Medicare OASIS-C Falder risikovurdering

For over et årti, Centers for Medicare og Medicaid Services (CMS) har krævet, Medicare-certificeret hjem sundhed agenturer til at indsamle og fremsende Resultatet og Vurdering af Oplysninger (OASIS) data for alle voksne i hjemmet sundhed patienter på 18 år og derover, der modtager dygtige tjenester, hvis pleje er refunderet af Medicare og Medicaid, med undtagelse af patienter, der modtager præ – eller postnatal tjenester (CMS, 2010).,

Oasis instruerer hjemmesundhedsbureauer til at vurdere faldrisiko hos alle patienter over 65 år. Den multifaktorielle vurdering inkluderer genstande som faldhistorie, brug af flere medicin, mental svækkelse, toiletfrekvens, generel mobilitet/overføringsnedsættelse og miljøfarer (CMS, 2010).,

i Løbet af de multifactor falde risikovurdering, agenturet:

• Kan bruge det fælles standardiseret, valideret omfattende multifactor falder risk assessment tool
• Kan optage flere værktøjer, så længe en af dem er standardiserede og validerede

formålet er at fremme Det falder risikovurdering på tværs af disciple og på tværs af sundhedsvæsenet.,

Efterår risikovurdering på Plejehjem

1.800 ældre voksne, der bor på plejehjem hvert år dør af faldrelaterede skader, og de, der overlever, falder ofte opretholde hoftebrud og skader i hovedet, der resulterer i permanent invaliditet og nedsat livskvalitet (CDC, 2012b).

på plejehjem vurderer sygeplejersker beboere for faldrisiko ved optagelse på anlægget og regelmæssigt efter optagelse. For at vurdere faldrisiko kan sygeplejersker vælge mellem en række forskellige faldrisikovurderingsværktøjer, som generelt ikke er standardiserede eller regulerede., De fleste vurderingsværktøjer indeholder et scoringssystem, der evaluerer den kumulative effekt af risikofaktorer med det formål at identificere dem, der har størst risiko for at falde eller opretholde en faldrelateret skade (2011agner, 2011).

en canadisk undersøgelse, der involverede 137 plejehjem i provinsen Ontario, spurgte om, hvilke faldrisikovurderingsværktøjer der blev brugt og forsøgte at identificere fælles forhold på tværs af vurderingsværktøjerne (2011agner, 2011). De mest almindeligt anvendte værktøjer til vurdering af faldrisiko var Morse-Faldskalaen og den præstationsorienterede Mobilitetsskala., På tværs af alle faciliteter i den fælles domæner vurderet inkluderet:

• Indre faktorer
• Behandling-relaterede eller ydre faktorer
• Mobilitet status
• Kognitiv status
• Sensoriske status
• Historie falder
• Adfærd og holdninger (Wagner, 2011)

I denne undersøgelse, forskere bemærkede behovet for evidens-baseret værktøj til vurdering af falder risikoen svarer til den alment undtaget Braden-Skalaen for at forudsige tryksår risiko., De påpeger, at dårligt designede vurderingsværktøjer hindrer udviklingen af et faldrisikoreduktionsprogram og undlader at imødekomme individuelle patienters behov (2011agner, 2011).

en særlig barriere for kvalitetsforbedringsprogrammer er, at mange ikke fuldt ud adresserer måderne, hvorpå personaleopgaver overlapper hinanden, når de forsøger at tackle faldrisiko blandt deres patienter. Komplekse syndromer såsom faldrisiko skyldes flere risikofaktorer og kræver multifaktorielle, tværfaglige interventioner for at forbedre resultaterne., Reduktion af flere risikofaktorer kan være svært, fordi det kræver mange ansatte til at have stærke forbindelser, der tillader effektiv informationsstrøm og problemløsning fra forskellige perspektiver, således, at en intervention er nødvendig for at hjælpe de ansatte etablere et samarbejde og en bedre kommunikation til at understøtte nye former for praksis, der blev indført ved fald-reduktion programmer (Anderson et al., 2012).,

Efterår Klassificering ved Hjælp af en Mobiltelefon

En ny måde at dokumentere patienten falder på, er gennem brug af mobiltelefoner, og de fleste smartphones er udstyret med accelerometre, der kan bruges til at registrere, når patienter, der falder med en særdeles høj præcision. Fald er generelt begivenheder med stor indflydelse, hvilket gør detektion enklere end at identificere andre daglige aktiviteter. Automatisk detektering af fald kan muliggøre hurtig reaktion på potentielle nødsituationer; derudover kan kendskab til årsagen eller måden af et fald være gavnligt for forebyggelsesundersøgelser eller et mere skræddersyet beredskab.,

en Rehabilitation Institute of Chicago-undersøgelse forsøgte at demonstrere teknikker, der ikke kun pålideligt registrerer et fald, men også automatisk klassificerer typen. Femten forsøgspersoner simulerede fire forskellige typer fald-venstre og højre side, fremadgående ture, og bagudslip—mens du bærer mobiltelefoner og accelerometre. Ni forsøgspersoner bar også enhederne i ti dage for at give data til sammenligning med de simulerede fald. Forskere var i stand til at identificere et fald med 98% nøjagtighed og klassificere typen af fald med 99% nøjagtighed (Albert, 2012).,

(En) Fire forskellige typer af simulerede falls, som er placeret i forhold til retning af faldet. (B) den G1 android-mobiltelefon, der blev brugt til optagelse, og placeringen af telefonen på bagsiden af motiver. C) accelerometerets akser. Telefonen blev placeret på bagsiden af motivet, så de tre akser pegede op, venstre og på bagsiden af motivet., Kilde: Albert, 2012. Bruges med tilladelse.

dette arbejde viser, hvordan de nuværende maskinlæringsmetoder kan forenkle dataindsamling samt forbedre hurtig reaktion på potentielle skader på grund af fald (Albert, 2012).

tilbage næste