Errors in clinical decision-making are disturbingly common. Recent studies have found that 10 to 15% of all clinical decisions regarding diagnoses and treatment are inaccurate. Here, we experimentally study the ability of structured information-sharing networks among clinicians to improve clinicians’ diagnostic accuracy and treatment decisions. We use a pool of 2.941 practicing clinicians recruited from around the United States to conduct 84 independent group-level trials, ranging across seven different clinical vignettes for topics known to exhibit high rates of diagnostic or treatment error (e.g., acute cardiac events, geriatric care, low back pain, and diabetes-related cardiovascular illness prevention). We compare collective performance in structured information-sharing networks to collective performance in independent control groups, and find that networks significantly reduce clinical errors, and improve treatment recommendations, as compared to control groups of independent clinicians engaged in isolated reflection. Our results show that these improvements are not a result of simple regression to the group mean. Instead, we find that within structured information-sharing networks, the worst clinicians improved significantly while the best clinicians did not decrease in quality. These findings offer implications for the use of social network technologies to reduce errors among clinicians.
Commentaire du Dr Marius Laurent (PAQS)
- Il existe avant cet article de nombreuses études qui soulignent que la qualité du diagnostic médical peut s’améliorer s’il est le fruit d’une activité collective. On a parlé d’intelligence collective, de sagesse du groupe, voire d’intelligence de l’essaim, mais les observations qui appuient cette thèse sont rétrospectives, et ne se penchent pas sur les mécanismes en jeu. Dans cette étude en revanche, 2 941 médecins sont impliqués, soit dans un groupe « intervention », soit dans un groupe témoin, et dans la formation de réseaux anonymes et non hiérarchisés. Ils sont confrontés à un cas clinique présenté dans une application dédiée, et jugés sur la qualité de leur estimation de l’exactitude de leur hypothèse diagnostique, ou du risque d’une complication, et sur la qualité de la décision prise (par exemple une admission hospitalière). Le médecin dans le groupe intervention est en contact (anonyme) avec 4 membres d’un groupe de 40. Il fait une première appréciation du risque sans avoir accès au jugement de ses pairs, puis dans un deuxième et troisième épisode, il accède à l’estimation moyenne du risque de leur « réseau » (mais pas à ses décisions). Le groupe témoin ne reçoit aucune information nouvelle, mais peut corriger son estimation. Le groupe témoin améliore sa prédiction d’exactitude au fil des essais, mais statistiquement bien moins que le groupe intervention. Il en va de même pour la qualité des décisions prises. Ce qui est intéressant, c’est que ces changements touchent surtout les médecins dont les choix initiaux étaient peu adéquats, les médecins « les plus doués » changeant très peu leurs estimations initiales et leur choix décisionnel. Dans ce type de groupe, les « meilleurs » ont un poids d’influence sur le groupe beaucoup plus important que celui des médiocres dont ils améliorent la performance sans rien perdre de la leur : il ne s’agit donc pas d’un mécanisme de régression vers la moyenne comme on aurait pu le craindre. Généraliser cette observation « à la vraie vie » nécessite la plus grande prudence : le protocole est égalitaire et assure un même poids à chaque membre (anonyme) du réseau, indépendamment de liens hiérarchiques ou d’influence liée à une réputation. Les auteurs évoquent la possibilité d’inclure de tels « réseaux » égalitaires et anonymes dans des plateformes de consultation en ligne à l’usage des cliniciens.
Centola D, Becker J, Zhang J, et al.Experimental evidence for structured information-sharing networks reducing medical errors. Proc Natl Acad Sci USA 2023;120(31):e2108290120. Doi : 10.1073/pnas.2108290120.