為降低醫師警示疲勞建構一套警示特徵系統

研究背景：
為了減少錯誤並提高病人的安全，現代化醫療會於電子化醫令系統中導入警示。然而，系統中充斥著大量與臨床無關緊要的警示，最終導致「警示疲勞」的發生，病人風險反而因此提高。根據不同情況判斷個別警示的價值，以降低醫師警示疲勞便成為一個重要課題。
研究目的：
因此，本研究目的在於替電子化醫令系統打造一套警示特徵系統。透過收集主觀與客觀的特徵值，作為判斷警示價值的依據。接著，我們提出兩個降低醫師警示疲勞的方法:警示數量-效益比與情境化警示。警示數量-效益比可識別出系統中有問題與適當的警示。情境化警示則可智能地過濾掉醫師不會觀看的警示。同時，我們將探索醫師接受或拒絕警示的關鍵因素。
研究材料與方法：
本研究以臺灣北部某醫學中心全院門診做為研究對象。客觀資料由軟體工程方法，打造視窗專注偵測程式，收集的特徵包含警示訊息內容、警示停留時間、出現次數等。主觀特徵資料則採用結構化問卷方法，收集醫師對於個別警示的觀點，包含安全性、完整性以及看到的反應。警示數量-效益比，透過結合警示數量與醫師觀點，在四個象限中定義出適當與有問題的警示。情境化警示採用ANN, XGBoost, Random Forest, Decision Tree, Logistic Regression共五種不同機器學習方法來完成。八組特徵(全部、警示、人口、環境、診斷、處方、檢驗、警示+人口)被用做輸入。輸出則使用警示停留時間，搭配自訂義時間窗口(警示停留時間在時間窗口內定義為觸發，以外則定義為不觸發)。藉由改變時間窗口的左閥值(0.3s-4.0s每次向右移動0.1s至2.9s-4.0s)進行敏感度分析，用以找出最佳效能的時間窗口。在此同時，八組特徵也被分別用來建置模型，以確定他們對於停留時間的影響。最後，我們使用科技接受模型，以問卷方法找出醫師接受或拒絕警示的關鍵因素。
結果：
我們的研究完整收集2020-2021年，醫院全院門診的警示發生紀錄共6,603,924筆，其中警示停留時間的峰值為1.0秒。接著我們調查了72位醫師對於系統中前20名常見警示的看法，結果顯示安全性、完整性以及看到的反應，平均得分為2.3、3.1與2.9分。警示數量-效益比成功找出兩個有問題的警示，佔總體發生次數的45%。接著，根據警示數量-效益比，我們使用了19個警示類別，共計813,026條記錄，建構情境化警示。它們皆屬於臨床類型或在系統中適當使用彈出式警示。敏感度分析的結果顯示，當時間窗口在0.3s-4.0s有著最好的效能(AUROC = 0.73, AUPRC = 0.97)。使用警示+人口的特徵組，並搭配XGBoost所建立的模型效能最好(AUROC = 0.73)，最重要的特徵組模型為警示(AUROC = 0.66)與人口(AUROC = 0.62)。而醫師們接受警示的關鍵因素，相較於字體大小、訊息內容、呈現方式等，他們最在意的為警示頻率，並且建議應盡量精簡以降低整體的發生次數。
結論：
我們的研究成功建構一套警示特徵系統，並提出兩種方法:警示數量-效益比與情境化警示，用以改善醫師警示疲勞的情形。警示數量-效益比成功找出兩個有問題的警示類別，它們有著高頻頻率卻無法提供相等的臨床價值。情境化警示可以智能地過濾醫師在特定情況下不會觀看的警示。我們還發現，醫師們其實樂意在臨床決策過程中使用警示，然而過於頻繁地提醒則會適得其反。通過這些方法，我們期待能夠改善醫師警示疲勞的發生情況，從而提高病人的安全性。