「患者安全」放射诊断中的错误和认知偏差

Good

Error and cognitive bias in diagnostic radiology
编译自：Qiao Xin Tee,1 Mithun Nambiar1 and Stephen Stuckey.Journal of Medical Imaging and Radiation Oncology 66 (2022) 202–207 图片来自网络

【前言】
放射科医生中有一句关于错误的格言：“只有那些不出报告的人才不会犯错误”。在放射学领域，就像其他普通医学一样，我们都必须承认犯错或判断上的差错，认识到它们的必然性，并承认“人孰能无过”。为了放射科医生的福祉，为了消除部门内所有放射科医生的心理负担，为了鼓励上报放射诊断错误和从错误中学习，必须以同理心和关怀来处理放射诊断错误事件。美国医学研究所（IOM）提倡的“持续学习保健系统的重要文化价值”提供了一些指导，包括激励成功(即我们做得很好的地方)，不自满，承认错误就是学习的好机会，相信人的潜力，承认隐性知识，开放，信任和积极向外学习。
全世界每年大约有10亿次成像研究，其中大多数是由放射科医生报告的。美国的放射诊断错误率高达10-15%，平均每天错误率为3-5%，估计每年在放射诊断错误上的花费在170-290亿美元。美国大约31%的放射科医生在他们的职业生涯中至少经历过一次医疗事故诉讼，其中放射诊断错误约占这些索赔的75%。三个大型观察性研究表明，至少每20名成年人中就有一人在一生中受到放射诊断错误的影响，高达20%的人受到具有临床意义的重大错误的影响。
错误率和这些错误的含义将在一定程度上反映执业环境的风险概况，其中，已知的肿瘤学，包括乳腺成像，约占医疗事故索赔的40%。对患者的负面影响通常在延误诊断或误诊时较为明显，而对放射科医生的负面影响可能会被忽视并且变得更加微妙，因为放射科医生可能也会遭受伤害(即第二个受害者)。亚专科的专业知识和经验表明，在进行多学科会诊的高危患者群体中，错误率是可以预期的。例如，在神经放射学中，最初的审查和随后的专科审查之间的差异率估计超过7%；然而，在这种研究中，控制后视偏差(hindsight bias)可能是具有挑战性的。

【关于放射诊断错误的原因，我们知道些什么？】


在放射诊断中常见导致错误的原因包括：人(例如放射科医生专业知识、视觉或决策疲劳或患者因素)、报告环境(例如中断、照明、人体工程学、休息时间、工作负荷)、政策/程序(例如提供的重新格式化平面和厚度、效率要求)、过程(例如先前的报告/研究和相关临床病史的可用性、对比使用和使用时机)、病理(例如非典型病理、难以进行病理检测的位置，医疗模式和身体部位或罕见疾病)或设备(如PACS显示器分辨率)。这些原因往往是系统性的，可以纠正或改进，因此相关部门在质量改进过程中应不断审查和给予改进。
放射科医生的诊断推理过程是诊断错误的重要潜在来源。在开始进行诊断时，与其他临床医生相似，放射科医生的推理思维常常有两种形式。第一种通常被称为思维捷径、模式识别或启发式思维，即直觉的、经济的、快速的、无意识的第一型思维。在诊断推理过程中，通过这种快速的方法作出的决定特别容易产生认知偏差，导致出现偏见或不理性的结果。第二种是更系统的思维，也称为缓慢的、分析性的或第二型思维，这种方法相对不容易出现认知偏差。

【有哪些类型的认知偏差？我们可以做些什么来避免它们？】


随着被意识到的认知偏差的数量继续增长。我们已经总结了，我们认为与放射科医生诊断实践最相关的认知偏差。(如表1）
表1.放射诊断中遇到的常见认知偏差

偏差	说明
锚定	一旦考虑一个诊断，尽管有相反的证据，它仍然不容易改变
归因	某些特征(例如，患者或检查类型)在诊断推理过程中被不适当地分配和加权
可获得性	过分强调可获得的经验或知识而不充分考虑可能未知的情况的倾向
盲目服从	对权威(如有经验的同事)不适当的顺从
确认	不平衡地寻找证据以证实你的印象
框架	根据数据的呈现情况决定某一结果
后见之明	不强调最初的解释和后来的解释之间的不同情况(例如，可获得进一步的临床信息的影响)
疏忽致盲	“一目了然”的发现可能不一定是正确的
秩序效应	我们往往会过分强调或记住提供给我们的第一条或最后一条信息
过度自信	我们倾向于认为我们知道的比实际做的要多
过早定论	过早得出结论并直接接受这一诊断
报告的满意度	对前一份放射学报告的内容影响过大，且不受质疑
搜索的满意度	过早停止对异常情况的搜索，因为诊断信息已经很丰富
斑马撤退	将自己从罕见的诊断转向常见的诊断

在放射诊断中，对于放射科医生来说，其中最麻烦的可能是后视偏差。后视偏差即首先肯定确认诊断是可行的，或应该在事后作出诊断。它忽略或淡化了伴随着时间流逝而提供的额外可用信息所提供的优势。后视偏差忽视了有答案的优势，导致了一种感觉，即诊断实际上是显而易见的，在最初的评估中是可以预测的。后视偏差通常可以用“Where‘s Wally”(在美国称为“Waldo”)来解释。Where’s Wally是一个儿童经常玩的益智游戏，戴眼镜的Wally是一个五颜六色的角色，他穿着红白相间的横条毛衣，戴着帽子，与许多其他五颜六色的角色一起被设置在其中。寻找Wally是一个挑战，但当然，一旦你知道Wally在那本书中的位置，之后就很容易找到他。后视偏差是类似的；一旦知道了诊断结果，可能就很难理解为什么当初会如此具有挑战性。这个类比可能有助于解释法律界以及与业外人士交流时的后视偏差。

我们如何才能避免认知偏差？只有当有效地理解和减少认知偏差（认知去偏见），就能反映出一种新的认知形式，也就是“思考自己的思维”，即意识到我们自己思考和学习自己思维的能力，这样可能会缓解认知偏差。
在电子病历(EMR)时代，查询EMR以补充临床病史可能是有益的。然而，这也是繁琐和耗时的。从患者那里获得的信息(例如，通过成像前或离开科室前的常规问卷调查，或通过放射技师笔记)或从其他先前的相关检查(例如，成像和病理)是非常宝贵的。大多数放射科医生都很清楚，“最有用的胶片是病人胶片袋里的胶片”--无论是胶片还是电子的！在一系列研究中，已经显示出在89%的病例中提供了有用价值，而5%的错误是由于没有查看之前的检查。因此，联系开单临床医生以获得额外的临床信息是有用的，特别是当开单和成像检查之间经过了相当长的时间的时候。然而，过度强调其中的一些数据是值得思考的。例如，环状强化病变（ring-enhancing lesion）患者的无发热和血白细胞计数升高的特征不应被用来确定病变是否为脑脓肿，因为这些临床特征通常是缺失的。在做出诊断时，一个人应该思考：“我是否受到了过度的影响；提供的病史，它是如何提供的，是我或还是其他人最近的诊断？我有没有问过自己，我是不是漏掉了什么，这是不是其他什么东西，或这可能不止一种诊断？是否存在潜在的危险信号，警告我血管、感染或肿瘤学诊断；这些诊断最有可能对患者造成什么伤害？我的工作节奏是否让我感到不舒服，或是另一个原因(如伴随而来的疾病或疲劳)使这种解释面临更大的风险？
即使放射科医生对诊断很有信心，也要强化考虑一系列的鉴别诊断，无论是否出现在最终的放射诊断报告中，这都是一项潜在的练习。“这还能是什么呢？”通常是一个有用的问题。清单和报告模板可能会对做出诊断有所帮助。在放射学中，我们经常将这些称为我们的“复核区”。
使用认知偏差缓解策略清单可能是有价值的(表2)。
表2.认知偏差缓解策略核对表

疑问	策略
我可以获得更多的临床信息吗？	考虑所有可用的来源--患者、转诊临床医生、同事、成像工作人员和其他以前的检查(成像和非成像)
这还能是什么呢？会不会是不止一种诊断？诊断结果符合吗？我的鉴别诊断是什么？	列出3个不同之处可能是有用的；这些不一定要包括在报告中，但通常情况下，这是明智的。
(在影像或临床上)是否有提示血管、感染或肿瘤学诊断的“危险信号”？	某些病理疾病如果不被认识，更有可能导致患者的伤害；特别是血管、感染或肿瘤学。
我应该使用检查表来进行这次检查或出场吗？	制定检查或表现清单(例如，代表手术风险的副鼻窦CT解剖变异)
我还能帮上什么忙吗？	另一项检查或后续检查有用吗？
这个案例会不会从另一种意见中受益？	第二种观点可能是对抗认知偏见的最有价值的武器。

通过正式的同行反馈、从自己和他人的错误中学习是现代放射学实践的重要组成部分。成功的现代同行反馈和学习过程，将那些具有很好学习价值的错误案例，作为所有放射科医生学习、改进和合作的机会，从而改善工作关系，并与IOM提倡的文化价值观保持一致。之前在美国实施的几次随机同行评价实践，已经证明淡化或隐藏错误，可能对放射科医生不利，没有显示出令人信服的实践改进，容易受偏差和抽样误差的影响。从错误中吸取教训的首选方法是建立一种透明的、无可替代的过程，称为“公正”文化，在这种文化中，个人能够从自己和同事的错误中学习。
关于错误及其原因的相关教育，包括认知偏差，应该成为放射学培训课程的组成部分，对于那些已经接受培训的人，应该纳入常规的继续医学教育学习。澳大利亚医学委员会将年度绩效和结果评估(每人每年至少12.5小时)作为未来专业发展要求的一部分，符合这样一种理解，即一旦出现错误，医疗专业人员应利用这些作为改进的机会。
放射学中的人工智能(AI)算法正越来越多地被整合到放射诊断实践中，并被视为对放射科医生的补充。人们希望人工智能能成为可靠的第二意见来源，这样就可能减少人类的认知偏差。然而，事实证明，人工智能算法在其实施过程中存在重大的挑战，包括算法偏差。在医疗保健领域实施人工智能的优先事项是使用“可解释的人工智能”，在那里我们可以理解人工智能如何做出诊断的。最近，人工智能决策过程的研究表明，人工智能算法使用中很容易受到“捷径”或“混淆因素”的影响，这些因素不能很好地适用于其他人群。这方面的一个例子是利用检测到的放射成像技术和患者性别判断，而不是在胸部X光检查，比如新冠肺炎时使用肺部影像。当使用人工智能时，放射科医生需要做出额外的判断，如果人工智能结果与放射科医生不一致，他们会相信吗？当放射科医生没有充分质疑人工智能产品得到的结果时，使用人工智能可能会导致盲目服从偏见或“习得性无助”（Learned helplessness）。过度依赖人工智能解释或忽视人工智能解释的错误可能会导致伴随而来的新的法医学问题。
在临床对影像的依赖日益增加、影像诊断日益复杂、数字图像长期存储、患者期望不断提高以及医学风险不断上升的时代，放射科医生需要认识到诊断错误、诊断错误的原因、影响和缓解策略。文章中这些错误的存在和频率应该是有积极意义的提醒，对于那些参与质量过程或临床管理的人员以及参与放射科医生绩效审查或医疗诉讼的相关管理部门来说，所有放射科诊断医生都会出错，而且是常见的错误。某个特定案例是否会导致患者受到伤害并引起他们的注意，这在一定程度上可能是医疗风险的“瑞士奶酪”模型的作用，在这种情况下，医疗保健系统的缺陷是一致的，而其他人可能也犯了类似的错误，而没有伤害病人，部分原因是运气好。
为了弥补造成的影响，放射科医生可能会对错误进行过度补偿。这种过度补偿可能会导致报告过长、使用专业或模糊术语、冗长的鉴别诊断、措辞不清、过度使用放射科医生认为具有保护性的短语(例如，非特异性的或临床相关性的建议)或降低工作效率；所有这些都会导致对转诊临床医生和患者的服务质量降低。

【结论】
在可预见的未来，放射诊断中的错误仍是不可避免的。原因反映了各种各样的人、过程、政策、设备、环境和病理情况，这些情况可以部分缓解（表3）。了解放射科诊断医生的临床推理过程，尤其是他们对认知偏差的易感性是减少错误的关键。使用同行反馈、同行学习、核对表和模板，鼓励使用第二意见，探索改进现有临床数据的方法，包括先前的成像检查，要求自己考虑不同的鉴别诊断，并考虑认知偏差，都可能对减少放射诊断错误有价值。


表3. 减少放射诊断错误的系统和个人改进措施总结

系统改进	个人改进
确保获得充分的临床病历(例如患者问卷)	访问以前的成像和检查结果
确保访问以前的检查结果(例如病理学)	充分的查阅临床病历(包括亲自评估患者)
提供最佳报告环境(例如照明、RIS/PACS、人体工程学)	确保您的环境是最佳的(例如，调整灯光和座椅)
使工作量与人员配备相匹配，以避免放射科医生的疲劳和不恰当的工作量	避免疲劳、工作量过大或在身体不适时工作
减少诊断过程中断(例如使用电话“热线”、部门单点联系)	减少诊断过程干扰(例如，在工作时避免外部电话或电子邮件)
提供一种积极的文化，鼓励听取第二意见	获取定期反馈(例如活检结果、出席多学科团队讨论、追踪后续研究)
进行更加专业的报告	参加正规的继续医学教育学习，包括认知偏差
将人工智能作为“第二意见”来实施	使用报告模板和核对表(包括认知偏差核对表)
在“公正”的文化中提供定期质量保证、个人同行反馈和小组同行学习课程	定期参加质量保证和同行学习会议。

【原文】
Error and cognitive bias in diagnostic radiology. | PSNet (ahrq.gov)


翻译：刘华云 重庆医科大学附属第一医院泌尿外科
审校：肖明朝 重庆医科大学附属第一医院泌尿外科

来源：https://www.toutiao.com/article/71142********444615
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！