GUIDA alle industrie

Previsione del rischio di caduta tramite intelligenza artificiale negli ospedali

La previsione del rischio di caduta tramite intelligenza artificiale utilizza i dati delle cartelle cliniche elettroniche e, talvolta, i video in camera, per stimare quali pazienti ospedalieri potrebbero cadere e allertare tempestivamente il personale.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro della previsione del rischio di caduta tramite intelligenza artificiale negli ospedali
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Ha lo scopo di migliorare i punteggi periodici al capezzale come la scala Morse Fall. Le cadute causano infortuni, degenze più lunghe e costi che gli ospedali non possono recuperare, ma un allarme aiuta solo se gli infermieri possono agire di conseguenza senza affogare negli allarmi.

Immersione profonda

La scala Morse Fall, pubblicata da Janice Morse nel 1989, valuta sei elementi: storia di cadute, diagnosi secondaria, aiuto ambulatoriale, blocco IV o salino, andatura e stato mentale. I totali vanno da 0 a 125 e molti ospedali trattano i punteggi intorno a 45 o superiori come ad alto rischio, anche se le soglie variano. Altri strumenti includono il modello del rischio di caduta Hendrich II e lo strumento di valutazione del rischio di caduta Johns Hopkins. Queste scale sono rapide, ma gli infermieri di solito le valutano solo una volta per turno, non notano i cambiamenti tra le valutazioni ed etichettano così tanti pazienti ricoverati come a rischio che l’etichetta perde significato. I modelli predittivi ricalcolano il rischio dai dati EHR man mano che cambiano. Gli input possono includere sedativi, oppioidi, diuretici e farmaci per la pressione sanguigna, livelli di sodio, segni vitali ortostatici, screening del delirio, necessità di andare in bagno, procedure recenti e ora del giorno. I fornitori di cartelle cliniche elettroniche, tra cui Epic, offrono modelli di rischio di caduta e alcuni ospedali ne costruiscono di propri. Il video è un livello separato. L’osservazione virtuale continua, offerta da aziende come AvaSure, consente al personale qualificato di osservare più stanze contemporaneamente e di parlare ai pazienti tramite un altoparlante. I sistemi più recenti aggiungono la visione artificiale che rileva i cambiamenti di postura come sedersi o spostarsi verso il bordo del letto. Ciò fornisce un avviso anticipato rispetto agli allarmi del letto con cuscino a pressione, che si attivano solo quando il peso si stacca dal materasso. Un malinteso fondamentale è che più avvisi significano meno cadute. Un ampio studio randomizzato sull’aumento dell’uso degli allarmi da letto non ha riscontrato una riduzione delle cadute. Un punteggio di rischio dice chi potrebbe cadere, non cosa fare. Le cadute diminuiscono quando un allarme porta ad un'azione: uso del bagno programmato, letti bassi, calzature antiscivolo, cinture anti-andatura, terapia fisica, revisione dei farmaci e permanenza in bagno con i pazienti. Dal 2008, CMS non paga extra gli ospedali per le cadute con lesioni che si verificano durante un ricovero, il che dà agli ospedali una ragione finanziaria per prevenirle.

Implementazione nel mondo reale

Un modello predittivo segnala un paziente anziano dopo che un nuovo sedativo viene iniziato oltre a un diuretico. L'infermiera inizia i giri programmati per andare in bagno e chiede alla farmacia di rivedere la combinazione.

Un sistema di visione artificiale in una stanza monitorata vede un paziente sedersi e far oscillare le gambe oltre il bordo del letto. Avvisa un osservatore virtuale, che parla al paziente attraverso l'altoparlante mentre un'infermiera entra nella stanza.

Un'unità esamina i propri modelli di allerta e rileva che la maggior parte dei pazienti segnalati non cade mai. Aumenta la soglia per le notifiche del turno di notte per ridurre l'affaticamento degli allarmi.

Un'infermiera vede un punteggio Morse alto ma un punteggio modello basso su un paziente che è stabile ma usa un deambulatore. Fa affidamento sulla propria valutazione e ne documenta il motivo.

Il futuro della previsione del rischio di caduta tramite intelligenza artificiale negli ospedali

È probabile che gli ospedali combinino i punteggi di rischio EHR con il monitoraggio video e i dati sulle chiamate degli infermieri, in modo che gli avvisi riflettano sia chi è a rischio sia cosa sta accadendo nella stanza. Se questo riduca le cadute dannose, e non solo le cadute registrate, sono necessari studi migliori di quelli pubblicati finora dalla maggior parte dei fornitori. Le aspettative sulla privacy, il consenso dei pazienti per le telecamere e l’affaticamento degli allarmi limiteranno la diffusione del monitoraggio continuo. L’approccio che regge è quello di utilizzare le previsioni per individuare le fasi di prevenzione note, lasciando agli infermieri l’autorità di sovrascrivere i punteggi.

Metterlo in pratica

Perché è importante

  • Contesto e regole. Il contesto del settore determina se le idee dell’intelligenza artificiale sopravvivono al contatto con la realtà.
  • Controllo di qualità. I vincoli di dominio influenzano i tassi di errore accettabili e i modelli di supervisione.
  • Scelte di build. Le implementazioni di successo allineano le capacità tecniche con i flussi di lavoro in prima linea.

Attenzione

  • I requisiti normativi possono invalidare prototipi altrimenti robusti.
  • I dati storici possono codificare pregiudizi che danneggiano comunità specifiche.
  • I sistemi legacy possono creare colli di bottiglia nell’integrazione e costi nascosti.

Prossimi passi

  1. Coinvolgere esperti del settore dall'inquadramento del problema alla valutazione.
  2. Progettare audit trail e documentazione prima del lancio.
  3. Convalidare tempestivamente la conformità e gli obblighi di sicurezza.
  4. Implementazione in fasi con chiari criteri di stop e rollback.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the AI Fall Risk Prediction in Hospitals quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Cos'è la previsione del rischio di caduta tramite intelligenza artificiale negli ospedali?

La previsione del rischio di caduta tramite intelligenza artificiale utilizza i dati delle cartelle cliniche elettroniche e, talvolta, i video in camera, per stimare quali pazienti ospedalieri potrebbero cadere e allertare tempestivamente il personale. Ha lo scopo di migliorare i punteggi periodici al capezzale come la scala Morse Fall. Le cadute causano infortuni, degenze più lunghe e costi che gli ospedali non possono recuperare, ma un allarme aiuta solo se gli infermieri possono agire di conseguenza senza affogare negli allarmi.

Quanti elementi conta la scala Morse Fall?

La scala Morse delle cadute valuta sei elementi: storia di cadute, diagnosi secondaria, aiuto ambulatoriale, blocco IV o salino, andatura e stato mentale.

Perché un modello di previsione di caduta con un AUROC elevato può ancora produrre per lo più falsi allarmi?

Quando il risultato è raro, la maggior parte dei pazienti segnalati non cadrà anche se il modello li classifica bene. Ecco perché la guida raccomanda di riportare la precisione e gli allarmi per caduta effettiva.

In che modo il rilevamento dell'uscita dal letto tramite visione artificiale differisce dall'allarme del letto tramite cuscino a pressione?

I pressori si attivano quando il peso si stacca dal materasso. I sistemi di visione possono individuare prima il sedersi o lo spostarsi verso il bordo del letto, dando al personale più tempo.

Cosa ha scoperto, secondo la guida, un ampio studio randomizzato sull’aumento dell’uso degli allarmi da letto?

Lo studio non ha mostrato un minor numero di cadute con più allarmi da letto. Ciò supporta il punto della guida secondo cui gli allarmi devono portare ad azioni di prevenzione.

Quale politica CMS menziona la guida in merito alle cadute?

Le cadute con infortunio sono tra le condizioni contratte in ospedale per le quali CMS non paga extra. Ciò dà agli ospedali una ragione finanziaria per prevenirli.