背景
大多数医疗保健组织收集患者安全事件报告数据，这些数据描述了从险些脱险(几乎涉及到患者的安全问题)到伤害事件(患者直接受到影响)的所有事情。有效地分析这些报告是了解需要改进的关键步骤。
许多组织收集了数以万计的患者安全报告，但在快速分析这些数据以确定相关模式和趋势方面存在困难。由于报告还包含文本描述，因此阅读每一份报告是不可行的。因此，组织只关注少数患者遭受伤害的报告。他们错过了更严格地分析潜在安全问题浮出水面的全部报告的机会，在患者受到伤害之前确定模式和趋势，并采取行动防止未来的伤害。
的想法
为了帮助解决这一重大挑战，MedStar Health国家医疗保健人为因素中心团队开发了一个直观的交互式安全报告可视化仪表板。仪表板允许安全负责人和分析师通过查看部门级别的信息快速探索数据，同时还可以查看各部门的全球趋势。仪表盘有助于更快地识别安全隐患。
我们还使用数据科学技术开发算法，可以更快地分析数千份报告，包括自由文本，以确定与安全问题有关的特定主题和促成因素。这些算法依赖于自然语言处理和其他技术，以一种前所未有的方式来理解报告。
影响
直观的仪表盘正在被MedStar Health的几位安全分析师使用，也已与其他医疗保健系统共享，作为如何使这些报告数据更易于访问的模型。
同样，这些算法也被直接应用于MedStar Health的数据，以确定重要的安全事件主题和致病因素。这些算法也与其他医院共享，包括费城儿童医院和威斯康星儿童医院。
2021年7月更新
患者安全组织开始使用这些算法来分析他们的大型报告数据集，这些数据集通常来自多个医疗机构。
我们现在正在开发算法，以分析来自公开数据库的安全报告，例如FDA的医疗设备问题和用药错误数据库。这些见解正在与从医疗机构患者安全事件报告中收集到的见解进行集成。
资源
网站
新闻
出版物
患者安全”,通过分析事件建议确定医疗保健组织的安全事件审查和响应方法”
患者安全杂志”,一种机器学习方法重新分类各种患者安全报告”
应用临床信息学”,使用主动学习识别与医疗信息技术相关的患者安全事件”
国际医学信息学杂志”,将自然语言处理专业知识与患者安全事件审查委员会相结合，以改进用药事件的分析”
生物医学信息学杂志”,从患者安全事件报告数据库中识别与健康信息技术相关的安全事件报告”
美国医学信息协会杂志”,连接点:利用可视化分析来理解患者安全事件报告”
注:本页仪表板示例中显示的患者信息(姓名、入院时间、年龄、性别等)是虚构的。
上面的概述反映了所完成的工作MedStar Health医疗保健中的人为因素国家中心是MedStar创新研究所的一部分。2020年7月，人为因素中心搬迁至新的组织总部，MedStar健康研究所至今仍是军情二处的重要合作伙伴。访问人为因素中心网站了解其工作的最新信息。
页面最近更新:07/01/21
总结
该团队试图有效地分析和显示患者安全事件数据，以帮助改进干预措施。
团队
MedStar Health医疗保健中的人为因素国家中心
状态
活跃的
