Klinik - Intelligent Patient Flow Management

1. Baggrund

   Kontinuerlig udvikling af digital teknologi giver nye muligheder også på sundhedsområdet. Da sundhedsomkostningerne konstant vokser både på verdensplan og i Finland (1), er der behov for innovationer for at øge allokeringen af ​​begrænsede sundhedsressourcer og reducere den økonomiske byrde. Digitale sundhedsteknologier (DHT) har potentialet til at reducere disse omkostninger. De udvikles i stigende grad til at understøtte sundhedssystemer over hele verden. DHT mangler dog ofte evidensbaseret medicin (2), og både vigtigheden og manglen på deres validering er blevet bredt anerkendt (3, 4).

   Arbejdet i triage- og akutcenter er meget krævende med et betydeligt tidspres. Når man opererer med store patientmængder, akutte tilstande og alvorlig stress, er der sandsynlighed for, at menneskelige fejl i det mindste i et vist omfang vil opstå. Læger har vist sig at have en diagnostisk fejlrate på ~5 % (5), hvor halvdelen af ​​disse er potentielt skadelige (6). DHT er blevet foreslået at have en væsentlig rolle, der hjælper både patientbehandling og triage (7), og dermed også reducere potentielle menneskelige fejl. For eksempel har et råt online-klinisk beslutningsstøtteværktøj vist sig pålideligt at demonstrere sværhedsgraden af ​​akut triage i eksperimentelle omgivelser (7).

   Valideringen af ​​DHT og beslutningsstøtteværktøjer er yderst afgørende. Værktøjer med falsk negative rater kan have alvorlige konsekvenser, når man ignorerer alvorlige tilstande såsom hjerteiskæmi (4). DHT bør være grundig og optimal på det medicinske område, og deres interne og eksterne validitet bør være blevet evalueret. For nylig er der udgivet retningslinjer for evaluering af DHT (4). Ifølge retningslinjer er det første trin i vurderingen at vise resultaterne i et tidligt observationsstudie i kliniske omgivelser. Ud over sikkerhed bør også effektivitet og effektivitet af DHT evalueres.

   For at imødekomme disse behov er Intelligent Patient Flow Management-system (IPFM) udviklet til at hjælpe brugeren (dvs. patient) og sundhedspersonalet til at evaluere brugerens tilstand og dens sværhedsgrad. IPFM muliggør semi-automatisk triaging af patienter og forbedrer styringen af ​​patienttilstrømning og efterspørgsel. Derudover giver IPFM skriftlig og præcis information til sundhedspersonalet, som patienterne selv kommunikerer om deres tilstande og symptomer. Kernen i IPFM er en bred medicinsk database genereret af læger, kombineret med kunstig intelligens (AI) og feedback-loops til forbedring af nøjagtigheden. Med andre ord er IPFM et AI-induceret triage- og beslutningsstøtteværktøj udviklet og overvåget af læger for at hjælpe sundhedspersonale med at vurdere, hvor meget patienterne haster. Det evaluerer brugerens tilstand og udleder det hastende ved hjælp af brugerdemografi, baggrundsinformation og symptomer.

   IPFM er udviklet af et sundhedsteknologifirma Klinik Healthcare Solutions Oy, og det er allerede blevet implementeret i over 400 primære pleje- og tandlægefaciliteter i Norden og blev for nylig lanceret i Storbritannien og Portugal. Det har tidligere vist sig at reducere omkostningerne i primærplejen med 14 % i de samlede samlede serviceomkostninger for patienterne ved at strømline patientflowet (8). IPFM er i øjeblikket klassificeret og registreret som et CE klasse 1 medicinsk udstyr, hvilket kræver kontinuerlig videnskabelig valideringsforskning og systematisk udvikling og kvalitetsstyringsprocesser. Systemet bruges i overensstemmelse med dets tilsigtede anvendelse i denne undersøgelse, og undersøgelsen kræver derfor ikke tilladelse eller registrering til FIMEAs kliniske udstyrsstudieregister.

   Kliniks IPFM (produktnavne Klinik Access, Klinik Frontline) leverer en full-stack løsning, med interface til patientinput, backend til database- og algoritmeberegninger og interface til håndtering af sagsoutput til triaging og kombineret statistik for sundhedspersonale. IPFM bruger medicinsk gylden standard Bayesiansk metodologi til at udlede effekten af ​​kliniske træk på sandsynligheden for tilstandene. Tilstandens sværhedsgrad og hastende karakter udledes ved hjælp af specifikke alvorlighedssymptomer og ved at sætte en tærskel for sandsynligheden for relevante tilstande. Al indstrømning af data samles og analyseres dynamisk ensembles og visualiseres, som kan bruges af (ledelses)medarbejdere til at overvåge og optimalt imødekomme efterspørgsel ad hoc.

2. Mål og målsætninger

   Hovedformålet med denne undersøgelse er at validere brugen af ​​IPFM i et hospitalsmiljø ved at evaluere sammenhængen mellem IPFM-output og 1) klinisk presserende og sværhedsgrad af tilstandene (ved hjælp af Emergency Severity Index [ESI], en international triaging-protokol for akutafdelinger , og en vurdering af triage sygeplejerske); og 2) faktiske diagnoser stillet af sygehuslægerne. Målet er også at vurdere sammenhængen mellem IPFM-output med omdirigering eller henvisning til forskellige specialer (f. internlæge eller kirurg).

   Hovedhypoteserne er:

   • IPFM er sikker (< 1 % savnede akuttilfælde) og nøjagtig (> 80 % overensstemmelse med triaging sygeplejerske) til at vurdere, hvor presserende betingelserne for at ankomme patienter til skadestuen er.
   • IPFM har tilstrækkelig korrelation (> 60 % overlap) af differentialdiagnose med faktisk diagnose diagnosticeret af læge

   Validering af IPFM, et AI-induceret triage-støtte- og beslutningsstøtteværktøj, i det virkelige miljø og i hospitalsmiljøer er afgørende for dets brug på hospitaler og klinisk arbejde i fremtiden for at understøtte evidensbaseret medicin. Et præcist og effektivt værktøj vil mindske forsinkelser i behandlingen af ​​akutte tilstande og har potentialet til at mindske menneskelige fejl, der er uundgåelige i omgivelser med høje patientvolumer, akutte tilstande og alvorlig stress. Når det er i fuld implementering, kan det også hjælpe med at optimere akutafdelingens ressourcer og målrette dem mere præcist. Derudover giver denne undersøgelse vigtig information om patienthistorie og symptomer givet af patienterne selv, når de kommer ind på skadestuen sammenlignet med kliniske data.

3. Materialer og metoder

   Undersøgelsespopulationen består af patienter, der kommer ind på akutmodtagelsen på Kuopio Universitetshospital (KUH) i løbet af en 2-ugers forskningsperiode. Den beregnede nødvendige stikprøvestørrelse er minimum 246 patienter (konfidensniveau 95 %, fejlmargin 5 %, undersøgelsespopulationsandel 80 %). Dataene består af registerdata fra de elektroniske journaler, andre kvantitative data (såsom udtræk fra KUH-beredskabsrapporteringssoftware) og kvalitative data indhentet gennem observation. Både kvalitative og statistiske metoder vil blive anvendt på dataene for at udlede resultater.

   Case-specifik information i IPFM (demografi, baggrundsinformation, symptomer) leveret af patienten vil blive analyseret med kliniske data (Emergency Severity Class Index (ESI), triagekategori, diagnoser) indsamlet fra hospitalets elektroniske patientjournaler (nødsituationer). og andre mulige afdelinger) og IPFM professionelt dashboard, og sikkerheden, specificiteten og følsomheden af ​​IPFM output analyseres.

   Tilstandens hastende karakter vurderes af IPFM, og analyserne med kliniske data og validering vil blive udført efter dataindsamlingen. De haster, vurderes af IPFM som: 1. egnet til egenomsorg, hvis ingen receptpligtig medicin eller anden behandling foreslås (dvs. kræver ikke lægeevaluering, men kan dog have gavn af sygeplejerskekontrol og rådgivning); 2. ikke-hastende, hvis lidelsen er langvarig eller kronisk, men drager fordel af lægeevaluering og vil mere effektivt kunne håndteres gennem ikke-hastebesøg (> 3 dage); 3. haster, hvis lidelsen er (semi-)akut og nyder godt af lægevurdering inden for 1-3 dage; og 4. nødsituation, hvis lidelse kræver evaluering og behandling inden for samme dag (eller straks) for at undgå risiko for alvorlig sundhedsfare. Dette output er korreleret med ESI-klassificeringen, der bruges af KUH-nødsituationer og andre data indsamlet fra elektroniske sundhedsjournaler vedrørende tilstandens hastende karakter.

   Når de går på hospitalet, vil patienter rapportere deres demografi, baggrundsinformation, symptomer, andre sagsspecifikke data og tilfredshed ved hjælp af en struktureret IPFM-onlineformular. Patienter, der kommer ind i enheden i en ambulance eller med behov for øjeblikkelig pleje på grund af alvorlige og akutte tilstande, håndteres gennem en traditionel proces: De udfylder ikke formularen og er derfor uden for rammerne af præ-evalueringsprocessen og denne undersøgelse. Al indsamlet information overføres til IPFM-dashboardet, hvor patienten rapporterede kliniske oplysninger, AI-inducerede forslag om, hvor meget den nødvendige behandling haster og potentiel diagnose (en differential på 3-10 sandsynlige diagnoser) er demonstreret. I dette studiedesign kan sundhedspersonale dog ikke se nogen klinisk information i IPFM-dashboardet, dvs. outputtet fra IPFM er blindet.

   Patientdata vil blive gemt i registret fra IPFM: 1) alder; 2) køn; 3) symptomernes varighed; 4) kropsplacering af symptomerne; 5) symptomer valgt fra symptomskyen/-erne af patienten (symptomskyen er dynamisk, består af 430 potentielle symptomer, symptomvalg varierer afhængigt af patientens tidligere handlinger); 6) sværhedsgradssymptomer valgt fra sværhedsgradssymptomskyen (alvorhedssymptomskyen er dynamisk, består af 100 potentielle sværhedssymptomer, valget varierer afhængigt af patientens tidligere handlinger); 7) fritekstfelter vedrørende de valgte symptomer; 8) svar (ja/nej) på spørgsmålene: a) har du brugt medicin eller anden behandling for din lidelse, b) har nogen (f.eks. en læge eller en fysioterapeut) allerede undersøgt eller behandlet din lidelse; 9) formularens identifikationsnummer; 10) unikt sags-id-nummer; 11) navn; 12) personnummer; og 13) telefonnummer.

   Efter den primære IPFM-dataindsamlingsfase i begyndelsen af ​​hvert skadestuebesøg påbegyndes en sekundær fase af datahentning efter undersøgelsesperioden. I løbet af denne vil kun kritisk information, der kræves for at vurdere gyldigheden af ​​IPFM-systemets resultater, blive hentet fra det elektroniske sundhedssystem: 1) ESI-klassificering; 2) diagnose/diagnoser af patienten; 3) specialitet & plejevej valgt i akutbehandlingen; 4) traditionel ikke-ESI hastevurdering sammenlignelig med vores hasteskala (hvis gemt). De endelige datapunkter vil svare til disse, men kan på grund af ændringer i ER-praksis og/eller datasystemer variere. Datapunkterne er valgt for optimalt at muliggøre sammenlignende analyse af resultater. Disse oplysninger bruges kun efter dataindsamling ved evaluering af gyldigheden af ​​IPFM.

   På trods af udelukkelse af patienter med behov for akut omgående pleje af sundhedspersonale (ankommer med ambulance), er også børn/unge og patienter med ellers begrænsede evner eller udviklingsforstyrrelser udelukket fra undersøgelsen. Voksne patienter med lettere psykiske lidelser kan inkluderes, eksklusive patienter med værge. Derudover er gravide eller ammende patienter udelukket fra undersøgelsen.

4. Etiske aspekter af forskningen

   Deltagelse i undersøgelsen er frivillig for patienterne. Efter at have modtaget mundtlig og skriftlig information på stedet på KUH akutmodtagelse, underskriver patienterne en informeret samtykkeerklæring. Som beskrevet i kapitel 5 vil undersøgelsesprotokollen ikke skade nogen forsøgspersoner og vil ikke gribe negativt ind i deres behandling. Patienterne deltager kun én gang i undersøgelsen, på stedet, når de ankommer til akutmodtagelsen, og der opstår således ingen yderligere aktivitet eller økonomisk byrde.

   Et uafhængigt forskningsdataregister vil blive genereret til denne undersøgelse. Ved oprettelse af registret bruges personnummer eller telefonnummer til at flette data fra elektroniske sygejournaler og IPFM. Efter at data er blevet flettet og det kombinerede register er oprettet, bruges tilfældigt genererede case-id'er som forskningsemneidentifikatorer, og information, der muliggør identifikation af enkeltpatienter, er ikke tilgængelig. Sammenlægningen af ​​data foretages af KYS-medarbejderne, inden der gives adgang til forskningsregistret for forskningsgruppen. Det kombinerede forskningsregister vil blive gemt i digitalt format på en computer, der kun ejes af forskningsgruppens medlemmer. Der vil være en adgangskodebeskyttelse for en bruger til at indtaste a) computeren og b) selve registreringsdatabasen. Filen vil blive gemt i en lokal mappe, der ikke er adgang til online (dvs. ikke en skylagermappe). Registerfilen vil blive opbevaret i fem (5) år efter undersøgelsen anses for afsluttet og vil blive slettet efter perioden i henhold til de påkrævede håndteringsstandarder. Administratoren af ​​sags-id'erne er den ansvarlige for projektet, og Klinik Healthcare Solutions Oy er ansvarlig for at opbevare registerfilen. Studiet vil blive registreret i det internationale "ClinicalTrials.gov" forskningsregister. Resultaterne af dette projekt vil blive rapporteret på gruppeniveau, og derfor kan ingen individuel information genkendes.

   Ansøgningen til den etiske komité indsendes i maj 2020.

5. Risikovurdering

   Sundhedspersonalet evaluerer patienterne ud fra deres egen kliniske vurdering, og de bruger ikke output fra IPFM i deres beslutningstagning. IPFM-data vurderes først efter dataindsamlingen.

   Der er en potentiel risiko for at anskaffe frivillige under den tilsigtede mængde for undersøgelsen. Dette vil blive løst ved at forlænge studietiden eller overlapning af daglig arbejdstid.

   Der er en hypotetisk risiko for at forårsage uønsket forsinkelse i registreringsprocessen af ​​patienterne, der vil medføre, at kritiske sager går glip af på grund af øgede ventetider på registreringen. Vores tidligere brugerundersøgelser har vist, at udfyldelse af IPFM-formularen tager omkring 3-5 minutter, hvilket ikke ville være en livstruende forsinkelse for walk-in patienter. Denne risiko vil blive overvåget og, hvis den bemærkes, styret i realtid.

6. Tidsplan og finansieringsplaner

   Denne undersøgelse er oprindeligt planlagt til at blive udført mellem 1.7.2020 og 30.6.2023. Varigheden af ​​dataindsamlingen er cirka 2 uger og er designet til at afsluttes i løbet af efteråret 2020.

   Projektet forventes at have en mindre økonomisk effekt for parterne. Patienterne i denne undersøgelse vil ikke opleve nogen økonomisk skade. Serviceudbyderen Klinik Healthcare Solutions Oy dækker omkostningerne til sine forskere og assisterende personale i form af en moderat timeløn. Tjenesteudbyderen vil også levere det digitale udstyr, der bruges i forskningen til at indsamle oplysningerne fra patienterne. I forbindelse med godkendelsen af ​​udstyret vil det arbejde tæt sammen med IKT-afdelingen i Kuopio Universitetshospitaldistrikt. Hospitalet eller akutmodtagelsen vil ikke have yderligere omkostninger i forbindelse med forskningsprojektet. Der er ingen yderligere økonomiske kompensationer til forskerne eller til undersøgelsespopulationen.

7. Forskningsgruppe, ressourcer og interessekonflikter

   Forskergruppen består af MD, PhD Juhani Määttä (Medical Research Center Oulu, University of Oulu), MD, PhD kandidat Petteri Hirvonen (University of Helsinki), MD Rony Lindell (University of Helsinki) og PhD Tero Martikainen, overlæge i Kuopio Universitetshospitalets akutmodtagelse.

   Juhani Määttä, Petteri Hirvonen og Rony Lindell har finansielle og forretningsmæssige interesser i Klinik Healthcare Solutions Oy.

8. Forventede resultater og videnskabelig effekt

Undersøgelsen forventes at validere høj nøjagtighed (dvs. sikker og pålidelig anvendelighed) af IPFM-værktøjet i KUH-hospitalsammenhæng. Resultaterne kan generaliseres til andre akutmodtagelser på hospitalet, dog med forsigtighed ved at lave kontekstuelle analyser og processammenligninger forud for implementeringsovervejelser. Gennem vurdering af IPFM-output med data fra patientens elektroniske sundhedsjournaler, forventes undersøgelsen at vise: 1) stærk sammenhæng mellem hastekategorien; og 2) god sammenhæng mellem beregnet differentialdiagnose og ED- eller afdelingslægers diagnoser. Formålet er at publicere resultaterne i internationalt anerkendte medicinske tidsskrifter med høj kvalitet.

Ifølge vores gennemgang af litteraturen om dette emne, er en AI-understøttet automatisering af den indgående patienttrafik i en akutafdeling ikke tidligere blevet undersøgt, især ikke i denne skala og patientvariation. Der opstår en stigende offentlig og professionel interesse for AI-baserede løsninger til at støtte fagfolk i deres arbejde og beslutningstagning. For at imødekomme disse behov leverer og validerer denne undersøgelse videnskabeligt en løsning, der fungerer semi-uafhængigt, og som optager indledende opgaver, der normalt er forbeholdt sundhedspersonale. Forskergruppen forudser, at dette vil være af stor interesse for det videnskabelige samfund - og vil bidrage til diskussionen af ​​DHT'ens muligheder for at give markant omkostningseffektivitet uden at gå på kompromis med patientsikkerheden og effektiviteten af ​​brugen af ​​faglige ressourcer.