مدیریت جریان بستر و بیمار: اشغال، برنامه ریزی تخلیه و تراکم

سود:

• امکان نظارت و تفسیر شاخص‌های میزان اشغال تخت، میانگین طول اقامت و جریان بیمار با پشتیبانی از هوش مصنوعی
• امکان پیش بینی تنگناهای برنامه ریزی ترخیص، انتقال و بستری اورژانسی با تحلیل سناریو و تهیه پیش نویس برنامه اقدام
• درک اینکه تناسب بالینی اولویت های تخصیص تخت و ترخیص پیشنهاد شده توسط هوش مصنوعی به تایید پزشک و پرستار بستگی دارد.

تخت بیمارستانی یکی از گران ترین و کمیاب ترین منابع سیستم مراقبت های بهداشتی است. اینکه آیا می‌توان تختی را برای بیمار منتظر در اورژانس باز کرد یا خیر، تعیین می‌کند که آیا بیمار ساعت‌ها روی برانکارد می‌ماند یا فوراً به خدمات منتقل می‌شود. بنابراین مدیریت تخت هم یک عمل جراحی و هم یک مسئله ایمنی بیمار است. در این واحد، ما از هوش مصنوعی در سه نقطه از جریان بستر استفاده خواهیم کرد: نظارت و تفسیر اشغال، پیش‌بینی برنامه‌ریزی تخلیه، و مشاهده زودهنگام گلوگاه‌های تراکم. مرز مشخص است: هوش مصنوعی طرح کلی/توصیه‌هایی را برای تخصیص بستر و اولویت تخلیه تولید می‌کند. تناسب بالینی و تصمیم نهایی همیشه به تایید پزشک و پرستار بستگی دارد.

نشانگرهای پایه بلبرینگ

بیایید چند مفهوم را روشن کنیم. ضریب اشغال تخت، نسبت روزهای تخت اشغال شده به کل ظرفیت تخت در یک دوره معین است. حدود 85 درصد به طور کلی سالم هستند و بیش از 95 درصد نشانه انسداد مزمن است. میانگین مدت اقامت (LOS) میانگین تعداد روزها از زمان پذیرش بیمار تا ترخیص است. نرخ گردش تخت تعداد بیماران مختلفی است که یک تخت در طول یک دوره خدمات ارائه می دهد. جریان بیمار مسیری است که بیمار از اورژانس/کلینیک سرپایی تا پذیرش در بخش تا ترخیص طی می کند. این شاخص ها به هم مرتبط هستند: اگر LOS کاهش یابد، گردش مالی افزایش می یابد، اشغال به بیماران بیشتری با همان تخت خدمت می کند.

اما در اینجا یک تله حیاتی وجود دارد. کاهش LOS به تنهایی "موفقیت" نیست. اگر این کاهش به دلیل مرخص شدن زودهنگام بیماران و سپس بستری مجدد باشد - جایی که بیمار ترخیص شده به زودی با همان مشکل مجدداً بستری می شود - این یک بهبود نیست بلکه یک مسئله پنهان ایمنی بیمار است. به همین دلیل LOS باید همیشه همراه با نرخ پذیرش مجدد خوانده شود.

یک راه برای درک جریان بستر این است که آن را به عنوان یک "سیستم لوله" در نظر بگیرید: پذیرش بیمار (اورژانس، سرپایی، پذیرش برنامه ریزی شده) در یک انتهای لوله وارد می شود، تخلیه در انتهای دیگر خارج می شود. هنگامی که لوله پر است (شغل زیاد است)، خروجی باید قبل از ادامه ورودی تسریع شود. اگر خروجی مسدود شود - مراحل ترخیص به تاخیر بیفتد، تمیز کردن به موقع کامل نشود، بیمار برای انتقال منتظر تخت باشد - فشار در ورودی جمع می شود و این فشار در قابل مشاهده ترین مکان، اورژانس منفجر می شود: بیماران روی برانکارد منتظر تخت هستند. بنابراین، اکثر اوقات راه حل واقعی در مدیریت بستر، باز کردن بستر جدید نیست، بلکه تسریع جریان در انتهای خروجی (زمان تخلیه، تمیز کردن، انتقال) است. هوش مصنوعی کمک خوبی برای قابل مشاهده کردن داده ها در مکان هایی است که فشار در این سیستم لوله کشی ایجاد می شود.

گام به گام: مطالعه جریان بستر با هوش مصنوعی

1. داده های جریان ناشناس را جمع آوری کنید. خدمات، تاریخ پذیرش، ترخیص تخمینی/واقعی، گروه تشخیصی (بدون شناسه بیمار)، شماره تخت.
2. اشغال و LOS را محاسبه و تفسیر کنید. از هوش مصنوعی بخواهید با نشان دادن فرمول محاسبه کند. شما به صورت دستی تأیید می کنید
3. پیش بینی تخلیه انجام شده است. تشریح کنید که کدام بیماران ممکن است به زودی بر اساس سیگنال های اداری (روش برنامه ریزی شده تکمیل شده است، نتایج معاینه در انتظار است)، نه یادداشت های بالینی.
4. گلوگاه را پیدا کنید. محل مسدود شدن جریان را تجزیه و تحلیل کنید (آیا مراحل ترخیص در بعدازظهر انباشته می شود، آیا بیمارانی در انتظار انتقال هستند).
5. طرح کلی اقدام را ایجاد کنید. توصیه هایی مانند ترخیص صبحگاهی، طرح نظافت اولیه، اولویت بندی انتقال را دریافت کنید.
6. تایید بالینی پزشک/پرستار توصیه های ترخیص و تخصیص را با چشم بالینی تایید می کند. توصیه هوش مصنوعی هرگز به صورت مجزا اجرا نمی شود.

احتیاط: هوش مصنوعی نمی تواند بگوید "این بیمار می تواند مرخص شود"؛ این یک تصمیم پزشکی است. حداکثر، هوش مصنوعی یک سیگنال عملیاتی می دهد مانند "به نظر می رسد مراحل ترخیص اداری این بیمار (فاکتور، نسخه دارو، حمل و نقل) آماده است." پزشک مناسب بودن بالینی را تعیین می کند.

سه کیف کوچک

مورد 1 - گلوگاه ترخیص صبحگاهی. در بخش داخلی اکثر ترخیص ها بعد از ساعت 16 تکمیل می شود، بنابراین بیمارانی که از اورژانس می آمدند تا عصر منتظر تخت بودند. مدیر 30 روز داده های ناشناس را به هوش مصنوعی داد. YZ نشان داد که مراحل ترخیص در بعد از ظهر انباشته شده است و به طور متوسط ​​4.5 ساعت بین "تصمیم ترخیص و جای خالی تخت" سپری شده است. تمرین "ترخیص هدفمند ساعت 10 صبح" همراه با پرستاری برقرار شد. پس از دو ماه، میانگین زمان انزال به 14:10 کاهش یافت و زمان انتظار برای تخت اورژانس کاهش یافت.

مورد 2 - تله LOS. در یک سرویس، LOS از 6.2 روز به 5.1 کاهش یافت و تیم می خواست موفقیت خود را اعلام کند. افسر کیفیت از هوش مصنوعی خواست تا LOS و پذیرش مجدد را با هم تجزیه و تحلیل کند. مشخص شد در همین مدت پذیرش مجدد 30 روزه از 8 درصد به 13 درصد افزایش یافته است. به عبارت دیگر برخی از بیماران زودتر از موعد مرخص شده و برمی گردند. "موفقیت" در واقع یک هشدار بود. معیارهای ترخیص اولیه توسط پزشکان بررسی شد.

مورد 3 - سناریوی ازدحام ICU. در یک بیمارستان، اشغال مراقبت های ویژه به طور مداوم بالای 92 درصد بود. معاون پزشک ارشد از YZ خواست تا برنامه جراحی انتخابی (برنامه ریزی شده) را با پیش بینی بار مراقبت های ویژه بنویسد. هوش مصنوعی سه سناریو ارائه کرد؛ این نشان داد که در چه روزهایی جراحی های بزرگ برنامه ریزی شده انباشته شدند و چگونه این جراحی ها تقاضا برای مراقبت های ویژه را به اوج رساندند. برنامه برای پخش بار در طول هفته مجدداً تنظیم شده است. تصمیم بر عهده تیم جراحی و بیهوشی بود. هوش مصنوعی باعث شد که بهم ریختگی ها قابل مشاهده باشد.

چهار قالب قابل کپی

1) محاسبه اشغال و LOS - نظر:

نقش شما: دستیار تحلیلگر جریان بیمارستان. اطلاعات ناشناس (بدون شناسایی): بخش، تعداد تخت 40، روز تخت اشغالی 1020، دوره 30 روز، تعداد ترخیص 210، کل روزهای بستری 1038. وظیفه: (1) محاسبه نرخ اشغال و میانگین مدت اقامت با فرمول، (2) نوشتن یک نظر مدیریتی تک پاراگرافی، (3) بیان خطر تفسیر LOS به تنهایی بدون پذیرش مجدد. شماره ساخته شده نده

2) تجزیه و تحلیل گلوگاه تخلیه:

در زیر مُهرهای زمانی ترخیص ناشناس آمده است: زمان تصمیم گیری ترخیص یا زمانی که تخت واقعاً تخلیه شده است. وظیفه: ساعت اوج تاخیر را پیدا کنید، میانگین تفاوت "تصمیم-ترخیص" را محاسبه کنید، 5 پیشنهاد عملیاتی ارائه دهید که باعث افزایش ترخیص صبحگاهی می شود. تصمیم گیری بالینی؛ فقط روی مراحل جریان اداری تمرکز کنید.

3) سناریوی چگالی:

ظرفیت مراقبت های ویژه 12 تخت، میانگین اشغال 92٪ است. در زیر تعداد اعمال جراحی بزرگ برنامه ریزی شده در هفته (ناشناس) آمده است. وظیفه: نشان دهید در چه روزهایی تقاضا برای مراقبت های ویژه در اوج است، 3 سناریو برنامه جایگزین را تولید کنید که بار را در طول هفته پخش می کند. بیان کنید که این یک پیشنهاد است و تصمیم با تیم جراحی/بیهوشی است.

4) خلاصه وضعیت تخت روزانه:

یک خلاصه مختصر وضعیت تخت برای جلسه صبحگاهی پزشک ارشد از داده‌های بخش ناشناس زیر تهیه کنید: اشغال، تعداد تخت‌هایی که انتظار می‌رود در دسترس باشد، تعداد بیماران در انتظار انتقال، تنگناهایی که نیاز به توجه دارند. مقاله به مقاله حداکثر 8 سطر.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

اشغال تخت ما زیاد است، چه کنیم؟

بدون داده، بدون خدمات، بدون مقصد. هوش مصنوعی کلیشه های رایج را تولید می کند.

اعلان قدرتمند:

خدمات داخلی، 40 تخت، میانگین اشغال 30 روز گذشته 94 درصد، بستری مجدد 11 درصد. اکثر تخلیه ها بعد از ساعت 16 تکمیل می شود. هدف من کاهش زمان انتظار برای تخت اضطراری است. (1) توصیه های عملیاتی برای پیشبرد زمان تخلیه، (2) مجموعه کوچکی از شاخص ها برای نظارت بر LOS همراه با پذیرش مجدد به من بدهید.

نشانگر

محدوده سالم

خطر اظهار نظر انفرادی

نرخ اشغال

~85٪

خیلی زیاد = ازدحام، خیلی کم = ظرفیت بیکار

میانگین اقامت (LOS)

بسته به تشخیص متفاوت است

سقوط او را باید همراه با پذیرش مجدد خواند

پذیرش مجدد

در صورت امکان کم

اگر LOS در حین کاهش افزایش یابد، سیگنالی برای تخلیه زودهنگام است.

نرخ گردش بلبرینگ

بالا خوب

خیلی زیاد = فشار تمیز کردن/آماده سازی

اشتباهات رایج

• اشتباه گرفتن LOS به تنهایی برای موفقیت. اگر پذیرش مجدد در حال افزایش باشد، کاهش خطرناک است.
• تصمیم گیری برای ترخیص بالینی توسط YZ. ترخیص یک تصمیم پزشکی است. هوش مصنوعی فقط سیگنال های عملیاتی می دهد.
• هراس بر اساس اشغال فوری. روند، نه اشغال بالای یک روز، معنادار است.
• به دنبال گلوگاه در مکان نامناسب هستید. مشکل اغلب در تعداد تخت ها نیست، بلکه در زمان تخلیه و جریان تمیز کردن است.
• عدم در نظر گرفتن زمان انتقال و نظافت. حتی اگر تخت «خالی» به نظر برسد، ممکن است آماده نباشد.

نکته: در شاخص های خود بین «تخت خالی» و «تخت آماده» تفاوت قائل شوید. اگر وضعیت تمیز کردن/آماده‌سازی تخت را در داده‌هایی که به هوش مصنوعی می‌دهید حفظ کنید، ظرفیت واقعی قابل استفاده را با دقت بیشتری خواهید دید.

به طور خلاصه

تخت‌ها کمیاب‌ترین منبع بیمارستان هستند و جریان آن‌ها هم مربوط به ایمنی عملیاتی و هم ایمنی بیمار است. هوش مصنوعی کمکی قدرتمند در تجزیه و تحلیل اشغال، LOS و گلوگاه است که زمان‌بندی تخلیه و سناریوهای ازدحام را پیش می‌برد. اما LOS هرگز بدون پذیرش مجدد تفسیر نمی شود. تصمیم ترخیص پزشکی است و هوش مصنوعی فقط سیگنال های عملیاتی تولید می کند. هر تخصیص و توصیه اولویت تحت تایید بالینی از سوی پزشک و پرستار است.

وظیفه کاربردی

اطلاعات تخت ناشناس (تعداد تخت، روزهای بستری اشغال شده، تعداد ترخیص، در صورت امکان بستری مجدد) را برای یکی از خدمات خود دریافت کنید. درخواست محاسبات و نظرات از AI با الگوی "اشغال و LOS محاسبه-نظر"؛ سپس اشغال و LOS را به صورت دستی بررسی کنید. LOS را همراه با بستری مجدد بخوانید و در 5 نکته بحث کنید که آیا کاهش واقعی است یا نشانه ای از ترخیص زودرس است.

چک لیست

• [ ] آیا داده ها را ناشناس کرده ام (هیچ هویت بیمار وجود ندارد)؟
• [ ] آیا من به صورت دستی اشغال و LOS را تأیید کردم؟
• [ ] آیا من LOS را با پذیرش مجدد تفسیر کردم؟
• [ ] آیا من توصیه ترخیص/تخصیص را به تایید بالینی (پزشک/پرستار) مشروط کرده ام؟
• [ ] آیا بین «تخت خالی» و «تخت آماده» تمایز قائل شدم؟