ต่อไปคำแนะนำต่อไป
การทำนายการบาดเจ็บที่ไตเฉียบพลันโดย AI
อุตสาหกรรม
คู่มืออุตสาหกรรม
การทำนายการบาดเจ็บจากแรงกดทับของ AI ใช้แบบจำลอง EHR เซ็นเซอร์ข้างเตียง และการวิเคราะห์ภาพถ่ายบาดแผล เพื่อระบุผู้ป่วยที่มีความเสี่ยงต่อการบาดเจ็บจากแรงกดทับ และเพื่อติดตามบาดแผลที่มีอยู่ได้แม่นยำกว่าระดับ Braden เพียงอย่างเดียว
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
สิ่งสำคัญคือการบาดเจ็บจากแรงกดทับที่เกิดขึ้นในโรงพยาบาลนั้นเจ็บปวด มักป้องกันได้และมีค่าใช้จ่ายสูง การเตือนล่วงหน้าหรือที่ตรงเป้าหมายมากขึ้นช่วยให้พยาบาลตั้งเป้าหมายในการเปลี่ยนตารางเวลา รองรับพื้นผิว และตรวจผิวหนังสำหรับผู้ป่วยที่ต้องการความช่วยเหลือมากที่สุด
The Braden Scale, developed by Barbara Braden and Nancy Bergstrom in the 1980s, scores six subscales: sensory perception, moisture, activity, mobility, nutrition, and friction and shear. Totals run from 6 to 23, and lower scores mean higher risk. A score of 18 or below is commonly treated as at risk. The scale is quick and familiar, but it depends on subjective ratings and predicts only moderately well. It also leaves out factors that matter a lot in acute care, such as vasopressors, low perfusion, long surgeries and medical devices. In 2016 the National Pressure Ulcer Advisory Panel, now the NPIAP, changed its term from pressure ulcer to pressure injury, because early stages may involve intact skin. Staging covers Stages 1 through 4, unstageable, and deep tissue pressure injury, and medical device-related injuries are also recognized. Machine learning models trained on EHR data can use vasopressor doses, mechanical ventilation, time in surgery, BMI, incontinence, lab values, mobility documentation and repositioning records. Sensors add direct measurements. Sub-epidermal moisture (SEM) scanners, such as the Provizio SEM Scanner, detect fluid changes under the skin that can come before visible damage. This is especially useful because early redness is harder to see on darker skin. Wearable sensors like the Leaf system track patient position and turning, and pressure mapping mats show where pressure builds up. Wound photo apps, such as Swift Medical's, measure wound size and classify tissue from smartphone images. One misconception is that a photo app stages the wound. Staging still requires clinical assessment, including depth, palpation and tissue that cannot be seen. Another is that prediction prevents injuries. Prevention comes from repositioning, support surfaces, moisture management, nutrition and device checks. CMS treats hospital-acquired Stage 3 and 4 pressure injuries as hospital-acquired conditions, which keeps them a priority for quality programs.
แบบจำลองห้องไอซียูระบุว่าผู้ป่วยรายหนึ่งใช้เครื่องกดหลอดเลือด 2 เครื่องหลังการผ่าตัดเป็นเวลานานว่ามีความเสี่ยงสูง แม้ว่าคะแนนของ Braden จะถือว่าอยู่ในขอบเขตก็ตาม ทีมงานจะเคลื่อนย้ายผู้ป่วยไปยังพื้นผิวรองรับพิเศษและเพิ่มการถ่ายส้นเท้า
พยาบาลใช้เครื่องสแกนความชื้นใต้ผิวหนังบริเวณถุงน้ำดีและส้นเท้าของผู้ป่วยที่มีผิวคล้ำ ซึ่งรอยแดงในระยะแรกจะมองเห็นได้ยาก การอ่านที่เพิ่มขึ้นจะแจ้งให้เปลี่ยนตำแหน่งก่อนหน้านี้
เซ็นเซอร์ตำแหน่งที่สวมใส่ได้แสดงให้เห็นว่าผู้ป่วยอยู่ด้านใดด้านหนึ่งนานกว่าสามชั่วโมง ระบบจะเตือนพนักงานว่าพ้นช่วงเทิร์นแล้ว
พยาบาลทำแผลจะถ่ายรูปบาดแผลศักดิ์สิทธิ์พร้อมติดสติ๊กเกอร์วัดขนาดไว้ในกรอบทุกสัปดาห์ แอปจะวัดพื้นที่บาดแผลและประเภทเนื้อเยื่อ เพื่อให้สามารถเปรียบเทียบแนวโน้มการรักษาในแต่ละสัปดาห์ได้
คาดว่าจะมีแนวทางที่ผสมผสานกันมากขึ้นซึ่งจับคู่โมเดลความเสี่ยง EHR กับข้อมูลเซ็นเซอร์และการติดตามภาพถ่ายภายในเวิร์กโฟลว์การพยาบาล คุณค่าของมันจะขึ้นอยู่กับว่าพวกมันนำไปสู่การป้องกันตั้งแต่เนิ่นๆ หรือไม่ ไม่ใช่แค่การแจ้งเตือนเพิ่มเติมเท่านั้น หลักฐานอิสระที่แสดงว่าเครื่องมือเหล่านี้ช่วยลดการบาดเจ็บจากแรงกดทับที่เกิดขึ้นในโรงพยาบาลยังคงมีการพัฒนาและแตกต่างกันไปตามผลิตภัณฑ์และสภาพแวดล้อม ประสิทธิภาพตามสีผิวสมควรได้รับการตรวจสอบเป็นพิเศษในการประเมินในอนาคต ในตอนนี้ การใช้งานที่สามารถป้องกันได้มากที่สุดคือการใช้เสริมในการประเมินผิวหนังและระดับ Braden ไม่ใช่การทดแทนการตรวจผิวหนังด้วยมือของพยาบาล
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การทำนายการบาดเจ็บจากแรงกดทับของ AI ใช้แบบจำลอง EHR เซ็นเซอร์ข้างเตียง และการวิเคราะห์ภาพถ่ายบาดแผล เพื่อระบุผู้ป่วยที่มีความเสี่ยงต่อการบาดเจ็บจากแรงกดทับ และเพื่อติดตามบาดแผลที่มีอยู่ได้แม่นยำกว่าระดับ Braden เพียงอย่างเดียว สิ่งสำคัญคือการบาดเจ็บจากแรงกดทับที่เกิดขึ้นในโรงพยาบาลนั้นเจ็บปวด มักป้องกันได้และมีค่าใช้จ่ายสูง การเตือนล่วงหน้าหรือที่ตรงเป้าหมายมากขึ้นช่วยให้พยาบาลตั้งเป้าหมายในการเปลี่ยนตารางเวลา รองรับพื้นผิว และตรวจผิวหนังสำหรับผู้ป่วยที่ต้องการความช่วยเหลือมากที่สุด
ผลรวมของ Braden อยู่ระหว่าง 6 ถึง 23 และคะแนนที่ต่ำกว่าหมายถึงความเสี่ยงที่สูงขึ้น โดยทั่วไปคะแนน 18 หรือต่ำกว่าถือว่ามีความเสี่ยง
ระดับย่อยทั้งหก ได้แก่ การรับรู้ทางประสาทสัมผัส ความชื้น กิจกรรม การเคลื่อนไหว โภชนาการ และการเสียดสีและแรงเฉือน ความดันโลหิตไม่ได้รับการให้คะแนน ซึ่งเป็นเหตุผลหนึ่งที่มาตราส่วนพลาดปัจจัยต่างๆ เช่น การไหลเวียนของเลือดต่ำ
SEM วัดการเปลี่ยนแปลงใต้ผิวหนังที่อาจเกิดขึ้นก่อนการบาดเจ็บที่มองเห็นได้ ซึ่งจะช่วยให้รอยแดงในช่วงต้นมองเห็นได้ยากบนผิวคล้ำ
คุณสมบัติที่ปรากฏหลังจากได้รับบาดเจ็บเท่านั้นทำให้โมเดลดูแม่นยำในการทดสอบ แต่ไม่มีประโยชน์ในการใช้งานจริง ควรจำกัดฟีเจอร์ไว้เฉพาะข้อมูลที่มีอยู่ก่อนถึงเวลาคาดการณ์
เครื่องหมายช่วยให้ซอฟต์แวร์สามารถวัดขนาดแผลจริงและสีที่ถูกต้อง ซึ่งทำให้การเปรียบเทียบรายสัปดาห์มีความน่าเชื่อถือ
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การทำนายการบาดเจ็บที่ไตเฉียบพลันโดย AI
อุตสาหกรรม