Medicare OASIS-C Kuuluvat Riskien Arviointi

Jo yli vuosikymmenen ajan, Centers for Medicare ja Medicaid Services (CMS) on vaatinut Medicare-sertifioitu kotisairaanhoidon virastojen kerätä ja välittää Tulokset ja Arviointi Information Set (OASIS) tiedot kaikista aikuisten kotisairaanhoidon potilaita, 18 ja vanhemmat saavat ammattitaitoisia palveluja, joiden hoito ei korvaa Medicare ja Medicaid, lukuun ottamatta potilaita, jotka saavat pre – tai postnataaliseen palvelut vain (CMS, 2010).,

OASIS ohjaa kodin terveysvirastoja arvioimaan kaatumisriskiä kaikilla yli 65-vuotiailla potilailla. Sen monitekijäinen arviointi sisältää kohteita, kuten kuuluu historia, käyttää useita lääkkeitä, henkinen vajavuus, wc: taajuus, yleinen liikkuvuus/siirtää vajaatoiminta, ja ympäristöhaittoja (CMS, 2010).,

Aikana multifactor kuuluvat riskien arviointi, virasto:

• Voi käyttää yhden standardoitu, validoitu kattava multifactor falls risk assessment tool
• Voi sisältää useita työkaluja, niin kauan kuin yksi niistä on standardoitu ja validoitu

tarkoituksena on edistää kuuluu riskien arviointi kaikkialla opetuslapsia ja eri terveydenhuollon toimintayksiköissä.,

Syksyllä riskinarviointi hoitokodeissa

Noin 1800 vanhemmat aikuiset asuvat hoitokodeissa kuolee joka vuosi fall liittyviä vammoja, ja ne jotka selviävät kuuluu usein ylläpitää hip murtumia ja pään vammoja, jotka johtavat pysyvään vammautumiseen ja vähentää elämänlaatua (CDC, 2012b).

hoitokodeissa, hoitajat arvioivat asukkaiden fall riskiä, kun pääsy laitokseen ja säännöllisesti maahantulon jälkeen. Syysriskin arvioimiseksi sairaanhoitajat voivat valita erilaisia syysriskin arviointivälineitä, joita ei yleensä ole standardoitu tai säännelty., Useimmat arvioinnin työkalut sisältävät pisteytysjärjestelmä, joka arvioi kumulatiivinen vaikutus riskitekijöiden tunnistamista varten ne on suurin riski pudota tai yllä fall liittyviä vammoja (Wagner, 2011).

Kanadalainen tutkimus, johon osallistui 137 hoitokodit Ontarion provinssin kysyttiin, mitä syksyllä riskinarvioinnin työkaluja käytettiin ja yritti tunnistaa yhtäläisyyksiä eri arviointivälineitä (Wagner, 2011). Yleisimmin käytetyt syysriskien arviointivälineet olivat Morse Fall Scale ja Performance-Oriented Mobility Scale., Kaikissa tilat yhteistä verkkotunnukset arvioitu mukana:

• Luontaisten tekijöiden
• Hoito-liittyvän tai ulkoisten tekijöiden
• Liikkuvuus tila
• Kognitiivinen tila
• Aistien-tila
• Historia kuuluu
• Käyttäytymismalleja ja asenteita (Wagner, 2011)

tässä tutkimuksessa tutkijat totesi, että tarvitaan näyttöön perustuvaa työkalu arvioitaessa syksyllä riski samanlainen kaikkialla lukuun ottamatta Braden Scale for predicting pressure ulcer risk., He huomauttavat, että huonosti suunniteltu arvioinnin työkaluja kehityksen esteenä lasku-riskien vähentämisen ohjelma ja eivät tarpeisiin yksittäisten potilaiden (Wagner, 2011).

erityisesti este laadun parantaminen ohjelmat, on, että monet eivät täysin käsitellä tapoja, joilla henkilöstön tehtävät ovat päällekkäisiä, kun yrittää käsitellä syksyllä riski niiden potilaiden keskuudessa. Monimutkaiset oireyhtymät, kuten putoamisriski, johtuvat useista riskitekijöistä ja edellyttävät monitahoisia, monitieteisiä toimenpiteitä tulosten parantamiseksi., Vähentää useita riskitekijöitä voi olla vaikeaa, koska se vaatii paljon henkilökuntaa, jäseniä on vahvat yhteydet, jotka mahdollistavat tehokkaan tiedonkulun ja ongelmanratkaisua eri näkökulmista; näin ollen interventio on tarpeen auttaa henkilökunta vahvistaa yhteistyötä ja parantaa viestintää tukemaan uusia käytäntöjä käyttöön syksyllä vähentämisen ohjelmat (Anderson et al., 2012).,

Syksyllä Luokittelu matkapuhelimella

uusi tapa dokumentoida potilaan falls on käyttää matkapuhelimia, useimmat älypuhelimet on varustettu kiihtyvyysmittarit, jotka voidaan havaita, kun potilaat syksynä poikkeuksellisen korkea tarkkuus. Kaatumiset ovat yleensä suuritehoisia tapahtumia, mikä tekee havaitsemisesta yksinkertaisempaa kuin muiden päivittäisten toimintojen tunnistaminen. Automaattisesti havaita falls voi mahdollistaa nopean reagoinnin mahdollisiin hätätilanteisiin; lisäksi, tietäen syy tavalla tai lasku voi olla hyödyllistä ehkäisyyn tutkimukset tai enemmän räätälöityjä hätätilanteissa.,

Chicagon Kuntoutusinstituutin tutkimuksessa pyrittiin osoittamaan tekniikoita, jotka paitsi luotettavasti tunnistavat putoamisen, myös automaattisesti luokittelevat tyypin. Viisitoista aiheita simuloitu neljä erilaista falls—oikealle ja vasemmalle sivusuunnassa, eteenpäin matkoja, ja taaksepäin luistaa—kun yllään matkapuhelimet ja kiihtyvyysanturit. Yhdeksän koehenkilöä käytti laitteita myös kymmenen päivän ajan, jotta saatiin tietoa simuloitujen kaatumisten vertailua varten. Tutkijat pystyivät tunnistamaan putoamisen 98 prosentin tarkkuudella ja luokittelemaan putoamistyypin 99 prosentin tarkkuudella (Albert, 2012).,

(A) Neljä erilaista simuloitu falls, sijoitettu mukaan suunta syksyllä. B) tallennukseen käytetty G1-android-matkapuhelin ja puhelimen sijoittaminen aiheiden taakse. C) kiihtyvyysmittarin akselit. Puhelin oli sijoitettu kohteen takaosaan niin, että kolme kirvestä osoittivatkin ylös, vasemmalle ja kohteen takaosaan., Lähde: Albert, 2012. Käytetään luvalla.

Tämä työ osoittaa, miten nykyinen kone-oppimisen lähestymistapoja voidaan yksinkertaistaa tietojen keruuta sekä parantaa nopean toiminnan mahdollisia vammoja falls (Albert, 2012).

Back Next