Il tuo intero viaggio medico vive nelle cartelle cliniche digitali, ma come fai a sapere se quelle registrazioni sono sbagliate, incomplete o mancano informazioni importanti? Questo è il focus della ricerca condotta da Varadraj Gurupur, professore associato presso la School of Global Health Management and Informatics dell’UCF.
Il suo ultimo progetto ha creato un algoritmo in grado di prevedere e misurare l’incompletezza delle cartelle cliniche elettroniche, in tutto, dai risultati di laboratorio alle diagnosi di malattie, dall’anamnesi alle registrazioni delle prescrizioni.
Le informazioni mancanti nelle cartelle cliniche elettroniche (EHR) che gli ospedali e gli studi medici conservano è come un tubo che perde, dice. Se non sai dov’è la perdita, non puoi ripararla e presto la casa può allagarsi. Gli stessi pericoli possono verificarsi in ambito sanitario. Un recente studio di Gurupur ha rivelato che una percentuale critica delle cartelle cliniche digitali conteneva informazioni mancanti.
Il suo algoritmo utilizza la matematica e l’informatica per rispondere: “Dov’è l’acqua che perde?” lui dice. L’analisi eseguita da Gurupur e dal suo team ha rilevato che il livello di incompletezza per anno varia e non esiste uno schema di dove si verificano i dati mancanti . Il suo algoritmo aiuta a identificare gli attributi che hanno una maggiore tendenza a essere incompleti: le aree del tubo dell’acqua che sono più vulnerabili e possono rompersi più frequentemente.
I suoi studi precedenti hanno documentato che i motivi principali per la mancanza di informazioni sulla salutesono la comunicazione e l’educazione. La comunicazione tra i pazienti ei loro fornitori non è sempre chiara, soprattutto se il paziente interagisce con un operatore sanitario che non parla la loro lingua madre. Le barriere culturali possono impedire ai pazienti di condividere informazioni importanti con i loro fornitori. Anche la tecnologia digitale crea le proprie sfide. I fornitori potrebbero non compilare record elettronici fino alla fine della giornata e dimenticare ciò che il paziente ha detto o non averlo accuratamente nei loro appunti. Gli ospedali e le cliniche cambiano i sistemi di cartelle cliniche elettroniche, richiedendo una nuova e ampia riqualificazione che si traduce in una curva di apprendimento per i fornitori. Alcuni operatori sanitari, in particolare quelli che non sono cresciuti con la tecnologia, potrebbero non essere esperti nell’uso delle cartelle cliniche elettroniche.
“Le informazioni sulla salute mancanti a volte possono essere semplici come una persona che non è sicura di quale pulsante premere nel nuovo sistema”, afferma Gurupur.
Ayan Nasir sta terminando la sua specializzazione in medicina interna presso la Mayo Clinic di Jacksonville, in Florida. In qualità di studente universitario e studente di medicina dell’UCF, Nasir ha svolto ricerche con Gurupur sull’informatica sanitaria . Prima di entrare nel campo medico, Nasir ha lavorato nella finanza e afferma di essere rimasto stupito dalle differenze nel controllo di qualità e nell’accuratezza dei dati tra le cartelle cliniche e quelle sanitarie. Queste discrepanze lo hanno ispirato a fare del miglioramento dell’informatica sanitaria l’oggetto del suo progetto biennale Focused Inquiry and Research Experience (FIRE) presso la facoltà di medicina, dove Gurupur è stato il suo mentore di ricerca.
La sua residenza ha rafforzato la sua passione per il miglioramento dell’informatica sanitaria.
“Quando vedo un paziente, quello che metto nella cartella clinica elettronica riflette un episodio della sua cura”, dice. “Ma queste informazioni guideranno ogni futura decisione medica. Ecco perché le registrazioni elettroniche devono essere complete”.
Gurupur ha fornito questo esempio per evidenziare l’impatto dei dati sanitari incompleti. Un paziente con competenze limitate in inglese visita un nuovo fornitore che non parla la lingua madre del paziente. Con le loro sfide comunicative e la fretta di una pratica clinica, il paziente dimentica di menzionare che sta assumendo un particolare farmaco per il diabete di tipo 2. Non c’è nulla sul precedente trattamento del diabete nella cartella clinica elettronica, quindi il fornitore prescrive un farmaco standard in un dosaggio standard per quella condizione. Ora il paziente potrebbe ricevere il doppio della quantità raccomandata.
La medicina sta cercando modi per utilizzare più big data, l’intelligenza artificiale, per diagnosticare e fornire trattamenti più basati sull’evidenza. Ma quell’analisi del computer si basa su dati completi del paziente, sottolinea Nasir.
“Quando si tratta di medicina, sei bravo solo quanto i tuoi dati”, dice.
Gurupur afferma che lo sviluppo di algoritmi affidabili per i dati mancanti è importante anche per i sistemi sanitari. Studi recenti hanno dimostrato che gli ospedali possono perdere in media da $ 5 a $ 8 milioni all’anno a causa di dati mancanti che incidono sui loro tassi di rimborso assicurativo. Con l’algoritmo, i dirigenti ospedalieri possono sapere esattamente da dove provengono le informazioni mancanti (un particolare piano, reparto, servizio) e affrontarle.
Sia Gurupur che Nasir ritengono che l’informatica sanitaria sia a un punto critico. I sistemi sanitari si basano su registri elettronici, ma devono sviluppare modi per garantire che tutte le informazioni che raccolgono siano complete e accurate. Nasir sta lavorando per il suo master in informatica sanitaria presso la Northwestern University e sottolinea che tali programmi di formazione medica per laureati mostrano la crescente importanza dell’utilizzo dei dati per una migliore assistenza ai pazienti. Crede che la futura tecnologia sanitaria migliorerà ancora di più l’assistenza: i computer tradurranno le conversazioni tra fornitori e pazienti direttamente nella cartella elettronica , riducendo la necessità per i fornitori di inserire i dati manualmente dopo ogni visita, ad esempio.
“Siamo solo all’inizio di questa trasformazione”, dice. “È emozionante far parte di questo lavoro.”
Source: Varadraj P. Gurupur et al, Analyzing the Data Completeness of Patients’ Records Using a Random Variable Approach to Predict the Incompleteness of Electronic Health Records, Applied Sciences (2022). DOI: 10.3390/app122110746