Wirkung eines elektronischen ML-Warnungsmanagementsystems zur Reduzierung des Einsatzes von Notaufnahmebesuchen und Krankenhausaufenthalten

Wöchentlich berichteten HCAs nach dem Hausbesuch über den Funktionsstatus der Teilnehmer mithilfe einer Smartphone-Anwendung, die 23 funktionelle Elemente über jeden Teilnehmer aufzeichnete (z. B. Fähigkeit zu stehen, sich zu bewegen, zu essen, Stimmung, Einsamkeit). Es wurde ein Vorhersagesystem unter Verwendung maschineller Lerntechniken (d. h. Nutzung zufälliger Waldprädiktoren) entwickelt und generierte 7- bis 14-tägige Vorhersagewarnungen für das Risiko eines Besuchs in der Notaufnahme bei Krankenschwestern.

Dieser Fragebogen konzentrierte sich auf die funktionale und klinische Autonomie (z. B. Aktivitäten des täglichen Lebens), mögliche medizinische Symptome (z. B. Müdigkeit, Stürze und Schmerzen), Verhaltensänderungen (z. B. Erkennen und Aggressivität) und die Kommunikation mit der HA oder ihrer Umgebung . Dieser Fragebogen besteht aus sehr einfachen und leicht verständlichen Fragen, die einen umfassenden Überblick über den Zustand der Person geben. Für jede der 23 Fragen wurde eine Ja/Nein-Antwort abgefragt. Von HAs aufgezeichnete Daten wurden in Echtzeit an einen sicheren Server gesendet, um von unserem maschinellen Lernalgorithmus analysiert zu werden, der das Risikoniveau vorhersagte und es auf einem webbasierten, sicheren medizinischen Gerät namens PRESAGE CARE anzeigte, das CE-gekennzeichnet ist. Insbesondere wenn der Algorithmus ein hohes Risikoniveau vorhersagte, wurde eine Warnung in Form einer Benachrichtigung auf dem Bildschirm an die koordinierende Pflegekraft des Gesundheitsnetzwerkzentrums des Bezirks angezeigt. Dieser Risikomeldung waren Informationen über aktuelle Veränderungen im Funktionsstatus der Patienten beigefügt, die aus den Aufzeichnungen der Gesundheitsdienstleister ermittelt wurden, um die koordinierende Pflegekraft bei der Interaktion mit der pflegenden Angehörigen und anderen medizinischen Fachkräften zu unterstützen.

Im Alarmfall rief die koordinierende Pflegekraft die pflegende Angehörige an, um sich über die jüngsten Veränderungen im Gesundheitszustand des Patienten zu erkundigen und Zweifel auszuräumen. Anschließend konnte sie entscheiden, eine Gesundheitsintervention gemäß einem Gesundheitsinterventionsmodell anzufordern, das vor Beginn der Alarmierung entwickelt wurde Studie. Kurz gesagt bestand diese alarmgesteuerte Gesundheitsintervention (ATHI) darin, die Krankenschwester des Patienten (wenn der Patient regelmäßig Hausbesuche von einer Krankenschwester hatte) oder den Hausarzt des Patienten anzurufen und sie über eine Verschlechterung des Funktionsstatus des Patienten und ein potenzielles Risiko zu informieren eines Notaufnahmebesuchs oder eines ungeplanten Krankenhausaufenthalts in den nächsten Tagen gemäß dem eHealth-Systemalgorithmus. Dieses ATHI-Modell wurde von den Agences Régionales de Santé der an unserer Studie beteiligten Regionen vorgestellt und genehmigt