EHR 嵌入式决策支持预防 AF 患者中风

C.2.1 具体目标 1 - 评估心房颤动决策支持工具 (AFDST) 与 AFDST 的随机比较有效性研究，并添加最佳实践咨询 (BPA) 和半自动指令集以将患者转诊至 AF 血栓预防 共同决策服务。

研究人员将通过在正确的地点和正确的时间提供适当的决策支持来消除系统障碍，从而提高“适当的血栓预防”的比率，从而提高提供者和患者对 AF 相关中风风险、出血风险、实践差距的认识预防，以及如何平衡抗凝治疗的风险和益处，以及如何提高患者对决策的参与度。

H1 - 与 EHR 嵌入式 AFDST 的当前状态相比，向 EHR 嵌入式 AFDST 添加 BPA（包括半自动订单集以生成 AF 血栓预防共享决策服务）将提高“适当血栓预防”的比率没有 BPA 或共享决策服务。

研究人员将通过使用 RE-AIM 框架对实施研究进行评估，通过进行一项随机对照试验来检验这一假设，该试验在门诊站点实施各自的捆绑包。 (36-41) 结果将包括 - 有效性、影响范围和采用率。

BPA 的触发器 - 新 AF - 开发一种 BPA，只要没有 AF 病史的患者接受 AF 诊断（新发生的 AF，或系统中先前诊断为 AF 的新患者），就会自动触发 BPA。 BPA 将提供与 AFDST 的直接链接，为初始治疗提供实时决策支持。

临床风险因素的变化 - 实施自动化流程来识别 AFDST 建议因风险因素变化而发生变化的情况，从而导致当前治疗不是“最佳”。 持续性 AF 和非最佳血栓预防 - 当临床医生在患者病历中时，实施自动化流程以审查 AFDST 建议。 如果当前疗法不是“最佳”，则生成 BPA。 为了最大程度地减少警报，研究人员将仅针对将从治疗变化中获得显着益处（例如，> 0.5 QALY）的患者生成建议。 根据之前的研究，这可能是最常触发的双酚 A。 临床医生将表明他们是否希望 BPA 再次触发，或抑制该患者未来的警报。

C.2.2 具体目标 2 - 评估共享决策工具和服务的影响。

H2——利用嵌入 EHR 的心房颤动共享决策工具 (AFSDM) 工具的共享决策专业服务将改善许多质量护理指标。 其中包括减少决策冲突、提高患者对决策的满意度、提高患者知识以及提高对最终共享治疗决策的依从性。

研究人员将使用 AF 共享决策服务患者的前/后研究设计来评估这一假设。 结果将包括在就诊之前和结束时完成的决策质量、患者参与以及与临床团队的联系的经过验证的措施。

开发应用程序软件——AFSDM 应用程序将以包容的方式向患者提供有关 AF 相关中风风险、治疗方案及其风险和益处的教育，同时考虑可能过度影响弱势群体的治疗障碍。 AFSDM 将使用患者个人偏好和健康状况价值观，以及患者特定的 EHR 数据来生成建议。

提供共享决策服务——为不习惯自己做出血栓预防决策的临床医生开发 AF 血栓预防共享决策服务。 这些服务将设在 UC Health 抗凝诊所。

促进获得此服务 - 使用 AFDST 确定可能受益于治疗变化的患者（见上文，BPA 的触发因素）并嵌入电子支持以简化转诊过程。

BPA 将为临床医生提供选项，让他们自己直接做出血栓预防决策，或轻松地将患者转诊至适当的 AF 血栓预防共同决策服务。

临床医生可以表明他们是希望共享决策服务做出治疗决定并开出治疗方案，还是仅向转诊临床医生提出建议。

C.3. 目标人群：诊所、临床医生和患者——UC Health 初级保健网络 (PCN) 由位于大辛辛那提和三州地区的 20 家初级保健诊所和 144 名临床医生组成，为 69,000 多名患者提供服务。 实践包括 2 个城市住院医师培训点（内科和医学 - 儿科）、UCMC 内科医学院实践和 Burnet 家庭医学实践，所有这些都为弱势患者群体服务。 所有实践和住院设施都使用 Epic® 作为通用 EHR。 包含卫生系统临床信息的中央数据仓库位于该大学的卫生信息学中心 (CHI)。 UCMC 是一个三级/四级医疗中心，是一个安全网机构，拥有 630 张床位（其中 283 张是成人医疗/手术床位），为辛辛那提大都市区（包括肯塔基州北部和印第安纳州东南部）的弱势患者群体提供服务。 因此，研究人员估计共有 144 名门诊临床医生有资格被随机分配到这项研究中。 研究人员为包括城市居民和农村阿巴拉契亚人在内的不同种族和社会人口统计学的患者群提供服务。 虽然 UC Health AF 队列中黑人患者的总体比例为 32%，但 4 个初级保健实践（3 个 UCMC 医院站点和 1 个社区站点）照顾 711 名 AF 患者，服务的比例高得不成比例（47% - 58%）的黑人患者。 40% 的患者由 Medicaid 或管理的 Medicaid 投保，30% 的患者由 Medicare 或管理的 Medicare 投保； 2% 没有保险。

C.3.1. 门诊研究地点——门诊将在加州大学医学中心医院的初级保健诊所和配备药剂师的抗凝诊所进行。 如上所述，BPA 仅对 AFDST 建议最佳治疗不同于当前治疗的患者开火，这些患者将通过改变当前治疗获得超过 0.5 QALYs 的益处。 如果在之前的门诊就诊时已经触发了警告，调查人员将阻止 BPA 再次触发，除非他们的主要临床医生要求允许再次触发警报。

C.3.2。 估计患者数量——最近从 UC Health EHR 中提取的数据确定了大约 4,700 名活跃患者符合 UC Health 系统中的这些标准。 根据早期研究，在 UC Health AF 队列中，41% 的患者正在接受“非最佳”血栓预防 (1,927)，如果接受“最佳治疗”，其中 49% (944) 可以获得 0.5 个 QALY 或更多” 保守地，研究人员估计在 18 个月的计划入组期间入组 800 名患者（2 个研究组各 400 名）。 此外，在最近一个日历年中，大约有 1,460 名新诊断为 AF 的患者就诊。 在这些患者中，大约 80% 是进入该系统的先前诊断为 AF 的新患者，大约 20% 是新发 AF 的确诊患者。 因此，研究人员预计每年大约有 1,215 名先前诊断为 AF 的患者涌入该系统。 其中，大约 245 (1,215 x .41 x .49) 可能会从他们目前的血栓预防措施的改变中获益良多，如果需要的话，每个研究组可能会增加 122 名患者。 如果研究人员仍然发现他们没有达到患者入组里程碑，他们将把 QALYs 预期增益的 BPA 触发阈值从 0.5 降低到合理但较小的增益。

C.4. 研究设计和方法 C.4.1。 AFDST 的设计——当前版本的 AFDST 是一个外部网络应用程序，通过点击患者 EHR 记录中的活动按钮启动。 由一组 Clarity® 数据表组成的 AF 数据集市每 24 小时维护和刷新一次。 所有符合纳入和排除标准的 UC Health 患者都在数据集市中。 计算中风风险 (CHA2DS2VASc(18))、大出血 (HASBLED(19)) 和脑出血 (29) 所需的信息在使用活动问题列表以及实验室值和临床值的组合提取后包含在数据集市中测量。 这些数据会在工具启动时预填充 AFDST。 研究人员要求临床医生通过添加或删除他们认为不正确的风险因素来验证此信息。 他们还可以改变风险因素以使用该工具来探索替代的临床场景。 中风风险和出血风险（颅外和颅内）通过每种治疗的疗效和相对危害的适当措施进行修正。 计算 HASBLED 评分所需的处于治疗范围内的时间是通过对过去 1 年时间的国际标准化比率值进行插值来确定的，类似于 Rosendaal 等人 (42) 当前抗血栓治疗（口服抗凝剂或抗血小板治疗）的方法从有效药物列表中检索。 治疗效果和并发症（包括大出血和颅内出血）的相对风险由最新文献提供，包括对普通人群和新药物的荟萃分析 (43, 44) 和网络荟萃分析 (45)在老年人中 (46, 47) 以及对文献的系统回顾，鉴于缺乏比较 DOAC 的头对头试验。 (10, 48) 包括避免基于肾功能推荐特定 DOAC 的逻辑，以及酌情提供特定替代剂量建议的决策支持（例如，基于年龄和体重）。

C.4.2。 目标 1 的研究设计细节 - 在研究开始时，研究人员将通过访问 AF 数据存储中的所有初级保健患者，对 UC Health Primary Care 网络中当前的血栓预防实践进行快照。 研究人员估计这将涉及大约 4,700 名患者。 研究人员将对所有这些患者进行 AFDST，并将当前的抗血栓治疗与 AFDST 推荐的治疗进行比较，以确定该队列中接受推荐抗血栓治疗的比例。 这将为我们提供对护理差距的最新估计，以及通过这种干预改善结果的潜力。

当临床医生在 AF 患者的图表中时，AFDST 将在后台运行并确定患者是否会获得超过 0.5 QALYs，如果他们当前的血栓预防发生变化。 根据患者是在常规护理还是主动干预研究组中，将触发隐藏的最佳实践建议或实际的最佳实践建议。 这将自动将患者纳入研究，并且这次访问将被记录为他们的首次访问。

如果出于任何原因，我们无法实施上述计划的全部功能，我们将继续执行以下更手动的替代计划。 在每个周末，我们将在我们的 AF 数据集市中生成一份报告，其中包含我们的一位 GIM 主治医生或 UC Health 初级保健医生进行初级保健访问的所有患者。 我们将为这些患者中的每一位运行 AFDST，看看如果他们目前的血栓预防发生变化，他们是否会获得大于 0.5 QALY 的估计获益。 这些患者将被纳入研究，这次就诊将被记录为他们的首次就诊。 此外，每当任何注册患者到急诊科就诊或在 UCMC 住院时，PI、项目经理和研究护士都会收到 Epic 警报。 我们将使用此警报作为触发器来审查这些患者的图表，以评估任何不良事件 (AE) 的发生。 这些信息将记录在病例报告表中。 具体目标 2 的结果将在研究结束时确定。

C.4.4。 主要结果的样本量计算 - 所有样本量估计都假设双尾 90% 的功效，alpha = .05 显着性检验。 对于 AFDST 组（当前状态），我们假设，根据类似的过去评估，不超过 4% 的“非最佳”治疗患者将转为 AFDST 确定的“适当的血栓预防”。 考虑到 4% 的比率，要在同时接受 BPA 的组中检测到“适当的血栓预防”的 10% 变化率，将需要每组 397 名独立抽样的患者。 另请注意，我们认为对 AFDST 组的 4% 估计是乐观的，因为我们可能会观察到较低的比率，从而降低另一组中可检测到的比率。

C.4.5。 “适当的血栓预防”估计变化的临床意义——鉴于目前美国有 220 万房颤患者，如果研究人员成功证明适当的血栓预防有 10% 的改善，那么广泛实施 AF 决策支持与 BPA 可能会导致改善了 44,000 多名患者的治疗，并使人口增加了 22,000 多个 QALY。 同样，通过增加 AF 共享决策服务可以改善 18% 的治疗，可以改善近 80,000 名患者的治疗，使人口增加近 40,000 个 QALY。

C.4.6. 目标 2 的研究设计细节 - 目标 2 的重点是开发和评估心房颤动共同决策工具 (AFSDM) 和 AF 血栓预防共同决策服务，该服务将使用该工具让转诊患者参与共同决策-讨论 AF 血栓预防治疗方案。 为了实现这些目标，研究人员提出了以下具体步骤：

开发 AFSDM - 在之前描述的 AFSDM 试点/可行性研究中，研究人员使用 Visual Basic® 编写的软件应用程序 Gambler®（由 PI 和过去的研究员于 1992 年开发）评估患者的价值观和偏好，使用标准赌博技术。 (35) 这需要使用现代基于网络的语言重新编程并集成到 AFSDM 中。 AFSDM 整合了以下过程：1) 健康状况的效用评估（主要胃肠道出血，作为主要颅外出血事件的范例，中风伴有轻微和主要的长期神经后遗症，以及服用药物 [华法林] 需要每月或每两个月进行一次医疗检查以检查 INR 和剂量调整）； 2) 对患者和家属进行有关治疗风险和益处的教育； 3) 进行针对患者的决策分析； 4) 实时交流结果。 研究人员将使用标准赌博技术对相关健康状况进行效用评估。 (35) 这是一种经过验证的方法，通常用于在决策分析中评估患者对健康结果的价值观和偏好。 它特别适用于带有风险的选择，因为风险态度被整体纳入使用该技术的效用评估中。 研究人员将开发软件将这些评估计算机化，并将它们与决策支持工具无缝集成。 研究人员将包括供共享决策服务使用的教育材料，以更好地告知患者 AF 相关中风风险、可用治疗以及这些治疗的风险和益处。 此外，研究人员预计，对于许多患者而言，决策分析结果将不支持在各种 DOAC 中提出明确的最佳治疗建议，因为它们具有相似的疗效和风险。 如图 1 中假设患者的报告所示，阿哌沙班达比加群、利伐沙班和依度沙班的质量调整预期寿命彼此相差在 0.1 QALY 以内。 从决策分析的角度来看，它们都是合理的选择。 因此，该患者的最佳选择还需要考虑更细微的考虑因素。 根据调查小组之前的工作评估患者认为在治疗效果和副作用之外的决策中很重要的因素，这些包括 - 自付费用、给药频率（例如每天一次或每天两次）、逆转剂的可用性，需要与食物一起服用，食物-药物或药物-药物相互作用的复杂性，并且需要定期进行血液检查（例如，每月一次或两次检查 INR）。图 2 显示了将提供的定制信息类型，以支持对这些更细微问题的讨论。 尽管上面的标语牌中显示了相关费用，但研究人员计划根据他们的保险计划、承保范围和药房，获取这些代理人的每位患者自付费用的具体信息。

嵌入 AFSDM 的患者教育材料——利用早期计算机化效用评估工具“赌徒”的整体结构和内部逻辑，研究人员将开发新一代工具，利用当前基于网络的客户端-服务器编程进步和多媒体技术。 (49) 在共享决策访问中，将使用 AFSDM 对四种健康状态/临床结果进行效用评估：接受华法林抗凝治疗期间的生活、轻度中风、重度中风和主要胃肠道出血。 研究人员将通过各种用户选择的格式（包括文本和多媒体）提供健康状态描述。 调查人员将使用专业患者或同意拍摄的实际患者为这些健康状态中的每一个拍摄媒体剪辑。 标准情景描述将包括健康状况对其身体表现、生活方式和角色功能的影响。 在之前的患者焦点小组中，患者告诉我们他们更喜欢从与自己相似的种族、性别和相对年龄的患者那里接收信息。 因此，研究人员将开发一个多媒体剪辑库，以便患者自动接收来自相同性别、种族和年龄范围（在限制范围内）的患者的健康状态情景描述和临床信息。 研究人员还将提供额外的、自主的患者教育机会，提供他们可以从家里访问的一系列网站的网络链接，或者他们当地的图书馆，包括 AHA 的 AFib Town 等。

开发和实施 AF 血栓预防共享决策服务——在全国范围内，抗凝诊所（所谓的“香豆素诊所”）正在寻找新的商业模式，因为患者从华法林过渡到 DOAC 治疗。 这些配备药剂师的诊所非常适合让患者参与共同决策。 他们的专业知识还将解决人们对 DOAC 的不当使用和剂量日益增加的担忧。 实施将需要开发可持续的商业模式；抗凝门诊专业人员使用 AFSDM 的教育；向临床医生宣传这些服务的可用性。

C.4.7. 健康差异——为了解决导致抗凝治疗率较低的黑人患者和其他弱势人群的健康差异，该提案在预防和护理连续体的多个点进行干预。 首先，研究人员将在多个实践场所实施干预措施，为医疗保健系统中的弱势群体提供护理。 下一个主要差距与患者特定因素有关。 调查人员将包容并注意黑人患者和其他代表性不足的少数族裔的经济、教育、获取和其他治疗障碍。 例如，研究人员将使用他们使用与患者种族、性别和年龄相匹配的专业患者创建的音频/视频剪辑库来提供他们正在获取患者价值观和偏好的健康状态的描述。 共同决策的讨论还将关注诸如每种药物必须多久进行一次实验室测试等问题。 每月需要去一次或两次诊所，就像开华法林的情况一样，对于坐 3 小时公交车去看医生的人来说可能不可行。 另一个讨论话题是饮食限制。 由于维生素 K 含量高，绿色多叶蔬菜（例如羽衣甘蓝和羽衣甘蓝）可能会干扰华法林的有效性，但不会干扰 DOAC。 自付费用和充足的健康保险的可用性也可能促使决定采用或不采用特定治疗。 注意这些细节将提高针对所有患者群体的干预措施的有效性。

C.4.9. 共享决策咨询对决策冲突影响的样本量计算 - 研究人员将在一项评估他们在共享决策访问中的体验的研究中向转介这些服务的患者提供登记。 以下数字基于 30% 的保守注册率（该组 400 名患者中的 120 名），并显示了调查人员能够检测到的决策冲突的最小点变化，使用前后的配对 t 检验，双尾 alpha = .05， 和 90% 的功率。 在初步研究中，访问前决策冲突的平均得分为 31（100 分制），访问后平均值为 9。平均变化为 22.3（95% CI，17.2 - 27.3），变化的标准差20。 使用这些参数，调查人员可以检测到决策冲突的平均改善小至 6.0 分，略高于最低限度重要的变化 (33)，但远小于初步工作中看到的平均变化 22.3。 所述数字未考虑协变量的影响，协变量会略微增加功效，或聚类的影响会略微降低功效。

C.4.10。 数据分析计划——数据将使用 Microsoft SQL™ 存储在 UC 安全数据中心，并由健康信息学中心管理。 研究人员将根据需要使用唯一编码的患者标识符创建 SAS 数据文件以进行统计分析。 感兴趣的主要结果是“适当的血栓预防”。 研究人员将评估每个研究组中“适当的血栓预防”的总体比率，以及针对每次干预后“非最佳”血栓预防的咨询和共享决策咨询后的变化率。 研究人员意识到，主动干预包括一个捆绑包，其中包括 BPA 和将患者转介到共同决策服务的选项。 研究人员首先将分析两个研究组在“适当的血栓预防”方面的差异，无论医生是否要求会诊。 研究人员将进行探索性分析，比较第一研究组（仅 AFDST）和第二研究组中接受或未接受共同决策咨询的患者之间的“适当血栓预防”，以更好地了解咨询服务的增量收益除了将 BPA 添加到决策支持工具之外。 研究人员意识到这些探索性分析可能没有足够的效力来提供确定的结果。

所有假设都将通过对连续测量（例如决策冲突量表）或比率（例如适当的血栓预防）进行建模来解决，以比较组以及组和/或协变量的影响。 在最简单的情况下，这些可以是 t 检验、独立比例的卡方检验或 McNemar 检验。 添加患者层面的协变量（例如，性别、年龄、种族、健康素养、计算能力、CHA2DS2VASc 和 HASBLED 分数）或医师/实践层面的协变量（例如，门诊或住院护理地点、教职医师、临床医师、医学专业）将使用广义线性模型来完成。 在可能的情况下，研究人员将使用 GEE 方法将提供者和/或诊所的影响视为随机影响或集群。 所有这些模型都可以使用 SAS 过程 GLM、GENMOD、MIXED 和 GLIMMIX 进行估计。 在样本量允许的情况下，研究人员将根据医生/实践因素和患者因素对亚组进行二次分析，类似于上述协变量。 每个测试的 Alpha 将是双尾 0.05，未针对多个测试进行调整。 研究人员将对临床结果（例如中风或出血）进行简单的描述性分析。 然而，研究人员并不认为序贯干预后事件发生率的差异会大到足以证明临床结果存在统计学上的显着差异。

研究人员认识到临床医生的行为对于评估该项目的结果至关重要。 每个临床实践都有自己的文化，在实践发生任何变化之前，干预措施将通过这种文化进行过滤。 博士。 Kues、Arduser 和 Costanzo 将通过对主要执业人员的半结构化访谈和观察，通过各种 EHR 干预评估执业变革的实施情况和医生使用 AFDST 的经验。 访谈将使用定性软件分析程序 Nvivo® 进行录音、编码和分析。 研究人员将通过定性分析解决的研究问题包括临床医生对以下方面的看法：1) AFDST 的易用性和工作流程整合，2) AFDST 在患者护理中的有用性，3) 他们如何或是否使用 AFDST 让患者参与共享决策讨论，4) 为某些患者忽略或绕过 BPA 的原因，以及 5) 改进工具或将其集成到 EHR 和工作流程中的建议。