dit is waar Klinische Voorspellingsmodellen (KVM's) om de hoek komen kijken. Zie deze modellen niet als magische kristallen bollen, maar als zeer geavanceerde weer-apps voor het menselijk lichaam. Ze nemen een reeks verschillende aanwijzingen — zoals iemands leeftijd, familiegeschiedenis of de huidige symptomen — en berekenen de cijfers om de waarschijnlijkheid van een toekomstige gezondheidsgebeurtenis, zoals een hartaanval of een beroerte, te raden. Hoewel deze digitale hulpmiddelen bedoeld zijn als de ultieme zijspan voor artsen, om beslissingen sneller en veiliger te maken, is er een mysterie: waarom worden ze niet overal gebruikt? Sommige artsen zweren erbij, terwijl anderen nauwelijks weten dat ze bestaan. Het begrijpen van deze kloof is cruciaal, want als we deze nuttige instrumenten niet in de handen krijgen van de mensen die ze nodig hebben, kunnen we kansen missen om levens te redden of ziekte te voorkomen.
Dit artikel is als een enorme, wereldwijde "handen opsteken"-enquête die naar zorgprofessionals is gestuurd om er precies achter te komen wat er aan de hand is met deze voorspellingsmodellen. De onderzoekers, een team van de Universiteit van Liverpool, wilden weten: gebruiken artsen en verpleegkundigen deze hulpmiddelen daadwerkelijk? Vinden ze ze goed? En als ze ze niet gebruiken, wat houdt hen dan tegen? Ze vroegen 157 zorgverleners van over de hele wereld (hoewel de meesten uit het VK kwamen) om een online vragenlijst in te vullen.
Dit is wat ze vonden: De meeste mensen die werden ondervraagd (82%) wisten dat deze modellen bestonden, en een ruime meerderheid (71%) gebruikt ze daadwerkelijk in hun dagelijkse werk. Wanneer gevraagd werd hoe nuttig ze waren, gaven de professionals ze een hoge score, met een mediaan van 8 uit 10. Het lijkt erop dat wanneer deze tools werken, ze ook echt goed werken. De meest populaire modellen waren de modellen die leeftijdgerelateerde risico's voorspellen, zoals de CHA2DS2-VASc-score (die het risico op een beroerte controleert) of QRISK (die kijkt naar het risico op een hartaanval). Interessant genoeg, hoewel de enquête veel artsen bevatte die gespecialiseerd zijn in zwangerschap en vrouwengezondheid (Obstetrie en Gynaecologie), werden de specifieële tools die voor hen ontworpen zijn verrassend weinig gebruikt in vergelijking met de algemene modellen.
Maar het verhaal wordt interessanter wanneer we kijken naar hoe deze tools worden gebruikt. De artsen en verpleegkundigen hebben sterke meningen over wat een goed hulpmiddel maakt. Ze willen dat hun voorspellingsmodellen zo gemakkelijk te pakken zijn als een snack uit een automaat. De favoriete manieren om toegang te krijgen tot deze tools zijn via websites (47%) en mobiele apps (33%). Niemand wil door een papieren handleiding bladeren; ze willen op een scherm tikken. Wanneer het gaat om het bekijken van de resultaten, geven ze de voorkeur aan duidelijke, visuele formaten zoals een eenvoudig percentage (bijv. "15% kans") of een "heatmap" (een kleurgecodeerd raster dat risiconiveaus in één oogopslag laat zien).
Er zijn echter serieuze hindernissen. De grootste obstakels zijn niet dat de wiskunde van de tools slecht is; het is dat ze vaak moeilijk in de drukke dag van een arts te passen zijn. De enquête toonde aan dat als een tool niet goed is ingebouwd in het computersysteem dat het ziekenhuis al gebruikt (zoals de elektronische patiëntendossiers), het waarschijnlijk genegeerd zal worden. Andere barrières zijn het niet weten welk hulpmiddel het juiste is voor een specifieke patiënt, zorgen over of het hulpmiddel juridisch gezien als een "medisch hulpmiddel" wordt beschouwd, en een algemeen gebrek aan consistente training. Eén arts merkte op dat als een tool niet in de medische opleiding wordt onderwezen of niet wordt aanbevolen in officiële richtlijnen, het moeilijk is om het hele team te laten meedoen.
De onderzoekers suggereren dat voor deze tools echt door te breken, ze transparant, gebruiksvriendelijk en diep geïntegreerd moeten zijn in de software die artsen al gebruiken. Ze wijzen er ook op dat naarmate Kunstmatige Intelligentie (AI) deze modellen begint te bouwen, het nog belangrijker wordt om te weten hoe het model tot zijn gok kwam, in plaats van simpelweg een "black box" te vertrouwen. Het artikel concludeert dat hoewel zorgprofessionals deze modellen waarderen, we moeten stoppen met alleen maar het bouwen ervan en moeten beginnen met het zorgen dat ze daadwerkelijk passen in de praktijk, ondersteund door duidelijke regels en goede educatie. Tot die tijd kunnen deze digitale helpers in de gereedschapskist blijven liggen, terwijl ze een beetje stof verzamelen terwijl de artsen proberen uit te zoeken hoe ze ze het beste kunnen gebruiken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.