围术期数据汇总可视化系统改善麻醉病例准备：一项随机交叉试验

范德比尔特大学人类研究保护计划（田纳西州纳什维尔）提供了机构审查委员会的批准，并获得了所有研究参与者的知情同意。本文遵循CONSORT指南。

系统设计与数据源

我们的目标是让麻醉医师能够以明确的方式查询特定类型手术的围术期数据库，并快速简单地从最近实施的麻醉中获得一份有解释说明的关键麻醉细节摘要。为此，我们构建了一个系统，它提供了一个可视化的围术期数据汇总来协助准备麻醉病例，我们命名为Nimbly。Nimbly的后端部分位于我们机构的围术期数据库中。我们的围术期数据库是一个基于SQL服务器的操作数据存储，它对我们的系统执行定期恢复，在此基础上开发了一个围术期数据模型，抽取出麻醉过程的关键数据。这些关键数据包括围术期工作人员、病例时间、液体、药物、执行的手术、气道控制、放置的监护仪/血管通路以及按主要CPT代码执行的手术。这些组成部分从我们的电子健康记录中的临床文档中提取。我们已经开发了围术期数据模型的视图，该视图已被确认，并提供了一个基于SQL视图的模型来提取Nimbly。在开始这项研究之前，前一年的数据从我们的围术期数据库加载到Nimbly中。

Nimbly的用户前端（图1-4）是一个web应用程序，它托管在符合《健康保险便携性和责任法案》（HIPAA）的CentOS平台上，并在Django python框架内实施。用户提供身份验证凭据，然后可以访问Nimbly的搜索界面。在该界面中，提示用户搜索执行的主要外科手术的CPT代码，该搜索通过包含手术代码或代码本身的描述的搜索来执行。系统提供内联的自动完成功能，方便用户体验。在正式使用之前，通过参与者的输入对前端进行反复修改，重点是提供易于理解的清晰信息。

选择主要手术后，将显示该病例类型的概述。搜索将反馈一年内执行的手术，确保向用户提供最新的临床概述。概览屏幕显示包含的病例数以及手术位置的分布、使用的气道类型、平均手术时间、平均估计失血量、主要的监护方法和血管通路（图1）。子选项卡上提供了具体病例特征的图表，以便更详细地了解手术阶段（图2）和病例时间（图3）的用药情况，以及估计失血量的分布（图4）。

参与者评估

采用随机、平衡、交叉研究设计和标准评估方法对有无该系统的麻醉病例准备进行评估，即比较标准操作与强化操作。该方法共由24个问题组成，由住院医师和主治麻醉师输入改进的Delphi法输入来开发迭代方式。该方法采用六个病例情景设计，每一个情景都包含同一组与麻醉病例准备具体内容相关的四个多项选择题，包括麻醉类型与气道装置，病人体位，估计失血量，血管通路和监护。此外，我们还开发了一个经过修改的、简明的系统可用性量表来评估该系统的可用性。这些组成部分被合并到下面描述的三个版本的评估中，这些版本使用REDCap进行开发和管理。

我们招募了临床第二年（PGY-2，CA-1）的麻醉住院医师（n=19），他们开始独立制定麻醉病例准备，随后提交给主治医师。这些初学麻醉的受训者是通过电子邮件交流招募的，每完成一个流程，他们会得到一张价值25美元的礼品卡作为补偿。我们选择利用激励机制来最大限度地提高参与度，因此我们的总招募人数相对较少（n=19）。所有参与者都完成了所有流程。在研究登记时使用Microsoft Excel中的随机化功能（由JPW执行），参与者被随机分为两个大小大致相同的组，指定为A组和B组。评估分三次进行，在每月一次的临床培训计划开始时进行。选择的病例是住院医师在最初三个月的培训中最常执行的手术之一。

在第一个流程是向参与者介绍麻醉病例准备系统，并将基本评估情况分配给所有参与者来衡量他们的表现（附录A）。要求参与者使用他们的典型方法，即他们认为适合完成任务的任何资源，并且他们可以访问任何电子在线资源，包括传统的、基于教科书的麻醉病例材料。通过比较每个参与者的答案与实际麻醉实践的频率分布对评估结果进行评分，如统计分析部分所述，每个病例场景使用0到4的连续评分。

在第二个流程中，A组（n=9）的参与者被分配到评估的第1版，该版本指示他们在病例方案1-3中使用麻醉病例准备系统，在病例方案4-6中使用标准实践方法。B组（n=10）的参与者被分配到评估的第2版，在病例场景1-3中使用标准实践方法，在病例场景4-6使用麻醉病例准备系统。在第三流程，评估是交叉的，即A组完成评估的第2版，B组完成评估的第1版。这些评估在2018年6月至9月完成，在他们的PGY-1，CA-0学年即将结束的时候。

选择这种类型的交叉设计有两个目的：1）更好地区分强化病例准备与个体间实践差异的影响，2）检测和调整因重测现象而产生的“学习效应”，即由于重复评估而进步的表现。在研究结束时，每个参与者使用标准实践两次完成整个评估，使用增强型案例规划工具一次完成整个评估。

评估评分

在评估评分中，六个手术中每一个手术的主要麻醉类型、体位和估计失血量问题的分值在0到1之间。对于主要的麻醉药，分数由少量选定的主要麻醉药的既往手术决定。以类似的方式确定体位和估计的失血分数。然后将这些分数相加，得出每个评估共6个分数-每个案例场景一个-值从0到4不等。两位研究者（JPW，MDM）回顾了每个病例最常选择的方法，并验证了它们与我们机构目前训练和实施的麻醉方法一致。

统计分析

描述性统计以中位数和四分位间距来描述每个问题的得分。Wilcoxon-Mann-Whitney检验使用增强的练习系统与普通的练习，对每个问题的分数进行未经调整的比较。线性混合效应回归分析用于量化强化病例计划系统对平均评估分数的影响、调整手术类型和评估顺序（基线评估与后续评估）。研究参与者编入的随机拦截被用来解释个体间的表现差异。使用Wald型95%可信区间（CI）和假设检验对麻醉病例准备系统对平均评估得分的影响进行量化。p值小于0.05被认为具有统计学意义。所有的分析都使用R和附加包lme4实现。

本研究的受试者通过一个简单的样本选择，样本包括在我们机构开始临床第二年的所有CA-1住院医师。我们认为，与其他组相比，这组住院医师代表了一个可能受益于该系统的组，因为他们在日常麻醉计划中的临床暴露有限。然而，我们报告的95%置信区间的精确度证明，在模拟病例准备任务中，评估强化病例准备系统对住院医师绩效的影响具有相当高的统计精确度。