结束诊断的阴影：解决诊断中的能力歧视问题 (EDO)

目标 1：识别并加深对诊断掩盖机制的理解。

对 3-89 岁（有或没有特定残疾）患者的 CPT 代码使用情况进行基线审计。

假设是，有特定残疾的人和没有特定残疾的人之间 CPT E/M 代码的使用存在统计差异。

2) 研究人员还将对具有较低和较高 CPT E/M 代码的残疾人进行手动图表审查，涉及人口特征：年龄增量、性别、种族/民族、城市/农村、共病、残疾类型、保险类型和严重程度疾病[与现场相关]），以及利益相关者建议的以下 10 个问题：涉及的护理人员、其他机构的转诊/转介、口头、共病数量和类型、任何被拒绝的测试、以前因同一问题而就诊/入院的病史、持续使用医疗设备、在就诊和入院期间使用化学或物理约束、外伤史和负面描述符（医疗记录中使用黑人患者与白人患者比值比更高的 15 个术语）。

假设将开发出可用于开发模拟追踪器以及参与式规划和决策过程的信息，以识别可能掩盖诊断的主题。

3）根据发现的CPT E/M代码使用基线审计和后续图表审查的差异，调查人员将与工作人员进行有针对性的访谈，然后与利益相关者进行跟进，以开发联合委员会式的个人模拟追踪器对上述特定残疾人群体的护理，并开发护理追踪系统，重点评估围绕诊断掩盖的系统，包括创伤知情护理。

假设是，在对特定残疾人群体的护理和护理追踪系统之后，将开发出足够的信息来开发模拟追踪器。

目标 2：共同制定一个超越 DO 的诊断主题框架，以开发算法来识别具有 DO 风险的特定残疾患者。然后共同制作 DO、EHR 提示、警报和与算法相关的决策支持教育案例研究以及 EHR 材料教育。

假设将开发出可用于开发算法的算法，用于从具有 DO 风险的特定人群中识别 PWD，如 CPT E/M 代码使用所证明的那样，而 DE 作为诊断评估时间的证据。

目标 3：评估实施算法后的变化，以确定具有 DO 风险的特定残疾患者。

假设特定人群中 PWD 的 CPT E/M 代码使用情况将出现统计变化。

数据评估。 CPT 代码由美国医学会制定，并进行定期修订和持续维护。 CPT 代码是提供商记录其服务的通用方式，为医疗保健提供者（包括医生、执业护士、医师助理和其他专业人员）提供计费和报销所需的标准化报告。 系统提供以下问题的数字代码： 1. 服务地点（例如急诊科、住院部、门诊部、预防性服务）； 2. 提供的服务； 3. 临床信息收集和决策的复杂性，以及 4) 花费的时间。 每个设置都有一组特定的 CPT E/M 代码，范围从决策制定的最低时间和复杂性到决策制定的最高时间和复杂性。

对于被确定为一般人群中诊断错误发生率高的诊断以及被确定为儿童中诊断错误有问题的诊断，将计算具有特定残疾的患者群体中的发生率。 将使用数据库中的主要或次要 ICD 10 诊断代码计算以下发病率：主动脉瘤和夹层、动脉血栓栓塞、静脉血栓栓塞、充血性心力衰竭、中风、心肌梗塞、脊髓脓肿、脑膜炎和脑炎、心内膜炎、脓毒症、肺炎、肺癌、黑色素瘤、结直肠癌、乳腺癌、前列腺癌。

重点关注儿科：动脉缺血性中风、阑尾炎、哮喘、视网膜母细胞瘤、脑肿瘤、多动脉炎、先天性心脏病、杜兴氏肌营养不良症、炎症性肠病、硬皮病。

有关诊断的人口统计信息将为后续流程提供背景。

质量保证 联合委员会开发了模拟追踪器，用于准备认证访问以及持续的质量保证和专业发展工作。 模拟追踪器提供有关患者体验、护理质量、医疗保健流程和产品以及需要改进的领域的信息；除了审查患者图表和表格外，追踪人员还包括一对一和小组访谈。 对于该项目，问题将围绕患者评估和管理的流程和注意事项。 预计根据答案进行更深入的询问。

EHR提示和警报诊断过程的各个阶段需要不同的临床决策支持；此外，不常见的情况需要特定的支持。 通过标准医嘱集、警报和提醒以及其他诊断支持方式（例如网站），临床医生可以更轻松地获取指南。

算法。 算法用于解决诊断错误，例如识别有延迟测试结果风险的患者；胸部影像学检查甲状腺功能减退症的随访延迟，以及与腹痛相关的延迟/漏诊。 在一项随机临床试验中，使用算法前瞻性地识别肺癌、结直肠癌或前列腺癌延迟/漏诊高风险的患者。 与对照组相比，干预组的结直肠癌和前列腺癌的诊断评估时间显着缩短，但肺癌的诊断评估时间没有显着缩短。

医疗保健项目的共同制作 让受影响的人共同制作影响他们的服务被认为是医疗保健领域的道德问题，超越了知识与项目开发人员和用户之间的传统二分法。 联合制作涉及从流程一开始就在知识和项目的制作和使用中建立来自受影响群体的人员的协作（图 1）。 受研究和项目规划结果影响的残疾人的参与往往仅限于在关键决策做出后提供意见，而不是在整个过程中提供意见。 然而，开始让 IDD 患者参与共同制作行为健康项目表明社交网络和参与信心的改善。 此外，联合制作还被用于开发医疗质量改进框架。 在联合制作中，研究人员将与相关利益相关者合作，减少算法和其他材料开发中的偏见。

参与式规划和决策（PPDM）。 PPDM 是一个基于参与性行动研究原理的模型构建过程。 它旨在让团体对多种选择做出判断，并权衡每种选择对感兴趣结果的重要性。 该过程首先要求参与者识别或确认对所研究现象做出贡献的广泛领域/主题和子领域/子主题。 在识别主题和副主题之后，为每个主题分配重要性权重，然后导出比例重要性权重。 PPDM 流程有八个基本阶段，从有关初始主题的预调查到向参与者展示、主题会议以及向参与者展示最终主题模型。 根据不同群体和社区成员的广泛意见，明尼苏达大学社区融合研究所的工作人员成功地利用这一过程制定了自决和医疗保健协调的概念框架，并完善了国家质量论坛的家庭和社区-基于服务成果衡量框架。 这些努力产生了具有高内容、并发和预测有效性的框架。 PPDM 模型和流程的使用使得在制定有针对性的教育计划和 EHR 决策支持时能够听到不同群体的声音，确保材料满足多个群体的需求。 在共同生产算法作为质量保证和前瞻性使用的回顾性审查手段来识别面临诊断掩盖/诊断错误风险的残疾患者时，PPDM 过程预计将有助于解决材料中的偏差。

研究终点：

主要 与第 1 年相比，在第 5 年，将评估 CPT E/M 代码在五个已确定的残疾人群体（定量）中的使用情况，以了解实施算法后的变化，以识别有 DO 风险的残疾人以及 EHR 决策支持以及针对特定问题的提示/警报。 预计统计数据会发生变化。

教育计划将通过 1) 使用前和事后知识检查以及 2) 有关特定 EHR 决策支持使用的描述性数据进行评估。 知识方面预计会发生统计变化。

计划对 2-3 个尚未确定的问题进行事前诊断评估，以解决延迟/漏诊的问题。 诊断评估的时间预计会减少。

次要 对于定量测量（CPT E/M 代码使用分析、知识检查、使用 EHR 决策支持和提示/警报的描述性数据），ANCOVA 将用于使用预测试测量来探究交互效应：年龄增量、性别、种族/民族、城市/农村、共病、残疾类型、保险类型和疾病严重程度[与地点相关]），以及利益相关者建议的 10 个问题（单独或复合）作为协变量并评估岗位变化-测试结果。 交互作用是可预期的。

最终模拟追踪将在第 4 年末和第 5 年进行。追踪笔记将使用定性分析与干预前的笔记进行比较。 变化将为量化指标的任何变化提供背景。

框架 社会变革的集体影响模型是该项目的组织框架。 多个受影响群体都对诊断掩盖问题产生了影响。 之前开发算法来识别诊断错误高风险患者的努力并没有具体解决影响残疾患者的诊断掩盖问题，也没有解决交叉性问题。 集体影响模型以前尚未用于解决诊断掩盖或诊断错误的总体问题。 必须满足以下五个原则，以促进多个受影响群体对集体影响项目的组织和规划： 1) 实现共同议程； 2）确保持续沟通； 3）确定共享的测量策略； 4) 采用相辅相成的活动来提供计划和服务，以实现集体影响力的预期成果； 5) 聘请专职人员作为骨干支持。 合作需要注意引入所有受影响群体的经验和声音。

使用集体影响模型构建组织结构 在前六个月，研究团队成员将每月至少开会一次，以巩固团队、雇用新员工并创建基于集体影响模型的结构。 将组织一个跨部门伙伴关系指导委员会、跨残疾人倡导咨询委员会和三个联盟行动网络（沟通、测量、教育）。 指导委员会和跨残疾倡导委员会将全面负责制定共同议程（集体影响原则 1）。 将通过持续的沟通来开发提高对诊断掩盖的理解和识别潜在机制的实践。 沟通行动网络将承担责任（集体影响原则 2）。 衡量行动网络将负责第 5 年的持续评估和最终评估（集体影响宗旨 3）。 教育行动网络将负责促进有针对性的教育计划和 EHR 决策支持的制定，以减轻诊断的影响（集体影响原则 4）。 发达的基础设施将促进相辅相成的活动，鼓励项目跨学科合作伙伴分享观点和最佳实践。 专门的骨干人员将协助项目所需的管理、规划和后勤工作，从而促进实现项目目标和成果的过程。 RUSH大学是牵头机构，每个联盟伙伴都有特定的责任。 （集体影响原则 5）。

设计目标 1：识别并加深对诊断掩盖机制的理解。

简介：三个非盈利医疗中心系统将建立合作伙伴关系，重点关注改善健康公平。 RUSH 大学健康系统及其附属 RUSH 大学医疗中心、RUSH 橡树园医院和 RUSH 科普利医疗中心；罗彻斯特地区卫生局和附属罗彻斯特总医院；和伊利县医疗中心 (ECMC)。 这些将是通过 CPT 代码数据对诊断掩盖进行事前分析、实施模拟追踪器，然后实施有针对性的教育计划和 EHR 决策支持的站点。 将获得三个机构之间的数据使用协议。

数据收集将分三个步骤。 首先，调查人员将检索并审核/分析因特定残疾（患有严重行动障碍的残疾人、心理健康问题、严重视力障碍/失明、严重听力损失/耳聋和IDD）与不存在指定的残疾。 患者 CPT E/M 代码数据将来自 RUSH 大学医疗中心、RUSH Oak Park 医院、RUSH 科普利医院、罗切斯特总医院、伊利县医疗中心和相关门诊诊所。 研究人员将检索并分析来自急诊室的 CPT E/M 代码（代码 99281-99285）、来自住院服务的 CPT E/M 代码（99221-99223、99231-99233、99238-99239）、来自门诊的 CPT E/M 代码拜访新患者 (99202-99205)、已确诊患者 (99211-99215) 以及预防性护理 (99384-99387)，以确定使用方面的潜在差异。 2023 年对 E/M 代码进行了更改，预计可以减轻负担。 将检索2023年1月1日至2024年6月30日期间的数据。 CPT E/M 代码将用作临床信息收集和决策复杂性中诊断掩盖的代理； E/M 是诊断过程中可能发生错误的阶段。 。 将使用定量方法评估 CPT E/M 代码数据。 数据将使用可变范围检查和跳过规则进行编程，并以自动方式导出到 SPSS 中。 根据经验，将通过3-89岁患者特定残疾二级诊断代码综合清单来识别特定残疾患者。 数据将按年龄分为 5 岁组，3-5 岁组除外。 将检查所有变量是否有错误值。 将计算所有项目（CPT E/M 代码）的描述性统计数据，并检查非正态性和异常值的分布。 将报告所有措施的描述性统计数据。 对于每种类型的访问，研究人员将首先使用成对 Fisher 精确检验，对按残疾状况分类的每个 CPT E/M 代码的总体比例进行比较，并对病例频率、年龄增量、性别、种族/民族、城市/农村、合并症、残疾类型、保险类型和疾病严重程度[与地点相关]）。 将评估数据是否可以分解为评估和管理代码的较高级别和较低级别复杂性的值。 如果是这样，将使用 CPT 评估和管理规范的较高水平和较低复杂性的结果进行二元逻辑回归分析，并解决种族、民族、性别、年龄范围、残疾类型、保险状况、疾病严重程度的影响和 10 个图表复习问题（之前已描述过）。 否则，研究人员将对 CPT E/M 代码的结果使用序数回归分析（使用所有复杂程度）。 将进行针对具体地点的分析（即 急诊室、住院病人、门诊病人、预防性护理）以及使用集群稳健标准误来解释站点的组合模型。

将对每个设置（急诊科、住院病人、门诊病人、预防性护理）进行二元（或序数）回归分析，因变量是 E/M 代码（单独或分为较低和较高复杂性代码）。 自变量将是年龄增量、性别、种族/民族、城市/农村、合并症、残疾类型、保险类型和疾病严重程度[与地点相关]的人口统计数据，以及上面列出的 10 个图表审查问题。 将评估变量负荷，以用于开发针对具有诊断掩盖风险的特定群体的 PWD 的算法。

其次，根据 CPT E/M 代码分析发现的差异，将进行有针对性的回顾性手动图表审查，以改进对诊断掩盖的潜在机制的识别。 在与三个医疗中心相关的每个合作机构 (5)，将审查至少 5 个来自五个特定残疾人群体（见上一段）的患者的图表，并从中收集数据（每个残疾人群体 25 个）。五个机构和相关门诊诊所 - 总共 125 个）。

将审查图表中是否存在可能提供对诊断掩盖的洞察的问题。 在与工作人员的讨论中，建议探索包括上述先前工作中列出的相同问题。 对以上十个问题进行记录。 将使用归纳主题分析来评估笔记的主题。 该团队将每周开会讨论主题。 如果在图表审查期间确定了其他问题，则将提交 IRB 修正案以评估其他问题。

在图表审查之后，将在确定的区域对工作人员进行访谈，以探讨对可能存在差异的原因的看法，预计在轮班“挤在一起”期间可以在五个站点中的每个站点进行至少五次深入访谈和多次简短访谈”和员工会议。

第三，根据这些基线数据，将咨询测量行动网络和倡导咨询委员会，以制定单独的模拟示踪剂，并照顾容易出现诊断掩盖的每个特定残疾人群体。 将在具有相关门诊业务的五个合作机构中的每一个对患者进行 25 次回顾性追踪（其中 5 名来自上述特定人群，其中 10 名追踪者为儿童，至少 10 名来自边缘化种族/族裔群体的患者） （RUSH 大学医疗中心、RUSH Oak Park 医院、RUSH Copley 医院、罗切斯特总医院和伊利县医疗中心各 25 个）。 对于追踪者，将选择具有高敏锐度、护理复杂性（例如多次检查、手术）、单位间转移和创伤史等问题的患者，并认识到影响护理的问题因人群而异。 此外，还将开展护理追踪系统，重点了解系统的促进因素和障碍，以减少诊断的影响，包括创伤知情护理。

模拟跟踪器的开发和第一个基线实施以及任何编辑将在第一年年底在 Rush 完成。 在其他系统中，模拟追踪器将在第 2 年进行。基线时总共有 125 个追踪器。 有了指南，模拟追踪器将使用发展形成性评估方法，并将形成性评估传达给各自的单位和实践。 在第 3 年和第 4 年，模拟追踪器将在 5 个机构的急诊科（全国 70% 的医院住院患者通过急诊科处理）、选择性住院病房（包括儿科）和选择性门诊诊所（包括儿科）进行 - 15 个追踪器各有 75 个。

目标 2：共同制定诊断掩盖的主题框架，以开发算法来识别具有 DO/DE 风险的特定残疾患者，以及针对特定问题的 EHR 决策支持和提示/警报。 将开发有关算法和 EHR 决策支持和提示/警报的教育材料以及案例研究，以对提供者进行 DO/DE 和 EHR 材料的教育。

参与式规划和决策 (PPDM) 流程简介。 到第二年结束时，调查人员将应用 CPT E/M 审计和分析、员工访谈以及图表审查定量数据和定性注释的混合方法分析。 然后将对图表审查、员工访谈和模拟跟踪记录进行归纳主题分析，以确定用于 PPDM 流程的诊断掩盖的基本机制的初始主题集（参见表 1）。

表 1. 参与式规划和决策 (PPDM) 流程。 第 1 阶段 ● 会议前两周，参与者完成会前调查问卷或访谈，以征求他们对最初确定的与诊断掩盖相关的主题的想法。

● 通过在线调查或访谈进行一系列开放式询问来收集信息，以引出有关相关主题的答复。

第 2 阶段 ● 使用持续比较分析来分析利益相关者的意见。154,155 ● 将确定对有针对性的教育计划和电子病历决策支持“最重要”的主题的共识程度。 将建立初步模型来反映为每个 PPDM 小组开发的主题和子主题。

第三阶段 ● 每个PPDM小组（5-7人）会面2小时； ICI 工作人员将为每个小组提供协助。

• 参与者在主题和副主题层面回答有关其小组框架的问题：

  • 将使用名义小组程序来促进讨论。156
  • 基于第一阶段和第二阶段的临时主题框架将呈现2。
  • 主持人将引导参与者进行小组讨论以达成共识。
  • 将使用名义小组过程程序来促进讨论。 第 4 阶段 ● 使用协调员提供的平板电脑和 ICI 开发的软件，利益相关者将为每个主题和子主题提供 0-100（或 0-10，取决于组）等间隔量表的重要性权重。
  • 确定所有测量元素。
• 评分最高的主题和主题内的子主题将获得 100 分（或 10 分，具体取决于组）。
• 其他均为 0-99。 （或 0-9，具体取决于组）。

阶段 5 ● 评级之后，显示整个组的去识别重要性权重。 每个参与者可以查看：

• 他们自己的重要性权重
• 所有其他利益相关者的去识别重要性权重
• 重要性权重范围

• PPDM 组对于所有主题和子主题的平均重要性权重。 第六阶段

  • PPDM 小组将举行第二次会议，每次一小时。
  • 参与者将讨论重要性权重的异同。
  • 参与者将有机会与其他人分享其重要性权重背后的推理。
  • 使用名义团体流程达成共识的运动将得以实现。 第 7 阶段 ● 使用平板电脑，利益相关者将为所有主题和所有子主题提供第二组重要性权重。

阶段8 ● 比例权重将通过支持系统自动计算。

● 参与者将获得最终的主题模型。

方法 PPDM 过程将作为与 DO/DE 基本机制相关的重要主题框架共同生产的一部分。 PPDM 流程的参与者将是来自受影响群体的人员，包括残疾人、家庭成员、卫生专业人员、卫生专业学生、质量改进专业人员、儿童健康方面的专业人士以及来自残疾相关组织、卫生系统、付款组织的代表，和基于社区的服务。

将制定与 DO/DE 基本机制相关的一组初始主题。 主题将具有包容性，包括儿童。 预计受影响群体中约有 100 名参与者。 将进行初步调查和确定主题优先顺序的会议。 最初的优先顺序将发送给参与者，并将举行第二次会议以进一步确认主题并确定其优先顺序。 在每次 PPDM 会议上，训练有素的协调员将使用名义小组流程程序来指导小组，确保利益相关者专注于任务、回答问题并达成共识。 为了促进虚拟 PPDM 流程，ICI 工作人员开发了可在笔记本电脑、平板电脑和手机上运行的软件，并提供多功能应用程序，使参与者能够轻松查看被识别为潜在诊断掩盖的所有主题和子主题（以及相关定义）并直接输入PPDM 会议期间这些主题的优先/重要性权重。 第二名工作人员（称为“司机”）将操作该软件系统，监控参与者的数据输入，在必要时提供支持，在评级过程结束后提供去识别化权重的可视化显示，并记录整个过程。 这些主题将在实施前由跨残疾倡导委员会、教育行动网络和指导委员会进行审查。

数据分析。 作为 PPDM 流程的一部分，利益相关者在每个阶段不断“分析”数据。 当小组成员的权重显着不同时，就可以促进讨论以达到更高程度的共识。 本研究的数据分析计划本质上是定性和定量的。 将使用 NVivo 软件根据 PPDM 过程中利益相关者记录的陈述进行定性分析，以通过不断的比较分析来辨别共同主题。 PPDM 小组提出的每个主题都将进行总结。 将确定主题之间的异同以及不同 PPDM 利益相关者团体制定的主题权重。 然后将再次分析为每个主题和子主题确定的特定元素，以确定组之间的相似性和差异。 最后，将针对 PPDM 流程的每个阶段检查 PPDM 小组分配给主题和副主题的重要性权重（表 1）。 调查结果将代表 DO/DE 的主题。 跨残疾倡导委员会和联盟行动网络将审查这些主题，并各自讨论这些主题对其工作的影响。 指导委员会将审查该流程，并就下一步计划的任何调整提出建议。

程序开发。 在 PPDM 流程的第 8 阶段之后，通过确定主题的最终模型，将开发算法来识别具有诊断掩盖/诊断错误风险的特定残疾患者。 研究人员将同时与 Rush 的数字和信息服务部门（特别是 EPIC）合作，开发 EHR 提示、警报和决策支持，以减少歧义并在诊断过程中提供明确的指南。 以及 EHR 决策支持和针对特定问题的提示/警报。 关于算法和 EHR 决策支持和提示/警报的教育材料将与案例研究一起开发，以教育提供者有关诊断掩盖/诊断错误的知识。 在这些努力中，将使用教学设计原则，以激励获取知识和技能的方式开发学习环境和材料。 将涉及信息服务。 Rush 和 GIDDN、三个医疗中心（RUSH 大学健康系统、罗切斯特总医院、伊利县医疗中心）的工作人员以及指导委员会、跨残疾倡导咨询委员会和行动网络的成员将被纳入这些中心努力。 值得注意的是，这三个机构都有实施教学设计和信息技术的结构。 指导委员会、跨残疾倡导咨询委员会和教育行动网络将对计划的制定和实施进行持续审查。

数据分析计划

与第 1 年相比，在第 5 年，将针对五个已确定的残疾人群体（定量）进行 CPT E/M 代码使用情况，以评估在实施识别有诊断风险的残疾人的算法后，PWD 的代码使用情况是否发生变化掩盖/诊断错误以及 EHR 决策支持和针对特定问题的提示/警报。 将对每种情况（急诊科、住院患者、门诊患者、预防性护理）单独或作为聚类进行二元或序数前后 ANCOVA 回归分析，其中治疗前结果和治疗后结果作为二元或序数百分比。 自变量将是年龄增量、性别、种族/民族、城市/农村、合并症、残疾类型、保险类型和适用的严重性指数的患者人口统计数据，以及上面单独或综合列出的 10 个图表审查问题。 制定的教育计划将通过 1) 使用前和事后知识检查以及 2) 使用特定 EHR 决策支持的描述性数据进行评估，作为独立 t 检验和回归分析，自变量包括设置、性别、种族/民族、年龄范围、提供者类型以及提供者的环境（急诊科、住院患者、门诊患者、预防性护理）91 将使用 ANCOVA 来评估差异的诊断评估前时间，以解决 2-3 个尚未确定的问题残疾患者的人口特征和提供者特征作为自变量。 将评估交互效果。 对于定量测量（CPT E/M 代码使用分析、知识检查、使用 EHR 决策支持和提示/警报的描述性数据），ANCOVA 将用于使用第一年的预测试测量和自变量来探究交互效应。

最终的模拟追踪和分析将在第 4 年末和第 5 年进行。将对复习笔记与干预前的笔记进行比较的定性分析。