Prediktiv analys och datorvisualisering förbättrar patientsäkerheten för att förhindra fall

För att minska fallen i sjukhusmiljön, och bygga på tidigare forskning om sjuksköterskefall, såväl som MFS och Fall TIPS-programmet, utvecklade MGH en beslutsstödsalgoritm för att identifiera förändringar i kliniska faktorer när de inträffar för att uppmärksamma sjuksköterskor på behovet av att anpassa sig. fallförebyggande insatser. MGH Nursing, genom ett samarbete med RGI Informatics, distribuerade sedan MGH-algoritmen på en klinisk allmänvårdsenhet. RGI-mjukvaran använder MGH-algoritmen för livestreaming av EHR-data från Epic för att identifiera patienter vars fallrisk kan ha ökat och ge kliniskt beslutsstöd till sjuksköterskor genom en varning på deras sjukhusutfärdade mobiltelefoner. Preliminära resultat visade på genomförbarhet och en statistiskt signifikant minskning (p <0,01) i fall med skada under en 11-månadersperiod.

Ömsesidigt uteslutande förarbete, på en andra slutenvårdsenhet för allmänvård, som involverade ett datoriserat patientvisualiseringssystem gav också minskning av fall. Kombinerad användning av de två teknologierna kan ge en synergistisk effekt och därigenom ytterligare minska förekomsten av fall i den akuta vårdmiljön. Hittills finns det inga bevis härledda från utvärdering av patientresultat från samtidiga tester av de två teknologierna. Syftet med denna studie är därför att fastställa effekten av tre olika fallförebyggande interventioner (endast RGI/MGH Algorithm, Inspiren endast och kombinerad RGI/MGH Algorithm och Inspiren) på patienter med risk för fall och fall med skada på tre vuxna generella vårdenheter i en stor akademisk vårdcentral.

Vår föreslagna lösning är den enda kända strategin som extraherar och syntetiserar fysiologiska och fysiska data från flera källor, för att skapa en dimensionell bild av en patients säkerhetsprofil relaterad till fallrisk. Tidiga varningar kommer att informera sjuksköterskor om patientens fallrisk, orsaken till risken och deras kliniska beslut angående fallförebyggande strategier. Detta första förslag fokuserar på patienter med risk för fall och vi är övertygade om att detta innovativa tillvägagångssätt kan anpassas till andra kritiska säkerhetsfrågor, till exempel tryckskador och kateterrelaterade urinvägsinfektioner. Detaljerad information om RGI Analytics och Inspiren finns nedan.

Metod: En observationskohort, studiedesign med blandade metoder kommer att genomföras för att fastställa effekten och effektiviteten av vanlig vård och tre olika fallförebyggande strategier som överstiger standarden för vård på tre slutenvårdsenheter vid MGH under ett år. Enhet 1 kommer endast att anställa strömningsanalys och MGH-algoritmen, enhet 2 kommer endast att anställa Inspirens AUGI-datorvisualisering och enhet 3 kommer att anställa den kombinerade strömningsanalytiska/MGH-algoritmen och Inspirens AUGI-enhet. Enhet 4, kontrollenheten, kommer att fungera som en intern jämförelsegrupp från samma institution. Utöver studieinsatserna kommer alla fyra enheterna att fortsätta att upprätthålla vanlig MGH evidensbaserad praxis, standarder för vård för fallprevention. Demografiska data för patient, enhet och sjuksköterska som samlats in för studien för närvarande kan nås från eller beräknas från befintliga källor. Källor inkluderar ADT-, PCS-ekonomi-, skärpa- och kvalitetsdata som lagras i PCS Datawarehouse. Enhetens patientdemografiska data i aggregatet kommer att inkludera ålder, kön och ras. Sjuksköterskedemografiska data kommer att inkludera antalet heltidsanställda, års erfarenhet som sjuksköterska, års erfarenhet av MGH och högsta utbildningsnivå. Enhetsdata kommer att inkludera räkningar av patientinläggningar, patientdagar, vistelsens längd, omvårdnadsskärpa, patienttyp efter kön, ålder, ras, etnicitet, antal fall och fall med skador samt indikatorer för sjuksköterskors bemanning. Sjuksköterskors uppfattningar om de tre interventionsenheterna kommer att mätas i samband med interventionen med hjälp av realtidsfeedback från mobiltelefonvarningar (nyttigt/inte användbart), sjuksköterskefeedback och kvartalsvisa undersökningar. Fall Prevention Efficiency Scale (Dykes, et al., 2021) är ett peer reviewed 13-objekt som fokuserar på fyra nyckelområden: sparar tid, slösar inte tid, är värt tiden och är till hjälp för att förebygga fall. Enkätfrågorna kommer att anpassas för att möta behoven i denna studie och kommer att administreras via REDCap, en säker webbapplikation från Harvard Catalyst för hantering av onlineundersökningsverktyg.

Forskningsfrågor

1. Inom akutvården, slutenvårdssjukhus, finns det en skillnad i förekomsten av fall och skadade fall, genom att jämföra tre olika metoder för att varna sjuksköterskor vid vårdpunkten för en förändring i patientens risk att falla samtidigt som alla andra nuvarande standarder bibehålls av vården för att förebygga fall och lägga till dessa nya standarder under studien: (1) användning av strömmande analys och en fallriskalgoritm som varnar sjuksköterskor för en förändring i fallrisk, (2) datorvisualisering och artificiell intelligens tolkning av patientrörelser och ( 3) en kombination av båda teknikerna?

2. Vad är sjuksköterskors uppfattningar om:

   1. Effekten av tre studietekniker implementerade för att hjälpa till med identifieringen av ökad fallrisk.
   2. Minskning av sjuksköterskebördan vid bedömning av fallrisk och rekommendation om ytterligare insatser för att förebygga fall.

Forskningens mål:

1. Jämför effekten av de tre fallförebyggande innovationerna, inom och mellan enheter och med en kontrollenhet (alla fyra enheter använder samma vanliga vårdstandard) på fall och fall med skada.
2. Bestäm den upplevda effektiviteten av fallförebyggande innovationer och varningar om kliniskt beslutsstöd och sjuksköterskebörda med hjälp av sjuksköterskeundersökningar, svar på varningar och fokusgrupper.