Datacyklus og automatisering af score for plejebehov

Problem
Behovet for pleje varierer i henhold til en række faktorer både på afdelings- og patientniveau. I takt med ændrede patientsammensætninger, antal og behov ændres kravene til de nødvendige ressourcer forbundet med plejefaglige opgaver.

 

På Vestdansk Center for rygmarvsskade vurdere personalet hver anden uge plejebehovet hos den enkelte patient, med henblik på at kunne planlægge og prioritere både ressourcer og arbejdsopgaver.

 

Til at vurdere dette anvender personalet et selv-udviklet redskab kaldet ABCDE-score. Redskabet hjælper personalet med at vurdere pleje områder såsom: Forflytning, Ernæring, Toilette, ADL, Mental støtte og sårpleje.

 

Plejepersonalet bruger allerede meget tid på at dokumentere, og måske gemmer vurderingen af plejebehovet sig allerede i de data som de dagligt bruger tid på at dokumentere i EPJ. Selvom scoren er relativt hurtig at udføre, så opdateres den kun hver anden uge.  

Løsning
Indeværende projekt ønsker at undersøge, hvorvidt EPJ data, herunder frekvens og type af enkeltregistreringer, kan bestemme plejebehovet (ABCDE-score) for den enkelte patient.

 

En automatiseret vurdering af plejebehovet, baseret på mønstre i journaliseringspraksis, vil kunne bidrage med dagligt opdaterede vurderinger og herigennem øge mulighed for at optimere og prioritere ressourcer og opgaver.

Proces
Fase 1 – Udforskning og udvælgelse af relevante variable

Fra BI-datavarehuset trækkes alle EPJ registreringer fra Vestdansk Center for Rygmarvsskade på patienter i intervaller på 7-14 dage hvor ABCDE-scoren i forvejen er vurderet. På baggrund af disse data udvælges relevante variable, som kan anvendes til at klassificere ABCDE-scoren.

 

Succeskriterie: Udvælgelse af 10-15 variable som er prædikterende for plejebehovet.

 

Fase 2 – Algoritme udvikling

I denne fase arbejdes der på at udvikle en algoritme som kan bestemme plejebehovet på baggrund af de udvalgte variable i fase 1. Her sammenlignes forskellige udkast af modeller/algoritmer, udviklet gennem principper som er baseret på statistik og maskinlæring. Modellerne evalueres gennem interne valideringsmål.

 

Succeskriterie: Vægtet F1-score: >95%

 

Fase 3 – Ekstern validering

I perioden efter fase 2, testes algoritmen på ny indkommende data fra klinikken, og holdes her op i mod klinikerenes vurdering.

 

Desuden på at automatisere processen i relation til scoring af ABCDE. Resultatet af scoren opdateres dagligt og vil være at finde på BI-portalen tilgængeligt for alle medarbejdere med relation til VCR.

 

Succeskriterie: Gennemsnitlig F1-score fra ekstern validering: >90%

 

Fase 4 – Afprøvning og implementering

Såfremt resultaterne fra modellen stemmer tilfredsstillende overens med praksis, implementeres modellen i praksis. Der vil løbende blive planlagt 1-2 dialogmøder, som giver personerne som anvender modellen mulighed for at give feedback. Mindre justeringer foretages på baggrund af feedback

Nøgleord   EffektiviseringKvalitetsforbedringPatientForbedringsprojekt

År   2023