++
A diferencia de los materiales de referencia clínica, como revistas médicas electrónicas con actualización continua y textos médicos, los sistemas de apoyo para tomar decisiones clínicas colaboran de forma directa con el médico en la toma de decisiones sobre pacientes específicos. Los sistemas de apoyo en la toma de decisiones no siempre deben ser muy depurados para introducir un efecto significativo. Por ejemplo, la verificación del intervalo de dosis de algunos fármacos, las interacciones farmacológicas y las alergias son conceptualmente sencillos, pero puede incurrirse en un error humano que ningún grado de vigilancia o capacitación personales puede eliminar por completo. Los sistemas más avanzados que analizan datos clínicos (como el cálculo de la depuración de creatinina) y esta guía se basan en esos datos. Los sistemas más depurados buscan tendencias en los valores, como la velocidad a la que se reduce el hematócrito o el incremento de peso en pacientes internados en la unidad de cuidados intensivos que acumulan líquido extracelular, casos en los que un número absoluto podrían no ser relevante pero que puede alertar sobre una tendencia para la cual sería importante tomar una acción temprana.
++
El apoyo en las decisiones es difícil de instituir y mantener. El problema más difícil es la “fatiga de alerta”. Estudios conducidos dentro y fuera del sistema de salud muestran los beneficios de una alerta, como la interacción con ventanas emergentes en un sistema de software que rápidamente se pasa por alto si la alerta se convierte en una parte sistemática del uso del sistema. Un ejemplo clínico familiar es la mínima atención a las alertas más audibles producidas por los sistemas de telemetría cardiaca. Si una decisión clínica que se apoya en un sistema de indicaciones médicas por computadora notifica una “alerta” por interacciones farmacológicas de los fármacos utilizados con regularidad, como warfarina y enoxaparina, en la misma forma que las interacciones peligrosas, pero infrecuentes, como teofilina con fluoroquinolonas, los médicos podrían sensibilizarse a las alertas y pasar por alto guías clínicas importantes cuando aparezcan éstas. La fatiga de alerta es un hecho de la cognición humana que no puede eliminarse a través de entrenamiento, educación o vigilancia. Los mejores sistemas clínicos permiten un ajuste detallado del comportamiento del sistema, por ejemplo modificar la respuesta del sistema por fármaco y especialidad del médico, y al ofrecer diversos mecanismos de apoyo con o sin interrupciones. El precio de esta flexibilidad es el esfuerzo institucional necesario para diseñar y mantener el sistema. Sin embargo, incluso estas medidas han demostrado mejoría consistente en la eficacia de las alertas.
++
Los sistemas de apoyo más complejos para la toma de decisiones intentan favorecer el diagnóstico clínico. La aplicación de la inteligencia artificial a la medicina tiene una larga historia; sin embargo, la mayor parte de los sistemas expertos en diagnóstico ha sido independientes, requiriendo el esfuerzo de un médico fuera del flujo normal de trabajo y tiene implementación clínica limitada. Los ejemplos de sistemas de diagnóstico clínico incluidos directamente en el expediente clínico electrónico han sido objeto de escasa investigación, pero es un área estudiada cada vez más y con interés comercial creciente (cuadro e3–2).
++
+
Berndt
M
et al. The role of electronic health records in clinical reasoning. Ann N Y Acad Sci. 2018 Dec;1434(1):109–14.
[PubMed: 29766520]
+
Brunner
J
et al. User-centered design to improve clinical decision support in primary care. Int J Med Inform. 2017 Aug;104:56–64.
[PubMed: 28599817]
+
Carli
D
et al. Quality of decision support in computerized provider order entry: systematic literature review. JMIR Med Inform. 2018 Jan 24 ;6(1):e3.
[PubMed: 29367187]
+
Graham
MM
et al. Decision support tools: realizing the potential to improve quality of care. Can J Cardiol. 2018 Jul;34(7):821–6.
[PubMed: 29861205]
+
Kennedy
G
et al. Clinical prediction rules: a systematic review of healthcare provider opinions and preferences. Int J Med Inform. 2019 Mar;123:1–10.
[PubMed: 30654898]
+
Khairat
S
et al. Reasons for physicians not adopting clinical decision support systems: critical analysis. JMIR Med Inform. 2018 Apr 18 ;6(2):e24.
[PubMed: 29669706]
+
Khalil
H
et al. Professional, structural and organisational interventions in primary care for reducing medication errors. Cochrane Database Syst Rev. 2017 Oct 4 ;10:CD003942.
[PubMed: 28977687]
+
Kurnit
KC
et al. Precision oncology decision support: current approaches and strategies for the future. Clin Cancer Res. 2018 Jun 15 ;24(12):2719–31.
[PubMed: 29420224]
+
Maillet
É
et al. Laboratory testing in primary care: a systematic review of health IT impacts. Int J Med Inform. 2018 Aug;116:52–69.
[PubMed: 29887235]
+
Musy
SN
et al. Trigger tool-based automated adverse event detection in electronic health records: systematic review. J Med Internet Res. 2018 May 30 ;20(5):e198.
[PubMed: 29848467]
+
Rahimi
R
et al. Effects of chemotherapy prescription clinical decision-support systems on the chemotherapy process: a systematic review. Int J Med Inform. 2019 Feb;122:20–6.
[PubMed: 30623780]
+
Scott
IA
et al. Using EMR-enabled computerized decision support systems to reduce prescribing of potentially inappropriate medications: a narrative review. Ther Adv Drug Saf. 2018 Jul 12 ;9(9):559–73.
[PubMed: 30181862]
+
Tolley
CL
et al. Improving medication-related clinical decision support. Am J Health Syst Pharm. 2018 Feb 15 ;75(4):239–46.
[PubMed: 29436470]
+
Triantafyllidis
A
et al. Computerised decision support in physical activity interventions: a systematic literature review. Int J Med Inform. 2018 Mar;111:7–16.
[PubMed: 29425636]
+
Van de Velde
S
et al. A systematic review of trials evaluating success factors of interventions with computerised clinical decision support. Implement Sci. 2018 Aug 20 ;13(1):114.
[PubMed: 30126421]