Kliininen päätöksenteon tukijärjestelmä

tietojärjestelmä lääketieteellisen päätöksen tueksi

Kliininen päätöksenteon tukijärjestelmä (KPTJ) on tietotekniikkaan pohjautuva järjestelmä, joka on suunniteltu tarjoamaan lääkäreille, sairaanhoitajille ja muille terveydenhuollon ammattilaisille kliinistä päätöksenteon tukea (KPT) eli apua kliinisen päätöksenteon tehtävissä.

MääritelmäEdit

Robert Hayward, joka työskentelee Centre for Health Evidence organisaatiossa, on ehdottanut määritelmää: "Kliiniset päätöksenteon tukijärjestelmät yhdistävät terveyshavainnot terveystietoon vaikuttaakseen lääkäreiden tekemiin valintoihin ja parantaakseen terveydenhuollon tuloksia".

VaikuttavuusEdit

Näyttö päätöksentukijärjesetelmien tehokkuudesta lisääntyy jatkuvasti. Sekä tutkimusten lukumäärä että metodologinen laatu ovat kasvaneet vuodesta 1973 vuoteen 2004. [1]

Vuonna 2014 tehdyssä systemaattisessa katsauksessa ei löytynyt näyttöä hyödyistä kuoleman ehkäisyssä, kun päätöksentukijärjestelmä yhdistettiin sähköiseen sairauskertomukseen. Muilla mittareilla hyötyjä on kuitenkin havaittu.[2]

Vuonna 2005 tehdyssä systemaattisessa katsauksessa todettiin, että päätöksentukijärjestelmät paransivat lääkärin suoritusta 64%: ssa tutkimuksista. Päätöksentukijärjestelmät paransivat potilaiden tuloksia 13%: ssa tutkimuksista. Parempaa lääkärin suoriutumista ennustavia KPTJ:n ominaisuuksia ovat muun muassa:

  • automaattisesti toimivat ohjeet ja varoitukset sen sijaan, että käyttäjän pitää erikseen aktivoida järjestelmä

Vuonna 2005 tehdyssä systemaattisessa katsauksessa todettiin ... "Päätöksen tukijärjestelmät paransivat kliinistä käytäntöä merkittävästi 68%: ssa tutkimuksista." Hyödyllisyyteen liittyviä KPTJ-ominaisuuksia ovat muun muassa: [3]

  • päätöksentukijärjestelmä integroidaan suoraan kliiniseen työnkulkuun, sen sijaan, että se vaatisi erillisen sisäänkirjautumisen tai sovellusikkunan avaamisen.
  • päätöksentukijärjestelmä on pikemminkin elektroninen kuin paperipohjainen.
  • päätöksentukijärjestelmä tarjoaa päätöksenteon tukea hoidon aikana tai sitä ennen, ei hoidon jälkeen.
  • päätöksentukijärjestelmä tarjoaa toteutettavia hoitosuosituksia, ei pelkästään tilanneanalyysejä.

Jotkus systemaattiset katsaukset ovat kuitenkin vähemmän optimistisia päätöksentukijärjestelmien vaikutuksista. Päätöksentukijärjestelmien ja muiden eHealth-tekniikoiden oletettujen ja empiirisesti osoitettujen höytyjen välillä on suuri kuilu ... niiden kustannustehokkuutta ei vielä ole pystytty osoittamaan ".[4]

5-vuotinen tutkimus päätöksentukijärjestelmien tehokkuudesta bakteeri-infektioiden rationaalisen hoidon toteuttamisessa julkaistiin vuonna 2014; kirjoittajien mukaan se oli ensimmäinen pitkäaikainen tutkimus päätöksentukijärjestelmien käytöstä.

OminaisuudetEdit

Kliinisen päätöksenteon tukijärjestelmä on määritelty "aktiiviseksi tietojärjestelmäksi, jotka käyttävät potilastietoa tapauskohtaisten neuvojen tuottamiseksi". Tämä tarkoittaa, että kliininen päätöksentukijärjetelmä on päätöksenteon tukijärjestelmä, joka keskittyy tietämyksen hallinnan käyttöön siten, että saadaan potilaan hoitoon liittyviä kliinisiä neuvoja, jotka perustuvat (yleensä rakenteisiin) potilastietoihin.

TarkoitusEdit

Nykyaikaisen KPTJ: n päätarkoitus on auttaa lääkäreitä hoitotilanteissa. Tämä tarkoittaa, että lääkärit ovat vuorovaikutuksessa KPTJ: n kanssa saavuttaakseen diagnoosin tai saadakseen hoito-ohjeita potilastietojen perusteella.

Aikoinaan KPTJ: n ajateltiin kirjaimellisesti tekevän päätöksiä kliinikon puolesta. Lääkäri syöttäisi tiedot ja odottaisi KPTJ: n antavan "oikean" valinnan ja lääkäri toimisi vain tämän ohjeen perusteella. Nykyaikainen päätöksentukijärjestelmä toimii kuitenkin niin, että lääkäri on vuorovaikutuksessa KPTJ:n kanssa hyödyntäen sekä omaa tietämystään että KPTJ:ää, jotta potilaan tiedot voidaan analysoida paremmin kuin ihminen tai KPTJ voisi yksinään tehdä. KPTJ antaa tyypillisesti ehdotuksia lääkärin tutkittavaksi, ja lääkärin odotetaan poimivan hyödyllistä tietoa esitetyistä tuloksista.

KPTJ: ää on kahta päätyyppiä: [5]

  • Tietoon-perustuva KPTJ
  • Ei-tietoon-perustuva KPTJ

kuten alla on kuvattu.

Diagnoosipäätöksen tukijärjestelmäEdit

Esimerkki siitä, miten kliinikko voi käyttää kliinistä päätöksentekojärjestelmää, on erityinen KPTJ-tyyppi, DPTJ (diagnoosipäätöksen tukijärjestelmät). DPTJ tarvitsee syötteenä joitakin potilaan tietoja ja ehdottaa vastauksena joukko sopivia diagnooseja. Tämän jälkeen lääkäri määrittää, mitkä diagnoosit saattavat olla merkityksellisiä ja mitkä eivät ole [5] ja määrää tarvittaessa lisätestejä diagnoosin tarkentamiseksi.

Toinen esimerkki KPTJ:stä olisi tapauspohjainen päättelyjärjestelmä (TPP).[6] TPP-järjestelmä saattaa käyttää aiempia tapaustietoja määrittämään sopivan säteiden määrän ja optimaalisen säteilykulman käytettäväksi aivosyöpäpotilaiden sädehoidossa; lääketieteelliset fyysikot ja onkologit tarkistavat sitten suositellun hoitosuunnitelman ja arvioivat sen toimivuuden.[7]

Toinen tärkeä KPTJ-luokittelu perustuu sen käytön ajoitukseen. Lääkärit käyttävät näitä järjestelmiä hoitotilanteissa, jolloin niiden käyttö ajoittuu joko ennen diagnoosin tekemistä, diagnoosin aikana tai diagnoosin teon jälkeen. Diagnoosia edeltäviä KPTJ-järjestelmiä käytetään auttamaan diagnoosien tekemisessä. Diagnoosin aikana käytetty KTPJ auttaa tarkistamaan ja suodattamaan lääkärin alustavat diagnoosivalinnat niiden tarkkuuden parantamiseksi. Diagnoosin jälkeisiä KPTJ-järjestelmiä käytetään tietojen kaivamiseen potilaiden aiemmasta sairaushistoriasta ja potilaan tulevaisuuden tapahtumien ennustamiseksi[5]. On väitetty, että päätöksenteon tuki alkaa tulevaisuudessa korvata lääkäreitä yleisissä työtehtävissä.

Toinen lähestymistapa, jota Englannin NHS on käyttänyt, on käyttää DPTJ:tä lääketieteellisten sairauksien hoidon tarpeen arvioimiseen (joko potilaan itsensä tai puhelinoperaattorin tekemänä). Järjestelmä voi ehdottaa sopivaa seuraavaa vaihetta potilaalle (esim. soita ambulanssi tai mene yleislääkärin vastaanotolle seuraavana työpäivänä). Järjestelmän antaa ehdotuksen, jonka potilas tai puhelinoperaattori voi jättää halutessaan huomiotta, jos terve järki tai yleinen varovaisuus puoltaa toista vaihtoehtoa. Tällainen arvio perustuu järjestelmän käytössä oleviin potilastietoihin ja implisiittiseen johtopäätökseen siitä, mikä diagnoosi pahimmassa tapauksessa todennäköisesti on.

OmaoloEdit

Tämän tyyppinen diagnoosipäätöksen tukijärjestelmä on Suomessa käytössä kansallisessa Omaolo-palvelussa. Sen päättelylogiikka on Duodecimin tuottama ja perustuu samaan päätöksentukimoottoriin kuin ammattilaisten käytössä oleva EBMEDS päätöksentukijärjestelmä.[8]

Tietoon-perustuva KPTJEdit

Useimmat KPTJ:t koostuvat kolmesta osasta: tietokannasta, päättelymoottorista ja kommunikaatiomekanismista. Tietokanta sisältää koottujen tietojen säännöt ja yhdistelmät, jotka ovat useimmiten IF-THEN-sääntöjen muodossa. Esimerkiksi jos järjestelmää käytetään lääkkeiden yhteisvaikutusten tunnistamiseksi, niin sääntö voisi olla: jos potilas käyttää lääkettä X ja hänelle määrätään lääke Y, näytetään hälytys käyttäjälle. Käyttöliittymän avulla edistyneet käyttäjät voivat muokata lääketietokantaa pitääkseen sen ajan tasalla, kun uusia lääkkeitä tulee markkinoille. Päättelymoottori yhdistää tietokannan säännöt potilaan yksilöllisiin tietoihin. Kommunikaatiomekanismi mahdollistaa tuloksien näyttämisen käyttäjälle ja uusien tietojen lisäämisen järjestelmään.[5]

Ei-tietoon-perustuva KPTJEdit

KPTJ:t, jotka eivät käytä tietopohjaa, käyttävät usein tekoälyn muotoa, jota kutsutaan koneoppimiseksi. [9] Näin tietokoneet voivat oppia aiemmista kokemuksista tai löytää malleja kliinisestä tiedosta. Tämä poistaa tarpeen kirjoittaa sääntöjä ja vähentää asiantuntija avun tarvetta. Koska koneoppimiseen perustuvat järjestelmät eivät kuitenkaan pysty selittämään päätelmiensä syitä (ne ovat ns. "Mustia laatikoita", koska ihminen ei pysty helposti päättelemään miten ne toimivat), suurin osa lääkäreistä ei käytä niitä diagnostiikassa tai hoitopäätöksissä vastuuvelvollisuussyistä.[5] Siitä huolimatta ne voivat olla hyödyllisiä jälkidiagnostiikkajärjestelminä, esimerkiksi ehdottamalla malleja, joita lääkäri voi tutkia perusteellisemmin.

Kolme tyyppiä ei-tietopohjaisia järjestelmiä ovat tukivektorikoneet, keinotekoiset hermoverkot ja geneettiset algoritmit.[10]

  1. Keinotekoiset hermostoverkot käyttävät solmuja ja niiden välisiä painotettuja yhteyksiä analysoidakseen potilastiedoista löytyviä kuvioita oireiden ja diagnoosin välisten yhteyksien saamiseksi.
  2. Geneettiset algoritmit perustuvat yksinkertaistettuihin evoluutioprosesseihin, joissa käytetään suunnattua valintaa optimaalisten KPTJ-tulosten saavuttamiseksi. Valinta-algoritmit arvioivat satunnaisten ratkaisujen sopivuutta tarkasteltavaan ongelmaan. Parhaat ratkaisut yhdistetään, mutatoidaan uudelleen ja suoritetaan uudestaan prosessin läpi. Tämä tapahtuu yhä uudelleen, kunnes oikea ratkaisu löydetään. Geneettiset algoritmit ovat toiminnallisesti samanlaisia kuin hermoverkot siinä mielessä, että ne ovat myös "mustia laatikoita", jotka yrittävät louhia tietoa potilastiedoista.
  3. Ei-tietopohjaiset verkostot keskittyvät usein kapeaan oireluetteloon, kuten yksittäisen sairauden oireisiin, toisin kuin tietoon perustuvaan lähestymistapaan, joka kattaa monien erilaisten sairauksien diagnoosin.[5]

Käyttöönoton haasteetEdit

Kliiniset haasteetEdit

Monet lääketieteelliset laitokset ja ohjelmistoyritykset ovat tehneet suuria panostukia tarkoituksenaan tuottaa toimivia kliinisen päätöksenteon tukijärjestelmiä tukemaan kaikkia kliinisten tehtävien osa-alueita. Kliinisen työnkulun monimutkaisuuden ja henkilöstölle asetettujen vaatimusten vuoksi tukijärjestelmää käyttävän laitoksen on kuitenkin huolehdittava siitä, että järjestelmästä tulee joustava ja olennainen osa kliinistä työnkulkua. Jotkut KPTJ:t ovat onnistuneet vaihtelevasti, kun taas toiset ovat kärsineet yhteisistä ongelmista, jotka estävät tai vähentävät niiden onnistunutta hyväksymistä.

Ne kaksi terveydenhuollon osa-aluetta, joilla KPTJ:llä on ollut suuri vaikutus, ovat apteekki ja laskutus. Apteekeissa on yleisessä käytössä reseptilääkkeiden tilaamisjärjestelmiä, jotka tarkistavat tilattavat lääkkeet mm. interaktioiden osalta ja ilmoittavat mahdollisista varoituksista käyttäjälle. Tällainen järjestelmä on käytössä Yliopiston apteekissa[11] ja se hyödyntää Duodecimin EBMEDS päätöksentuen Lääkityksen kokonaisarvio sovellusta.

Toinen KPTJ:n menestyssektori on laskutus ja korvausvaatimusten tekeminen. Yhdysvalloissa monet sairaalat ovat riippuvaisia vakuutusyhtiöiden kautta saatavista korvauksista, joten päätöksentukijärjestelmiä käytetään siellä myös terveydenhuollon toiminnan optimointiin ja kulujen minimointiin.

Muut diagnostisiin tehtäviin suunnatut KPTJ:t ovat olleet kohtalaisen menestyviä, mutta niiden käytön laajuus on usein rajoittunutta. Leedsin vatsakipujärjestelmä aloitti toimintansa vuonna 1971 Leedsin yliopiston sairaalassa, ja sen todettiin tuottaneen oikean diagnoosin 91,8%: lla tapauksista, kun lääkäreiden osuvuus oli 79,6%.

Huolimatta instituutioiden laajasta pyrkimyksestä tuottaa ja käyttää näitä järjestelmiä, useimpien tuotteiden osalta ei ole vielä saavutettu kovin laajaa hyväksyntää. Yksi suurimmista esteistä järjestelmien käyttönotolle on historiallisesti ollut niiden integrointi työnkulkuun. Järjstelmien suunnittelussa on usein keskitytty enemmän sisältöön kuin niiden käytettävyyteen. Usein KPTJ:t olivat itsenäisiä sovelluksia, jotka vaativat lääkäriä lopettamaan varsinaisen potilastietojärjestelmän käytön, vaihtamaan KPTJ:ään, syöttämään tarvittavat tiedot (vaikka ne olisi jo syötetty toiseen järjestelmään) ja tutkimaan tuloksia. Nämä lisävaiheet rikkovat työnkulun ja vievät arvokasta työaikaa.

Tekniset haasteet ja toteutuksen esteetEdit

Kliinisen päätöksenteon tukijärjestelmät kohtaavat huomattavia teknisiä haasteita monilla aloilla. Biologiset järjestelmät ovat erittäin monimutkaisia, ja kliininen päätös voi hyödyntää valtavaa määrää potentiaalisesti merkityksellistä tietoa. Esimerkiksi sähköinen näyttöön perustuva lääketieteellinen järjestelmä voi mahdollisesti ottaa huomioon potilaan oireet, sairaushistorian, sukuhistorian ja genetiikan, samoin kuin sairauden esiintymisen historialliset ja maantieteelliset suuntaukset ja julkaistut kliiniset tiedot eri hoitomuotojen tehokkuudesta suositellessaan potilaan hoitoa.

Toinen keskeinen haaste monien lääketieteellisten tukijärjestelmien kanssa on, että ne tuottavat suuren määrän viestejä. Jos järjestelmät tuottavat liian paljon varoituksia (etenkin sellaisia, jotka eivät muuta tehtyjä päätöksiä), käyttäjät voivat kiinnittää vähemmän huomioita näihin varoituksiin, jolloin mahdollisesti kriittiset hälytykset saattavat jäädä huomiotta.

YlläpitoEdit

Yksi KPTJ:n keskeisistä haasteista on vaikeus seurata jatkuvasti julkaistavaa suurta määrää kliinisiä tutkimuksia, joita julkaistaan vuosittain kymmeniä tuhansia.[12] Tällä hetkellä jokainen näistä tutkimuksista on luettava manuaalisesti, arvioitava tieteellisen legitimiteetin suhteen ja sisällytettävä KPTJ: ään oikealla tavalla. Vuonna 2004 todettiin, että kliinisen tiedon ja lääketieteellisen tiedon kerääminen ja muuttaminen muodoksi, jota tietokoneet voivat käsitellä auttaakseen kliinistä päätöksentekoa, on "vielä lapsenkengissä".

On silti parempi, että yksittäinen asiantuntijataho tekee tämän työn keskitetysti, vaikkakin epätäydellisesti, sen sijaan, että jokainen lääkäri yrittäisi yksin pysyä ajan tasalla kaikissa julkaistavissa tutkimuksissa.

Sen lisäksi, että uuden tiedon hyödyntäminen on työlästä, sen integroiminen jo olemassa olevaan päätöksenteon tukijärjestelmään voi olla vaikeaa, erityisesti tapauksissa, joissa eri tutkimukset ovat keskenään ristiriitaisia. Tällaisten ristiriitojen asianmukainen ratkaiseminen on usein oleellinen osa useita tutkimuksia yhdisteleviä metaanalyysejä, joiden tuottaminen vie usein kuukausia.

ArviointiEdit

Jotta KPTJ voi tarjota arvoa, sen on todistettavasti parannettava kliinistä työnkulkua tai lopputulosta. KPTJ: n arviointi on prosessi, jolla määritetään sen arvo järjestelmän laadun parantamiseksi ja sen tehokkuuden mittaamiseksi. Koska erilaiset KPTJ: t palvelevat eri tarkoituksia, ei ole mitään yleistä metriikkaa, jota sovellettaisiin kaikkiin tällaisiin järjestelmiin; ominaisuuksia, kuten johdonmukaisuus (itsensä kanssa ja asiantuntijoiden kanssa), sovelletaan kuitenkin usein monenlaisiin järjestelmiin. [13]

KPTJ: n arviointikriteeri riippuu järjestelmän tavoitteesta: esimerkiksi diagnostisen päätöksenteon tukijärjestelmä voidaan luokitella sen sairaalaluokituksen johdonmukaisuuden ja tarkkuuden perusteella (verrattuna lääkäreihin tai muihin päätöksenteon tukijärjestelmiin). Näyttöpohjainen lääkejärjestelmä voidaan luokitella potilaiden hoitotulosten laadun tai hoitopalvelujen tarjoajien taloudellisten kulujen perusteella.

Yhdistäminen sähköisiin sairauskertomuksiinEdit

Sähköisen sairauskertomuksen toteuttaminen oli väistämätön haaste. Tämän haasteen syyt ovat se, että se on suhteellisen kartoittamaton alue, ja EHR: n täytäntöönpanovaiheessa on monia kysymyksiä ja komplikaatioita. Tämä näkyy lukuisissa suoritetuissa tutkimuksissa. [Viittaus tarvitaan] Haasteisiin sähköisten terveyskertomusten toteuttamisessa on kuitenkin kiinnitetty jonkin verran huomiota, mutta prosessissa siirtymisessä vanhoista terveyskertomuksista uudempiin järjestelmiin on vähemmän tietoa.

Kaikesta huolimatta sähköiset terveyskertomukset ovat tulevaisuuden tie terveydenhuollon teollisuudelle. Ne ovat tapa tallentaa ja käyttää reaaliaikaista tietoa korkealaatuisen potilaiden hoidon tarjoamiseksi, varmistaen tehokkuuden ja ajan ja resurssien tehokkaan käytön. EHR: n ja KPTJ: n sisällyttäminen lääketieteen prosessiin voi muuttaa tapaa, jolla lääketiedettä opetetaan ja harjoitetaan. On sanottu, että "EHR: n korkein taso on KPTJ". [14]

Koska "kliinisen päätöksenteon tukijärjestelmät (KPTJ) ovat tietokonejärjestelmiä, jotka on suunniteltu vaikuttamaan lääkäreiden päätöksentekoon yksittäisten potilaiden suhteen näiden päätösten tekohetkellä", on selvää, että olisi hyödyllistä, jos täysin integroitu KPTJ olisi ja EHR.

Vaikka hyödyt voidaan nähdä, EHR: hen integroidun KPTJ: n täysimääräinen toteuttaminen on historiallisesti vaatinut terveydenhuollon laitoksen / organisaation merkittävää suunnittelua, jotta KPTJ: n tarkoitus olisi onnistunut ja tehokas. Menestys ja tehokkuus voidaan mitata lisääntyneellä potilaiden hoidolla ja vähentämällä esiintyviä haittavaikutuksia . Tämän lisäksi säästetään aikaa ja resursseja sekä terveyslaitoksen / organisaation itsenäisyyden ja taloudellisten etujen etuja. [15]

Potilastietojärjestelmään yhdistetyn kliinisen päätöksentukijärjestelmän edutEdit

Päätöksentukijärjestelmän ja potilastiatojärjestelmän onnistunut integrointi mahdollistaa parhaiden käytäntöjen ja korkealaatuisen hoidon tarjoamisen potilaalle, mikä on terveydenhoidon perimmäinen tavoite.

Terveydenhuollossa on aina esiintynyt virheitä, joten niiden minimointi on tärkeää laadukkaan hoidon tarjoamiseksi. KPTJ:n ja sähköisen potilaskertomuksen yhdistämisellä voidaan ehkäistä kolmenlaisia virheitä:

  1. Lääkemääräysvirheet
  2. Lääkeiden haittatapahtumat
  3. Muut lääketieteelliset virheet

Päätöksentukijärjetselmät ovat hyödyllisimpiä, kun terveydenhuoltolaitokset ovat "100% sähköisiä". Tämä on tilanne jo lähes koko Suomessa.

Kliinisen päätöksenteon tukijärjestelmien mitattavissa olevat hyödyt lääkärien suoritukselle ja potilaan hoitotuloksille ovat edelleen jatkuvan tutkimuksen kohteena.

HaasteetEdit

Sähköisten terveyskertomusten käyttäminen terveydenhuollossa aiheuttaa haasteita; tehokkuuden ja turvallisuuden ylläpito käyttöönoton aikana on tärkeää.[16] Jotta täytäntöönpanoprosessi olisi tehokas, käyttäjien näkökulmien ymmärtäminen on keskeistä.[17] Tämän lisäksi uusien järjestelmien omaksumista on edistettävä aktiivisesti koko organisaation laajuisesti.[18] Samoja periaatteita voidaan soveltaa myös KPTJ:n käyttöönottoon.

Tärkeimmät huolenaiheet siirryttäessä täysin integroituun järjestelmään ovat:

  1. Yksityisyys
  2. Luottamuksellisuus
  3. Käyttäjäystävällisyys
  4. Asiakirjojen tarkkuus ja täydellisyys
  5. Integraatio
  6. Tasalaatuisuus
  7. Hyväksyminen
  8. Hälyteherkkyys

samoin tietojen syöttämisen tärkeimmät näkökohdat tulee huomioida haitallisten tapahtumien välttämiseksi. Näihin näkökohtiin sisältyy:

  • käytetään oikeita tietoja
  • kaikki tiedot on syötetty järjestelmään
  • noudatetaan parhaita sovittuja käytäntöjä
  • tiedot ovat näyttöön perustuvia

Palvelukeskeistä arkkitehtuuria on ehdotettu tekniseksi keinoksi vähentää joitakin näistä haasteista. [19]

Päätöksentuen käyttö SuomessaEdit

Duodecim EBMEDS kliininen päätöksentuki on käytössä yli 60%:lla suomalaisista julkisen terveydenhuollon lääkäreistä.[20] Pääkaupunkiseudulla käytössä olevassa Apotti-hankkessa tullaan myös hyödyntämään Duodecimin EBMEDS päätöksentukea.[21]

Katso myösEdit

ViitteetEdit

  1. Amit X. Garg, Neill K. J. Adhikari, Heather McDonald, M. Patricia Rosas-Arellano, P. J. Devereaux, Joseph Beyene: Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review. JAMA, 9.3.2005, nro 10, s. 1223–1238. PubMed:15755945. doi:10.1001/jama.293.10.1223. ISSN 1538-3598. Artikkelin verkkoversio.
  2. Lorenzo Moja, Koren H. Kwag, Theodore Lytras, Lorenzo Bertizzolo, Linn Brandt, Valentina Pecoraro: Effectiveness of computerized decision support systems linked to electronic health records: a systematic review and meta-analysis. American Journal of Public Health, 2014-12, nro 12, s. e12–22. PubMed:25322302. doi:10.2105/AJPH.2014.302164. ISSN 1541-0048. Artikkelin verkkoversio.
  3. Kensaku Kawamoto, Caitlin A. Houlihan, E. Andrew Balas, David F. Lobach: Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. BMJ (Clinical research ed.), 2.4.2005, nro 7494, s. 765. PubMed:15767266. doi:10.1136/bmj.38398.500764.8F. ISSN 1756-1833. Artikkelin verkkoversio.
  4. Ashly D. Black, Josip Car, Claudia Pagliari, Chantelle Anandan, Kathrin Cresswell, Tomislav Bokun: The impact of eHealth on the quality and safety of health care: a systematic overview. PLoS medicine, 18.1.2011, nro 1, s. e1000387. PubMed:21267058. doi:10.1371/journal.pmed.1000387. ISSN 1549-1676. Artikkelin verkkoversio.
  5. a b c d e f Berner, Eta S., ed. Clinical Decision Support Systems. New York, NY: Springer, 2007.
  6. Case-Based Reasoning Systems in the Health Sciences: A Survey of Recent Trends and Developments. IEEE, Heinäkuu 2011. doi:10.1109/TSMCC.2010.2071862.
  7. Retrieval with Clustering in a Case-Based Reasoning System for Radiotherapy Treatment Planning. Journal of Physics, 2015. doi:10.1088/1742-6596/616/1/012013. ISSN 1742-6596. https://iopscience.iop.org/article/10.1088/1742-6596/616/1/012013 [{{{www}}} Artikkelin verkkoversio].
  8. Duodecim: Omaolo tietämyskanta ebmeds.org.
  9. Tanveer Syeda-Mahmood plenary talk: The Role of Machine Learning in Clinical Decision Support. The international society for optics and photonics, 9.3.2015. doi:10.1117/2.3201503.29.
  10. Modeling paradigms for medical diagnostic decision support: a survey and future directions. J Med Syst., Lokakuu 2012. PubMed:21964969. doi:10.1007/s10916-011-9780-4.
  11. Onko potilaasi lääkitys kunnossa? yliopistonapteekki.fi.
  12. Christian Gluud, Dimitrinka Nikolova: Likely country of origin in publications on randomised controlled trials and controlled clinical trials during the last 60 years. Trials, 27.2.2007, nro 8, s. 7. PubMed:17326823. doi:10.1186/1745-6215-8-7. ISSN 1745-6215. Artikkelin verkkoversio.
  13. Formative evaluation of the accuracy of a clinical decision support system for cervical cancer screening. J Am Med Inform Assoc., Heinäkuu 2013. PubMed:23564631. doi:10.1136/amiajnl-2013-001613.
  14. Brian Rothman, Joan C. Leonard, Michael M. Vigoda: Future of electronic health records: implications for decision support. The Mount Sinai Journal of Medicine, New York, 2012-11, nro 6, s. 757–768. PubMed:23239213. doi:10.1002/msj.21351. ISSN 1931-7581. Artikkelin verkkoversio.
  15. Murali Sambasivan, Pouyan Esmaeilzadeh, Naresh Kumar, Hossein Nezakati: Intention to adopt clinical decision support systems in a developing country: effect of physician's perceived professional autonomy, involvement and belief: a cross-sectional study. BMC medical informatics and decision making, 5.12.2012, nro 12, s. 142. PubMed:23216866. doi:10.1186/1472-6947-12-142. ISSN 1472-6947. Artikkelin verkkoversio.
  16. Stephanie Spellman Kennebeck, Nathan Timm, Michael K. Farrell, S. Andrew Spooner: Impact of electronic health record implementation on patient flow metrics in a pediatric emergency department. Journal of the American Medical Informatics Association: JAMIA, 2012-5, nro 3, s. 443–447. PubMed:22052897. doi:10.1136/amiajnl-2011-000462. ISSN 1527-974X. Artikkelin verkkoversio.
  17. Carrie Anna McGinn, Marie-Pierre Gagnon, Nicola Shaw, Claude Sicotte, Luc Mathieu, Yvan Leduc: Users' perspectives of key factors to implementing electronic health records in Canada: a Delphi study. BMC medical informatics and decision making, 11.9.2012, nro 12, s. 105. PubMed:22967231. doi:10.1186/1472-6947-12-105. ISSN 1472-6947. Artikkelin verkkoversio.
  18. Ronen Rozenblum, Yeona Jang, Eyal Zimlichman, Claudia Salzberg, Melissa Tamblyn, David Buckeridge: A qualitative study of Canada's experience with the implementation of electronic health information technology. CMAJ: Canadian Medical Association journal = journal de l'Association medicale canadienne, 22.3.2011, nro 5, s. E281–288. PubMed:21343262. doi:10.1503/cmaj.100856. ISSN 1488-2329. Artikkelin verkkoversio.
  19. Salvador Rodriguez Loya, Kensaku Kawamoto, Chris Chatwin, Vojtech Huser: Service oriented architecture for clinical decision support: a systematic review and future directions. Journal of Medical Systems, 2014-12, nro 12, s. 140. PubMed:25325996. doi:10.1007/s10916-014-0140-z. ISSN 1573-689X. Artikkelin verkkoversio.
  20. EBMEDS Päätöksentuki ebmeds.org.
  21. Oy Apotti Ab ja Kustannus Oy Duodecim ovat solmineet sopimuksen sähköisen päätöksenteon tukijärjestelmästä apotti.fi.

Ulkoiset linkitEdit