- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06339125
Análise preditiva e visualização computacional melhoram a segurança do paciente para prevenir quedas
Análise preditiva combinada com visualização computacional aumenta a segurança do paciente e alivia a carga dos enfermeiros na prevenção de quedas
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Para diminuir as quedas no ambiente hospitalar, e com base em pesquisas anteriores sobre quedas de enfermagem, bem como no MFS e no programa Fall TIPS, o MGH desenvolveu um algoritmo de apoio à decisão para identificar mudanças nos fatores clínicos à medida que ocorrem, para alertar os enfermeiros sobre a necessidade de ajuste intervenções de prevenção de quedas. A MGH Nursing, por meio de uma colaboração com a RGI Informatics, implantou então o algoritmo MGH em uma unidade clínica de cuidados gerais. O software RGI usa o algoritmo MGH para transmissão ao vivo de dados EHR da Epic para identificar pacientes cujo risco de queda pode ter aumentado e fornecer suporte à decisão clínica aos enfermeiros por meio de um alerta em seus telefones celulares emitidos pelo hospital. Os resultados preliminares demonstraram viabilidade e redução estatisticamente significativa (p<0,01) nas quedas com lesão ao longo de um período de 11 meses.
Trabalhos preliminares mutuamente exclusivos, em uma segunda unidade de internação de cuidados gerais, envolvendo um sistema computadorizado de visualização do paciente, também resultaram em redução de quedas. O uso combinado das duas tecnologias pode produzir um efeito sinérgico, reduzindo ainda mais a incidência de quedas no ambiente de cuidados intensivos. Até o momento, não há evidências derivadas da avaliação dos resultados dos pacientes provenientes de testes simultâneos das duas tecnologias. Assim, o objetivo deste estudo é determinar o impacto de três intervenções diferentes de prevenção de quedas (algoritmo RGI/MGH apenas, apenas Inspiren e algoritmo combinado RGI/MGH e Inspiren) em pacientes com risco de quedas e quedas com lesão em três adultos gerais unidades de atendimento em um grande centro médico acadêmico.
Nossa solução proposta é a única estratégia conhecida que extrai e sintetiza dados fisiológicos e físicos de múltiplas fontes, para criar uma visão dimensional do perfil de segurança de um paciente relacionado ao risco de queda. Alertas oportunos informarão os enfermeiros sobre o risco de queda do paciente, a razão do risco e suas decisões clínicas em relação às estratégias de prevenção de quedas. Esta proposta inicial concentra-se em pacientes em risco de quedas e estamos confiantes de que esta abordagem inovadora é adaptável para abordar outras questões críticas de segurança, por exemplo, lesões por pressão e infecções do trato urinário associadas a cateteres. Informações detalhadas sobre RGI Analytics e Inspiren são fornecidas abaixo.
Metodologia: Uma coorte observacional, desenho de estudo de métodos mistos será conduzido para determinar o impacto e a eficácia dos cuidados habituais e três diferentes estratégias de prevenção de quedas que excedem o padrão de atendimento em três unidades de internação no MGH durante um ano. A Unidade 1 usará apenas a análise de streaming e o algoritmo MGH, a Unidade 2 usará apenas a visualização computacional AUGI da Inspiren e a Unidade 3 usará o algoritmo combinado de análise de streaming/MGH e o dispositivo AUGI da Inspiren. A Unidade 4, unidade de controle, servirá como grupo de comparação interno da mesma instituição. Além das intervenções do estudo, todas as quatro unidades continuarão a manter a prática usual baseada em evidências do MGH, padrões de cuidados para prevenção de quedas. Os dados demográficos de pacientes, unidades e enfermeiros coletados para o estudo atualmente podem ser acessados ou calculados a partir de fontes existentes. As fontes incluem dados ADT, financeiros, de acuidade e de qualidade do PCS armazenados no Datawarehouse do PCS. Os dados demográficos dos pacientes da unidade no agregado incluirão idade, sexo e raça. Os dados demográficos dos enfermeiros incluirão o número de equivalentes em tempo integral, anos de experiência como enfermeiro, anos de experiência no MGH e o mais alto nível de educação. Os dados da unidade incluirão contagens de admissões de pacientes, dias de pacientes, tempo de internação, acuidade de enfermagem, tipo de paciente por sexo, idade, raça, etnia, número de quedas na unidade e quedas na unidade com lesões e indicadores de pessoal de enfermagem. As percepções dos enfermeiros sobre as três unidades de intervenção serão medidas em associação com a intervenção usando feedback em tempo real de alertas de telefone celular (útil/não útil), feedback dos enfermeiros e pesquisas trimestrais. A Escala de Eficiência na Prevenção de Quedas (Dykes, et al., 2021) é uma ferramenta de 13 itens revisada por pares que se concentra em quatro áreas principais: economiza tempo, não perde tempo, vale a pena investir tempo e é útil na prevenção de quedas. As perguntas da pesquisa serão adaptadas para atender às necessidades deste estudo e serão administradas via REDCap, um aplicativo da web seguro Harvard Catalyst para gerenciamento de ferramentas de pesquisa on-line.
Questões de pesquisa
- No ambiente hospitalar de cuidados agudos, existe uma diferença na taxa de ocorrência de quedas e quedas com lesões, comparando três métodos distintos de alertar os enfermeiros no local de atendimento para uma mudança no risco de queda de um paciente, mantendo todos os outros padrões atuais de cuidados para prevenção de quedas e adicionando estes novos padrões durante o estudo: (1) uso de análise de streaming e um algoritmo de risco de queda que alerta os enfermeiros sobre uma mudança no risco de queda, (2) visualização por computador e interpretação de inteligência artificial do movimento do paciente e ( 3) uma combinação de ambas as tecnologias?
Quais as percepções dos enfermeiros relacionadas a:
- O impacto de três tecnologias de estudo implementadas para auxiliar na identificação do aumento do risco de queda.
- A redução da carga do enfermeiro na avaliação do risco de queda e a recomendação de intervenções adicionais para prevenir quedas.
Objetivos da pesquisa:
- Compare o impacto das três inovações na prevenção de quedas, dentro e entre unidades e com uma unidade de controle (todas as quatro unidades usando o mesmo padrão habitual de atendimento) em quedas e quedas com lesões.
- Determine a eficácia percebida das inovações e alertas de prevenção de quedas no apoio à decisão clínica e na carga dos enfermeiros usando pesquisas com enfermeiros, respostas a alertas e grupos focais.
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: Colleen Snydeman, PhD
- Número de telefone: 16176430435
- E-mail: csnydeman@mgb.org
Estude backup de contato
- Nome: Hiyam M Nadel, MBA
- Número de telefone: 6176430064
- E-mail: hnadel@mgb.org
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critério de inclusão:
Pacientes médicos adultos internados nas unidades de estudo. Todos os enfermeiros que trabalham nas unidades de estudo.
Critério de exclusão:
- Nenhum
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Cuidados de suporte
- Alocação: Não randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
---|---|
Experimental: Unidade 1
Cuidados habituais e registro de saúde eletrônico de transmissão ao vivo O algoritmo alerta os enfermeiros sobre um possível aumento no risco de queda para revisão das intervenções em vigor.
|
O algoritmo gera alertas de prevenção de quedas para enfermeiros em tempo real, usando informações de prontuários eletrônicos de saúde baseados em evidências sobre mudanças nos cuidados que podem sugerir a necessidade de estratégias adicionais de prevenção de quedas
Outros nomes:
|
Experimental: Unidade 2
Os cuidados habituais e a visualização da câmera do computador detectam e antecipam o movimento do paciente em risco de quedas e alertam os enfermeiros sobre potencial risco de queda.
|
A visualização da câmera do computador Inspiren é uma estratégia adicional a ser empregada pelos enfermeiros quando há uma mudança no risco de queda de um paciente.
Outros nomes:
|
Experimental: Unidade 3
Cuidados habituais e registro de saúde eletrônico de transmissão ao vivo O algoritmo alerta os enfermeiros sobre um possível aumento no risco de queda para revisão das intervenções em vigor.
E a visualização da câmera do computador detecta e antecipa o movimento do paciente em risco de quedas e alerta os enfermeiros sobre potencial risco de queda.
|
O algoritmo gera alertas de prevenção de quedas para enfermeiros em tempo real, usando informações de prontuários eletrônicos de saúde baseados em evidências sobre mudanças nos cuidados que podem sugerir a necessidade de estratégias adicionais de prevenção de quedas
Outros nomes:
A visualização da câmera do computador Inspiren é uma estratégia adicional a ser empregada pelos enfermeiros quando há uma mudança no risco de queda de um paciente.
Outros nomes:
|
Sem intervenção: Unidade 4
Grupo controle, sem intervenção e cuidados habituais.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Cataratas
Prazo: Medido mensalmente/trimestralmente durante um ano
|
Taxa de queda de pacientes por 1.000 pacientes-dia
|
Medido mensalmente/trimestralmente durante um ano
|
Cai com lesão
Prazo: Medido mensalmente/trimestralmente durante um ano
|
Taxa de quedas com lesão por 1.000 pacientes-dia
|
Medido mensalmente/trimestralmente durante um ano
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Percepções da enfermeira
Prazo: três, seis e 12 meses
|
Levantamento das percepções dos enfermeiros sobre estratégias de prevenção de quedas
|
três, seis e 12 meses
|
Percepções da enfermeira
Prazo: três, seis, nove e doze meses
|
Grupos focais de percepções de enfermeiros
|
três, seis, nove e doze meses
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Colleen K Snydeman, PhD, Massachusetts General Hospital
Publicações e links úteis
Publicações Gerais
- Seibert K, Domhoff D, Bruch D, Schulte-Althoff M, Furstenau D, Biessmann F, Wolf-Ostermann K. Application Scenarios for Artificial Intelligence in Nursing Care: Rapid Review. J Med Internet Res. 2021 Nov 29;23(11):e26522. doi: 10.2196/26522.
- Dykes PC, Carroll DL, Hurley A, Lipsitz S, Benoit A, Chang F, Meltzer S, Tsurikova R, Zuyov L, Middleton B. Fall prevention in acute care hospitals: a randomized trial. JAMA. 2010 Nov 3;304(17):1912-8. doi: 10.1001/jama.2010.1567.
- Morse, JM, Morse R.M., Tylko, S.J. (1989). Development of a scale to identify the fall-prone patient. Can J Aging, 8:366-7.
- Fehlberg EA, Cook CL, Bjarnadottir RI, McDaniel AM, Shorr RI, Lucero RJ. Fall Prevention Decision Making of Acute Care Registered Nurses. J Nurs Adm. 2020 Sep;50(9):442-448. doi: 10.1097/NNA.0000000000000914.
- Dykes PC, Burns Z, Adelman J, Benneyan J, Bogaisky M, Carter E, Ergai A, Lindros ME, Lipsitz SR, Scanlan M, Shaykevich S, Bates DW. Evaluation of a Patient-Centered Fall-Prevention Tool Kit to Reduce Falls and Injuries: A Nonrandomized Controlled Trial. JAMA Netw Open. 2020 Nov 2;3(11):e2025889. doi: 10.1001/jamanetworkopen.2020.25889.
- Costantinou E, Spencer JA. Analysis of Inpatient Hospital Falls with Serious Injury. Clin Nurs Res. 2021 May;30(4):482-493. doi: 10.1177/1054773820973406. Epub 2020 Nov 16.
- Pierce JR Jr, Shirley M, Johnson EF, Kang H. Narcotic administration and fall-related injury in the hospital: implications for patient safety programs and providers. Int J Risk Saf Med. 2013;25(4):229-34. doi: 10.3233/JRS-130603.
- Quigley PA, Hahm B, Collazo S, Gibson W, Janzen S, Powell-Cope G, Rice F, Sarduy I, Tyndall K, White SV. Reducing serious injury from falls in two veterans' hospital medical-surgical units. J Nurs Care Qual. 2009 Jan-Mar;24(1):33-41. doi: 10.1097/NCQ.0b013e31818f528e.
- Zhao YL, Bott M, He J, Kim H, Park SH, Dunton N. Evidence on Fall and Injurious Fall Prevention Interventions in Acute Care Hospitals. J Nurs Adm. 2019 Feb;49(2):86-92. doi: 10.1097/NNA.0000000000000715.
- Dykes PC, Khasnabish S, Adkison LE, Bates DW, Bogaisky M, Burns Z, Carroll DL, Carter E, Hurley AC, Jackson E, Kurian SS, Lindros ME, Ryan V, Scanlan M, Spivack L, Walsh MA, Adelman J. Use of a perceived efficacy tool to evaluate the FallTIPS program. J Am Geriatr Soc. 2021 Dec;69(12):3595-3601. doi: 10.1111/jgs.17436. Epub 2021 Aug 30.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Outros números de identificação do estudo
- 2023p003637
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Algoritmo de prevenção de quedas
-
Curtin UniversityConcluído
-
Stanford UniversityNational Cancer Institute (NCI)Inscrevendo-se por conviteUso de cigarro eletrônicoEstados Unidos
-
Medtronic Cardiac Rhythm and Heart FailureConcluídoBloqueio de Condução AtrioventricularEstados Unidos, Bélgica, Hong Kong, Malásia, Espanha, Áustria, Dinamarca, França
-
University of VirginiaConcluídoLesão da medula espinal | Úlceras de pressãoEstados Unidos
-
AO Clinical Investigation and Publishing DocumentationRescindidoInfecção de Sítio CirúrgicoEstados Unidos, Argentina, Republica da Coréia, Alemanha, Espanha, Romênia
-
Emory UniversityConcluídoTranstorno do Espectro Autista | FugaEstados Unidos
-
New York State Psychiatric InstituteNational Institute of Mental Health (NIMH)ConcluídoTranstorno Depressivo MaiorEstados Unidos