예측 분석 및 컴퓨터 시각화로 환자 안전을 강화하여 낙상 방지

병원 환경에서 낙상을 줄이고 이전 간호 낙상 연구와 MFS 및 Fall TIPS 프로그램을 기반으로 MGH는 발생하는 임상 요인의 변화를 식별하여 간호사에게 조정이 필요함을 알리는 의사 결정 지원 알고리즘을 개발했습니다. 추락 예방 개입. MGH Nursing은 RGI Informatics와의 협력을 통해 한 임상 일반 진료실에 MGH 알고리즘을 배포했습니다. RGI 소프트웨어는 Epic의 EHR 데이터를 라이브 스트리밍하는 MGH 알고리즘을 사용하여 낙상의 위험이 높아졌을 수 있는 환자를 식별하고 병원에서 지급한 휴대 전화에 대한 경고를 통해 간호사에게 임상 결정 지원을 제공합니다. 예비 결과에서는 11개월 동안 부상으로 인한 낙상의 타당성과 통계적으로 유의미한 감소(p<0.01)가 입증되었습니다.

컴퓨터화된 환자 시각화 시스템을 포함하는 두 번째 입원환자 일반 진료실에 대한 상호 배타적인 예비 작업에서도 낙상이 감소했습니다. 두 기술을 결합하면 시너지 효과를 얻을 수 있어 급성 치료 환경에서 낙상 발생률을 더욱 줄일 수 있습니다. 현재까지 두 기술을 동시에 테스트하여 환자 결과를 평가한 증거는 없습니다. 따라서 이 연구의 목적은 세 가지 다른 낙상 예방 중재(RGI/MGH 알고리즘 단독, Inspiren 단독 및 RGI/MGH 알고리즘과 Inspiren 결합)가 낙상의 위험이 있는 환자와 부상으로 인한 낙상을 일반 성인 3명에게 미치는 영향을 결정하는 것입니다. 대규모 학술 의료 센터의 진료실.

우리가 제안한 솔루션은 낙상 위험과 관련된 환자의 안전 프로필에 대한 차원적인 관점을 생성하기 위해 여러 소스에서 생리적, 신체적 데이터를 추출하고 합성하는 유일한 알려진 전략입니다. 시기적절한 경고는 간호사에게 환자의 낙상 위험, 위험 이유 및 낙상 예방 전략에 관한 임상 결정을 알려줍니다. 이 초기 제안은 낙상의 위험이 있는 환자에 초점을 맞추고 있으며 이 혁신적인 접근 방식이 욕창 및 카테터 관련 요로 감염과 같은 기타 중요한 안전 문제를 해결하는 데 적용될 수 있다고 확신합니다. RGI Analytics 및 Inspiren에 대한 자세한 정보는 다음과 같습니다.

방법론: 관찰 코호트, 혼합 방법 연구 설계가 MGH의 3개 입원환자 병동에서 1년 동안 일반적인 치료와 표준 치료를 초과하는 세 가지 낙상 예방 전략의 영향과 효과를 결정하기 위해 수행될 것입니다. 유닛 1에서는 스트리밍 분석과 MGH 알고리즘만 사용하고, 유닛 2에서는 Inspiren의 AUGI 컴퓨터 시각화만 사용하며, 유닛 3에서는 결합된 스트리밍 분석/MGH 알고리즘과 Inspiren의 AUGI 장치를 사용합니다. 통제단위인 4호는 같은 기관의 내부 비교집단 역할을 하게 된다. 연구 개입 외에도 4개 단위 모두 일반적인 MGH 증거 기반 관행, 낙상 예방 관리 표준을 계속 유지할 것입니다. 현재 연구를 위해 수집된 환자, 단위 및 간호사 인구통계 데이터는 기존 소스에서 액세스하거나 기존 소스에서 계산할 수 있습니다. 소스에는 PCS 데이터웨어하우스에 저장된 ADT, PCS 재무, 시력 및 품질 데이터가 포함됩니다. 집계된 단위 환자 인구통계 데이터에는 연령, 성별 및 인종이 포함됩니다. 간호사 인구통계 데이터에는 풀타임 직원 수, 간호사로서의 수년간의 경험, MGH에서의 수년간의 경험 및 최고 교육 수준이 포함됩니다. 단위 데이터에는 환자 입원 횟수, 환자 일수, 입원 기간, 간호 시력, 성별, 연령, 인종, 민족별 환자 유형, 단위 낙상 횟수 및 부상으로 인한 단위 낙상 횟수, 간호사 인력 지표가 포함됩니다. 세 가지 중재 단위에 대한 간호사의 인식은 휴대전화 알림(도움/도움이 되지 않음)의 실시간 피드백, 간호사 피드백 및 분기별 설문 조사를 사용하여 중재와 관련하여 측정됩니다. 낙상 예방 효율성 척도(Dykes, et al., 2021)는 시간 절약, 시간 낭비 없음, 시간 가치가 있고 낙상 예방에 도움이 된다는 네 가지 핵심 영역에 초점을 맞춘 동료 검토를 거친 13개 항목 도구입니다. 설문조사 질문은 본 연구의 요구 사항을 충족하도록 조정되며 온라인 설문조사 도구 관리를 위한 Harvard Catalyst 보안 웹 애플리케이션인 REDCap을 통해 관리됩니다.

연구 질문

1. 급성 치료, 입원 환자 병원 환경에서 낙상의 발생률과 부상당한 낙상의 차이가 있습니까? 다른 모든 현재 기준을 유지하면서 환자의 낙상 위험 변화를 치료 시점에 간호사에게 알리는 세 가지 방법을 비교합니다. 낙상 예방을 위한 치료에 대한 연구를 진행하고 연구 중에 다음과 같은 새로운 표준을 추가합니다. (1) 낙상 위험의 변화를 간호사에게 알리는 스트리밍 분석 및 낙상 위험 알고리즘 사용, (2) 환자 움직임에 대한 컴퓨터 시각화 및 인공 지능 해석 및 ( 3) 두 기술의 결합?

2. 간호사에 대한 인식은 다음과 같습니다.

   1. 증가된 낙상 위험을 식별하는 데 도움을 주기 위해 구현된 세 가지 연구 기술의 영향.
   2. 낙상 위험 평가에 대한 간호사 부담 감소 및 낙상 예방을 위한 추가 중재 권장.

연구 목적:

1. 장치 내 및 장치 간, 그리고 하나의 제어 장치(4개 장치 모두 동일한 일반적인 관리 표준을 사용함)에 대한 세 가지 추락 방지 혁신이 넘어짐 및 부상으로 인한 낙상에 미치는 영향을 비교하십시오.
2. 간호사 설문조사, 경고에 대한 응답 및 포커스 그룹을 사용하여 임상 결정 지원 및 간호사 부담에 대한 낙상 예방 혁신 및 경고의 인지된 효과를 판단합니다.