Prediktivní analýza a počítačová vizualizace zvyšují bezpečnost pacientů a brání pádům

Pro snížení pádů v nemocničním prostředí a na základě předchozího výzkumu pádů v ošetřovatelství, stejně jako programu MFS a Fall TIPS, vyvinula MGH algoritmus pro podporu rozhodování, který identifikuje změny v klinických faktorech, když nastanou, aby upozornil sestry na potřebu se přizpůsobit. preventivní zásahy proti pádu. MGH Nursing pak ve spolupráci s RGI Informatika nasadila algoritmus MGH na jedné klinické jednotce všeobecné péče. Software RGI využívá algoritmus MGH k živému vysílání dat EHR z Epic k identifikaci pacientů, u kterých se mohlo zvýšit riziko pádu, a poskytuje sestrám podporu při klinickém rozhodování prostřednictvím upozornění na mobilní telefony vydané v nemocnici. Předběžné výsledky prokázaly proveditelnost a statisticky významné snížení (p < 0,01) pádů se zraněním po dobu 11 měsíců.

Vzájemně se vylučující přípravná práce na druhé lůžkové jednotce všeobecné péče, která zahrnovala počítačový vizualizační systém pacienta, rovněž přinesla snížení pádů. Kombinované použití těchto dvou technologií může přinést synergický efekt a tím dále snížit výskyt pádů v prostředí akutní péče. Dosud neexistují žádné důkazy odvozené z hodnocení výsledků pacientů ze simultánního testování těchto dvou technologií. Účelem této studie je tedy určit dopad tří různých intervencí prevence pádu (pouze algoritmus RGI/MGH, pouze Inspiren a kombinovaný algoritmus RGI/MGH a Inspiren) na pacienty s rizikem pádů a pádů se zraněním u tří dospělých obecných pečovatelské jednotky ve velkém akademickém lékařském centru.

Naše navrhované řešení je jedinou známou strategií, která extrahuje a syntetizuje fyziologická a fyzikální data z více zdrojů, aby vytvořila dimenzionální pohled na bezpečnostní profil pacienta související s rizikem pádu. Včasná upozornění informují sestry o riziku pádu pacienta, důvodu rizika a jejich klinických rozhodnutích ohledně strategií prevence pádu. Tento původní návrh se zaměřuje na pacienty s rizikem pádů a jsme si jisti, že tento inovativní přístup je adaptabilní na řešení dalších kritických bezpečnostních problémů, jako jsou tlaková poranění a infekce močových cest spojené s katetrem. Podrobné informace o RGI Analytics a Inspiren jsou uvedeny níže.

Metodika: Bude provedena observační kohorta, design studie se smíšenými metodami, aby se určil dopad a účinnost obvyklé péče a tří různých strategií prevence pádu, které přesahují standard péče na třech lůžkových jednotkách MGH v průběhu jednoho roku. Jednotka 1 bude zaměstnávat pouze analytiku streamování a algoritmus MGH, jednotka 2 bude zaměstnávat pouze počítačovou vizualizaci AUGI společnosti Inspiren a jednotka 3 bude zaměstnávat kombinovaný algoritmus analýzy streamování/MGH a zařízení AUGI společnosti Inspiren. Jednotka 4, řídicí jednotka, bude sloužit jako interní srovnávací skupina ze stejné instituce. Kromě intervencí ve studii budou všechny čtyři jednotky i nadále udržovat obvyklou praxi založenou na důkazech MGH, standardy péče o prevenci pádů. Demografické údaje o pacientech, jednotkách a sestře shromážděné pro studii lze v současné době získat z existujících zdrojů nebo je lze vypočítat z existujících zdrojů. Mezi zdroje patří ADT, PCS finanční, ostrost a kvalita dat uložená v PCS Datawarehouse. Demografické údaje o pacientech jednotky v souhrnu budou zahrnovat věk, pohlaví a rasu. Demografické údaje sestry budou zahrnovat počet ekvivalentů na plný úvazek, roky praxe sestry, roky praxe v MGH a nejvyšší úroveň vzdělání. Údaje na jednotce budou zahrnovat počty přijatých pacientů, pacientské dny, délku pobytu, ostrost ošetřovatelství, typ pacienta podle pohlaví, věku, rasy, etnického původu, počet pádů na jednotce a pádů na jednotce se zraněními a ukazatele personálního obsazení sester. Vnímání tří intervenčních jednotek sester bude měřeno v souvislosti s intervencí pomocí zpětné vazby v reálném čase z upozornění na mobilním telefonu (užitečné/neužitečné), zpětné vazby sester a čtvrtletních průzkumů. Škála efektivity prevence pádů (Dykes, et al., 2021) je recenzovaný nástroj o 13 položkách, který se zaměřuje na čtyři klíčové oblasti: šetří čas, neztrácí čas, stojí za to a je užitečný při prevenci pádů. Otázky průzkumu budou přizpůsobeny potřebám této studie a budou administrovány prostřednictvím REDCap, zabezpečené webové aplikace Harvard Catalyst pro správu online nástrojů pro průzkum.

Výzkumné otázky

1. V akutní péči, v lůžkovém nemocničním prostředí, existuje rozdíl v míře výskytu pádů a pádů se zraněním, když se srovnávají tři různé metody upozornění sester v místě péče na změnu rizika pádu pacientů při zachování všech ostatních současných standardů péče o prevenci pádů a přidání těchto nových standardů během studie: (1) využití analýzy streamování a algoritmu rizika pádu, který upozorňuje sestry na změnu rizika pádu, (2) počítačová vizualizace a umělá inteligence interpretace pohybu pacienta a ( 3) kombinace obou technologií?

2. Jaké jsou názory sester na:

   1. Vliv tří studijních technologií implementovaných za účelem pomoci s identifikací zvýšeného rizika pádu.
   2. Snížení zátěže sestry při hodnocení rizika pádu a doporučení dalších intervencí k prevenci pádů.

Cíle výzkumu:

1. Porovnejte dopad tří inovací v oblasti prevence pádu v rámci jednotek a mezi nimi a jedné řídicí jednotky (všechny čtyři jednotky používají stejný obvyklý standard péče) na pády a pády se zraněním.
2. Zjistěte vnímanou účinnost inovací v oblasti prevence pádů a upozornění na podporu klinického rozhodování a zátěže sester pomocí průzkumů sester, reakcí na upozornění a cílových skupin.