Μελέτη Σικάγο: Νέο εργαλείο προβλέπει τον κίνδυνο επανεισαγωγής στο νοσοκομείο για παιδιά πριν από το εξιτήριο

"Πιστεύουμε ότι το εργαλείο πρόβλεψης επανεισδοχής που διαθέτουμε είναι το πιο ολοκληρωμένο που διαθέτουν τα νοσοκομεία για να αντιμετωπίζουν τις αναμενόμενες ανάγκες των παιδιών και των οικογενειών τους πριν από το εξιτήριο, μειώνοντας έτσι τον κίνδυνο επανανοσηλείας".

Μελέτη Σικάγο: Τα άμεσα διαθέσιμα δεδομένα του ηλεκτρονικού φακέλου υγείας (EHR) μπορούν να χρησιμοποιηθούν για τον αξιόπιστο εντοπισμό του κινδύνου επανεισδοχής για παιδιά όλων των ηλικιών, ενώ βρίσκονται ακόμη στο νοσοκομείο, σύμφωνα με μελέτη του Νοσοκομείου Παίδων Ann & Robert H. Lurie του Σικάγο που δημοσιεύθηκε στο περιοδικό JAMA Network Open. Το πρόσφατα αναπτυγμένο και επικυρωμένο εργαλείο θα αποτελέσει κλειδί στις προσπάθειες μείωσης των νοσηλειών εντός 30 ημερών από την έξοδο, γεγονός που θα βοηθήσει επίσης στην απελευθέρωση των λιγοστών παιδιατρικών νοσοκομειακών κλινών. “Παρόλο που οι επανεισαγωγές στα νοσοκομεία αποτελούν μέτρο ποιότητας, μέχρι τώρα δεν είχαμε ένα ολοκληρωμένο και εύκολα εφαρμόσιμο εργαλείο για την πρόβλεψη του κινδύνου επανεισαγωγής παιδιών πριν από την έξοδο”, δήλωσε η επικεφαλής συγγραφέας Denise M. Goodman, MD, MS, ιατρός εντατικής θεραπείας στο Lurie Children’s και καθηγήτρια παιδιατρικής στην Ιατρική Σχολή Feinberg του Πανεπιστημίου Northwestern. “Γνωρίζοντας ποια παιδιά είναι πιο πιθανό να χρειαστούν νέα νοσηλεία σύντομα μετά την αρχική τους παραμονή, μας επιτρέπει να είμαστε προληπτικοί και να εστιάζουμε καλύτερα τον προγραμματισμό εξιτηρίου για να μετριάσουμε τον υψηλό κίνδυνο επανεισδοχής”.

Η Dr. Goodman και οι συνεργάτες του χρησιμοποίησαν δεδομένα από εξιτήρια τριών ετών στο Lurie Children’s για να αντλήσουν και να επικυρώσουν μια σουίτα τριών μοντέλων πρόβλεψης επανεισδοχής για παιδιά όλων των ηλικιών, συμπεριλαμβανομένων των βρεφών ηλικίας κάτω των 28 ημερών. Για τον υπολογισμό του κινδύνου επανεισδοχής, τα μοντέλα αυτά εφαρμόζουν δημογραφικά και κοινωνικοοικονομικά δεδομένα από το ηλεκτρονικό αρχείο υγείας (EHR), καθώς και κλινικές μεταβλητές όπως η συνεχιζόμενη διάρκεια παραμονής, η χρήση συγκεκριμένων θεραπειών και οι προηγούμενες νοσηλείες. “Ένα σημαντικό πλεονέκτημα των μοντέλων πρόβλεψής μας είναι ότι σχεδιάστηκαν για να εφαρμόζονται στο ηλεκτρονικό αρχείο υγείας κατά τη διάρκεια της παραμονής στο νοσοκομείο και να αλλάζουν ανάλογα με τις κλινικές συνθήκες”, δήλωσε η Δρ Γκούντμαν. “Ο κίνδυνος επανεισαγωγής μπορεί να υπολογίζεται εκ νέου καθημερινά, γεγονός που μας δίνει τη δυνατότητα να προσαρμόζουμε τον σχεδιασμό εξιτηρίων σε πραγματικό χρόνο”.

Η μείωση του κινδύνου επανεισδοχής βοηθά επίσης τα νοσοκομεία να διαθέτουν παιδιατρικά κρεβάτια, τα οποία γίνονται όλο και πιο σπάνια στο Σικάγο, σε όλο το Ιλινόις και σε εθνικό επίπεδο. “Δεδομένης της αυξανόμενης έλλειψης παιδιατρικών κλινών, είναι εξαιρετικά σημαντικό να μειωθεί η πιθανότητα να χρειαστεί ένα παιδί να επιστρέψει στο νοσοκομείο εντός 30 ημερών”, πρόσθεσε ο επικεφαλής συγγραφέας Matthew M. Davis, MD, MAPP, πρόεδρος του Τμήματος Παιδιατρικής στο Lurie Children’s και στην Ιατρική Σχολή Feinberg του Πανεπιστημίου Northwestern. “Πιστεύουμε ότι το εργαλείο πρόβλεψης επανεισδοχής που διαθέτουμε είναι το πιο ολοκληρωμένο που διαθέτουν τα νοσοκομεία για να αντιμετωπίσουν τις αναμενόμενες ανάγκες των παιδιών και των οικογενειών τους πριν από το εξιτήριο, μειώνοντας έτσι τον κίνδυνο επανανοσηλείας”.

Εντοπισμός του κατά πόσον τα νοσοκομεία παρέχουν πολιτισμικά ανταγωνιστική φροντίδα

Εφαρμογές προγνωστικής ανάλυσης υγείας

Μοντέλο μηχανικής μάθησης προβλέπει επανεισαγωγές στα νοσοκομεία