À suivreGuide suivant
L'IA dans la prévision des risques de suicide
Société
GUIDE Secteurs
Prédiction des risques de chute par l’IA dans les hôpitaux
La prédiction des risques de chute par l’IA utilise les données des dossiers de santé électroniques, et parfois la vidéo de la chambre, pour estimer quels patients hospitalisés sont susceptibles de tomber et alerter le personnel à temps.
Sur cette page4 minutes de lecture
Aperçu
Il vise à améliorer les scores périodiques au chevet du patient, comme l’échelle Morse Fall. Les chutes provoquent des blessures, des séjours plus longs et des coûts que les hôpitaux ne peuvent pas récupérer, mais une alerte n'est utile que si les infirmières peuvent agir en conséquence sans se noyer sous les alarmes.
Plongée profonde
L'échelle Morse Fall Scale, publiée par Janice Morse en 1989, évalue six éléments : antécédents de chute, diagnostic secondaire, aide ambulatoire, verrouillage intraveineux ou salin, démarche et état mental. Les totaux vont de 0 à 125, et de nombreux hôpitaux traitent les scores autour de 45 ou plus comme un risque élevé, bien que les seuils varient. D'autres outils incluent le modèle de risque de chute Hendrich II et l'outil d'évaluation des risques de chute de Johns Hopkins. Ces échelles sont rapides, mais les infirmières ne les notent généralement qu'une fois par quart de travail, elles oublient les changements entre les évaluations et elles étiquetent tellement de patients hospitalisés comme à risque que l'étiquette perd tout son sens. Les modèles prédictifs recalculent le risque à partir des données DSE à mesure qu'elles évoluent. Les entrées peuvent inclure des sédatifs, des opioïdes, des diurétiques et des médicaments contre l'hypertension, les niveaux de sodium, les signes vitaux orthostatiques, les tests de délire, les besoins en matière d'hygiène, les procédures récentes et l'heure de la journée. Les fournisseurs de DSE, dont Epic, proposent des modèles de risque de chute et certains hôpitaux créent les leurs. La vidéo est une couche distincte. L'observation virtuelle continue, proposée par des sociétés telles qu'AvaSure, permet au personnel qualifié de surveiller plusieurs pièces à la fois et de parler aux patients via un haut-parleur. Les systèmes plus récents ajoutent une vision par ordinateur qui détecte les changements de posture, comme s'asseoir ou se déplacer vers le bord du lit. Cela donne un avertissement plus précoce que les alarmes de lit à pression, qui se déclenchent uniquement lorsque le poids se détache du matelas. Une idée fausse importante est que plus d’alertes signifie moins de chutes. Un vaste essai randomisé portant sur l’utilisation accrue des alarmes au lit n’a pas révélé de réduction des chutes. Un score de risque indique qui pourrait tomber, et non quoi faire. Les chutes diminuent lorsqu'une alerte conduit à une action : aller aux toilettes programmé, lits bas, chaussures antidérapantes, ceintures de marche, physiothérapie, révision des médicaments et rester avec les patients dans la salle de bain. Depuis 2008, CMS ne verse pas de supplément aux hôpitaux pour les chutes avec blessures survenues pendant un séjour, ce qui donne aux hôpitaux une raison financière de les éviter.
Impact stratégique
Contexte et règles
Le contexte industriel détermine si les idées d’IA survivent au contact avec la réalité.
Contrôle qualité
Les contraintes de domaine influencent les taux d'erreur acceptables et les modèles de surveillance.
Choix de construction
Les déploiements réussis alignent les capacités techniques sur les flux de travail de première ligne.
L’avenir de la prévision des risques de chute par l’IA dans les hôpitaux
Les hôpitaux sont susceptibles de combiner les scores de risque du DSE avec la surveillance vidéo et les données sur les appels infirmiers, afin que les alertes reflètent à la fois qui est à risque et ce qui se passe dans la chambre. La question de savoir si cela réduit les chutes blessantes, et pas seulement les chutes enregistrées, nécessite de meilleures études que celles publiées par la plupart des fournisseurs jusqu'à présent. Les attentes en matière de confidentialité, le consentement des patients aux caméras et la fatigue des alarmes limiteront l’étendue de la surveillance continue. L’approche qui résiste consiste à utiliser des prédictions pour cibler les étapes de prévention connues, les infirmières conservant le pouvoir de passer outre les scores.
Mise en œuvre dans le monde réel
Un modèle prédictif signale un patient plus âgé après le début d’un nouveau sédatif en plus d’un diurétique. L’infirmière commence les tournées programmées pour aller aux toilettes et demande à la pharmacie de revoir la combinaison.
Un système de vision par ordinateur installé dans une pièce surveillée voit un patient s'asseoir et balancer ses jambes par-dessus le bord du lit. Il alerte un observateur virtuel qui parle au patient via le haut-parleur pendant qu'une infirmière se dirige vers la chambre.
Une unité examine son modèle d'alertes et constate que la plupart des patients signalés ne tombent jamais. Il augmente le seuil de notification des équipes de nuit afin de réduire la fatigue liée aux alarmes.
Une infirmière constate un score Morse élevé mais un score modèle faible chez un patient stable mais utilisant un déambulateur. Elle s’appuie sur sa propre évaluation et documente pourquoi.
Risques et garde-fous
Les exigences réglementaires peuvent invalider des prototypes autrement solides.
Les données historiques peuvent coder des préjugés qui nuisent à des communautés spécifiques.
Les systèmes existants peuvent créer des goulots d'étranglement en matière d'intégration et des coûts cachés.
Feuille de route de mise en œuvre
Impliquez des experts du domaine, de la formulation du problème à l’évaluation.
Concevoir des pistes d'audit et de la documentation avant le lancement.
Validez tôt les obligations de conformité et de sécurité.
Déployez par phases avec des critères d’arrêt et de restauration clairs.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Fall Risk Prediction in Hospitals quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Questions fréquemment posées
Qu’est-ce que la prévision des risques de chute par l’IA dans les hôpitaux ?
La prédiction des risques de chute par l’IA utilise les données des dossiers de santé électroniques, et parfois la vidéo de la chambre, pour estimer quels patients hospitalisés sont susceptibles de tomber et alerter le personnel à temps. Il vise à améliorer les scores périodiques au chevet du patient, comme l’échelle Morse Fall. Les chutes provoquent des blessures, des séjours plus longs et des coûts que les hôpitaux ne peuvent pas récupérer, mais une alerte n'est utile que si les infirmières peuvent agir en conséquence sans se noyer sous les alarmes.
Combien d’éléments l’échelle Morse Fall évalue-t-elle ?
L'échelle de chute Morse évalue six éléments : antécédents de chute, diagnostic secondaire, aide ambulatoire, verrouillage intraveineux ou salin, démarche et état mental.
Pourquoi un modèle de prévision des chutes avec un AUROC élevé peut-il encore produire principalement de fausses alarmes ?
Lorsque le résultat est rare, la plupart des patients signalés ne chuteront pas, même si le modèle les classe bien. C'est pourquoi le guide recommande la précision des rapports et les alertes par chute réelle.
En quoi la détection de sortie de lit par vision par ordinateur diffère-t-elle d'une alarme de lit à coussin de pression ?
Les coussinets de pression se déclenchent lorsque le poids se détache du matelas. Les systèmes de vision peuvent détecter plus tôt le fait de s'asseoir ou de se diriger vers le bord du lit, ce qui donne plus de temps au personnel.
Qu’a révélé un vaste essai randomisé sur l’utilisation accrue des alarmes de lit, selon le guide ?
L’essai n’a pas montré moins de chutes avec plus d’alarmes au lit. Cela confirme le point du guide selon lequel les alertes doivent conduire à des actions de prévention.
Quelle politique du CMS le guide mentionne-t-il concernant les chutes ?
Les chutes avec blessure font partie des affections nosocomiales pour lesquelles CMS ne paie pas de supplément. Cela donne aux hôpitaux une raison financière de les empêcher.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet