这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR医学信息学上的原创作品。必须包括完整的书目信息,https://medinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
护理是重症监护病房(ICU)患者预后的关键决定因素。大多数护理研究都集中在ICU的护理特征上(例如,整个病房的护患比、教育程度和工作环境)。相比之下,相对较少的工作集中在个别护士及其特征对患者结果的影响。这样的研究可以提供创建基于证据的护士分配所需的详细信息,其中护士的独特技能与每个患者的需求相匹配。迄今为止,这一领域的研究由于无法回顾性和大规模地将个别护士与特定患者联系起来而受到阻碍。
本研究旨在确定使用来自电子健康记录(EHR)的护士元数据来回顾性确定ICU护患分配的可行性。
我们使用了2018年至2020年18家医院38个icu的电子病历数据。我们提取了护士记录临床评估和给药的时间和频率的数据;然后,我们使用这些数据迭代开发一个确定性算法,为每个病人轮班确定一个ICU护士。我们通过对随机选择的患者轮班子集进行手动图表审查,检查了算法的准确性和精确性。
分析数据集包含5,479,034次独特的护患记录;748,771个病人轮班;87466人住院;70002例;护士个人8134人。最终算法确定97.3%(728,533/748,771)的病人轮班由一名护士完成。在剩下的2.7%(20,238/748,771)的病人轮班中,算法要么确定了多个护士(4,755/748,771,0.6%),要么确定了没有护士(14,689/748,771,2%),要么确定了与前一个轮班相同的护士(794/748,771,0.1%)。在选择用于图表回顾的200个患者轮班中,该算法的准确率为93%(即正确识别出主要护士或正确识别出没有主要护士),准确率为94.4%(即在确定了主要护士时正确识别出主要护士)。错误分类最常见的原因是患者在护理地点的转移,如ICU转移、出院和入院。
来自EHR的元数据可以准确地识别ICU中的个别护士-患者分配。这些信息可以在个别护患层面上对ICU护理人员配置进行新颖的研究,这可能为如何利用护理人员配置来改善患者结果提供进一步的见解。
重症监护护士是重症监护病房(ICU)中最大的工作人员,每周7天,每天24小时为患者提供基本护理。充足的护士配备对于高质量的重症监护至关重要;大量文献表明,患者预后与护士人员配置模式之间存在关联,包括护士与患者比率、护士教育和护士工作环境[
需要更多的研究来了解个别护士的特征,而不仅仅是护理特征的总和,如何影响患者的结果。在这一领域取得进展的一个关键障碍是缺乏有效和可靠的方法来大规模地将特定护士与特定患者联系起来。电子健康记录(EHR)是解决这一差距的潜在宝贵资源。护士使用电子病历完成各种各样的任务,包括评估文件和药物管理。在完成这些任务时,护士会留下电子签名形式的元数据,表明他们是进行评估或给药的人。理论上,这些元数据可用于在轮班期间将个别护士与特定患者联系起来,从而生成个别护士对患者分配的高粒度度量。这种方法将促进个体层面的研究,检查各种护士特征和患者结果之间的联系。这项研究还可以帮助开发复杂的算法,根据护士技能和患者需求生成个性化的护士对患者的分配。本研究的目的是确定使用电子签名形式的电子病历元数据来确定ICU护患分配的可行性。
我们开发并验证了一种算法,可以在护理轮班的水平上回顾性地将个别护士与个别患者联系起来。这项研究是在美国宾夕法尼亚州西部的一个多医院医疗保健系统中进行的。所有医院共享一个企业范围的电子医疗记录(Cerner PowerChart, Cerner Corporation),所有数据存储在一个集成数据库中。所有病人级别的数据和护士元数据都是从这个仓库获得的。为了收集数据,首先由了解相关临床工作流程的研究人员确定关键数据元素。然后由集中研究信息技术团队使用Cerner命令语言从Cerner Millennium数据库(Oracle Cerner)中提取相关数据,并通过Globus安全传输以文本文件(.txt)的形式传输给调查团队。使用Python(3.10.7版本;Python软件基金会)。生成的文本文件被上传到微软SQL Server数据库(微软公司)。感兴趣的元数据包括临床评估的日期和时间戳电子签名(例如,镇静水平、心律评估和神经评估)和药物管理(
符合分析样本的患者包括18家医院38个icu住院的成年患者,出院日期为2018年1月1日至2020年9月30日。没有具体的排除标准。我们将2018年1月1日至2020年8月31日期间的所有ICU入院情况划分为相互排斥的12小时护理轮班。我们将白班定义为早上7点到下午6:59:59,夜班定义为第二天早上7点到早上6:59:59。
Cerner PowerChart中护士元数据位置的示例截图。此图的更高分辨率版本可在
我们的算法有两个来自护士元数据的主要输入变量:(1)护士在每个病人轮班中绘制的唯一次数的计数;(2)护士在每个病人轮班中第一次和最后一次绘制图表之间的时间长度。护士记录每个病人轮班的次数是基于一个病人的主要护士比其他护士更频繁地记录的假设。我们只计算了唯一的次数,而不是所有的病例,因为护士可以一次以电子方式签署多个病例。第二个输入变量——每个病人轮班时护士的第一次和最后一次病历记录之间的时间长度——是基于初级护士与其他护士相比,第一次和最后一次病历记录之间的间隔更长这一假设而使用的。
利用这两个输入变量,我们采用以下处理方法开发了一个两步算法。在算法的第1步中,对于每个病人轮班,我们将主要护士确定为轮班期间记录次数最多的护士,第一次和最后一次记录次数之间的间隔最长。如果出现平局(即,有不止一名护士有相同的接诊次数和相同的接诊间隔),我们认为在该班次没有主护士。我们之所以做出这样的决定,是因为我们觉得如果不将随机性引入算法,我们就无法进一步向下选择。在步骤2中,我们重复了步骤1中的方法,但如果护士是前一轮班(从步骤1开始)的主要护士,则将其排除在当前轮班之外,基于这样的假设,即算法可能会错误地识别出在轮班结束后执行大量图表绘制的护士。在此过程结束时,有2个输出变量,如下所示:(1)一个二元变量,表示每个病人轮班是否确定了一名主要护士;(2)值班护士的身份。
为了检查算法的潜在机制,我们检查了每个班次如何分配一个主要护士或不分配一个主要护士。初级护士分配可能以以下3种方式之一发生:(1)当班只有一名护士为患者进行病历记录,因此有最多的病历记录次数;(2)多名护士在当班对该患者进行了病历记录,但其中只有一名护士的病历记录次数最多;或(3)多名护士在当班对该患者进行制图,其中多名护士制图次数最多,根据制图时间间隔打破平局。一轮班不能以以下三种方式之一分配一名主要护士:(1)当班只有一名护士为病人登记,但该护士是前一轮班的主要护士;(2)多名护士在当班对该患者进行制图,其中多名护士制图次数最多,且根据制图时间间隔未打破平局;或者(3)没有护士在当班时记录病人。每一个班次都被分为上面的一组(
我们对照图表回顾的参考标准验证了护士分配算法的性能。我们选择了200个患者轮班的分层随机样本,匹配上述6个类别中每个患者轮班的比例。研究小组的一名护士(KR)审查了这些图表,使用了所有的临床文件来确定实际的主要护士,当这样的护士存在时。我们根据其准确性报告算法的性能,定义为真阳性和真阴性的和除以真阳性、真阴性、假阳性和假阴性的和;精确度,定义为真阳性除以真阳性和假阳性的总和。然后,我们对随机选择的50个没有确定主要护士的病人轮班进行了额外的回顾。我们使用这篇综述来补充我们对为什么没有确定主要护士的原因的理解。
我们使用标准的汇总统计来描述数据集和患者样本。精密度和准确度报告的比例与精确的95% ci计算使用二项分布。使用Microsoft SQL Server和Stata (version 17.0;StataCorp)。
护患分配算法的逻辑模型。
算法结果(N=748,771)。
特征 | 病人轮班,n (%) | |
|
||
|
一位护士绘制了图表 | 591578 (79) |
|
多名护士记录,但其中一名护士记录次数最多 | 130591 (17.4) |
|
多名护士制表次数最多,按制表时间间隔打破并列 | 6364 (0.8) |
|
||
|
没有护士表 | 14689 (2) |
|
多名护士制表次数最多,并列不因制表时间间隔而打破 | 4755 (0.6) |
|
一名护士登记了,她是上一班的主要护士 | 794 (0.1) |
匹兹堡大学机构审查委员会批准了该研究方案(19040420)。
最终的分析数据文件包含5,479,034次护患病历;748771 patient-shifts;87466人住院;70,002名病人(
文中报告了该算法与图表评审参考标准的性能比较
在主图表回顾的5个案例中,算法没有识别出主要护士,在50个补充图表回顾案例中,我们发现潜在原因是由于各种情况。在大约一半的病例中,我们可以在图表审查中确定一名主要护士。然而,这些信息通常存在于EHR中对算法不可见的元素中,例如转移或出院表单、疼痛评估或患者死亡后的安排。在其他病例中,图表回顾显示有2名初级护士,因为其中一名护士正在接受单位的指导。最后,有些情况下,即使通过图表审查,也没有护士的身份,因为没有数字文件来验证主要护士的身份。这通常发生在患者在轮班后期入住ICU或在轮班早期离开ICU时,因此在ICU的时间非常短。
数据集特征。
特征 | n值, |
医院数目 | 18 |
重症监护室数量 | 38 |
护士-病人接诊时间 | 5479034年 |
病人的变化 | 748771年 |
住院治疗 | 87466年 |
病人 | 70002年 |
护士 | 8134 |
曾经被认定为初级护士的护士 | 4797 |
患者特征(N=70,002)。
特征 | 值 | |
每名患者平均住院次数(标准差);(最小,最大) | 1.2 (0.8);(33) | |
每个病人的轮班,平均值(SD);(最小,最大) | 10.7 (16.4);(561) | |
年龄(年),平均值(SD);(最小,最大) | 63.8 (17.1);119年(18日) | |
性别(女性),n (%) | 32199 (46.0) | |
|
||
|
白色 | 58476 (83.5) |
|
黑色的 | 6816 (9.7) |
|
其他 | 680 (1) |
|
失踪 | 4030 (5.8) |
|
||
|
首页 | 22380 (32) |
|
转短期医院 | 2087 (3) |
|
其他转让(LTAC一个,不得低于b) | 36435 (52) |
|
死 | 8024 (11.5) |
|
临终关怀 | 895 (1.3) |
|
其他或缺失 | 181 (0.3) |
一个LTAC:长期急性护理医院。
bSNF:熟练的护理设施。
算法的性能。
特征 | 图表回顾中相同或新确定的初级护士,n | 病历回顾中不同或无主科护士,n |
来自算法的初级护士 | 184(真阳性) | 11(假阳性) |
算法中没有初级护士 | 3(假阴性) | 2(真阴性) |
精度和精密度计算如下:
回顾完整的数据集,在97.3%(728,533/748,771)确定有一名主要护士的患者轮班中,患者轮班期间在ICU的中位数时间为12小时,而在2.7%(20,238/748,771)没有确定有一名主要护士的患者轮班中,在ICU的中位数时间为1.3小时。在特定的应用中,研究人员可以排除这些变化,并期望得到更强的算法性能。
我们开发并验证了一种算法,该算法使用来自EHR的元数据识别护士-患者分配。在大量文献的基础上,将医院一级的护士配备措施与患者的结果联系起来[
更广泛地说,这项研究证明了EHR元数据作为理解和改善ICU医疗服务的工具的潜在价值。现有的公开数据集,如重症监护医疗信息集市,使用来自电子病历的患者数据,但不包含个别提供者层面的信息,也不将这些提供者与患者联系起来[
我们的工作建立在先前使用EHR元数据评估医疗团队结构和功能的基础上[
这项研究的主要优势包括使用不同ICU类型的大型多中心数据集,以及开发一种新颖但可推广的算法所固有的创新,该算法将护士与使用EHR的患者联系起来。除了这些优点,本研究也有一些局限性,可能是偏见或不精确的来源。首先,我们获得的元数据仅限于临床评估和给药的EHR文档。我们关注这些领域是因为我们认为它们与临床护理联系最紧密,因此最能代表实际的床边护士。然而,护士在EHR中绘制了其他信息,可以想象,使用额外的元数据来源可能会导致床边护士的错误识别,从而恶化算法性能。由于绝大多数偏移都包含相关的元数据,我们怀疑任何偏差都是最小的,总体上将有助于提高算法的准确性和精度。我们也只使用了EHR元数据,而没有使用其他来源的数据,例如可以直接识别床边护士的床跟踪数据。虽然这些数据可能更容易准确和精确地识别床边护士,但我们决定使我们的算法最大限度地一般化,因为许多医院不使用病床跟踪软件,而越来越多的医院使用电子病历[
在未来的工作中,有可能将该算法应用于护理团队中的其他角色,如呼吸治疗师和物理治疗师。最终,确定个体提供者和个体患者之间的联系将开辟新的研究方向,探讨提供者特征和团队特征如何与个体患者的结果相关联。除了创建基于证据的护士与患者的任务,即护士的技能与患者的需求相匹配之外,我们还可以有意识地构建护理团队,以最大限度地提高护理的连续性和团队的连通性[
综上所述,该算法可以根据EHR中的护士文件准确识别护患分配。研究人员可以使用该算法生成护士-患者分配的数据,并回答与患者层面和护士分配层面的护士健康服务研究相关的问题。
更高分辨率版本
电子健康记录
重症监护室
这项研究的资金由美国国立卫生研究院(NIH)和首席研究员JMK (T32HL007820;R35HL144804)。内容仅为作者的责任,并不代表NIH的官方观点。资助者在研究设计、数据收集和分析、发表决定或手稿准备中没有任何作用。
每位作者都对本研究的概念或设计做出了实质性的贡献;数据的获取、分析和解释;起草或批判性地修改稿件;并批准提交审查的版本。
没有宣布。