條文本
PDF
摘要
介紹大多數患者在急診科的第一次臨床互動發生在分診期間。非結構化的敘述是在分診過程中產生的，是醫院內文件的第一個來源。這些敘述記錄了患者報告的就診原因和初步評估，並提供了比固定現場數據更細致入微的患者抱怨描述。先前的研究表明，這些數據對於預測重要的臨床結果是有用的。以前的評論將這些敘述與其他自由文本來源結合或單獨進行了審查，但使用了有限的搜索，並且已經過時。此外，沒有評論僅僅關注護士(這些數據的主要收集者)的敘述。
方法與分析使用Arksey和O 'Malley範圍審查框架和PRISMA-ScR報告指南，我們將對CINAHL、Ovid MEDLINE、ProQuest Central、Ovid Embase和Cochrane Library(通過Wiley)進行結構化搜索。此外，我們將轉發所有納入研究的引用檢索。本研究不采用地理或研究設計排除標準。1990年以前發表的關於災難分類的研究和非英語文獻將被排除在外。數據將使用在線管理工具進行管理;提取的數據將由單獨的審查員使用預先測試的提取表格進行獨立確認。科恩的kappa將被用於審查試點和最終篩選的評級者之間的協議。定量數據將酌情使用幅度和集中趨勢、計數、比例和百分比等度量來表示。定性數據將是作者主要發現的敘述性總結。
患者和公眾參與沒有病人參與。
倫理與傳播不需要倫理批準。研究結果將提交給同行評議的會議和期刊。結果將通過個人和機構的社交媒體平台傳播。
- 事故急救醫學
- 衛生信息學
- 流行病學
這是一篇開放獲取的文章，根據創作共用署名非商業(CC BY-NC 4.0)許可證發布，該許可證允許其他人以非商業方式分發、混音、改編、在此基礎上進行構建，並以不同的條款許可其衍生作品，前提是正確引用原始作品，給予適當的榮譽，任何更改都已注明，並且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/．
數據來自Altmetric.com
本研究的優勢和局限性
由於人工智能的進步，越來越多的研究分析了非結構化敘事數據，人工智能已正式納入臨床分診護理軟件。
此範圍審查將提供先前對非結構化敘述進行的係統和範圍審查的更新。
本綜述將采用比以往係統性綜述更全麵的搜索策略，這些綜述對特定臨床表現的非結構化分類敘述進行了檢查。
這將是第一次對非結構化分診護士敘述進行範圍審查，並將確定進行額外審查或元分析的機會。
這篇綜述將僅限於英語語言研究，可能不會涵蓋該領域的所有研究。
介紹
大多數患者在急診科(ED)與醫護人員的第一次互動通常發生在分診過程中。護士將進行一個簡短的病人評估，記錄人口統計信息，並分配一個訪問代碼和敏銳度。1護士在分診過程中做出的決定被用來將病人分流到科室的不同部分，並確保如果醫療延誤，他們的病情不會惡化。1分類程序起源於拿破侖戰爭時期的戰地醫院，2但直到20世紀60年代才廣泛應用於醫療保健，3.直到20世紀80年代，4直到1994年，澳大利亞成為第一個這樣做的國家。5大多數國家現在都使用正式的分類程序和經過驗證的分類工具，1許多係統都是以澳大利亞係統為模型的。1 - 6
因為分診通常是大多數患者的第一次臨床接觸，分診記錄是住院文件的第一個來源。在一些司法管轄區(如加拿大)，國家標準指導分類過程和急診科數據收集，7 8絕大多數(85%)EDs收集並向國家存儲庫報告最少的數據集。9 - 11這些最小數據集有助於管理員評估工作量趨勢、比較成本、衡量吞吐量、監測患者的敏銳度和執行大流行監測。12最小數據集要求記錄一定數量的結構化數據，但也允許可選報告大量數據，如分類敘述。盡管這些敘述在一些司法管轄區是例行收集的，但它們並不是“最小”數據集的一部分，11 13 14直到最近還沒有以一致的方式使用。
非結構化分類敘述不同於結構化數據，因為它們不局限於幾個固定選項中的一個。這些敘述捕獲主觀數據，如患者自己報告的訪問急診科的原因和護士的評估;因此，提供比逐條列出的“提出投訴”或程序或診斷代碼更多的細微差別。雖然非結構化數據曆來難以使用，但人工智能(AI)的最新進展已被應用於快速評估大量分類敘述，其策略包括自然語言處理、15電腦化關鍵字搜索16以及計算機輔助專家分析。17先前的研究結果表明，敘事數據可以用於預測重要的臨床結果，如入院需求18或者被診斷為敗血症19或流感。17除了預測臨床病程外，敘述數據還用於流行病學目的，如跟蹤特征和損傷率20.以及藥物濫用模式。21日22此外，當分類敘述被添加到更傳統的估計疾病流行率的方法(即國際疾病分類icd代碼)時，它們已經能夠識別出明顯更多的病例，21日22一項研究表明，與單獨使用ICD代碼相比，分類敘述可以識別出超過四倍(90%對21%)的病例(涉及毒品或酒精的道路碰撞)。21識別病例的能力對於難以使用現有診斷代碼捕獲的罕見或複雜症狀尤為重要。16這些分診敘述已由急診護士協會臨床操作，該協會將人工智能納入分診決策支持。23人工智能在分診中的臨床應用表明，該研究領域將顯著擴大，因此需要對當前的文獻基礎進行映射。
到目前為止，至少有三篇係統綜述在對非結構化臨床數據的檢查中納入了分類敘述。兩次係統綜述(一次初步綜述24以及後續的更新25作者是同一小組)確定了56篇研究人工智能方法分析傷害監測敘述的論文。這些綜述包括評估來自任何來源和任何行政衛生數據庫的敘述數據的研究，前提是使用人工智能算法進行評估。這些綜述包括一些使用分類敘述的研究，並發現敘述數據不僅提供了一種執行監測的替代方法，而且還提供了其他方法無法獲得的豐富的上下文信息。25第三項係統綜述檢查了流感的ED綜合征監測，確定了38項跟蹤疾病的研究，其中一些研究同時使用了護理分類敘述和護士指定的投訴代碼。26
最近，人們對人工智能的範圍進行了綜述，研究了人工智能在輔助醫學診斷方麵的應用27以及臨床決策支持。28兩項綜述都檢查了分類和非結構化敘述數據，但它們包含了不同類型的數據。此外，兩項研究都沒有參考之前提到的係統評價，而且都遺漏了係統評價中確定的大量研究，這些研究考察了人工智能。其中一些遺漏可能是故意的，因為一篇綜述排除了與特定症狀相關的研究(如流感、胸痛或創傷)。28或者是因為另一篇綜述隻包括了那些在標題中明確提到“人工智能”同義詞的使用，與醫學(如公共衛生)沒有直接關係，或者“沒有報告結果或評估”(如非幹預流行病學研究)。27
這些審查是基礎的，我們的工作將試圖補充這些審查。係統評價表明，在一般情況下檢查敘述數據的用途有限，結論是“缺乏記錄信息的指導方針……以及隨後的文檔不一致”。24使數據的使用複雜化。這些結論可能反映了當時人工智能存在的局限性，也可能是對敘述數據反映更狹義和具體表現(如傷害或傳染病)的能力進行概括的結果。係統綜述的作者通過排除灰色文獻限製了他們的搜索24日25日並且隻檢查PubMed上索引的研究。26範圍審查，雖然是最新的，通過使用限製性搜索策略，排除與特定報告相關的研究，限製了他們的搜索廣度。我們的工作將添加到其他範圍審查中，這些審查已經將分類敘述作為數據的一部分;但將提供早期係統綜述的最新概述，並將重點研究由臨床醫生產生的敘述數據的臨床、流行病學和預後價值，這些臨床醫生正在推動將人工智能納入臨床文件的早期階段:急診護士。
方法與分析
搜索策略
該評估將於2022年2月至5月期間進行。我們將通過在線數據庫的結構化搜索和收錄研究的前向引用檢索來識別相關文獻。在醫學圖書館員的協助下，本文將使用受控詞彙(在線補充附錄1)對以下數據庫進行全麵檢索:CINAHL、Ovid MEDLINE、Ovid Embase、Cochrane Library(通過Wiley)和ProQuest Central。由於分類的悠久曆史和在國家標準化之前存在的潛在的不同係統，搜索將僅限於1990年之後發表的研究，比第一個國家認可的分類係統實施早4年。5
納入和排除標準
為了納入本綜述，確定的文獻需要滿足以下所有納入標準:
設置
文獻必須涉及發生在急診科的分診。盡管許多服務機構會進行分診，以確定誰首先需要護理，但我們綜述的重點是在急診科工作的分診護士所產生的敘述。緊急護理可在醫院的急診科、獨立急診科和緊急護理中心進行;可以在許多方麵提到:急診室，緊急護理中心，事故和緊急情況，急診病房和傷員站。31
敘述數據
納入文獻必須評估分診敘述。這些數據不是以分類的方式收集的;它們是敘事的自由形式。這些可以被視為類似於“圖表筆記”。32有很多短語用於此;最常用的術語是“總結”，“敘述”，“自由文本或文本”，“呈現的抱怨”，“綜合征或症狀”或“非結構化的描述”。24
主要人口
因為主要的興趣人群是護士，隻有護士產生的敘述將被包括在內。為了保持最大程度的敏感性，我們將護士定義為“由適當的監管機構授權從事護理工作”的人，33不論他們的注冊頭銜是什麼，例如，注冊護士、執業護士、助產士、精神科護士或實際注冊護士。
研究類型
無論設計如何，搜索中確定的任何同行評審的主要文獻都將被包括在內。僅以摘要形式提供的評論、評論、會議記錄和結果將不包括在內。
語言和全文可用性
隻包括英語文學作品。文學作品將因以下任何原因被排除:
災難專用分類工具
在災難中有許多不同的分類工具。在這種情況下，分診取決於速度，34通常不包括對患者的詳細評估，也不包括對評估的非結構化敘述。因此，他們將被排除在本次審查之外。
護士以外的提供者
還有其他醫療保健提供者可以進行分類，例如，護理人員。雖然不同的醫療保健提供者之間可能存在一些一致性，35 36隻有護士生成的敘述將包括在這一審查，以檢查同質實踐組。
引用和數據管理
通過結構化搜索識別的文獻將被加載到Covidence (Veritas Health Innovation)，在那裏重複的文獻將被刪除並進行篩查。標題、摘要和全文篩查將由兩名審稿人使用Covidence獨立執行，並將以預先演練的篩查表格(在線補充附錄2)．任何關於納入的分歧將通過協商一致解決，如果需要，由第三位研究人員來決定。引用將使用Zotero(數字獎學金公司)進行管理。連續和分類數據將由首席研究員提取到預先構建的在線電子表格和文字處理程序中，並由另一名研究員使用預先引導的提取指南獨立確認(在線補充附錄3)．
數據提取
數據提取將以研究的中心目標為指導。29首先，為了描述研究涉及的人群，我們將提取與進行研究的地點、正在評估的醫院和部門的數量和類型以及正在評估的患者的數量和類型相關的數據。其次，為了確定在感興趣的主題上產生的文獻類型和每個研究使用的方法，我們將提取與目標人群、研究設計和數據提取和假設檢驗技術相關的數據。最後，我們將描述作者報告的進行研究或生成文獻的目的，研究結果或結論的摘要，以及是否遵循了任何報告指南。目的將被定義為研究目標或基本原理，以及作者發現的摘要和報告的結論或建議。因為針對人工智能的報告準則最近才發布，37作者使用的任何報告指南都將被提取。數據抽取將由預先演練的指導文件(在線補充附錄3)，並會以兩種方式出現:分類或連續數據(會被提取到在線電子表格中)和敘述數據(會被提取到文字處理文檔中)(在線補充附錄3)．在數據提取之前，將抽取10項研究樣本進行比較，以評估審稿人之間的一致性，並確定提取工具是否需要修訂。
數據合成
數據綜合的目的是以便於比較和查明文獻中的空白的方式繪製數據圖。29提取的數據將以表格形式呈現，以方便對現有文獻的性質和範圍進行總結和比較，以確定有前途的主題，用於未來旨在綜合研究結果的係統綜述。連續變量(如樣本量)的定量合成將使用範圍和集中趨勢(平均值或中位數)的計數和測量。分類數據，如研究年份和地點、數據來源、數據提取方法和假設檢驗方法將以計數和百分比的形式表示，因為作者報告的進行研究的目的和研究結果的摘要將以敘述的方式表達。雖然可以進行質量評估，30.在界定綜述中包含批判性評價是不典型的，因為主要目的是描繪文獻的性質和特征，而不是對文獻主體的發現提供公正的評估。29 38雖然我們選擇在這篇綜述中提出作者對主要研究的建議，但我們這樣做是為了對該領域迄今為止產生的研究有一個廣泛的認識，並確定未來係統綜述的領域，這將綜合研究結果，並評估綜述中包括的研究的質量。29但是，我們將報告遵循正式報告準則的研究的比例。將使用Cohen 's kappa對試點篩選標準和提取工具以及最終篩選和提取結果進行評估。prismascr標準(在線補充附錄4)，以彙報調查結果。30.
病人與公眾的參與
沒有病人參與。
倫理與傳播
道德
本研究將研究以前發表的學術文獻和公開的灰色文獻，因此不需要倫理批準。
傳播
本範圍審查的結果將以幾種方式呈現:(1)結果將提交給地方和國家學術和急診護理會議。(2)我們將有機會向加拿大分診敏銳度量表和加拿大急診科信息係統國家工作組介紹這次審查的結果。(3)最終稿將提交給開放獲取的同行評審期刊發表。
倫理語句
患者發表同意書
參考文獻
腳注
推特@CtPicard
貢獻者所有作者都對本協議的設計做出了貢獻。CTP、MK和HMO發起了該項目。該方案由CTP起草，由MK, CN, HMO和MJD完善。CTP負責起草稿件。所有作者都對該手稿有貢獻。所有作者都已經閱讀、修改並批準了最終的手稿。
資金作者沒有從任何公共、商業或非營利部門的資助機構宣布對這項研究的具體資助。
相互競爭的利益沒有宣布。
患者和公眾參與患者和/或公眾沒有參與本研究的設計、實施、報告或傳播計劃。
出處和同行評審不是委托;外部同行評審。
補充材料此內容由作者提供。它沒有經過BMJ出版集團有限公司(BMJ)的審查，也可能沒有經過同行評審。討論的任何意見或建議僅是作者的意見或建議，不被BMJ認可。BMJ不承擔因對內容的任何依賴而產生的所有責任和責任。如果內容包括任何翻譯材料，BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南、術語、藥品名稱和藥物劑量)，並且對因翻譯和改編或其他原因引起的任何錯誤和/或遺漏不負責。