Medicare OASIS-C Falle risikovurdering

For over et tiår, Centers for Medicare and Medicaid Services (CMS) har som kreves for Medicare-sertifisert hjem helsevesenet for å samle inn og overføre Resultatet og Vurdering Informasjonen (OASIS) data for alle voksne hjemme helse-pasienter 18 år og eldre som mottar dyktige tjenester, der omsorg er dekkes av Medicare og Medicaid, med unntak av pasienter som mottar pre – eller postnatal tjenester (CMS, 2010).,

OASIS leder hjem helsevesenet for å vurdere falle risiko i alle pasienter over 65 år. Den multifactorial vurderingen omfatter elementer som faller historie, bruk av flere medisiner, mental svekkelse, toalettbesøk frekvens, generell mobilitet/overføring av verdifall, og miljøfarer (CMS, 2010).,

Under multifaktor falle risikovurdering, byrået:

• du Kan bruke den enkle standardiserte, validerte omfattende multifaktor faller risikovurdering verktøy
• Kan innlemme flere verktøy så lenge en av dem er standardisert og validert

formålet er å fremme faller egenvurdering av risiko på tvers av disipler og på tvers av helsesektoren.,

Fall risikovurdering i Sykehjem

Om 1,800 eldre voksne som bor i sykehjem dør hvert år fra høsten-relaterte skader og de som overlever faller ofte oppholder hoftebrudd og hodeskader som resulterer i varig uførhet og redusert livskvalitet (CDC, 2012b).

I sykehjem, sykepleiere vurdere beboere for høsten risiko ved opptak til anlegget, og på en jevnlig basis etter opptak. For å vurdere falle risiko, sykepleiere kan velge fra et utvalg av høsten risikovurdering verktøy, som er generelt ikke standardiserte eller regulert., De fleste assessment tools inneholder et scoring system som vurderer den kumulative effekten av risikofaktorer for å identifisere de som er i størst risiko for å falle eller opprettholde en fall-relaterte skader (Wagner, 2011).

En Kanadisk studie som involverer 137 sykehjem i provinsen Ontario spurt om hva som faller risikovurdering verktøy ble brukt og prøvd å identifisere fellestrekk på tvers assessment tools (Wagner, 2011). De mest brukte falle risk assessment tools var Morse Falle Skala og Performance-Orientert Mobilitet Skala., På tvers av alle fasiliteter vanlige domener som vurderes inkludert:

• Iboende faktorer
• Behandling-relatert eller ytre faktorer
• Mobilitet status
• Kognitiv status
• Sensorisk status
• Historie faller
• Atferd og holdninger (Wagner, 2011)

I denne studien, forskerne understreket behovet for en kunnskapsbasert verktøy for vurdering av høsten risiko lik den universelt unntatt asian homofil tenåring Skala for å forutsi press sår risiko., De peker på at dårlig utviklet kartleggingsverktøy for å hindre utvikling av et fall-risiko reduksjon program og ikke klarer å møte behovene til individuelle pasienter (Wagner, 2011).

En særlig barriere for kvalitetsforbedring programmer er at mange ikke fullstendig adresse måter som ansatte plikter overlapp når du prøver å løse falle risiko blant sine pasienter. Komplekse syndromer som faller risiko resultat fra flere risikofaktorer og krever multifactorial, tverrfaglige intervensjoner for å forbedre resultatene., Å redusere flere risikofaktorer kan være vanskelig fordi det krever mange ansatte for å ha sterke forbindelser som tillater effektiv informasjonsflyt og problemløsning fra varierte synsvinkler, og dermed en intervensjon er nødvendig for å hjelpe ansatte til å etablere et nærmere samarbeid og bedre kommunikasjon for å støtte den nye rutiner innført ved fall-reduksjon programmer (Anderson et al., 2012).,

Fall Klassifisering ved Hjelp av en Mobiltelefon

En ny måte å dokumentere pasienten faller på, er gjennom bruk av mobiltelefoner; de fleste smart-telefoner er utstyrt med akselerometre som kan brukes til å oppdage når pasienter faller med svært høy nøyaktighet. Faller er generelt høy effekt hendelser, noe som gjør deteksjon enklere enn å finne andre daglige aktiviteter. Automatisk detektering av falls kan tillate rask respons til potensielle kriser, i tillegg til å vite årsaken eller måte av et fall kan være gunstig for forebygging studier eller en mer skreddersydd beredskap.,

En Rehabilitering Institute of Chicago studien søkte å demonstrere teknikker som ikke bare pålitelig oppdage et fall, men også automatisk klassifisere type. Femten fag simulert fire forskjellige typer falls—venstre og høyre lateral, turer frem, og bakover slips—mens iført mobiltelefoner og akselerometre. Ni fag også hadde enheter i ti dager, for å gi data for sammenligning med simulert faller. Forskerne var i stand til å identifisere en høst med en 98% nøyaktighet og klassifisere type falle med 99% nøyaktighet (Albert, 2012).,

(A) Fire forskjellige typer simulert falls, plassert i henhold til retningen av høsten. (B) G1 android-telefonen som ble brukt til opptak, og plassering av telefonen på baksiden av fag. (C) aksene av akselerometer. Telefonen ble plassert på baksiden av motivet, slik at de tre aksene peker opp, til venstre og til baksiden av emnet., Kilde: Albert, 2012. Brukt med tillatelse.

Dette arbeidet viser hvordan gjeldende maskin-learning tilnærminger kan forenkle innsamling av data, samt forbedre rask respons på potensielle skader på grunn av fall (Albert, 2012).

Tilbake Neste