IMPLEMENT-ED

Spoedeisendehulpafdelingen (SEH's) zijn doorgaans een drukke, dynamische en vaak onvoorspelbare klinische omgeving. In een dergelijke omgeving is het moeilijk om betrouwbare, toegankelijke, efficiënte en veilige patiëntenzorg te bieden, wat tot uiting komt in vermoeidheid bij het personeel, langere verblijfsduur op de SEH, vertraagde overplaatsingen van SEH's naar afdelingen en inefficiënt gebruik van personeel en middelen in het hele systeem, wat allemaal leidt tot drukte.

Risicostratificatie-instrumenten kunnen in deze situaties helpen door zieke of kwetsbare patiënten te identificeren. Tijdige risicostratificatie kan echter moeilijk zijn; vooral in drukke tijden of 's nachts bestaat het risico dat een beoordeling wordt weggelaten of verkeerd wordt geïnterpreteerd. Risicostratificatie is nog nuttiger als het geautomatiseerd is, omdat er dan onmiddellijk operationele beslissingen kunnen worden genomen. Een dashboard met geautomatiseerde realtime risicostratificatie in combinatie met informatie over zorgprocessen zou deze zaken aanpakken. De introductie van een machine learning-algoritme in zo'n dashboard zou het voordeel bieden dat het altijd presteert en nooit vermoeid raakt op drukke momenten of in nachtdiensten.

Hoewel professionals in de gezondheidszorg de waarde inzien van nieuwe informatietechnologieën, zoals geautomatiseerde dashboards voor risicocodering en algoritmen voor machinaal leren op de werkplek, zijn er maar weinig onderzoeken die de effecten op professionals in de gezondheidszorg en relevante klinische uitkomsten op de SEH hebben geëvalueerd.

Doelstelling 1: Beoordelen van het effect van de implementatie van een dashboard, met (near) real-time data feedback van risicostratificatie tools en zorgprocessen, op relevante klinische uitkomsten (in-hospital mortaliteit, ED-LOS, opnamepercentage) en discrepantie tussen voorspelde en geobserveerde opnames in een tertiaire ED in Nederland.

Doelstelling 2: Beoordelen van het effect van het toevoegen van een ML-algoritme voor ziekenhuisopname in dit dashboard op relevante klinische uitkomsten (in-hospitale mortaliteit, ED-LOS, opnamepercentage) en discrepantie tussen voorspelde en geobserveerde opnames) in een tertiaire ED in Nederland.

Een voor-en-na design studie naar de effecten van de implementatie van een dashboard met real-time risicostratificatie en informatie over het zorgproces en van de effecten van de introductie van een machine learning algoritme voor ziekenhuisopname ondersteund door een educatief programma, met een voor-en-na design, uitgevoerd op de spoedeisende hulp afdeling van een tertiair zorgcentrum in (Leiden, LUMC) Nederland. Gegevens worden verzameld gedurende zes maanden vóór de implementatie (‘voor’), gedurende zes maanden na de implantatie van het dashboard met een educatief programma (‘na I’), en gedurende zes maanden na de implementatie van een ML-algoritme (‘na II’), met behulp van gegevens van de Nederlandse Spoedeisendehulp Evaluatie Database (NEED).

Introductie van een dashboard met real-time informatie over zorgprocessen en in dat dashboard een machine-learning gebaseerde hospitalisatie predictie-tool.  (Let wel: informatie voorziening en standaard zorg, geen gekoppelde interventie met betrekking tot de zorg zelf).

Voordelen: Het gebruik van een dashboard op de werkplek met geautomatiseerde realtime informatie over zorgprocessen en risico's van patiënten die de SEH bezoeken, kan de patiëntuitkomsten verbeteren, bijvoorbeeld door zorgpersoneel te helpen bij het prioriteren van de ziekste en kwetsbaarste patiënten en te zorgen voor vroegtijdige opname van deze groepen in een geschikt zorgniveau. Daarnaast kan het gebruik van een ML-algoritme met betrekking tot ziekenhuisopname het mogelijk maken om het opnameproces vroegtijdig te starten, door de kennis van artsen over de waarschijnlijkheid van opname van een patiënt automatisch bij te werken en zo het ED-LOS te verkorten.

Last: Niet van toepassing.

Risico's: Niet van toepassing.