РУКОВОДСТВО ПО Отраслям

Прогнозирование риска падения с помощью ИИ в больницах

Прогноз риска падения с помощью искусственного интеллекта использует данные электронных медицинских записей, а иногда и видео в палате, чтобы оценить, какие пациенты больницы могут упасть, и заранее предупредить персонал.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице4 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее прогнозирования риска падения с помощью ИИ в больницах
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

Целью проекта является улучшение показателей периодических показателей, таких как шкала падения Морса. Падения приводят к травмам, длительному пребыванию и затратам, которые больницы не могут компенсировать, но предупреждение помогает только в том случае, если медсестры могут отреагировать на него, не утонув в тревогах.

Глубокое погружение

Шкала падения Морса, опубликованная Дженис Морс в 1989 году, оценивает шесть пунктов: история падения, вторичный диагноз, амбулаторная помощь, внутривенный или физиологический раствор, походка и психическое состояние. Итоговые значения варьируются от 0 до 125, и многие больницы рассматривают показатели около 45 и выше как высокий риск, хотя пороговые значения различаются. Другие инструменты включают Модель риска падения Хендриха II и Инструмент оценки риска падения Джонса Хопкинса. Эти шкалы быстрые, но медсестры обычно оценивают их только один раз в смену, они пропускают изменения между оценками и относят так много стационарных пациентов к группе риска, что этот ярлык теряет смысл. Прогнозирующие модели пересчитывают риск на основе данных EHR по мере их изменения. Входные данные могут включать седативные средства, опиоиды, диуретики и лекарства от артериального давления, уровень натрия, ортостатические показатели жизнедеятельности, тесты на делирий, необходимость посещения туалета, недавние процедуры и время суток. Поставщики электронных медицинских карт, включая Epic, предлагают модели риска падения, а некоторые больницы создают свои собственные. Видео — это отдельный слой. Непрерывное виртуальное наблюдение, предлагаемое такими компаниями, как AvaSure, позволяет обученному персоналу наблюдать за многими палатами одновременно и разговаривать с пациентами через динамик. В новые системы добавлено компьютерное зрение, которое распознает изменения позы, например, когда человек садится или приближается к краю кровати. Это дает более раннее предупреждение, чем сигнализация кровати с нажимной подушкой, которая срабатывает только тогда, когда вес сбрасывается с матраса. Ключевое заблуждение заключается в том, что больше предупреждений означает меньшее количество падений. Крупное рандомизированное исследование более частого использования прикроватных будильников не выявило снижения частоты падений. Оценка риска говорит о том, кто может упасть, а не о том, что делать. Падения снижаются, когда тревога приводит к действию: плановому посещению туалета, низким кроватям, нескользящей обуви, ремням для ходьбы, физиотерапии, проверке лекарств и пребыванию с пациентами в ванной комнате. С 2008 года CMS не выплачивает больницам дополнительную плату за падения с травмами, произошедшие во время пребывания в больнице, что дает больницам финансовую причину для их предотвращения.

Реальная реализация

Прогностическая модель выявляет пожилого пациента после начала приема нового седативного средства поверх диуретика. Медсестра начинает плановый обход туалета и просит аптеку проверить комбинацию.

Система компьютерного зрения в контролируемой комнате видит, как пациент садится и свешивает ноги с края кровати. Он предупреждает виртуального наблюдателя, который разговаривает с пациентом через динамик, пока медсестра входит в палату.

Отделение просматривает предупреждения своих моделей и обнаруживает, что большинство помеченных пациентов никогда не падают. Он повышает порог уведомлений о ночной смене, чтобы снизить утомляемость от тревоги.

Медсестра видит высокую оценку Морзе, но низкую модельную оценку у пациента, который устойчив, но пользуется ходунками. Она полагается на свою собственную оценку и документально подтверждает, почему.

Будущее прогнозирования риска падения с помощью ИИ в больницах

Больницы, скорее всего, будут объединять оценки риска EHR с данными видеомониторинга и вызовами медсестер, чтобы оповещения отражали как тех, кто находится в группе риска, так и того, что происходит в палате. Вопрос о том, снизит ли это количество травмирующих падений, а не только зарегистрированные падения, требует более тщательного исследования, чем опубликовано большинством поставщиков. Ожидания конфиденциальности, согласие пациентов на использование камер и усталость от сигналов тревоги будут ограничивать широкое распространение непрерывного мониторинга. Подход, который остается верным, заключается в использовании прогнозов для определения известных мер профилактики, при этом медсестры сохраняют за собой право игнорировать оценки.

Применение на практике

Почему это важно

  • Контекст и правила. Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
  • Контроль качества. Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
  • Выбор сборки. Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.

Следите за

  • Нормативные требования могут сделать недействительными сильные прототипы.
  • Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
  • Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.

Следующие шаги

  1. Привлекайте экспертов в предметной области от постановки проблемы до оценки.
  2. Разработайте журналы аудита и документацию перед запуском.
  3. Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
  4. Развертывание поэтапно с четкими критериями остановки и отката.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Take the AI Fall Risk Prediction in Hospitals quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое прогнозирование риска падения с помощью ИИ в больницах?

Прогноз риска падения с помощью искусственного интеллекта использует данные электронных медицинских записей, а иногда и видео в палате, чтобы оценить, какие пациенты больницы могут упасть, и заранее предупредить персонал. Целью проекта является улучшение показателей периодических показателей, таких как шкала падения Морса. Падения приводят к травмам, длительному пребыванию и затратам, которые больницы не могут компенсировать, но предупреждение помогает только в том случае, если медсестры могут отреагировать на него, не утонув в тревогах.

Сколько пунктов дает шкала Морса?

Шкала падения Морса оценивает шесть пунктов: история падения, вторичный диагноз, амбулаторная помощь, внутривенный или физиологический раствор, походка и психическое состояние.

Почему модель прогнозирования падения с высоким AUROC по-прежнему может выдавать в основном ложные тревоги?

Когда исход редкий, большинство помеченных пациентов не попадают в группу, даже если модель ранжирует их хорошо. Вот почему руководство рекомендует сообщать о точности и предупреждать о каждом истинном падении.

Чем обнаружение выхода из кровати с помощью компьютерного зрения отличается от сигнализации кровати с помощью нажимной панели?

Нажимные подушки срабатывают, когда вес сбрасывается с матраса. Системы технического зрения могут раньше заметить, что пациент садится или приближается к краю кровати, что дает персоналу больше времени.

Что, согласно руководству, обнаружило крупное рандомизированное исследование более частого использования прикроватных будильников?

Исследование не показало меньшего количества падений при большем количестве будильников. Это подтверждает точку зрения руководства о том, что оповещения должны привести к профилактическим действиям.

Какая политика CMS упоминается в руководстве в отношении падений?

Падения с травмами относятся к числу госпитальных состояний, за которые CMS не платит дополнительную плату. Это дает больницам финансовую причину для их предотвращения.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →