Včasná detekce respiračního ohrožení, aby se zabránilo poškození hospitalizovaného pacienta léčeného opioidy

Prostředí: Tento výzkumný projekt bude proveden v nemocnici ve vnitřním městě v západním New Yorku, Buffalo General Medical Center (BGMC) je typické pro zařízení s nedostatečnými zdroji poskytující péči podstatné části nemajetných, menšinových, přistěhovalců a lékařsky nedostatečně vybavených obyvatel regionu. V roce 2017 se 36 % pacientů s BGMC identifikovalo jako černochů nebo Afroameričanů. Typičtí pacienti čelí ekonomickým, kulturním nebo jazykovým překážkám ve zdravotnictví. Tím, že se tato studie zaměří na OIRC na BGMC, pomůže tato studie informovat o tom, jak mohou zdravotní rozdíly ovlivnit výskyt OIRC. Na BGMC bylo v roce 2017 provedeno 11 744 chirurgických výkonů a u 2 % případů obecné chirurgie se vyskytla nežádoucí příhoda (modrý kód). Informace o nežádoucích účincích souvisejících s OIRC nejsou k dispozici.

Cíl 1. Po náboru a předoperačním provedení informovaného souhlasu budeme monitorovat pooperační pacienty pomocí pulzní oxymetrie, kapnografie, TCpCO2 a minutové ventilace během zotavování z anestezie (v PACU) a na patře obecné péče po dobu až 72 hodin. Bude provedena observační studie na 50 chirurgických pacientech za účelem zaznamenání dat elektronického monitorování dýchání a také charakteristik pacienta. Tyto informace budou použity pro validaci a iterativní vývoj predikčních modelů pomocí technik strojového učení. V naší předběžné práci jsme použili data, která shromáždili výzkumní asistenti čtením dat z displeje zařízení. Během návrhu navržené studie budeme zaznamenávat data z každého elektronického zařízení přímo na USB flash disk připojený k zařízení. V naší předběžné práci jsme měli pouze data z pobytu PACU. Během této studie budeme shromažďovat data prospektivně během pobytu v nemocnici, abychom dále informovali o změnách respiračního ohrožení, když pacient přechází z anestetik a paralytických látek. Na straně strojového učení prozkoumáme sítě s krátkodobou pamětí (LSTM), které se staly nejmodernějšími modely strojového učení pro práci s daty sekvencí a časových řad (24), včetně aplikací v oblasti zdravotnictví (25). , včetně nedávné práce Co-I Chandola. Důvodem pro použití těchto modelů oproti modelu podpůrného vektorového stroje použitého v naší předběžné studii je to, že jsou schopny explicitně modelovat časové závislosti v datech, od čehož se očekává významné zlepšení prediktivní výkonnosti modelu (26).

Cíl 2. Abychom dále porozuměli faktorům souvisejícím s OIRC a abychom pomohli reagovat na připomínky recenzentů AHRQ, provedeme analýzu hlavních příčin všech nežádoucích příhod nalezených u pacientů, které jsme přijali pro Cíl 1, a také všechna volání rychlé reakce , dodávky naloxonu a kódové modré výzvy pro rok 2018 v Buffalo General Medical Center (BGMC). Budeme zkoumat každý případ speciálně pro ošetřovatelské postupy hodnocení a monitorování, stejně jako všechny faktory pacienta a prostředí, které mohly přispět k nežádoucí příhodě. Lékař pro bezpečnost pacientů a sestry zajišťující kvalitu z BGMC budou pohovory, aby provedli analýzu hlavních příčin všech nežádoucích účinků souvisejících s opioidy, které se v zařízení vyskytly za poslední rok. Každá událost bude rozdělena podle toho, kdo se účastnil, co dělal, jaké technologie byly použity, kde se akce konala a jaké vnější faktory mohly k události přispět. Tyto informace budou použity k seskupení potenciálních příčin a progrese směrem k nežádoucí příhodě, což umožní identifikaci rolí pracovní zátěže personálu a monitorování pacienta na výskyt OIRC. Od lékařského ředitele pro bezpečnost pacientů v BGMC a hlavní ošetřovatelské kanceláře Kaleida Health jsme obdrželi dopis s podporou pro naše zamýšlené projekty.