综述：电子健康记录中患者中心数据的自动化过滤与可视化在急诊护理中的应用：一项范围综述

《Journal of Multidisciplinary Healthcare》：Automated Filtering and Visualization of Patient-Centered Data from Electronic Health Records in Emergency Care: A Scoping Review

这篇范围综述系统梳理了急诊环境中电子健康记录（EHR）数据的自动化过滤与可视化研究。文章指出，EHR数据过载导致的认知负担是临床决策的主要挑战，而患者中心仪表盘（Clinical Dashboard）通过人工智能（AI）和规则算法自动提取关键信息（如药物、过敏史、生命体征），能有效提升信息检索效率、降低认知负荷并支持时间紧迫的决策。综述呼吁未来研究需加强用户中心设计、验证核心数据元素，并推动SMART on FHIR等互操作性标准在真实临床场景中的应用。

　　

摘要

随着电子健康记录（EHR）数据量和复杂性的持续增长，临床医生在检索和解读患者数据时面临日益增加的认知负担。这一问题在急诊护理等高压力环境中尤为突出，因为此类环境需要基于快速可及的相关信息做出分秒必争的决策。与更广泛文献中的发现一致，所纳入的研究表明，EHR可用性差和数据呈现未经筛选导致了效率低下、错误和临床医生职业倦怠。能够自动提取并以可视化方式组织相关临床数据的以患者为中心的仪表盘和工具，为缓解这些挑战提供了一种有前景的策略。

本范围综述旨在梳理当前关于为急诊环境从EHR中自动提取和可视化患者中心信息的文献。它调查了：1）临床相关数据是如何被选择和过滤的；2）仪表盘开发中使用了哪些设计策略；3）在急症护理及类似情境中，哪些信息被认为对概览显示至关重要。

综述遵循PRISMA-ScR框架。在主要数据库（PubMed、Scopus、IEEE Xplore）中对2010年以来发表的研究进行了全面的文献检索。如果研究检验了使用EHR数据的自动化数据过滤、可视化或仪表盘设计，则被纳入。

纳入的研究展示了从基于规则的系统到人工智能（AI）驱动模型等一系列数据过滤方法。它们强调了使可视化与临床医生认知工作流程保持一致的重要性。相关参数常包括药物、过敏史、生命体征、既往病史和护理指令。设计过程通常结合了用户中心和迭代方法，但评估的严谨性差异很大。若干研究报告了在决策效率、治疗和认知负荷减少方面的改进。

自动化、以患者为中心的仪表盘可以提高EHR的可用性，并支持在急症护理中做出更安全、更快速的决策。然而，需要进一步研究来评估临床影响、确保互操作性，并定义不同环境下的核心数据元素。

引言

医疗保健的数字化深刻改变了患者信息的收集、存储、访问和利用方式。电子健康记录（EHR）作为日益庞大的临床数据的中央存储库，使得患者数据在不同机构、部门和临床环境之间更易于共享，从而实现了护理的连续性和在需要时随时随地获取基本信息。尤其是在急诊科（ED）等时间敏感的环境中，即时获取关键信息（如药物、过敏史或病史）至关重要，EHR具有显著提高患者安全和治疗效率的潜力。

尽管有这些优势，EHR的实施也带来了重大挑战。临床医生经常面临信息碎片化、结构不一致且过于复杂的用户界面。这些因素导致信息过载、工作流程效率低下和认知负担增加。浏览大量未经筛选的临床数据可能既耗时又容易出错。认知负荷与信息过载相关，是影响临床医生表现的关键因素。高精神负荷已被证明会损害注意力、工作记忆和临床判断，同时也会导致医生职业倦怠，最终增加诊断或治疗错误的可能性。这在急诊科尤为重要，临床医生必须快速定位、优先排序并综合信息，以便为多名患者做出复杂且高风险的决策。在这种高敏锐度环境中，随时可获得所有相关数据可以显著影响临床决策并塑造护理的整体轨迹。正如Mijwi等人强调的，AI驱动工具和自动化数据可视化在减轻认知负担、提高信息可及性以及增强时间压力下的决策能力方面具有巨大潜力。

然而，当前构建关键数据的方法往往存在不足。例如，在德国，电子病历（ePA）中的“紧急数据集”旨在为急性场景提供关键患者信息。但由于该数据集依赖于提供者的手动输入，常常不完整或过时——这凸显了对能够实时动态提取和更新临床相关信息的自动化系统的迫切需求。

为了应对这些挑战，以患者为中心的仪表盘已成为有前景的工具，可以智能地总结相关信息并呈现给临床医生。这些仪表盘的一个核心目标是通过以支持临床推理和快速理解的方式组织数据来减少认知负荷。EHR界面的设计和可用性在影响临床医生认知负荷方面起着重要作用。检验EHR设计与认知负荷之间关系的研究表明，结构不良、信息过量、数据录入繁琐、系统响应缓慢和导航性差的界面显著加剧了临床医生的压力、职业倦怠和护理质量下降。相反，研究表明设计良好的仪表盘工具可以提高情境感知能力，减少寻找信息所花费的时间，降低认知负担，并支持更安全、更高效的护理。正如Asgari等人指出的，改进EHR可视化和数据检索有助于“减轻认知负荷，支持工作记忆，并有可能在提升患者护理的同时减少医生工作量”。

该领域的当前研究主要集中在两个方面。首先，开发和测试智能过滤算法，以识别特定背景下最临床相关的参数。其次，研究工作致力于设计直观、用户友好的界面和可视化方案，试图与临床医生的心智模型和工作实践保持一致。

人工智能（AI）方法在这两个领域都扮演着越来越重要的角色，不仅支持诊断或治疗决策，还支持从EHR中智能提取、过滤和情境化呈现以患者为中心的信息。本综述关注后一种功能：即使用自动化方法构建和呈现数据，以支持而非取代临床推理。

因此，了解临床相关信息如何在患者概览仪表盘中被选择、优先排序和呈现，对于改善EHR可用性、支持临床工作流程，并最终提升急诊科的患者安全和护理质量至关重要。

目标

本范围综述旨在系统梳理当前关于从EHR自动提取和显示患者中心信息的文献，以随后增强急诊环境中的个体化患者护理。具体而言，本综述致力于解决以下目标：

描述EHR数据如何被自动过滤和选择用于以患者为中心的仪表盘，特别是在急诊护理等时间紧迫的环境中。

识别仪表盘开发中使用的设计策略和测试方法。

总结哪些临床参数被认为与纳入以患者为中心的概览显示相关，包括在急诊环境中被视为必不可少的那些参数。

方法

本范围综述旨在评估当前关于急诊科相关患者数据自动化与呈现的研究。综述符合Prisma-Scr清单以及Arksey和O'Malley以及Levac等人提出的方法学。

第一阶段：确定研究问题。为了评估关于EHR的各种研究并识别患者数据自动化和可视化的不同及相关概念，我们选择了一个更广泛的研究问题：“急诊科个体化患者护理中电子健康记录相关信息的自动显示”。该问题包含了我们研究项目的不同部分：急诊环境、个体化患者护理、相关数据的自动化过滤和电子健康记录。

第二阶段：识别相关研究。在PubMed、Scopus和IEEE Xplore进行了文献检索，以反映本综述涵盖临床、健康科学和技术研究的跨学科范围。检索策略以SPIDER框架为指导，聚焦于：样本（急诊环境中的临床医生）、感兴趣的现象（EHR数据的自动化过滤）、设计（涉及电子健康记录的研究）、评估（与可用性和临床决策相关的结果）和研究类型（未预先定义）。检索词涵盖四个关键领域：1）急诊环境，2）个体化患者护理，3）自动化数据过滤，4）电子病历。检索词保持宽泛以捕捉各种方法。完整的检索词和MeSH组合见附录1。检索限于过去10年的英文和德文文献，于2023年8月22日进行。对纳入文章的引文进行了检索以识别其他相关研究。

第三阶段：研究选择。研究选择采用两步过程。首先，两名研究人员独立使用Rayyan筛选标题和摘要。然后对选定的摘要进行全文审查。任何分歧均通过讨论解决。若无法达成共识，则咨询第三位评审员。根据预定的纳入和排除标准（见表1）决定研究的纳入或排除。研究筛选标准包括发表语言为英语或德语，且发表于2013年之后，以聚焦最新研究进展。所有原始研究和系统评价均接受筛选，不论其实验性、观察性或定性研究设计。核心纳入标准是患者数据的自动化呈现，其方式通过聚合和显示相关信息来支持临床工作流程和决策。如果研究未使用EHR、未自动化过滤EHR数据或在呈现给临床医生前未提及自动化可能性，或仅将EHR用于文档记录、回顾性数据分析、技术开发、或作为警报系统或预测模型，则被排除。此外，如果研究缺乏对个体化患者护理的关注、无摘要、质量不足或已被撤稿，也被排除。在本综述中，我们将自动化过滤或可视化的“相关性”定义为存在明确指定的算法、基于规则的过滤器或AI驱动的方法，旨在提取、优先排序或显示患者层面数据以直接支持临床工作流程和决策。仅产生以患者为中心输出的研究被纳入。尽管本综述强调急诊护理，但也纳入了来自其他护理环境（如慢性病或初级护理）的研究，当它们涉及数据过滤、可视化和信息过载方面的类似挑战时，因为这些环境中的许多可用性问题和设计考虑是共通的，可提供有价值的、可转移的见解。

检索共获得1125篇论文。去除43篇重复和1篇撤回的论文后，对1081篇论文进行了筛选。经过标题和摘要筛选，剩余39篇论文进行全文筛选。全文筛选后，6篇论文符合所有纳入标准。此外，通过参考文献筛查发现1篇论文。最终共有7项研究纳入本综述。此研究选择过程遵循系统评价和Meta分析的首选报告项目：范围综述（PRISMA-ScR）指南，流程见图1所示的流程图。

第四阶段：数据图表化。一名评审员使用作者制定的结构化Excel表格进行数据提取（见附录2）。为评估可靠性，第二名评审员独立提取两份样本研究的数据进行比较。表格包括研究作者、发表年份、标题、研究类型、国家、研究方法、样本量、研究目标、关键发现、自动化方法以及被认为与提供患者数据概览相关的患者信息。所有分歧均通过讨论和共识解决。若无法达成一致，则由第三位评审员做出最终决定。

第五阶段：总结结果。从六项纳入研究中提取和图表化数据后，由一名评审员进行了定性内容分析，并总结了研究的结果和关键发现，旨在回答综述问题，从而识别与EHR数据自动化过滤和呈现相关的关键主题。此过程基于Levac等人的分析思路，通过结构化评估过程获得关于综述所提问题的关键见解并推导潜在研究需求。

质量评估。纳入的研究展示了不同的研究设计和方法。因此，使用混合方法评估工具（MMAT，2018版）评估纳入研究的方法学质量。

结果

七项研究符合纳入标准，构成本综述的基础。尽管研究方法和焦点存在差异，但所有研究都涉及临床环境中从EHR自动提取或可视化数据的关键方面。结果从研究特征、数据过滤方法、仪表盘设计策略和评估结果等方面呈现。

研究特征。纳入的研究发表于2017年至2022年之间。除一项外，其余均在美国进行。参与者数量从7人到50人不等。一项研究使用了10万份EHR的患者数据来训练机器学习算法。研究人群总体为来自不同领域的医疗保健专业人员。所有纳入研究均为原始研究，但所使用的方法和研究设计差异很大，从定性半结构化访谈到前瞻性可用性测试不等。

关键评估。使用混合方法评估工具（MMAT，2018版）评估纳入研究的方法学质量。Wang等人的研究展示了结合定性和定量方法的明确理由，详细描述了数据收集和分析，并恰当地整合了两部分的发现，被评为方法学高质量（MMAT得分4/5）。Fadel等人的研究被评为定量比较研究，虽然满足了随机对照试验的大部分标准，但随机化过程和意向性治疗分析描述不清，被评为中等方法学质量（MMAT得分2/5）。Rohrer的研究被评为定性研究，但分析过程和结果报告缺乏透明度，被评为方法学薄弱（MMAT得分2/5）。Korach等人的研究被评为定量描述性研究，提供了研究设计的明确理由以及数据收集、抽样、测量和分析的全面描述，被评为方法学强（MMAT得分5/5）。Gray等人的研究被评为定性研究，方法学与研究目标一致，报告清晰，发现和解释连贯有据，被评为高质量（MMAT得分5/5）。Thayer等人的研究为结合方法提供了强有力的理由，详细报告了数据收集和分析程序，并有效整合了发现，被评为方法学高质量（MMAT得分5/5）。Curran等人的研究被评为混合方法研究，展示了结合方法的明确理由，两部分的方法学（包括数据收集和分析）均有良好记录，定性发现与定量结果互补，但小样本量限制了定量结论的强度，总体方法学质量被评为良好（MMAT得分5/5）。

目标与背景概述。纳入研究的主要目标是开发工具，提供个体患者的全面概览以支持临床决策，特别是在急诊环境和慢性病管理中。一些研究超越了概念开发，设计并实施了仪表盘解决方案，随后在临床或模拟环境中进行了评估。一些研究比较了总结性仪表盘与完整EHR，而另一些则关注新可视化工具或自动化数据过滤方法的设计、开发和评估。然而，只有Thayer等人的一项研究将仪表盘应用于常规临床实践并随后评估其对工作流程和决策的影响。三项研究特别关注纵向患者数据的可视化，以支持临床医生理解复杂的疾病史，如高血压、哮喘和慢性阻塞性肺病。其他研究则集中于自动化系统的集成，重点在于开发过滤算法或呈现预定的相关患者信息以改进数据呈现和减少认知负荷。纳入研究的临床环境各异，反映了仪表盘和数据可视化工具在医疗保健不同领域的广泛应用。

过滤方法。我们的文献综述表明，用于自动总结关键患者信息的过滤机制和算法的开发与实施，在更广泛的临床决策支持背景下仍然是一个相对小众的领域。只有有限数量的研究涉及专门设计用于从EHR中提取并以结构化、自动化格式呈现相关数据的算法。相比之下，更广泛的文献中有相当一部分侧重于使用人工智能（AI）和机器学习（ML）来支持诊断决策或预测患者结局，而非总结现有的临床数据。在纳入本综述的研究中，少数探索了自动化的潜力——要么通过优先排序患者数据进行可视化，要么提出算法过滤框架。然而，这些方法均未实现自动化数据总结与临床工作流程的完全集成。在大多数情况下，自动化仅限于特定用例，并未扩展到跨EHR系统或患者群体的全面集成。用于过滤和优先排序患者数据的方法各不相同。一些研究采用基于规则的方法，即预先识别相关临床参数，然后用作过滤器从EHR中提取数据。另一方面，Korach等人使用基于机器学习的方法，该方法在没有预定义相关性标准的情况下运行。这种无监督模型旨在从数据本身学习模式，以识别和优先排序被视为相关的信息，与基于规则的系统相比，提供了更大的灵活性但透明度较低。

自动化信息收集的实施障碍。文献中识别了将自动化仪表盘完全集成到临床工作流程中的若干挑战，特别是在技术兼容性和工作流程集成方面。一个主要障碍是缺乏与现有EHR系统的无缝集成，部分原因是存在太多不同的EHR系统。例如，Thayer等人指出“不存在允许哮喘时间线应用无缝集成到急诊科提供者工作流程中的原生EHR功能。”这突出了一个关键问题：即使技术先进的仪表盘，如果它们干扰临床工作流程或需要额外的手动步骤才能访问，也可能未被充分利用。Curran等人展示了一个潜在的解决方案，他们使用SMART on FHIR框架——基于快速医疗互操作性资源（FHIR）的可替代医疗应用程序和可重用技术——开发了一个可互操作的EHR附加应用程序。这是一个信息交换标准工具，允许第三方应用程序在EHR之上运行，类似于移动应用程序集成到智能手机操作系统的方式。尽管前景广阔，但这种方法主要适用于美国的EHR，并且缺乏全球标准化。此外，正如Thayer等人也指出的，SMART on FHIR应用程序通常需要启动一个单独的界面，这可能会干扰临床工作流程——尤其是在急诊科等时间紧迫的环境中。Korach等人提出的另一个潜在实施策略是，开发了一种专门针对其机构EHR系统结构和内容的无监督机器学习算法。虽然这种方法实现了有效的内部数据过滤，但缺乏普适性和外部验证限制了其可扩展性。其他机构无法直接应用或测试该算法，除非对其自身的系统和数据模型进行重大调整。

仪表盘 - 技术和功能特性。研究中开发或提出的仪表盘在技术架构和功能能力上各不相同。大多数被设计为基于Web的界面，集成于或兼容现有的EHR系统。仪表盘的核心特性包括用于纵向数据的时间线视图、生命体征和实验室结果的图形表示、异常发现的警报以及关键患者指标（如合并症、药物、近期就诊）的摘要。一些仪表盘结合了过滤功能或交互元素，允许临床医生根据需要调整视图。用户中心设计原则被频繁引用，但实际在设计过程中临床医生的参与程度因研究而异。尽管许多研究旨在改善临床决策或减少认知负担，但很少报告系统性评估。在纳入的研究中，Thayer等人是唯一一项评估其仪表盘在临床实践中的集成情况，并定量观察其对工作流程影响的研究。他们的结果表明，与标准EHR使用相比，使用哮喘时间线仪表盘显著减少了任务完成时间，提高了信息检索的准确性，并获得了临床医生更高的满意度评级。这些发现表明其在提高护理效率和质量方面具有有意义的潜力。大多数研究记录的评价旨在为未来的开发和改进提供方向，例如可用性测试和用户访谈，但参与者数量有限的临床医生。报告的结果总体上是积极的，强调了信息可及性的改善和感知到的效用。然而，决策准确性、决策时间或临床结局等客观指标很少被报告，限制了普适性和证据强度。

评估方法。理解纳入研究中应用的方法学对于识别该领域未来的研究需求至关重要。所使用的方法是异质性的，反映了仪表盘开发和评估策略的广泛范围。这些方法从定性用户需求评估到定量分析用户与仪表盘交互时的性能测量不等。大多数研究的一个共同主题是混合方法设计的应用。许多研究结合了定性方法（如半结构化访谈或用户观察）与定量评估（如可用性测试或任务时间测量）。一项研究包含了过滤算法的验证部分。值得注意的是，大多数研究明确声明它们遵循了用户中心设计过程。它们强调了在整个设计和开发阶段纳入最终用户（通常是临床医生）反馈的重要性。这种对现实世界适用性的关注旨在确保仪表盘解决实际的临床需求，并且可以可行地集成到现有工作流程中。尽管如此，用户参与的深度因研究而异。在一些研究中，用户参与了整个过程，从早期的需求收集到最终的可用性测试，而其他研究则更具选择性地让用户参与，例如仅在原型评估期间。

患者数据概览。纳入研究中呈现的仪表盘在定义和显示相关患者数据方面提供了不同的方法。虽然每个仪表盘的结构和细节因其临床背景和目标而异，但一些重复出现的数据类别在各个研究中浮现出来。这些类别反映了在急诊和初级护理环境中对于临床决策被认为最重要的信息。

确定临床参数。确定相关患者参数通过一系列方法学进行处理。一些研究，如Fadel等人和Curran等人的研究，依赖于临床指南（如ACC/AHA或GOLD）结合执业临床医生的意见来定义其仪表盘的关键变量。其他研究，如Gray等人，应用了由多学科专家组成的大型专家组的德尔菲法，就最重要的数据元素达成共识。Thayer等人和Rohrer通过对急诊临床医生进行访谈和直接观察来收集关于实际信息需求的见解，而Korach等人则使用无监督机器学习算法自动识别相关数据而无需预先定义。Wang等人采用多学科设计团队，综合先前研究与急诊科工作人员的新输入，以指导其参数选择。

临床参数。在各个仪表盘中，最常包含的数据元素是药物、生命体征和患者人口统计学信息。几个仪表盘包含了合并症或慢性病的结构化摘要，以及当前主诉、临床病史和治疗计划。值得注意的是，更通用的仪表盘，如Wang等人开发的仪表盘，还整合了实时临床数据，如医嘱历史、实验室结果、关键警报和事件时间线，从而能够更动态、连续地理解患者的临床轨迹。其他仪表盘根据其环境优先考虑特定类型的信息。例如，Rohrer等人关注院前急救护理，因此包括了环境数据、急救协议和现场生命体征。同时，针对门诊慢性病管理的Curran等人则纳入了预防措施，如戒烟状态、疫苗接种史和肺癌筛查。只有少数仪表盘包含了决策支持元素，例如风险评分（如ASCVD风险、COPD分期）、自动化建议或基于最佳实践指南突出显示的护理计划。此外，只有少数仪表盘显示了护理偏好、临终指令或ICU限制，这些在数字系统中常常是关键但未被充分代表的。在呈现格式方面，时间线和图形可视化被用来支持纵向理解并促进对复杂病史的快速理解。交互式过滤器和模块化显示也允许临床医生根据其信息需求调整界面。

讨论

本范围综述旨在梳理当前关于从EHR自动提取和可视化相关患者数据的文献。总体而言，很明显，这一研究领域——特别是与AI交叉的部分——仍处于早期阶段，相对未被充分探索，尽管该领域的兴趣日益增长且讨论频繁。虽然一些纳入的研究涉及自动化仪表盘的相关方面，但大多数关注孤立组件或特定用例，而非提供适用于更广泛临床环境的全面或可推广的解决方案。例如，Thayer等人的研究评估了一个专门针对哮喘患者的仪表盘。虽然它在临床可视化和工作流程集成方面展示了有价值的见解，但其狭窄的焦点和针对特定病症的特性限制了其向其他疾病背景的普适性。

尽管存在方法学多样性和不同的研究目标，但出现了一个共同趋势：设计良好且集成良好的仪表盘有潜力节省临床医生时间、减少认知负荷并提高护理质量。关键患者信息的有效可视化可以使数据更具可操作性和直观性，这在急诊科等高压力环境中尤为重要。

此外，文献一致强调临床医生对能够简化相关数据访问的仪表盘的赞赏——尤其是与传统EHR系统相比，后者通常被描述为杂乱且难以导航。这种可用性差距强化了仪表盘作为增强现有健康IT基础设施的一层的价值。它们的潜力在时间敏感的环境中尤其显著，在那里快速获取关键信息可以直接影响临床决策和患者结局。

主要发现。在纳入的研究中，定义相关患者信息的方法差异很大。一些研究，如Fadel等人和Gray等人，依赖于临床指南或专家共识，而其他研究，如Thayer等人，使用用户中心设计方法。Korach等人引入了机器学习，根据主诉对数据相关性进行排序，突显了AI在自动化数据优先排序方面的潜力。尽管策略多样，但许多研究焦点狭窄——针对单一用例（如高血压或哮喘）——并且通常在模拟或局部环境中进行。只有Thayer等人在真实临床环境中评估了其仪表盘，显示出任务时间改善、认知负荷减少和信息检索准确性提高。Fadel等人同样报告了工作流程改善和治疗指南依从性增强，但发现基于模拟场景。各研究间一个一致的主题是仪表盘与临床工作流程集成以及设计既直观又视觉清晰的界面的至关重要性。仅视觉摘要就被证明可以提高临床医生满意度和效率。然而，几项研究，包括Gray等人和Rohrer的研究，缺乏完全自动化。值得注意的是，很少有研究针对临床结局评估仪表盘。虽然一些研究报告了可用性收益，但大多数缺乏在真实世界环境中的稳健测试。这种不一致限制了研究间的可比性，并突显了对结合可用性测试、工作流程影响和临床患者结局的标准化、多维度评估框架的需求。在评估严谨性方面，纳入的研究表现出显著差异。更强的方法，如Thayer等人结合了定量测量（如任务时间、检索准确性）与认知负荷的主观评估，提供了仪表盘在真实世界使用中性能的更全面图景。类似地，Curran等人系统地检查了工作流程效率和指南依从性。相比之下，较弱的评估，如Rohrer和Fadel等人，方法学透明度有限，主要依赖于描述性发现或用户印象，客观性能指标有限。

与先前工作的比较。在审视当前文献体系时，很明显，专门解决从EHR自动化可视化相关患者参数的研究仍然有限。虽然此类系统的个别组件已被探索，但全面、完全集成的解决方案很少见。例如，Ford等人和Curran等人的研究调查了突出关键临床信息的方法，主要侧重于提高EHR内容的清晰度和优先排序。相比之下，Korach等人提出了一种自动化相关性排序系统，利用机器学习根据主诉对患者数据进行优先排序——这是向可扩展自动化迈出的重要一步，但尚未在真实世界临床工作流程中进行测试。除了可视化，一些系统利用人工智能进行临床决策支持，提供从结构化EHR数据衍生的自动化建议。例如，Coombs等人开发了一种识别家庭急症护理候选人的工具，说明了基于规则的自动化如何增强患者分诊和护理计划。然而，此类工具通常独立于视觉仪表盘运行，并未直接解决临床医生在浏览复杂患者记录时面临的可用性挑战。Cara等人提供了一个相关的视角，他们开发了一种机器学习模型，使用结构化EHR数据预测30天医院再入院。他们的工作强调了仔细选择相关临床变量以预测患者再入院的重要性。尽管不关注可视化，但这项研究展示了结构化数据提取和特征选择如何为自动化系统提供信息，并可作为未来仪表盘开发的方法学参考点。Bucalon等人的一项范围综述提供了更广阔的视角，审视了临床环境中使用的仪表盘格局。他们的工作按临床目的和一般用例对仪表盘进行了分类，但未关注自动化数据提取或可视化管道，也未解决与EHR系统的集成。在此背景下，诸如Abstractive Health之类的新兴平台代表了一个有前景的方向。通过应用大型语言模型从患者记录实时生成文本摘要，并通过SMART on FHIR与EHR集成，这些工具旨在减少信息过载并支持高效的临床决策——尤其是在急诊科等高敏锐度环境中可能有所帮助。然而，虽然这些解决方案提供了有价值的叙述性摘要，但它们缺乏实证验证，并且不包含视觉呈现，而视觉呈现对于快速理解、减少认知负荷和时间压力下的决策支持至关重要。综上所述，文献突显了该领域中零散但不断增长的努力。当前的解决方案通常要么解决信息提取、视觉呈现，要么解决决策支持，但很少能在集成、自动化且经过验证的系统中同时涵盖这三者。未来的研究应旨在通过在真实世界环境中开发和评估结合智能数据选择、直观可视化和临床影响评估的EHR集成仪表盘来弥合这些差距。

局限性

纳入研究的局限性。大多数纳入的研究在模拟环境中进行或局限于单一机构——主要在美国——降低了普适性。只有Thayer等人在真实临床工作流程中测试了他们的仪表盘。几项研究涉及狭窄的用例，例如Fadel等人专注于初级护理中的高血压，限制了更广泛的适用性。方法学的异质性进一步使比较复杂化，并且一些研究，如Rohrer的研究，在数据收集和分析方面缺乏透明度，降低了其可靠性。

综述过程的局限性。尽管进行了全面检索，但可能遗漏了相关研究——特别是涉及新兴技术的灰色文献或非索引研究。检索限于过去十年以聚焦近期进展，可能排除了早期的基础性工作。研究设计的多样性排除了定量综合，我们遵循了定性方法，符合Arksey和O'Malley的范围综述框架。这种方法允许绘制证据图谱，但无法就干预措施的有效性或比较性能得出结论。另一个局限性是我们的检索截止于2023年8月，这意味着大多数纳入的研究在此日期之前发表。鉴于该领域发展迅速，特别是大型语言模型和其他AI驱动解决方案的兴起，这可能引发对研究结果时效性的担忧。然而，即使在重新审视了较新的文献后，我们发现核心研究问题仍未得到充分解决。因此，我们认为尽管存在此局限性，我们的综合仍然提供了相关且及时的见解。

对未来研究设计和研究的启示。本综述强调需要进行进一步调查以充分理解从EHR自动化过滤和可视化相关患者信息的影响。尽管有 promising 的发现，该领域仍在兴起，需要