Vanhusten heikkouden dynamiikka

Haurauden vaikutus hoidon kysyntään ja tuloksiin on noussut merkittäväksi ongelmaksi Kansalliselle terveydenhuollolle (NHS) viime vuosina. Yhteys heikkouden ja haitallisten seurausten, kuten suunnittelemattoman hoidon, hoitoon siirtymisen ja korkean palvelun käytön välillä tunnetaan hyvin (BGS 2014/15; NIHR 2017; Clegg ym. 2013). Väestön ikääntyessä heikkouden esiintyvyys ja siihen liittyvä terveydenhuollon kysyntä kasvavat. Kun resurssit vähenevät ja odottamattoman hoidon kysyntä kasvaa, asianmukaisten palveluiden tarjoaminen heikkokuntoisten ihmisten tukemiseksi on avainasemassa ikääntyneiden kustannustehokkaan ja laadukkaan hoidon tarjoamisessa. Viimeaikaiset konsensusohjeet ovat korostaneet heikkouden tunnistamisen ja kliinisen hallinnan tärkeyttä (BGS 2014; NICE 2016), ja tehokkaita interventioita on saatavilla, mutta kapasiteetti ja resurssit niiden toteuttamiseen ovat rajalliset. On tunnustettu näyttövaje, joka liittyy palvelujen suunnitteluun, tilaamiseen ja toimittamiseen heikkokuntoisille ihmisille (NIHR 2017). Edelleen on kyseenalaista haurauden eri tasojen ilmaantuvuus ja esiintyvyys sekä seuraukset terveysvaikutuksiin, terveys- ja hoitopalvelujen käyttöön ja kustannuksiin. Näiden ongelmien ratkaiseminen edellyttää haurauden kehityksen ja vaikutusten väestötrendien selvittämistä, mutta tämä tutkimus on aiemmin ollut rajallista, koska heikkouden tunnistamiseksi tarvitaan kliinistä arviointia. Äskettäin käyttöön otettu sähköinen heikkousindeksi (eFI) (Clegg et al. 2016) mahdollistaa rutiininomaisen perusterveydenhuollon tietojen käytön tunnistamaan heikkouden esiintyminen ja vakavuus todellisissa väestöryhmissä. Näin ollen eFI helpottaa haurauden dynamiikan ja sen vaikutusten kartoittamista väestötasolla. Se mahdollistaa perusterveydenhuollon väestön jakamisen vankoihin, lievään, keskivaikeaan ja vakavaan heikkoon ryhmiin, mikä mahdollistaa näiden ryhmien välisen laskun kehityskulkujen ja hoitopolkujen vertailun, mikä on avainasemassa palvelujen kehittämisessä ja käyttöönotossa.

Tässä tutkimuksessa tutkijat tutkivat heikkouden esiintyvyyttä ja esiintyvyyttä, kehitystä ja vaikutusta väestössä käyttämällä retrospektiivisiä tietoja Royal College of General Practitioners Research Surveillance Center (RCGP RSC) -tietokannasta, joka sisältää tietoja 1,8 miljoonasta potilaasta 230 vastaanotosta. . eFI-työkalua käytetään 60-vuotiaiden ja sitä vanhempien ihmisten ryhmittelyyn tietokannassa vuosina 2004-2008 vankoihin, lievään, keskivaikeisiin ja vakaviin heikkousryhmiin. Tietoja kerätään heikkoudesta, terveydenhuollon käytöstä ja tuloksista seuraavilta 10 vuodelta, ja näistä tiedoista lasketaan tärkeimmät palvelun käyttökustannukset. Tuloksia ovat kuolleisuus, suunnittelematon sairaalahoito, tapaturma- ja hätätilanne (A&E) ja yleislääkärikäynnit. RCGP RSC -tietoaineisto tarjoaa myös tietoa sosioekonomisista tekijöistä, toiminnan koosta sekä sijainnista ja asuinpaikasta. Kohortti ositetaan haurauden vakavuuden ja ajan mittaan tutkitun heikkouden tilan mukaan, mikä määrittää heikkouden esiintyvyyden, yleisyyden ja etenemisen. Tutkijat tutkivat tekijöiden, kuten yksilöiden iän, puutteen, etnisen taustan, sijainnin ja liitännäissairauksien välisiä suhteita suhteessa heikkouden kehitykseen ja heikkenemiseen. Haurauden vaikutusta tuloksiin, palvelun käyttöön ja kustannuksiin tutkitaan. Näiden analyysien tuloksia käytetään ohjeiden laadinnassa palveluvaltuutetuille, jotka on laadittu yhteistyössä palveluntarjoajien, toimeksiantojen ja julkisten potilaiden osallistumisen (PPI) edustajien kanssa sidosryhmien osallistumisen kautta. Nämä analyysit auttavat kehittämään prototyyppisimulaatiomallia, joka käyttää System Dynamics (SD) -pohjaista lähestymistapaa väestön heikkouden kehitykseen ja vaikutuksiin sekä todennäköisiin tulevaisuuden skenaarioihin 10 vuoden ajanjaksolla. Simulaatiomallin väestöennusteet tarkistetaan ulkoisesti Leeds Data Model (LDM) -tietojoukon retrospektiivisillä tiedoilla, jotka sisältävät 810 000 perusterveydenhuollon potilasta Leedsin alueen 108 vastaanotosta. RCGP RSC:n asuinpaikkatietoja täydennetään datalla asuinhoitosiirtymistä ja sosiaalihuollon käyttöä heikkoustilan mukaan Secure Anonymised Information Linkage (SAIL) -tietopankista, joka sisältää perus- ja sosiaalihuollon tietoja jopa 30 000 henkilöstä Walesissa simulointia varten. terveydenhuoltoympäristön ulkopuolisista vaikutuksista ja kustannuksista. Lopuksi sidosryhmien sitouttamisryhmän (SEG) kanssa kehitettyjä "mitä jos" -skenaarioita tutkitaan simulaatiomallinnuksella.