ලාභ:
- කෘත්රිම බුද්ධි සහාය ඇතිව ඇඳන් පදිංචි වීමේ අනුපාතය, රැඳී සිටීමේ සාමාන්ය දිග සහ රෝගියාගේ ප්රවාහ දර්ශක නිරීක්ෂණය කිරීමට සහ අර්ථ නිරූපණය කිරීමට ඇති හැකියාව
- අවස්ථා විශ්ලේෂණය සමඟ විසර්ජන සැලසුම් කිරීම, මාරු කිරීම සහ හදිසි රෝහල්ගත කිරීමේ බාධක කල්තියා දැකීමේ හැකියාව සහ කෙටුම්පත් ක්රියාකාරී සැලැස්මක් නිෂ්පාදනය කිරීම
- කෘතිම බුද්ධිය මගින් යෝජනා කරන ලද ඇඳන් වෙන් කිරීම සහ විසර්ජන ප්රමුඛතාවයන්හි සායනික යෝග්යතාවය වෛද්යවරයා සහ හෙද අනුමැතිය මත රඳා පවතින බව අවබෝධ කර ගැනීම.
රෝහල් ඇඳක් යනු සෞඛ්ය සේවා පද්ධතියේ වඩාත්ම මිල අධික හා හිඟ සම්පත් වලින් එකකි. හදිසි ප්රතිකාර ඒකකයේ රැඳී සිටින රෝගියෙකු සඳහා ඇඳක් විවෘත කළ හැකිද නැද්ද යන්න තීරණය වන්නේ එම රෝගියා පැය ගණනක් ස්ට්රෙචරයක් මත රැඳී සිටිනවාද නැතහොත් වහාම සේවයට ගෙන යනු ඇත්ද යන්නයි. එබැවින් ඇඳ කළමනාකරණය මෙහෙයුමක් මෙන්ම රෝගියාගේ ආරක්ෂාව පිළිබඳ ගැටළුවකි. මෙම ඒකකය තුළ, අපි ඇඳ ප්රවාහයේ ස්ථාන තුනකදී AI භාවිතා කරන්නෙමු: පදිංචිය නිරීක්ෂණය කිරීම සහ අර්ථ නිරූපණය කිරීම, විසර්ජන සැලසුම් කිරීම පුරෝකථනය කිරීම සහ තදබදයේ බාධා කලින් දැකීම. සීමාව පැහැදිලිය: AI ඇඳන් වෙන් කිරීම සහ විසර්ජන ප්රමුඛතාවය සඳහා දළ සටහන/නිර්දේශය නිෂ්පාදනය කරයි; සායනික යෝග්යතාවය සහ අවසාන තීරණය සැමවිටම රඳා පවතින්නේ වෛද්යවරයා සහ හෙද අනුමැතිය මතයි.
මූලික දරණ දර්ශක
අපි සංකල්ප කිහිපයක් පැහැදිලි කරමු. ඇඳන් පදිංචි වීමේ අනුපාතය යනු යම් කාල සීමාවක් තුළ වාඩි වී සිටින ඇඳන්-දිනවල මුළු ඇඳ ධාරිතාවට අනුපාතයයි; සියයට 85 ක් පමණ සාමාන්යයෙන් සෞඛ්ය සම්පන්න වන අතර සියයට 95 කට වඩා වැඩි ප්රමාණයක් නිදන්ගත බාධාවන්ගේ සලකුණකි. රැඳී සිටීමේ සාමාන්ය දිග (LOS) යනු රෝගියෙකු ඇතුළත් වීමේ සිට රෝහලෙන් පිටව යන තෙක් සාමාන්ය දින ගණනයි. ඇඳ පිරිවැටුම් අනුපාතය යනු කාල සීමාවක් තුළ ඇඳක් සේවය කරන විවිධ රෝගීන් සංඛ්යාවයි. රෝගියාගේ ප්රවාහය යනු රෝගියා හදිසි/බාහිර රෝගී සායනයේ සිට වාට්ටුවට ඇතුළත් කර පිටවීම සඳහා ගන්නා මාර්ගයයි. මෙම දර්ශක එකිනෙකට සම්බන්ධ වේ: LOS අඩු වුවහොත්, පිරිවැටුම වැඩිවේ නම්, පදිංචිය එකම ඇඳ සමඟ තවත් රෝගීන්ට සේවය කරයි.
නමුත් මෙහි විවේචනාත්මක උගුලක් තිබේ. LOS හි අඩුවීමක් පමණක් "සාර්ථකත්වයක්" නොවේ. පසුබෑම සිදුවන්නේ රෝගීන් ඉක්මනින් මුදා හැරීම සහ පසුව නැවත භාර ගැනීම - මුදා හැරුණු රෝගියා එම ගැටලුව සමඟ ඉක්මනින් නැවත ඇතුළත් කිරීම නම් - මෙය වැඩිදියුණු කිරීමක් නොව සැඟවුණු රෝගියාගේ ආරක්ෂාව පිළිබඳ ගැටළුවකි. LOS සෑම විටම නැවත කියවීමේ අනුපාතය සමඟ කියවිය යුත්තේ එබැවිනි.
ඇඳ ප්රවාහය අවබෝධ කර ගැනීම සඳහා එක් ක්රමයක් වන්නේ එය "නල පද්ධතියක්" ලෙස සිතීමයි: රෝගියා ඇතුළත් කිරීම (හදිසි, බාහිර රෝගී, සැලසුම්ගත ප්රවේශය) පයිප්පයේ එක් කෙළවරකට ඇතුල් වේ, අනෙක් කෙළවරේ විසර්ජන පිටවීම. නළය පිරී ඇති විට (පදිංචිය ඉහළයි), ආදානය දිගටම කරගෙන යාමට පෙර ප්රතිදානය වේගවත් විය යුතුය. පිටවීම අවහිර වී ඇත්නම් - විසර්ජන ක්රියා පටිපාටි ප්රමාද වේ, පිරිසිදු කිරීම නියමිත වේලාවට සම්පූර්ණ නොවේ, මාරු කළ යුතු රෝගියා ඇඳක් එනතෙක් බලා සිටී - දොරටුවේ පීඩනය එකතු වන අතර මෙම පීඩනය වඩාත් දෘශ්යමාන ස්ථානයේ, හදිසි කාමරය තුළ පුපුරා යයි: රෝගීන් ස්ට්රෙචර් මත ඇඳන් එනතුරු බලා සිටී. එමනිසා, බොහෝ විට, ඇඳ කළමනාකරණයේ සැබෑ විසඳුම වන්නේ නව ඇඳක් විවෘත කිරීම නොව, පිටවන කෙළවරේ ප්රවාහය වේගවත් කිරීමයි (විසර්ජන කාලය, පිරිසිදු කිරීම, මාරු කිරීම). මෙම නල පද්ධතිය තුළ පීඩනය වැඩි වන විට දත්ත දෘශ්යමාන කිරීමට AI හොඳ උපකාරයකි.
පියවරෙන් පියවර: AI සමඟ ඇඳ ප්රවාහ අධ්යයනය
- නිර්නාමික ප්රවාහ දත්ත රැස් කරන්න. සේවාව, ඇතුළත් වීමේ දිනය, ඇස්තමේන්තුගත/සැබෑ විසර්ජනය, රෝග විනිශ්චය කණ්ඩායම (රෝගී හඳුනාගැනීම් නොමැතිව), ඇඳ අංකය.
- පදිංචිය සහ LOS ගණනය කිරීම සහ අර්ථ නිරූපණය කිරීම. සූත්රය පෙන්වමින් ගණනය කිරීමට AI ට අසන්න; ඔබ අතින් සත්යාපනය කරන්න.
- විසර්ජන අනාවැකියක් සිදු කරනු ලැබේ. සායනික සටහන් මත නොව පරිපාලන සංඥා (සැලසුම් කළ ක්රියා පටිපාටිය සම්පූර්ණයි, විභාග ප්රතිඵල බලාපොරොත්තු වේ) මත පදනම්ව ඉක්මනින් නිදහස් කළ හැකි රෝගීන් ගෙනහැර දක්වන්න.
- බාධකය සොයා ගන්න. ප්රවාහය අවහිර වී ඇති ස්ථානය විශ්ලේෂණය කරන්න (දහවල් වන විට විසර්ජන ක්රියා පටිපාටි ගොඩගැසී තිබේද, මාරු කිරීම සඳහා බලා සිටින රෝගීන් සිටීද).
- ක්රියා දළ සටහනක් ජනනය කරන්න. උදෑසන විසර්ජනය, කලින් පිරිසිදු කිරීමේ සැලැස්ම, මාරු කිරීමේ ප්රමුඛත්වය වැනි නිර්දේශ ලබා ගන්න.
- සායනික තහවුරු කිරීම. වෛද්යවරයා/හෙදිය සායනික ඇසකින් විසර්ජනය සහ වෙන්කිරීමේ නිර්දේශ තහවුරු කරයි; AI නිර්දේශය කිසි විටෙක හුදකලාව ක්රියාත්මක නොවේ.
අවවාදයයි: AI හට "මෙම රෝගියා නිදහස් කළ හැක" යැයි පැවසිය නොහැක; මෙය වෛද්ය තීරණයකි. උපරිම වශයෙන්, AI "මෙම රෝගියාගේ පරිපාලන විසර්ජන පියවර (ඉන්වොයිසිය, බෙහෙත් වට්ටෝරුව, ප්රවාහනය) සූදානම් බව පෙනේ" වැනි මෙහෙයුම් සංඥාවක් ලබා දෙයි. වෛද්යවරයා සායනික සුදුසුකම තීරණය කරයි.
කුඩා නඩු තුනක්
නඩුව 1 - උදෑසන විසර්ජන බාධකය. අභ්යන්තර වෛද්ය වාට්ටුවක බොහෝ විට පිටකිරීම් අවසන් වන්නේ 16.00 න් පසුව බැවින් හදිසි ප්රතිකාර අංශයෙන් පැමිණෙන රෝගීන් සවස් වනතුරු ඇඳක් බලාපොරොත්තුවෙන් සිටියහ. කළමනාකරු AI වෙත දින 30ක නිර්නාමික දත්ත ලබා දුන්නේය; YZ පෙන්නුම් කළේ දහවල් කාලයේදී විසර්ජන ක්රියා පටිපාටි ගොඩගැසී ඇති බවත් "විසර්ජන තීරණය සහ ඇඳ පුරප්පාඩුව" අතර සාමාන්යයෙන් පැය 4.5ක් ගත වූ බවත්ය. "උදෑසන 10:00 ට ඉලක්ක කරගත් විසර්ජනය" ප්රායෝගිකව හෙද සේවය සමඟ එක්ව ස්ථාපිත කරන ලදී. මාස දෙකකට පසු, සාමාන්ය ශුක්රාණු පිටවීමේ කාලය 14:10 දක්වා අඩු කරන ලද අතර, හදිසි ඇඳක් සඳහා රැඳී සිටීමේ කාලය අඩු විය.
නඩුව 2 - LOS උගුල. එක් සේවාවක් තුළ, LOS දින 6.2 සිට 5.1 දක්වා පහත වැටුණු අතර කණ්ඩායමට සාර්ථකත්වය ප්රකාශ කිරීමට අවශ්ය විය. තත්ත්ව නිලධාරියා AI ට LOS සහ නැවත කියවීම එකට විශ්ලේෂණය කරන ලෙස ඉල්ලා සිටියේය. එම කාලය තුළම දින 30ක නැවත ලබා ගැනීම සියයට 8 සිට සියයට 13 දක්වා වැඩි වූ බව පෙනී ගියේය. වෙනත් වචන වලින් කිවහොත්, සමහර රෝගීන් ඉක්මනින් රෝහලෙන් පිටව ගොස් ආපසු හැරී ගියහ. "සාර්ථකත්වය" ඇත්ත වශයෙන්ම අනතුරු ඇඟවීමක් විය; මුල් විසර්ජන නිර්ණායක වෛද්යවරුන් විසින් සමාලෝචනය කරන ලදී.
නඩුව 3 - දැඩි සත්කාර ඒකකයේ තදබදය. එක් රෝහලක දැඩි සත්කාර නේවාසික ප්රතිශතය සියයට 92 ට වඩා වැඩි විය. නියෝජ්ය ප්රධාන වෛද්යවරයා YZ ට දැඩි සත්කාර භාර පුරෝකථනය සමඟ තෝරා ගැනීමේ (සැලසුම් කරන ලද) සැත්කම් වැඩසටහන පිටපත් කරන ලෙස ඉල්ලා සිටියේය. AI අවස්ථා තුනක් ලබා දුන්නේය; සැලසුම් කළ ප්රධාන ශල්යකර්ම එකතු වූයේ කුමන දිනවලද සහ දැඩි සත්කාර සඳහා ඇති ඉල්ලුම ඉහළ ගියේ කෙසේද යන්න එයින් පෙන්නුම් කළේය. සතිය පුරා බර පැටවීම සඳහා කාලසටහන නැවත සකස් කර ඇත. තීරණය ශල්ය සහ නිර්වින්දන කණ්ඩායමට විය; AI විසින් අවුල් සහගත බව පමණක් දිස් විය.
පිටපත් කළ හැකි සැකිලි හතරක්
1) පදිංචිය සහ LOS ගණනය-අදහස:
ඔබේ කාර්යභාරය: රෝහල් ප්රවාහ විශ්ලේෂකයාගේ සහකාර. නිර්නාමික දත්ත (හඳුනාගැනීම් නොමැත): වාට්ටුව, ඇඳන් ගණන 40, වාඩිලාගෙන සිටින ඇඳන්-දින 1,020, කාල සීමාව දින 30, පිටකිරීම් ගණන 210, මුළු රෝහල්ගත දින 1,038. කාර්යය: (1) සූත්රය සමඟ පදිංචි වීමේ අනුපාතය සහ රැඳී සිටීමේ සාමාන්ය දිග ගණනය කරන්න, (2) එක් ඡේදයක කළමනාකාරිත්ව අදහසක් ලියන්න, (3) නැවත කියවීමකින් තොරව LOS පමණක් අර්ථකථනය කිරීමේ අවදානම සඳහන් කරන්න. සාදන ලද අංකය ලබා නොදේ
2) විසර්ජන බාධක විශ්ලේෂණය:
පහත දැක්වෙන්නේ නිර්නාමික විසර්ජන වේලා මුද්දර: විසර්ජන තීරණ ගැනීමේ වේලාව හෝ ඇඳ ඇත්ත වශයෙන්ම හිස් වූ වේලාව. කාර්යය: ප්රමාදයේ උපරිම පැය සොයා ගන්න, සාමාන්ය "තීරණ-විසර්ජන" වෙනස ගණනය කරන්න, උදෑසන විසර්ජනය වැඩි කරන මෙහෙයුම් යෝජනා 5 ක් දෙන්න. සායනික තීරණ ගැනීම; පරිපාලන ප්රවාහ පියවර කෙරෙහි පමණක් අවධානය යොමු කරන්න.
3) ඝනත්ව අවස්ථාව:
දැඩි සත්කාර ධාරිතාව ඇඳන් 12, සාමාන්ය පදිංචිය 92% කි. පහත දැක්වෙන්නේ සතියකට සැලසුම් කර ඇති ප්රධාන සැත්කම් ගණනයි (නිර්නාමික). කාර්යය: දැඩි සත්කාර සඳහා ඇති ඉල්ලුම එහි උච්චතම අවස්ථාව වන දින පෙන්වන්න, සතිය පුරා බර පතුරුවන විකල්ප වැඩසටහන් අවස්ථා 3 ක් නිෂ්පාදනය කරන්න. මෙය යෝජනාවක් බවත් තීරණය ශල්යකර්ම/නිර්වින්දන කණ්ඩායමට බවත් සඳහන් කරන්න.
4) දෛනික ඇඳ තත්ත්වය සාරාංශය:
පහත සඳහන් නිර්නාමික වාට්ටු දත්ත වලින් ප්රධාන වෛද්යවරයාගේ උදෑසන රැස්වීම සඳහා කෙටි ඇඳ තත්ව සාරාංශයක් කෙටුම්පත් කරන්න: පදිංචිය, ලබා ගැනීමට අපේක්ෂා කරන ඇඳන් සංඛ්යාව, මාරු වීමට බලා සිටින රෝගීන් සංඛ්යාව, අවධානය අවශ්ය බාධක. ලිපියෙන් ලිපිය, උපරිම පේළි 8 යි.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
අපගේ ඇඳන් වැඩියි, අප කුමක් කළ යුතුද?
දත්ත නැත, සේවාවක් නැත, ගමනාන්තයක් නැත; AI පොදු ක්ලිචේ නිෂ්පාදනය කරයි.
බලවත් විමසුම:
අභ්යන්තර වෛද්ය සේවාව, ඇඳන් 40, පසුගිය දින 30 තුළ සාමාන්ය පදිංචිය 94%, නැවත පැමිණීම 11%. බොහෝ විසර්ජන 16:00 න් පසු අවසන් වේ. මගේ ඉලක්කය වන්නේ හදිසි ඇඳක් සඳහා රැඳී සිටීමේ කාලය අඩු කිරීමයි. මට (1) විසර්ජන කාලය ඉදිරියට ගෙන ඒම සඳහා මෙහෙයුම් නිර්දේශ, (2) නැවත ලබා ගැනීම සමඟ LOS නිරීක්ෂණය කිරීමට කුඩා දර්ශක කට්ටලයක් දෙන්න.
දර්ශකය
සෞඛ්ය සම්පන්න පරාසය
හුදකලා අදහස් දැක්වීමේ අවදානම
පදිංචිය අනුපාතය
~85%
අධික = තදබදය, ඉතා අඩු = නිෂ්ක්රීය ධාරිතාව
සාමාන්ය රැඳී සිටීම (LOS)
රෝග විනිශ්චය අනුව වෙනස් වේ
ඔහුගේ වැටීම නැවත කියවීම සමඟ කියවිය යුතුය
නැවත පිළිගැනීම
හැකි නම් අඩු
අඩු වන විට LOS වැඩි වේ නම්, එය කලින් විසර්ජනය සඳහා සංඥාවක් වේ.
දරණ පිරිවැටුම් අනුපාතය
ඉහළ හොඳයි
ඉතා ඉහළ = පිරිසිදු කිරීම / සූදානම් කිරීමේ පීඩනය
පොදු වැරදි
- සාර්ථකත්වය සඳහා LOS පමණක් වරදවා වටහා ගැනීම. නැවත ලබා ගැනීම වැඩි වන්නේ නම්, පහත වැටීම භයානක ය.
- YZ සායනික විසර්ජන තීරණයක් ගැනීම. විසර්ජනය වෛද්ය තීරණයක්; AI මෙහෙයුම් සංඥා පමණක් ලබා දෙයි.
- ක්ෂණික පදිංචිය මත පදනම් වූ භීතිය. එක් දිනක ඉහළ පදිංචිය නොව ප්රවණතාවය අර්ථවත් ය.
- වැරදි තැනක ඇති බාධකය සොයමින්. ගැටලුව බොහෝ විට ඇඳන් සංඛ්යාව තුළ නොව, විසර්ජනය සහ පිරිසිදු ප්රවාහයේ කාලය තුළ වේ.
- මාරු කිරීම සහ පිරිසිදු කිරීමේ කාලය සැලකිල්ලට නොගැනීම. ඇඳ "හිස්" ලෙස පෙනුනද, එය සූදානම් නොවිය හැකිය.
ඉඟිය: ඔබේ දර්ශකවල "හිස් ඇඳ" සහ "සූදානම් ඇඳ" අතර වෙනස හඳුනා ගන්න. ඔබ AI වෙත ලබා දෙන දත්තවල ඇඳ පිරිසිදු කිරීමේ / සූදානම් කිරීමේ තත්ත්වය තබා ගන්නේ නම්, ඔබට සත්ය භාවිත කළ හැකි ධාරිතාව වඩාත් නිවැරදිව පෙනෙනු ඇත.
සාරාංශයක් ලෙස
ඇඳන් යනු රෝහලේ හිඟම සම්පත වන අතර, ඒවායේ ගලායාම මෙහෙයුම් සහ රෝගීන්ගේ ආරක්ෂාව පිළිබඳ කාරණයකි. AI යනු පදිංචිය, LOS සහ අවහිරතා විශ්ලේෂණය සඳහා ප්රබල ආධාරකයක් වන අතර, විසර්ජන වේලාවන් සහ තදබදයේ අවස්ථා ඉදිරියට ගෙන එයි. නමුත් LOS කිසිවිටෙක නැවත කියවීමකින් තොරව අර්ථකථනය නොකෙරේ; විසර්ජන තීරණය වෛද්යමය වන අතර AI මඟින් මෙහෙයුම් සංඥා පමණක් නිපදවයි. සෑම ප්රතිපාදනයක්ම සහ ප්රමුඛතා නිර්දේශයක්ම වෛද්යවරයාගේ සහ හෙද නිලධාරියාගේ සායනික අනුමැතියට ලක්වේ.
යෙදුම් කාර්යය
ඔබගේ එක් සේවාවක් සඳහා නිර්නාමික ඇඳ දත්ත ලබා ගන්න (ඇඳන් ගණන, වාඩි වී සිටින ඇඳන් දින, විසර්ජන ගණන, හැකි නම් නැවත පැමිණීම). "Occupancy සහ LOS ගණනය කිරීම්-අදහස්" අච්චුව සමඟ AI වෙතින් ගණනය කිරීම් සහ අදහස් ඉල්ලන්න; පසුව පදිංචිය සහ LOS අතින් සත්යාපනය කරන්න. නැවත ලබා ගැනීම සමඟ LOS කියවා අඩුවීම සැබෑද නැතහොත් කලින් විසර්ජනයේ ලකුණක්ද යන්න කරුණු 5කින් සාකච්ඡා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම දත්ත නිර්නාමික කර තිබේද (රෝගී හඳුනාගැනීමක් නොමැත)?
- [ ] මම පදිංචිය සහ LOS අතින් සත්යාපනය කළාද?
- [ ] මම නැවත ලබා ගැනීම සමඟ LOS අර්ථකථනය කළාද?
- [ ] මම සායනික (වෛද්යවරයා/හෙදිය) අනුමැතිය සඳහා විසර්ජන/වෙන්කිරීමේ නිර්දේශය කොන්දේසි කර තිබේද?
- [ ] මම "හිස් ඇඳ" සහ "සූදානම් ඇඳ" අතර වෙනස හඳුනා ගත්තේද?