PANDUAN Industri

Ramalan Risiko Kejatuhan AI di Hospital

Ramalan risiko kejatuhan AI menggunakan data rekod kesihatan elektronik, dan kadangkala video dalam bilik, untuk menganggarkan pesakit hospital mana yang mungkin jatuh dan memaklumkan kakitangan lebih awal.

Dengar panduan iniAI-diceritakan · ~3 min

Pada halaman ini4 minit membaca
  1. Gambaran keseluruhan
  2. Menyelam dalam
  3. Pelaksanaan Dunia Sebenar
  4. Masa Depan Ramalan Risiko Kejatuhan AI di Hospital
  5. Mempraktikkannya
  6. Teruskan Meneroka
  7. Soalan lazim

Gambaran keseluruhan

Ia bertujuan untuk menambah baik pada skor sisi katil berkala seperti Skala Kejatuhan Morse. Jatuh menyebabkan kecederaan, penginapan lebih lama dan kos hospital tidak dapat pulih, tetapi amaran hanya membantu jika jururawat boleh bertindak ke atasnya tanpa lemas dalam penggera.

Menyelam dalam

Skala Kejatuhan Morse, yang diterbitkan oleh Janice Morse pada tahun 1989, menjaringkan enam item: sejarah jatuh, diagnosis sekunder, bantuan ambulatori, kunci IV atau saline, gaya berjalan, dan status mental. Jumlahnya berkisar antara 0 hingga 125, dan banyak hospital menganggap skor sekitar 45 atau lebih tinggi sebagai berisiko tinggi, walaupun ambangnya berbeza-beza. Alat lain termasuk Model Risiko Kejatuhan Hendrich II dan Alat Penilaian Risiko Kejatuhan Johns Hopkins. Skala ini adalah pantas, tetapi jururawat biasanya menjaringkannya sekali sahaja dalam satu syif, mereka terlepas perubahan antara penilaian, dan mereka melabelkan begitu ramai pesakit dalam sebagai berisiko sehingga label itu hilang makna. Model ramalan mengira semula risiko daripada data EHR apabila ia berubah. Input boleh termasuk sedatif, opioid, diuretik dan ubat tekanan darah, paras natrium, tanda vital ortostatik, skrin mengigau, keperluan tandas, prosedur terkini dan masa dalam sehari. Vendor EHR, termasuk Epic, menawarkan model risiko jatuh, dan sesetengah hospital membina model mereka sendiri. Video ialah lapisan yang berasingan. Pemerhatian maya berterusan, yang ditawarkan oleh syarikat seperti AvaSure, membolehkan kakitangan terlatih menonton banyak bilik sekaligus dan bercakap dengan pesakit melalui pembesar suara. Sistem yang lebih baru menambah penglihatan komputer yang mengesan perubahan postur seperti duduk atau bergerak ke arah tepi katil. Itu memberikan amaran lebih awal daripada penggera katil pad tekanan, yang hanya mencetuskan apabila berat keluar dari tilam. Salah tanggapan utama ialah lebih banyak makluman bermakna lebih sedikit kejatuhan. Percubaan rawak yang besar terhadap peningkatan penggunaan penggera katil tidak menemui pengurangan dalam jatuh. Skor risiko menyatakan siapa yang mungkin jatuh, bukan apa yang perlu dilakukan. Jatuh jatuh apabila amaran membawa kepada tindakan: tandas berjadual, katil rendah, kasut tidak licin, tali pinggang berjalan, terapi fizikal, semakan ubat dan tinggal bersama pesakit di bilik mandi. Sejak 2008, CMS tidak membayar tambahan kepada hospital untuk jatuh dengan kecederaan yang berlaku semasa penginapan, yang memberi hospital alasan kewangan untuk menghalangnya.

Pelaksanaan Dunia Sebenar

Model ramalan menandakan pesakit yang lebih tua selepas sedatif baru dimulakan di atas diuretik. Jururawat memulakan pusingan tandas yang dijadualkan dan meminta farmasi untuk menyemak gabungan itu.

Sistem penglihatan komputer di dalam bilik yang dipantau melihat seorang pesakit duduk dan menghayunkan kaki mereka di atas tepi katil. Ia memberi amaran kepada pemerhati maya, yang bercakap dengan pesakit melalui pembesar suara manakala jururawat berjalan ke bilik.

Sebuah unit menyemak makluman modelnya dan mendapati kebanyakan pesakit yang dibenderakan tidak pernah jatuh. Ia meningkatkan ambang untuk pemberitahuan anjakan malam untuk mengurangkan keletihan penggera.

Seorang jururawat melihat skor Morse yang tinggi tetapi skor model yang rendah pada pesakit yang stabil tetapi menggunakan walker. Dia bergantung pada penilaiannya sendiri dan dokumen mengapa.

Masa Depan Ramalan Risiko Kejatuhan AI di Hospital

Hospital mungkin akan menggabungkan skor risiko EHR dengan pemantauan video dan data panggilan jururawat, supaya makluman mencerminkan kedua-dua orang yang berisiko dan apa yang berlaku di dalam bilik. Sama ada ini mengurangkan kejatuhan yang mencederakan, dan bukan hanya kejatuhan yang direkodkan, memerlukan kajian yang lebih baik daripada kebanyakan vendor telah menerbitkan setakat ini. Jangkaan privasi, persetujuan pesakit untuk kamera, dan keletihan penggera akan mengehadkan penyebaran pemantauan berterusan secara meluas. Pendekatan yang bertahan adalah menggunakan ramalan untuk menyasarkan langkah pencegahan yang diketahui, dengan jururawat mengekalkan kuasa untuk mengatasi markah.

Mempraktikkannya

Mengapa ia penting

  • Konteks dan peraturan. Konteks industri menentukan sama ada idea AI bertahan dalam hubungan dengan realiti.
  • Kawalan kualiti. Kekangan domain mempengaruhi kadar ralat dan model pengawasan yang boleh diterima.
  • Pilihan binaan. Penerapan yang berjaya menyelaraskan keupayaan teknikal dengan aliran kerja barisan hadapan.

Berhati-hati untuk

  • Keperluan kawal selia boleh membatalkan prototaip yang kukuh.
  • Data sejarah mungkin mengekod berat sebelah yang membahayakan komuniti tertentu.
  • Sistem warisan boleh mewujudkan kesesakan penyepaduan dan kos tersembunyi.

Langkah seterusnya

  1. Libatkan pakar domain daripada pembingkaian masalah hingga penilaian.
  2. Reka bentuk jejak audit dan dokumentasi sebelum pelancaran.
  3. Sahkan pematuhan dan kewajipan keselamatan lebih awal.
  4. Melancarkan secara berfasa dengan kriteria hentian dan undur yang jelas.

Teruskan Meneroka

Newsletter percuma

Dapatkan taklimat AI harian

Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.

Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.

Uji diri anda

Take the AI Fall Risk Prediction in Hospitals quiz

Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.

Mulakan kuiz

Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma

Soalan lazim

Apakah Ramalan Risiko Kejatuhan AI di Hospital?

Ramalan risiko kejatuhan AI menggunakan data rekod kesihatan elektronik, dan kadangkala video dalam bilik, untuk menganggarkan pesakit hospital mana yang mungkin jatuh dan memaklumkan kakitangan lebih awal. Ia bertujuan untuk menambah baik pada skor sisi katil berkala seperti Skala Kejatuhan Morse. Jatuh menyebabkan kecederaan, penginapan lebih lama dan kos hospital tidak dapat pulih, tetapi amaran hanya membantu jika jururawat boleh bertindak ke atasnya tanpa lemas dalam penggera.

Berapa banyak item skor Skala Kejatuhan Morse?

Skala Kejatuhan Morse menjaringkan enam item: sejarah jatuh, diagnosis sekunder, bantuan ambulatori, kunci IV atau saline, gaya berjalan dan status mental.

Mengapakah model ramalan jatuh dengan AUROC tinggi masih boleh menghasilkan kebanyakan penggera palsu?

Apabila hasilnya jarang berlaku, kebanyakan pesakit yang dibenderakan tidak akan jatuh walaupun model meletakkan mereka dengan baik. Itulah sebabnya panduan mengesyorkan melaporkan ketepatan dan makluman setiap kejatuhan sebenar.

Bagaimanakah pengesanan tempat keluar katil penglihatan komputer berbeza daripada penggera katil pad tekanan?

Pad tekanan tercetus apabila berat keluar dari tilam. Sistem penglihatan boleh melihat duduk atau bergerak ke arah tepi katil lebih awal, memberikan lebih banyak masa kepada kakitangan.

Apakah yang didapati oleh percubaan rawak yang besar mengenai peningkatan penggunaan penggera katil, menurut panduan?

Perbicaraan tidak menunjukkan lebih sedikit jatuh dengan lebih banyak penggera katil. Ini menyokong pandangan panduan bahawa amaran mesti membawa kepada tindakan pencegahan.

Apakah dasar CMS yang dinyatakan oleh panduan berkenaan jatuh?

Jatuh dengan kecederaan adalah antara keadaan yang diperoleh hospital yang CMS tidak membayar tambahan. Itu memberi hospital alasan kewangan untuk menghalang mereka.