Prediktiv analyse og datavisualisering forbedrer pasientsikkerheten for å forhindre fall

For å redusere fall i sykehussettingen, og bygge på tidligere sykepleiefallforskning, samt MFS og Fall TIPS-programmet, utviklet MGH en beslutningsstøttealgoritme for å identifisere endringer i kliniske faktorer når de oppstår for å varsle sykepleiere om behovet for å justere fallforebyggende tiltak. MGH Nursing, gjennom et samarbeid med RGI Informatics, implementerte deretter MGH-algoritmen på en klinisk generell omsorgsenhet. RGI-programvaren bruker MGH-algoritmen direktestrømming av EPJ-data fra Epic for å identifisere pasienter hvis risiko for å falle kan ha økt og gi klinisk beslutningsstøtte til sykepleiere gjennom et varsel på deres sykehusutstedte mobiltelefoner. Foreløpige resultater viste gjennomførbarhet og en statistisk signifikant reduksjon (p <0,01) i fall med skade over en 11-måneders periode.

Gjensidig utelukkende foreløpig arbeid, på en annen stasjonær generell omsorgsenhet, som involverte et datastyrt pasientvisualiseringssystem, ga også reduksjon i fall. Kombinert bruk av de to teknologiene kan gi en synergistisk effekt og dermed ytterligere redusere forekomsten av fall i akuttomsorgen. Til dags dato er det ingen bevis avledet fra evaluering av pasientresultater fra samtidig testing av de to teknologiene. Derfor er formålet med denne studien å bestemme virkningen av tre forskjellige fallforebyggende intervensjoner (kun RGI/MGH-algoritme, kun Inspiren og kombinert RGI/MGH-algoritme og Inspiren) på pasienter med risiko for fall og fall med skade på tre voksne generelle omsorgsenheter i et stort akademisk legesenter.

Vår foreslåtte løsning er den eneste kjente strategien som trekker ut og syntetiserer fysiologiske og fysiske data fra flere kilder, for å skape en dimensjonal oversikt over en pasients sikkerhetsprofil relatert til fallrisiko. Rettidig varsling vil informere sykepleiere om pasientens fallrisiko, årsak til risiko og deres kliniske beslutninger angående fallforebyggende strategier. Dette første forslaget fokuserer på pasienter med risiko for fall, og vi er sikre på at denne innovative tilnærmingen kan tilpasses andre kritiske sikkerhetsproblemer, for eksempel trykkskader og kateterrelaterte urinveisinfeksjoner. Nedenfor finner du detaljert informasjon om RGI Analytics og Inspiren.

Metodikk: En observasjonskohort, studiedesign med blandede metoder vil bli utført for å bestemme virkningen og effektiviteten av vanlig omsorg og tre forskjellige fallforebyggende strategier som overstiger standarden for omsorg på tre døgnavdelinger ved MGH over ett år. Enhet 1 vil kun ansette streaminganalyse og MGH-algoritmen, enhet 2 vil kun ansette Inspirens AUGI-datamaskinvisualisering og enhet 3 vil ansette den kombinerte streaminganalytiske/MGH-algoritmen og Inspirens AUGI-enhet. Enhet 4, kontrollenheten, vil fungere som en intern sammenligningsgruppe fra samme institusjon. I tillegg til studieintervensjonene vil alle fire enhetene fortsette å opprettholde vanlig MGH evidensbasert praksis, standarder for omsorg for fallforebygging. Demografiske data for pasient, enhet og sykepleier samlet inn for studien kan nås fra eller beregnes fra eksisterende kilder. Kilder inkluderer ADT-, PCS-økonomi-, skarphets- og kvalitetsdata som er lagret i PCS Datawarehouse. Demografiske data for enhetspasienter i aggregatet vil inkludere alder, kjønn og rase. Demografiske data for sykepleiere vil inkludere antall årsverk, års erfaring som sykepleier, års erfaring ved MGH og høyeste utdanningsnivå. Enhetsdata vil inkludere tellinger av pasientinnleggelser, pasientdøgn, liggetid, sykepleierskarphet, pasienttype etter kjønn, alder, rase, etnisitet, antall enhetsfall og enhetsfall med skader, og indikatorer for sykepleierbemanning. Sykepleiers oppfatning av de tre intervensjonsenhetene vil bli målt i forbindelse med intervensjonen ved å bruke sanntidstilbakemeldinger fra mobiltelefonvarsler (nyttig/ikke nyttig), tilbakemelding fra sykepleiere og kvartalsvise undersøkelser. Fall Prevention Efficiency Scale (Dykes, et al., 2021) er et fagfellevurdert 13-elements verktøy som fokuserer på fire nøkkelområder: sparer tid, kaster ikke bort tid, er verdt tiden og er nyttig for å forhindre fall. Spørsmålene i undersøkelsen vil bli tilpasset behovene til denne studien og vil bli administrert via REDCap, en sikker nettapplikasjon fra Harvard Catalyst for administrasjon av online undersøkelsesverktøy.

Forskningsspørsmål

1. I akuttomsorgen, på sykehus, er det en forskjell i forekomsten av fall og skadelige fall, og sammenligner tre forskjellige metoder for å varsle sykepleiere ved behandlingspunktet til en endring i pasientens risiko for å falle samtidig som alle andre gjeldende standarder opprettholdes. omsorg for fallforebygging og legge til disse nye standardene i løpet av studien: (1) bruk av streaminganalyse og en fallrisikoalgoritme som varsler sykepleiere om en endring i fallrisiko, (2) datavisualisering og kunstig intelligenstolkning av pasientbevegelser og ( 3) en kombinasjon av begge teknologiene?

2. Hva er sykepleiernes oppfatninger knyttet til:

   1. Virkningen av tre studieteknologier implementert for å hjelpe til med identifisering av økt fallrisiko.
   2. Reduksjon av sykepleierbyrden ved vurdering av fallrisiko og anbefaling om ytterligere tiltak for å forebygge fall.

Forskningsmål:

1. Sammenlign virkningen av de tre fallforebyggende innovasjonene, innenfor og mellom enheter og med én kontrollenhet (alle fire enheter bruker samme vanlige standard for omsorg) på fall og fall med skade.
2. Bestem den opplevde effektiviteten av fallforebyggende innovasjoner og varsler om klinisk beslutningsstøtte og sykepleierbyrde ved hjelp av sykepleierundersøkelser, svar på varsler og fokusgrupper.