ДалееСледующее руководство
Прогнозирование острого повреждения почек с помощью искусственного интеллекта
Отрасли
РУКОВОДСТВО ПО Отраслям
Прогнозирование пролежней с помощью искусственного интеллекта использует модели на основе EHR, прикроватные датчики и анализ фотографий ран для выявления пациентов, подверженных риску пролежней, а также для отслеживания существующих ран с большей точностью, чем только шкала Брейдена.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, поскольку госпитальные пролежни болезненны, их часто можно предотвратить и они являются дорогостоящими. Более ранние или более целенаправленные предупреждения помогают медсестрам ориентировать графики поворотов, опорные поверхности и проверки кожи на пациентов, которые в них больше всего нуждаются.
Шкала Брейдена, разработанная Барбарой Брейден и Нэнси Бергстром в 1980-х годах, включает шесть субшкал: сенсорное восприятие, влажность, активность, подвижность, питание, трение и сдвиг. Итоговые значения варьируются от 6 до 23, а более низкие баллы означают более высокий риск. Оценка 18 или ниже обычно считается группой риска. Шкала быстрая и знакомая, но она зависит от субъективных оценок и прогнозирует лишь умеренно хорошо. Он также не учитывает факторы, которые имеют большое значение при неотложной помощи, такие как вазопрессоры, низкая перфузия, длительные операции и медицинские устройства. В 2016 году Национальная консультативная группа по пролежням, ныне NPIAP, изменила свой термин с пролежней на пролежни, поскольку на ранних стадиях может поражаться неповрежденная кожа. Стадирование охватывает стадии с 1 по 4, нестадийную травму, повреждение глубоких тканей, а также травмы, связанные с медицинскими устройствами. Модели машинного обучения, обученные на данных ЭМК, могут использовать дозы вазопрессоров, механическую вентиляцию легких, время операции, ИМТ, недержание, лабораторные показатели, документацию по мобильности и записи о перемещении. Датчики добавляют прямые измерения. Сканеры субэпидермальной влажности (СЭМ), такие как СЭМ-сканер Provizio, обнаруживают изменения жидкости под кожей, которые могут произойти до видимых повреждений. Это особенно полезно, поскольку раннее покраснение труднее заметить на темной коже. Носимые датчики, такие как система Leaf, отслеживают положение и поворот пациента, а коврики для картографирования давления показывают, где давление повышается. Приложения для фотографий ран, такие как Swift Medical, измеряют размер ран и классифицируют ткани по изображениям со смартфона. Одно из заблуждений заключается в том, что приложение для фотографий инсценирует рану. Стадирование по-прежнему требует клинической оценки, включая глубину, пальпацию и ткани, которые невозможно увидеть. Во-вторых, прогнозирование предотвращает травмы. Профилактика заключается в изменении положения, опорных поверхностях, управлении влажностью, питании и проверке устройств. CMS рассматривает внутрибольничные пролежни 3 и 4 стадий как внутрибольничные состояния, что делает их приоритетными для качественных программ.
Модель отделения интенсивной терапии отмечает пациента, принимающего два вазопрессора после длительной операции, как высокий риск, хотя показатель Брейдена находится на пограничном уровне. Команда перемещает пациента на специальную опорную поверхность и разгружает пятку.
Медсестра использует сканер субэпидермальной влаги на крестце и пятках пациента с темной кожей, где трудно заметить раннее покраснение. Растущие значения побуждают к более раннему изменению позиции.
Носимые датчики положения показывают, что пациент оставался на одном боку более трех часов. Система напоминает персоналу, что интервал поворота прошел.
Раневую медсестру каждую неделю фотографирует рану крестца с калибровочной наклейкой в рамке. Приложение измеряет площадь раны и типы тканей, поэтому можно сравнивать тенденции заживления от недели к неделе.
Ожидайте более комбинированных подходов, которые объединяют модели рисков EHR с данными датчиков и отслеживанием фотографий в рабочем процессе медсестры. Их ценность будет зависеть от того, приведут ли они к более раннему предотвращению, а не просто к большему количеству предупреждений. Независимые доказательства того, что эти инструменты уменьшают количество пролежней в больницах, все еще находятся в стадии разработки и варьируются в зависимости от продукта и условий. Характеристики различных оттенков кожи заслуживают особого внимания в будущих оценках. На данный момент наиболее оправданным является использование в качестве дополнения к оценке кожи и шкале Брейдена, а не в качестве замены практического осмотра кожи медсестрой.
Бесплатная рассылка
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
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Прогнозирование пролежней с помощью искусственного интеллекта использует модели на основе EHR, прикроватные датчики и анализ фотографий ран для выявления пациентов, подверженных риску пролежней, а также для отслеживания существующих ран с большей точностью, чем только шкала Брейдена. Это важно, поскольку госпитальные пролежни болезненны, их часто можно предотвратить и они являются дорогостоящими. Более ранние или более целенаправленные предупреждения помогают медсестрам ориентировать графики поворотов, опорные поверхности и проверки кожи на пациентов, которые в них больше всего нуждаются.
Общее количество баллов Брейдена варьируется от 6 до 23, а более низкие баллы означают более высокий риск. Оценка 18 или ниже обычно считается группой риска.
Шесть подшкал — это сенсорное восприятие, влажность, активность, подвижность, питание, трение и сдвиг. Артериальное давление не оценивается, что является одной из причин, по которой шкала не учитывает такие факторы, как низкая перфузия.
СЭМ измеряет изменения под кожей, которые могут произойти до видимой травмы. Это помогает там, где раннее покраснение труднее увидеть на темной коже.
Особенности, которые появляются только после начала травмы, делают модель точной при тестировании, но бесполезной в реальном использовании. Функции должны быть ограничены данными, доступными до времени прогнозирования.
Маркер позволяет программному обеспечению измерять реальные размеры раны и правильный цвет, что делает еженедельные сравнения надежными.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Прогнозирование острого повреждения почек с помощью искусственного интеллекта
Отрасли