Ennakoiva analytiikka ja tietokonevisualisointi parantavat potilaiden turvallisuutta ja estävät putoamisen

Vähentääkseen kaatumisia sairaalaympäristössä ja pohjautuen aiempaan hoitotyön syksytutkimukseen sekä MFS- ja Fall TIPS -ohjelmaan MGH kehitti päätöksenteon tukialgoritmin kliinisissä tekijöissä tapahtuvien muutosten tunnistamiseksi, jotta sairaanhoitajia voidaan varoittaa sopeutumistarpeesta. putoamisen ehkäisytoimenpiteet. MGH Nursing otti sitten käyttöön MGH-algoritmin yhdessä kliinisen yleishoidon yksikössä yhteistyössä RGI Informaticsin kanssa. RGI-ohjelmisto käyttää Epicin MGH-algoritmia suoratoistaa EHR-tietoja tunnistaakseen potilaat, joiden putoamisriski on saattanut kasvaa, ja tarjotakseen sairaanhoitajille kliinistä päätöstukea sairaalan matkapuhelimiin lähetetyllä hälytyksellä. Alustavat tulokset osoittivat toteutettavuuden ja tilastollisesti merkitsevän vähenemisen (p <0,01) kaatumisissa loukkaantumisen yhteydessä 11 kuukauden aikana.

Toisensa poissulkeva esityö, toinen yleissairaanhoitoyksikkö, johon sisältyi tietokoneistettu potilasvisualisointijärjestelmä, vähensi myös kaatumisia. Näiden kahden tekniikan yhdistetty käyttö voi saada aikaan synergistisen vaikutuksen, mikä vähentää entisestään kaatumisten ilmaantuvuutta akuuttihoidossa. Toistaiseksi ei ole saatu näyttöä näiden kahden tekniikan samanaikaisen testauksen potilaiden tulosten arvioinnista. Tämän tutkimuksen tarkoituksena on siis määrittää kolmen erilaisen putoamisen ehkäisevän toimenpiteen (vain RGI/MGH-algoritmi, vain Inspiren ja yhdistetty RGI/MGH-algoritmi ja Inspiren) vaikutus potilaisiin, joilla on kaatumisriski ja vammautumisriskit kolmeen aikuiseen yleiseen. hoitoyksiköt suuressa akateemisessa lääketieteellisessä keskuksessa.

Ehdottamamme ratkaisu on ainoa tunnettu strategia, joka poimii ja syntetisoi fysiologisia ja fyysisiä tietoja useista lähteistä luodakseen ulottuvuuden potilaan putoamisriskiin liittyvästä turvallisuusprofiilista. Oikea-aikaiset hälytykset kertovat sairaanhoitajille potilaan putoamisriskistä, riskin syystä ja heidän kliinisistä päätöksistään kaatumisen ehkäisystrategioista. Tämä alkuperäinen ehdotus keskittyy potilaisiin, joilla on kaatumisvaara, ja olemme varmoja, että tämä innovatiivinen lähestymistapa on mukautettavissa muihin kriittisiin turvallisuuskysymyksiin, kuten painevammoihin ja katetriin liittyviin virtsatieinfektioihin. Yksityiskohtaiset tiedot RGI Analyticsista ja Inspirenistä ovat alla.

Metodologia: Havainnointikohortti, sekamenetelmien tutkimussuunnitelma suoritetaan tavanomaisen hoidon ja kolmen erilaisen kaatumisen ehkäisystrategian vaikutuksen ja tehokkuuden määrittämiseksi, jotka ylittävät hoidon standardit kolmessa MGH:n laitosyksikössä vuoden aikana. Yksikkö 1 työskentelee vain suoratoistoanalytiikkaa ja MGH-algoritmia varten, yksikkö 2 työskentelee vain Inspirenin AUGI-tietokonevisualisoinnissa ja yksikkö 3 työskentelee yhdistettyä suoratoisto-analyyttistä/MGH-algoritmia ja Inspirenin AUGI-laitetta. Yksikkö 4, ohjausyksikkö, toimii sisäisenä vertailuryhmänä samasta laitoksesta. Tutkimustoimenpiteiden lisäksi kaikki neljä yksikköä jatkavat tavanomaista MGH-näyttöön perustuvaa käytäntöä, putoamisen ehkäisyn hoitostandardeja. Tutkimusta varten tällä hetkellä kerätyt potilas-, osasto- ja sairaanhoitajan demografiset tiedot ovat saatavilla tai laskea olemassa olevista lähteistä. Lähteitä ovat PCS Datawarehouseen tallennetut ADT-, PCS-taloudelliset, tarkkuutta- ja laatutiedot. Yksikköpotilaiden demografiset tiedot koostuvat iästä, sukupuolesta ja rodusta. Sairaanhoitajan demografiset tiedot sisältävät kokoaikaisten henkilöiden määrän, vuosien kokemuksen sairaanhoitajana, vuosien kokemuksen MGH:sta ja korkeimman koulutuksen. Yksikkötiedot sisältävät potilaiden vastaanoton lukumäärän, potilaspäivien, oleskelun keston, hoitotyön tarkkuuden, potilastyypin sukupuolen, iän, rodun, etnisen alkuperän, yksikön kaatumisten ja loukkaantumisten aiheuttamien kaatumisten lukumäärän sekä sairaanhoitajan henkilöstön indikaattorit. Hoitajien käsityksiä kolmesta interventioyksiköstä mitataan toimenpiteen yhteydessä käyttämällä reaaliaikaista palautetta matkapuhelimen hälytyksistä (hyödyllinen/ei hyödyllinen), sairaanhoitajapalautetta ja neljännesvuosittaisia ​​tutkimuksia. Fall Prevention Efficiency Scale (Dykes et al., 2021) on vertaisarvioitu 13 kohdan työkalu, joka keskittyy neljään avainalueeseen: säästää aikaa, ei hukkaa aikaa, on ajan arvoinen ja auttaa ehkäisemään kaatumista. Kyselykysymykset mukautetaan vastaamaan tämän tutkimuksen tarpeita, ja niitä hallinnoidaan REDCapilla, Harvard Catalyst -suojatulla verkkosovelluksella online-kyselytyökalujen hallintaan.

Tutkimuskysymykset

1. Onko akuuttihoidossa, sairaalahoidossa, kaatumisten ja loukkaantuvien kaatumisten esiintymistiheydessä eroja, kun verrataan kolmea erilaista tapaa varoittaa sairaanhoitajia hoitopisteessä muutokseen potilaan kaatumisriskissä, samalla kun säilytetään kaikki muut nykyiset standardit putoamisen ehkäisystä ja näiden uusien standardien lisääminen tutkimuksen aikana: (1) suoratoistoanalytiikan ja putoamisriskialgoritmin käyttö, joka varoittaa sairaanhoitajia putoamisriskin muutoksesta, (2) tietokonevisualisointi ja tekoälyn tulkinta potilaan liikkeestä ja ( 3) molempien teknologioiden yhdistelmä?

2. Millaisia ​​käsityksiä hoitajilla on liittyen:

   1. Kolmen tutkimusteknologian vaikutus, jotka on otettu käyttöön auttamaan lisääntyneen putoamisriskin tunnistamisessa.
   2. Sairaanhoitajataakan keventäminen kaatumisriskin arvioinnissa ja suositus lisätoimenpiteistä kaatumisen ehkäisemiseksi.

Tutkimuksen tavoitteet:

1. Vertaa kolmen putoamisenestoinnovoinnin vaikutusta yksiköiden sisällä ja niiden välillä sekä yhteen ohjausyksikköön (kaikki neljä yksikköä käyttävät samaa tavanomaista hoitotasoa) kaatumisiin ja kaatumiseen loukkaantumisen yhteydessä.
2. Selvitä kaatumisen ehkäisyinnovaatioiden koettu tehokkuus ja hälytykset kliinisen päätöksenteon tuesta ja sairaanhoitajataakasta käyttämällä sairaanhoitajatutkimuksia, vastauksia hälytyksiin ja kohderyhmiä.