di Elektronik Kesehatan
Pendahuluan
Tiga puluh tahun yang lalu, Komaroff [1] memperingatkan bahwa data medis yang dikumpulkan di atas
kertas
catatan didefinisikan dan dikumpulkan dengan tingkat ditandai variabilitas dan
ketidaktepatan. Ia mengklaim bahwa pengambilan riwayat medis, kinerja
Conte nts
4.1Introduction...................................................................................................55
4.2 Konsep Dasar ............................................... ................................. 56
4.2.1 Informasi Arus ............................................ .......................... 56
4.2.2 Apakah Model dan IS? ......................................... ....................... 57
4.2.3 Sifat Informasi Kesehatan .......................................... ....... 60
4.2.4 Memahami Apa Direkam ........................................... ....... 61
4.3 dataQuality..................................................................................................63
4.3.1 Permasalahan dalam Input Data ......................................... ................ 64
4.3.2 Jenis-jenis Kesalahan ............................................ ...................................... 65
4.3.3 Pembersihan data ............................................. ..................................... 69
4.3.4 Nilai Hilang ............................................. ..................................... 70
4.3.5 Nilai Default ............................................. ...................................... 71
4.3.6 Konsep Klinis ............................................. ................................. 71
4.3.7 Protokol Pengumpulan Data ........................................... ................... 75
4.3.8 Tanggal dan Waktu Masalah ........................................... ............................ 77
4.4 Integrasi Isu EHRs ............................................. ............................. 79
4.4.1 Perbedaan Pengguna ............................................ ............................. 83
4.4.2 Rekam dan Event Linkage ........................................... .................... 85
4,5Discussion......................................................................................................87
4,6 Terkait Kerja dan lebih lanjut Bacaan ............................................ .............. 88
Acknowledgments.................................................................................................90
References................................................................................................................90
56 Informasi Discovery Elektronik Kesehatan
pemeriksaan fisik, interpretasi tes laboratorium, bahkan
definisi penyakit, mengejutkan tidak tepat [1]. Satu dekade yang lalu, Hogan dan
Wagner [2] berpendapat bahwa catatan kesehatan elektronik (EHRs) tidak benar
dievaluasi mengenai akurasi data. Beberapa penelitian telah dipublikasikan sementara
menunjukkan bahwa banyak masalah yang ditemukan oleh Komaroff masih bisa
ditemukan hari ini.
Catatan tidak hanya IS tetapi juga sistem komunikasi yang memungkinkan komunikasi
antara profesional kesehatan yang berbeda dan antara masa lalu dan
sekarang [11, 12]. Catatan pasien, pasien, dan bukti-bukti yang dipublikasikan adalah
tiga sumber yang diperlukan untuk praktek berbasis bukti obat [3]. Ta Men
digunakan untuk keputusan klinis langsung (baik oleh penulis atau oleh orang lain),
keputusan klinis di masa depan, peningkatan kualitas, pendidikan, penelitian klinis,
manajemen, dan penggantian, dan bertindak sebagai bukti dalam kasus pengadilan.
Dalam prakteknya, cukup sering pasien yang tidak benar terdaftar atau item data
dapat akurat direkam atau tidak tercatat sama sekali. Kualitas pasien
Data dalam catatan pasien berbasis komputer telah ditemukan untuk menjadi agak rendah
beberapa kesehatan IS [2, 13, 14]. Sebagian besar sumber DQ miskin dapat ditelusuri kembali ke
kesalahan manusia [13, 15] atau desain sistem yang buruk [14]. Selain itu, penilaian
kebenaran data pasien yang dikumpulkan adalah proses yang sulit bahkan ketika kita
akrab dengan sistem bawah yang dikumpulkan [16].
Gambar 4.1 merupakan diagram alir informasi dari pengamatan pasien
untuk penggunaan data oleh peneliti (berdasarkan Hogan dan Wagner [17] dan
Savage [18]). Dalam setiap langkah dari arus informasi (diwakili oleh panah di
angka), adalah mungkin untuk mengalami masalah yang mengakibatkan hilangnya data atau data
salah tafsir. Ini menjadi jelas bahwa ada jalan panjang untuk pergi dari
data pasien yang sebenarnya untuk data yang digunakan oleh peneliti. Perlu ditekankan
bahwa, saat ini, kita hanya tidak memiliki orang-orang yang memasukkan informasi ke dalam
komputer, kami juga memiliki komputer memasukkan data ke satu sama lain [19].
4.2.2 Apakah Model dan IS?
Untuk lebih memahami hubungan antara artefak manusia (misalnya, IS) dan
dunia nyata (misalnya, pelayanan kesehatan) deskripsi langkah-langkah yang diperlukan untuk membuat
artefak manusia disajikan. Langkah-langkah ini menekankan fakta bahwa kualitas
artefak sangat diandalkan pada kualitas dari beberapa model:
1. Buat model dunia nyata dengan siapa artefak yang akan berinteraksi
(misalnya, arus informasi di departemen kebidanan).
2. Buat model artefak (misalnya, Bersatu diagram Modeling Language
menggambarkan perilaku departemen kebidanan IS menjadi
diimplementasikan).
3. Melaksanakan artefak berdasarkan model (misalnya, menerapkan
Kebidanan Rekam Pasien untuk menjadi bagian dari arus informasi dalam
kebidanan departemen).
4. Gunakan artefak diimplementasikan pada dunia nyata (misalnya, gunakan diimplementasikan
Kebidanan Rekam Pasien setiap hari pada tertentu
kebidanan departemen).
Model matematika dan komputasi ada untuk menggambarkan perilaku, yang
adalah, untuk menjelaskan bagaimana sistem atau peristiwa dunia nyata bekerja. Mereka
menyederhanakan atau mengabaikan
beberapa rincian dalam rangka untuk membuat mereka lebih dimengerti. Umumnya, mereka
memungkinkan sistem yang kompleks untuk dipahami dan membuat perilaku mereka diprediksi.
Model dapat disajikan sebagai persamaan, diagram, atau skema. mereka dapat
memberikan gambaran palsu dan prediksi bila digunakan dalam situasi mereka
tidak direncanakan untuk.
IS adalah model dan begitu, mereka salah, yaitu, mereka mengabaikan beberapa rincian
tidak diperlukan untuk tujuan IS. Masalahnya muncul ketika data yang dikumpulkan
oleh IS digunakan untuk tujuan yang berbeda daripada yang itu dirancang
untuk, dan untuk tujuan baru yang mengabaikan rincian memiliki relevansi.
Sebuah model data adalah rencana untuk membangun database. Pemodelan data menghasilkan
deskripsi formal data yang mewakili konsep yang menarik bagi tertentu
domain (orang, tempat, dll), dan menunjukkan bagaimana entitas secara konseptual
terkait satu sama lain. Pemodelan data dalam perawatan kesehatan adalah sulit dan
tugas yang memakan waktu karena luasnya domain, kompleksitas
pengetahuan, dan berbagai peserta, semua dengan sedikit berbeda
pandangan tentang proses [20]. Dalam konteks ini sistem kesehatan,
database harus mengatasi dua persyaratan penting: pengambilan data yang cepat
untuk pasien individu dan kemampuan beradaptasi terhadap kebutuhan informasi yang berubah
lembaga [21]. Ada empat langkah dasar untuk pemodelan data generik untuk
klinis IS: untuk mengembangkan skema rinci data medis, untuk menyaring
konsep dan hubungan yang tidak bervariasi di seluruh catatan pasien, untuk mengubah
skema rinci ke dalam skema generik, dan untuk melaksanakan generik
skema menggunakan sistem manajemen database [20].
Pengantar untuk kesehatan IS dapat ditemukan dalam Bab 2. Ini berfokus pada
Extensible Markup Language (XML) representasi berbasis EHR, yang
adalah representasi masa depan yang paling menjanjikan. Namun, sebagian besar yang ada EHR
sistem masih menggunakan model relasional, yang menyimpan data dalam tabel, dengan baris
dan kolom (kolom juga disebut atribut). Meskipun beberapa bagian
diskusi kita mengasumsikan model relasional untuk EHR, prinsip yang sama juga
mengajukan representasi EHR berbasis XML.
Pelajaran penting lainnya adalah bahwa sulit untuk mengusulkan data yang harus
terstruktur dan yang istilah harus ditawarkan untuk entri data, sebelum mengetahui
tujuan yang datanya akan digunakan. Dalam studi prospektif, penelitian
dirancang sebelum data dikumpulkan, sedangkan penelitian retrospektif mengandalkan
pada data yang telah dikumpulkan untuk tujuan yang berbeda. Tabel 4.1 menyajikan beberapa
perbedaan antara studi retrospektif dan prospektif: (1) waktu
ketika arti dari setiap bidang data diketahui peneliti, (2) keberadaan
protokol penelitian untuk pengumpulan data, (3) kontrol pada jenis
pengguna, dan (4) tujuan untuk pengumpulan data. Penelitian klinis akan sering
memerlukan data yang memiliki rincian yang tinggi dan dicatat seragam, yang
tidak akan selalu sesuai dengan format di mana data dicatat untuk
perawatan pasien. Kelengkapan, akurasi, dan diperlukan keseragaman data, oleh karena itu,
tetap fungsi penggunaan data. Namun demikian, kita harus menyimpulkan
bahwa data penataan narasi tidak per se menjamin ketelitian sebuah
banyak data yang digunakan dalam pengobatan yang numerik. Ini termasuk tanda-tanda vital seperti
karena suhu atau tekanan darah, tes laboratorium hasil, dan beberapa pengukuran
diambil selama pemeriksaan fisik. Jenis data lebih mudah
untuk merumuskan dan beberapa dapat diperoleh dan disimpan secara otomatis. Akan Tetapi,
ketika data numerik ditafsirkan, masalah presisi dan validitas
menjadi penting. Dalam beberapa bidang kedokteran, terutama intensif
perawatan pengobatan, data diperoleh dalam bentuk sinyal kontinyu seperti
elektrokardiogram atau gelombang pulse oximetry. Ketika data tersebut disimpan dalam
catatan medis, yang melacak grafis sering disertakan. Bagaimana jenis
Data paling berhasil dalam penyimpanan komputer dan sistem keputusan klinis adalah
tantangan penting.
Gambar visual, diperoleh dari mesin atau ditarik oleh profesional kesehatan
untuk mencari kelainan atau menggambarkan prosedur, merupakan jenis penting
data. Gambar radiologi dapat disimpan dalam catatan pasien elektronik menggunakan
diformalkan mengompresi protokol. Kemungkinan untuk memperoleh dan menyimpan
gambar sketsa merupakan tantangan penting dalam pengembangan elektronik
catatan pasien karena heterogenitas dan kurangnya standarisasi.
Praktek medis medis pengambilan keputusan [24]. Informasi yang ada untuk
keputusan dukungan dan tindakan seperti prosedur; jika gagal untuk melakukan hal ini,
menjadi suara yang tidak relevan. Proses diagnosis adalah probabilistik klinis
penalaran berdasarkan tiga jenis informasi: data pasien, medis
pengetahuan, dan "direktori" informasi (misalnya, kamar bedah yang tersedia di
rumah sakit) [25]. Ini adalah mengapa diagnosis dan konsekuen klinis
Keputusan merupakan dinamika pasti dan proses evolutif. meskipun ini
jenis informasi dapat dikodekan dan terstruktur, penyimpanan pada pasien
Rekor bisa sulit untuk memformalkan karena ketidakpastian ini, keberadaan
lebih dari satu hipotesis diagnosis, dan evolusi-waktu terkait dari
diagnosis akhir. Prosedur klinis lebih mudah untuk meresmikan dan biasanya
diwakili dengan kode.
Secara umum, informasi kesehatan dapat dibagi menjadi kelompok-kelompok yang berbeda. untuk
masing-masing kelompok, adalah mungkin untuk mengasosiasikan sebuah metode yang biasa untuk
mendapatkan data tersebut
dan juga kesulitan formalisasi. Tabel 4.2 merangkum beberapa
karakteristik kelompok-kelompok ini.
Dalam rangka untuk benar menginterpretasikan data EHR, sangat penting untuk
peneliti untuk memahami bagaimana EHR IS karya, yaitu, perangkat lunak, perangkat keras,
orang, dan proses. Dengan demikian, para peneliti menggunakan data EHR harus
memiliki akses ke dokumentasi yang menggambarkan model basis data, bentuk pengguna,
perangkat yang digunakan dalam pengumpulan data, deskripsi pengguna, dan protokol
digunakan dalam pengumpulan data.
Selain itu, untuk aman menginterpretasikan data kesehatan dari sistem heterogen
untuk penelitian digunakan, penting untuk dapat berbagi dan berkomunikasi
artinya data. Karena jumlah yang berpotensi sangat besar data dan perlu
penalaran data, sangat penting bahwa semantik data yang
komputer-
ditafsirkan. Kekhawatiran semantik seperti umumnya dapat dibagi
ke nilai data, struktur data, dan semantik terminologi yang berhubungan.
Untuk meningkatkan akurasi data, EHR harus memungkinkan asosiasi kehandalan
mengukur beberapa data (misalnya, "influenza Tersangka"). beberapa penulis
bahkan telah mengusulkan bahwa terkait dengan setiap nilai dalam database, ada
harus menjadi nilai kedua menggambarkan keandalan nilai [27].
Kategori yang diusulkan baik, sedang, miskin, tidak diketahui, dan tidak
yang berlaku.
4.3 Kualitas Data
Dengan perkembangan teknologi informatika, database medis cenderung
lebih dapat diandalkan. Namun, isu-isu mengenai DQ telah menjadi lebih relevan
dari sebelumnya sebagai pemanfaatan database ini meningkat baik dalam besarnya
dan pentingnya. DQ adalah relatif terhadap masing-masing tujuan dan dapat didefinisikan sebagai
"Kesesuaian untuk digunakan," yaitu, data dapat dianggap kualitas yang tepat untuk
satu tujuan tetapi mereka mungkin tidak memegang kualitas yang cukup untuk situasi lain
[28]. Hal ini terutama berlaku dalam database medis; database medis dapat
kualitas untuk analisis ekonomi tetapi mungkin kualitas cukup untuk klinis
studi.
Untuk data yang memiliki kualitas, Wyatt dan Liu [29] menyatakan bahwa mereka harus
akurat, lengkap, relevan, tepat waktu, cukup rinci, tepat
diwakili (misalnya, secara konsisten kode menggunakan sistem pengkodean klinis), dan
harus menyimpan informasi kontekstual yang cukup untuk mendukung pengambilan keputusan.
Penulis lain mempertimbangkan empat dimensi DQ [28]: akurasi, sebagai tingkat
kebenaran dan ketepatan dengan mana data dunia nyata yang diwakili;
kelengkapan, seperti sejauh mana semua data yang relevan dicatat; konsistensi,
sebagai sejauh mana data yang memenuhi kendala tertentu dan bisnis
aturan main; dan ketepatan waktu, sebagai sejauh mana data yang direkam up-todate
[30, 31].
Dalam perspektif lain, adalah mungkin untuk menganalisis DQ mengenai tiga
Peran tentang data: produksi, kustodian, dan konsumen. Produsen Data orang-orang yang menghasilkan
data (misalnya, medis, keperawatan, atau staf administrasi); data
kustodian
adalah mereka yang menyediakan dan mengelola sumber daya komputasi untuk menyimpan
dan pengolahan data (misalnya, administrator database dan ilmuwan komputer);
dan konsumen data mereka yang menggunakan data dalam perawatan medis (misalnya,
dokter, peneliti, dan manajer) [32, 33].
Kode khusus untuk influenza (487,0, 487,1, dan 487,8) yang dapat dengan mudah diambil
dari catatan rumah sakit. Meskipun ada memiliki beberapa usaha yang sukses
dalam penggunaan kode ini [58], kodifikasi spesifik ini tidak seragam
dilakukan di rumah sakit yang berbeda. Bahkan, dengan menggunakan rawat inap nasional sebelumnya
database, kita dapat menemukan perbedaan besar dalam rumah sakit perawatan akut yang berbeda
(lihat Gambar 4.3). Persentase kasus dengan rentang influenza dari
1,77% sampai 0,00% dari semua rawat inap di rumah sakit Portugis. Besar kemungkinan
bahwa sebagian besar diagnosis influenza tidak diperkenalkan.
Stroke coding studi kasus protokol iskemik. Data debit ICD-9-CM juga telah
digunakan untuk mengidentifikasi pasien stroke untuk epidemiologi, kualitas pelayanan,
dan studi biaya [59]. Namun demikian, selama bertahun-tahun stroke iskemik (a buruk
jenis didefinisikan stroke) tidak memiliki langsung masuk dalam abjad ICD-9-CM
indeks. Di Portugal, karena penafsiran yang salah dari seorang pejabat
entitas, stroke iskemik awalnya dikodekan dengan 437,1 (iskemik umum lainnya
otak-vascular penyakit), bukan yang benar 436 kode (akut tetapi illdefined
Penyakit otak-vaskular). Pada bulan Oktober 2004, Para Pihak Bekerjasama
dan Editorial Dewan Penasehat untuk Coding Clinic untuk ICD-9-CM menjelaskan
situasi ini dan memodifikasi sistem klasifikasi, menunjukkan
Kode 434,91 (oklusi arteri serebral ditentukan dengan infark serebral)
sebagai yang benar untuk stroke iskemik. Setelah jangka waktu 2 sampai 3 tahun (waktu
diperlukan untuk pesan untuk mencapai semua coders medis di Portugal, karena
penggunaan versi ICD-9-CM tidak up-to-date atau seragam), stroke iskemik
coding mulai secara umum, dan benar, diklasifikasikan dengan 434,91. seperti ditunjukkan
pada Gambar 4.4, perubahan dalam protokol untuk pengkodean stroke iskemik jelas
dipengaruhi ICD-9-CM data debit: ada pengurangan yang jelas selama bertahun-tahun di
episode dikodekan sebagai 436 (stroke tidak ditentukan) dan peningkatan simultan di
434,91 (penyakit otak-vaskular, termasuk stroke iskemik).
Leukemia kejadian penurunan sulit untuk menjelaskan. Gambar 4.5 menunjukkan insiden
(jumlah kasus baru dalam kurun waktu tertentu) tahun untuk leukemia
dihitung dengan menggunakan database dari rumah sakit nasional yang sama. dokter spesialis
tidak menemukan alasan medis untuk penurunan tersebut antara tahun 1999
dan 2001 (1183 to 770 kasus). Di sisi lain, coding spesialis menyarankan
bahwa mungkin modifikasi kebijakan coding bisa menjadi penyebab ini tiba-tiba
mengalami penurunan.
Representasi jelas dan konsisten adalah dasar data
menggunakan kembali. Sistem yang dikembangkan secara lokal sering gagal untuk memenuhi
persyaratan ini. di sana
adalah metode untuk disambiguate representasi konsep [60]:
Top-down pendekatan-identifikasi konsep-konsep kunci dari sebuah domain, yang
kemudian diatur dalam struktur; maka konsep rinci diisi
ke dalam struktur.
Pendekatan bottom-up-koleksi semua konsep yang rinci, yang
kemudian disusun dalam suatu struktur hirarkis.
Dalam sebuah penelitian tahun 2008, Hyeoneui et al. [50] menunjukkan bagaimana metode ini dapat
diterapkan dalam skenario real-kasus. Lembar aliran keperawatan ICU dikembangkan secara lokal
dipelajari dengan tujuan untuk penggalian model konseptual yang ada di
AKU S. Meskipun proses padat karya, metode disambiguasi terbukti
menjadi layak dalam menjelaskan berbagai representasi data ambigu di lokal
ICU lembar aliran keperawatan.
Diagram belom
kantor dokter atau di belakang ambulans); bagaimana itu diukur; pada saat
itu diukur (waktu dan hari); dan yang mengambil pengukuran.
Banyak pertanyaan mungkin timbul tentang protokol pengumpulan data:
Haruskah hanya menyimpan data pada tekanan darah atau harus protokol
juga digunakan untuk mengumpulkan itu?
Adalah nilai-nilai dimengerti tanpa protokol?
Bisa dua suhu, yang diukur di lokasi yang berbeda, mewakili
variabel yang sama?
Bisa dua suhu, diukur dengan perangkat yang berbeda, mewakili
variabel yang sama?
Savage [18] mengusulkan bahwa metode akuisisi berikut harus
dijelaskan dalam rangka untuk lebih memahami data:
praktek Bisnis
Metode pengukuran, pengamatan, dan penilaian
praktek Pencatatan
Kendala dan aturan yang diterapkan
Perubahan dalam metode dari waktu ke waktu
Dalam standar openEHR [61], perhatian khusus diberikan kepada cara-terkait kesehatan
Data diukur, sehingga semua kelas PERAWATAN ENTRY di openEHR EHR
Reference Model memiliki bagian protokol. Ini termasuk OBSERVATION tersebut,
EVALUASI, ACTION, dan INSTRUKSI kelas. Bagian Protokol
ditambahkan di awal desain openEHR berdasarkan penelitian pada saat itu
menunjukkan bahwa komputerisasi berarti bahwa banyak rincian bisa ditambahkan ke
dokumentasi yang bisa berguna di masa depan. bagian ini
digunakan untuk merekam informasi yang tidak penting, tetapi mungkin menambah nilai, dengan
interpretasi pengukuran. Ini sering kali berisi informasi tentang
cara di mana sesuatu yang diukur, seperti perangkat atau lokasi
pengukuran (ketika nilai pengukuran yang diterapkan pada tubuh seperti
suhu).
Contoh ilustrasi yang berbeda menunjukkan bagaimana perbedaan protokol memiliki
dampak penting pada interpretasi data. Di Portugal, LOS dihitung dengan
mengurangkan tanggal masuk dari tanggal debit. Sama-hari tetap adalah
akibatnya dikodekan sebagai 0. hari Cuti tidak dikurangi. bahkan mempertimbangkan
masuk dan waktu debit, proses perhitungan LOS tidak selalu
beberapa di antara rumah sakit yang berbeda di seluruh negeri. Untuk sama-hari
tetap kita, menemukan, dalam beberapa kasus, LOS dengan nilai 0 dan, dalam kasus lain, dengan
nilai 1. administrasi / aplikasi klinis nasional lainnya tidak menggunakan
definisi standar dan termasuk hari cuti. Akibatnya, sebuah episode di mana
pasien meninggalkan hari setelah masuk diberikan 2 hari untuk LOS.
4.3.8 Tanggal dan Isu Waktu
Salah satu bagian penting dari informasi mengenai kegiatan klinis saat ini
ketika mereka terjadi. Dalam banyak situasi, keakuratan data waktu memiliki
konsekuensi medis, medikolegal, dan penelitian yang mendalam (misalnya, kelahiran anak,
kematian, operasi, anestesi, atau resusitasi). Mengenai data mining, yang
Analisis data waktu memungkinkan pengguna menetapkan urutan peristiwa dan waktu
selang antara setiap peristiwa, dan dengan demikian memungkinkan hubungan peristiwa ketika
mengintegrasikan
database yang berbeda atau melakukan penambangan proses data log.
Salah satu masalah berasal dari kenyataan bahwa ada beberapa tidak sinkron
mekanisme yang digunakan untuk memberitahu waktu. Ada pepatah lama, "Seorang pria
dengan menonton tahu apa waktu itu. Seorang pria dengan dua jam tangan tidak pernah yakin. "
Selama resusitasi, beberapa timepieces yang digunakan, dan banyak peristiwa terjadi
dalam waktu singkat. Ketidakakuratan membuat tidak mungkin untuk secara akurat merekonstruksi
urutan peristiwa, yang meningkatkan risiko kewajiban dalam hal terjadi
gugatan [62]. Badan standar bidang informatika medis sudah
solusi yang diusulkan, seperti Konsisten Waktu Integrasi Profil, meskipun
mereka terutama ditujukan untuk menyinkronkan log, otentikasi pengguna, dan digital
menandatangani dokumen.
Kelahiran per studi kasus menit. Masalah lain terkait dengan orang-orang pembulatan
dari menit (atau detik) dari peristiwa klinis. Untuk menguji premis ini,
penulis bab ini telah mengukur frekuensi kelahiran dikelompokkan berdasarkan
menit kelahiran (0-59) di sebuah rumah sakit Portugis pusat. database
digunakan memiliki lebih dari 10.000 kelahiran terdaftar. Beberapa frekuensi dihitung
adalah sebagai berikut: 9.15% selama 0 menit, 4,94% selama 30 menit, 1,8% selama 12 menit,
dan 0,44% untuk 51 menit (lihat Gambar 4.6). Top 12 menit yang paling sering
semua kelipatan 5. Grafik jelas menunjukkan profesional kesehatan
kecenderungan untuk menit masukan yang dalam kelipatan 5. Hari ini, tampaknya perawat
figure 4.6
dengan kedua jam komputer dan jam dinding tidak pernah yakin apa waktu kelahiran
benar-benar terjadi. Selama beberapa tahun sekarang, perawat di Perinatal Diskusi
Daftar mempertanyakan dilema terlalu banyak jam ("Apakah Anda dokumen
waktu dari jam dinding, monitor janin elektronik atau komputerisasi
medis catatan jam workstation? "" Bagaimana jika waktu yang berbeda-beda? "
"Di mana Anda mendapatkan waktu standar?") [63].
Sebuah studi yang berbeda menunjukkan bahwa 93% dari kasus serangan jantung akan berisi
Kesalahan dokumentasi 2 menit (mungkin karena pembulatan) atau lebih
dan bahwa 41% dari kasus akan berisi kesalahan dokumentasi dari 5 menit atau
lebih [64]. Nilai ini menegaskan variasi pengaturan arloji kritis
sistem perawatan darurat perkotaan.
Kaye et al. [65] berpendapat bahwa kemampuan untuk menggunakan interval waktu untuk
mengevaluasi resusitasi
praktek di rumah sakit terganggu dengan ada waktu yang hilang
Data, Utstein interval proses standar emas dihitung negatif, tidak mungkin
interval 0 menit dari pengakuan penangkapan untuk Meningkatkan intervensi Life Support
di unit dengan penyedia cardiopulmonary resuscitation saja, penggunaan
beberapa timepieces untuk waktu perekaman data selama acara yang sama, dan lebar
variasi dalam koherensi dan presisi timepieces [65]. Untuk mendeteksi masalah tersebut,
peneliti harus mencoba untuk
Memahami protokol / kebijakan yang digunakan oleh pengguna EHR untuk merekam waktu.
Cari tahu bagaimana timepieces yang berbeda disinkronisasi.
Periksa apakah perangkat dan server sama dikonfigurasi tentang
zona waktu dan daylight saving time.
Buat algoritma untuk menguji keakuratan data (misalnya, distribusi menit
kelahiran harus skor). Hal 78