Prædiktiv analyse og computervisualisering forbedrer patientsikkerheden for at forhindre fald

For at mindske fald i hospitalsmiljøet og på baggrund af tidligere sygeplejeforskning samt MFS og Fall TIPS-programmet udviklede MGH en beslutningsstøttealgoritme til at identificere ændringer i kliniske faktorer, efterhånden som de opstår for at advare sygeplejersker om behovet for at justere faldforebyggende indsatser. MGH Nursing, gennem et samarbejde med RGI Informatics, implementerede derefter MGH-algoritmen på én klinisk generel plejeenhed. RGI-softwaren bruger MGH-algoritmen livestreaming af EPJ-data fra Epic til at identificere patienter, hvis risiko for at falde kan være øget, og yde klinisk beslutningsstøtte til sygeplejersker gennem en alarm på deres hospitalsudstedte mobiltelefoner. Foreløbige resultater viste gennemførlighed og en statistisk signifikant reduktion (p <0,01) i fald med skade over en 11-måneders periode.

Gensidigt udelukkende indledende arbejde på en anden indlæggelsesafdeling, der involverede et computerstyret patientvisualiseringssystem, gav også reduktion af fald. Kombineret brug af de to teknologier kan give en synergistisk effekt og derved yderligere reducere forekomsten af ​​fald i den akutte pleje. Til dato er der ingen evidens afledt af evaluering af patientresultater fra samtidig test af de to teknologier. Formålet med denne undersøgelse er således at bestemme virkningen af ​​tre forskellige faldforebyggende interventioner (kun RGI/MGH Algorithm, Inspiren alene og kombineret RGI/MGH Algorithm og Inspiren) på patienter med risiko for fald og fald med skade på tre voksne generelle plejeenheder i et stort akademisk lægecenter.

Vores foreslåede løsning er den eneste kendte strategi, der udtrækker og syntetiserer fysiologiske og fysiske data fra flere kilder for at skabe et dimensionelt billede af en patients sikkerhedsprofil relateret til faldrisiko. Tidlige alarmer vil informere sygeplejersker om patientens faldrisiko, årsagen til risikoen og deres kliniske beslutninger vedrørende faldforebyggelsesstrategier. Dette indledende forslag fokuserer på patienter med risiko for fald, og vi er overbeviste om, at denne innovative tilgang kan tilpasses til andre kritiske sikkerhedsproblemer, f.eks. trykskader og kateterrelaterede urinvejsinfektioner. Detaljeret information om RGI Analytics og Inspiren findes nedenfor.

Metode: En observationskohorte, blandede metoders undersøgelsesdesign vil blive udført for at bestemme virkningen og effektiviteten af ​​sædvanlig pleje og tre forskellige faldforebyggelsesstrategier, der overstiger standarden for pleje på tre indlagte enheder på MGH over et år. Enhed 1 vil kun beskæftige streaminganalyse og MGH-algoritmen, enhed 2 vil kun ansætte Inspirens AUGI-computervisualisering, og enhed 3 vil beskæftige den kombinerede streaminganalyse/MGH-algoritme og Inspirens AUGI-enhed. Enhed 4, kontrolenheden, vil fungere som en intern sammenligningsgruppe fra samme institution. Ud over undersøgelsesinterventionerne vil alle fire enheder fortsætte med at opretholde sædvanlig MGH evidensbaseret praksis, standarder for pleje til faldforebyggelse. Demografiske data for patient, enhed og sygeplejerske indsamlet til undersøgelsen i øjeblikket kan tilgås fra eller beregnes fra eksisterende kilder. Kilder omfatter ADT-, PCS-økonomi-, skarpheds- og kvalitetsdata, der er gemt i PCS Datawarehouse. Enhedens patientdemografiske data i aggregatet vil omfatte alder, køn og race. Sygeplejerskedemografiske data vil omfatte antallet af fuldtidsækvivalenter, års erfaring som sygeplejerske, års erfaring på MGH og højeste uddannelsesniveau. Enhedsdata vil omfatte tællinger af patientindlæggelser, patientdage, liggetid, sygeplejeskarphed, patienttype efter køn, alder, race, etnicitet, antal enhedsfald og enhedsfald med skader og sygeplejerskebemandingsindikatorer. Sygeplejerskes opfattelse af de tre interventionsenheder vil blive målt i forbindelse med interventionen ved hjælp af realtidsfeedback fra mobiltelefonalarmer (nyttigt/ikke nyttigt), sygeplejerskefeedback og kvartalsvise undersøgelser. Fall Prevention Efficiency Scale (Dykes, et al., 2021) er et peer-reviewet værktøj med 13 punkter, der fokuserer på fire nøgleområder: sparer tid, spilder ikke tid, er tiden værd og hjælper med at forhindre fald. Spørgsmålene i undersøgelsen vil blive tilpasset til at imødekomme behovene i denne undersøgelse og vil blive administreret via REDCap, en Harvard Catalyst sikker webapplikation til styring af online undersøgelsesværktøjer.

Forskningsspørgsmål

1. I den akutte pleje, indlagte hospitalsmiljøer, er der forskel i forekomsten af ​​fald og skadelige fald, idet man sammenligner tre forskellige metoder til at advare sygeplejersker på plejestedet til en ændring i patientens risiko for at falde, mens alle andre nuværende standarder opretholdes. af omsorg for faldforebyggelse og tilføjelse af disse nye standarder i løbet af undersøgelsen: (1) brug af streaminganalyse og en faldrisikoalgoritme, der advarer sygeplejersker om en ændring i faldrisiko, (2) computervisualisering og kunstig intelligens fortolkning af patientbevægelser og ( 3) en kombination af begge teknologier?

2. Hvad er opfattelsen af ​​sygeplejersker relateret til:

   1. Virkningen af ​​tre undersøgelsesteknologier implementeret for at hjælpe med at identificere øget faldrisiko.
   2. Reduktion af sygeplejerskebyrden på vurdering af faldrisiko og anbefaling om yderligere indsatser for at forebygge fald.

Forskningens mål:

1. Sammenlign virkningen af ​​de tre faldforebyggende innovationer, inden for og mellem enheder og med én kontrolenhed (alle fire enheder bruger samme sædvanlige standard for pleje) på fald og fald med skade.
2. Bestem den oplevede effektivitet af innovationer og alarmer til forebyggelse af fald om klinisk beslutningsstøtte og sygeplejerskebyrde ved hjælp af sygeplejerskeundersøgelser, svar på advarsler og fokusgrupper.