ATrain Education (Svenska)

Medicare OASIS-C Fall Risk Assessment

i över ett decennium har Centers for Medicare and Medicaid Services (CMS) krävt att Medicare-certifierade hemhälsobyråer samlar in och överför utfallsdata och Bedömningsuppsättning (OASIS) för alla vuxna hemhälsopatienter 18 och äldre som får kvalificerade tjänster, vars vård ersätts av Medicare och Medicaid, med undantag för patienter som endast får pre – eller postnatala tjänster (CMS, 2010).,

OASIS leder hemhälsobyråer för att bedöma fallrisk hos alla patienter över 65 år. Den multifaktoriella bedömningen omfattar föremål som fallhistoria, användning av flera mediciner, psykisk försämring, toalettfrekvens, allmän rörlighet/överföringsskada och miljörisker (CMS, 2010).,

under multifaktorns fallriskbedömning kan byrån:

  • använda det enda standardiserade, validerade omfattande multifaktorfallen riskbedömningsverktyget
  • inkludera flera verktyg så länge en av dem är standardiserad och validerad

syftet är att främja fallriskbedömning mellan lärjungar och hälsovårdsinställningar.,

Fallriskbedömning i vårdhem

cirka 1 800 äldre vuxna som bor i vårdhem dör varje år från fallrelaterade skador och de som överlever faller ofta upprätthålla höftfrakturer och skallskador som resulterar i permanent invaliditet och minskad livskvalitet (CDC, 2012b).

i vårdhem bedömer sjuksköterskor invånare för fallrisk vid tillträde till anläggningen och regelbundet efter tillträde. För att bedöma fallrisk kan sjuksköterskor välja mellan olika verktyg för fallriskbedömning, som i allmänhet inte är standardiserade eller reglerade., De flesta bedömningsverktyg innehåller ett poängsystem som utvärderar den kumulativa effekten av riskfaktorer för att identifiera de som löper störst risk att falla eller upprätthålla en fallrelaterad skada (Wagner, 2011).

en kanadensisk studie med 137 vårdhem i provinsen Ontario frågade om vilka fallriskbedömningsverktyg som användes och försökte identifiera gemensamma egenskaper över bedömningsverktygen (Wagner, 2011). De vanligaste fallossäkerhetsbedömningsverktygen var Morse Fall Scale och Performance-Oriented Mobility Scale., I alla anläggningar omfattade de gemensamma områden som bedömdes:

  • inneboende faktorer
  • behandlingsrelaterade eller extrinsiska faktorer
  • Mobilitetsstatus
  • kognitiv status
  • sensorisk status
  • historia av fall
  • beteenden och attityder (Wagner, 2011)

i denna studie noterade forskarna behovet av ett evidensbaserat verktyg för bedömning av fallrisk som liknar den universellt undantagna bromsskalan för att förutsäga risken för trycksår., De påpekar att dåligt utformade bedömningsverktyg hindrar utvecklingen av ett fallriskreduceringsprogram och misslyckas med att tillgodose enskilda patienters behov (Wagner, 2011).

ett särskilt hinder för kvalitetsförbättringsprogram är att många inte helt tar itu med de sätt på vilka personaluppgifter överlappar varandra när de försöker ta itu med fallrisk bland sina patienter. Komplexa syndrom som fallrisk beror på flera riskfaktorer och kräver multifaktoriella, tvärvetenskapliga insatser för att förbättra resultaten., Att minska flera riskfaktorer kan vara svårt eftersom det kräver att många anställda har starka kontakter som möjliggör effektivt informationsflöde och problemlösning från olika perspektiv.därför behövs en intervention för att hjälpa personalen att upprätta ett arbetsförhållande och förbättrad kommunikation för att stödja de nya metoderna som introduceras av fallreduceringsprogram (Anderson et al., 2012).,

Fall klassificering med hjälp av en mobiltelefon

ett nytt sätt att dokumentera patientfall är genom användning av mobiltelefoner; de flesta smarta telefoner är utrustade med accelerometrar som kan användas för att upptäcka när patienter faller med exceptionellt hög noggrannhet. Fall är i allmänhet högeffektiva händelser, vilket gör upptäckten enklare än att identifiera andra dagliga aktiviteter. Automatiskt upptäcka fall kan möjliggöra snabb respons på potentiella nödsituationer; dessutom, att veta orsaken eller sättet för ett fall kan vara fördelaktigt för förebyggande studier eller en mer skräddarsydd nödsituation.,

ett Rehabiliteringsinstitut i Chicago-studien försökte visa tekniker som inte bara på ett tillförlitligt sätt upptäcker ett fall utan också automatiskt klassificerar typen. Femton ämnen simulerade fyra olika typer av fall-vänster och höger sida, framåtresor och bakåtglidningar—medan du bär mobiltelefoner och accelerometrar. Nio ämnen bar också enheterna i tio dagar, för att ge data för jämförelse med de simulerade Fallen. Forskare kunde identifiera ett fall med 98% noggrannhet och klassificera typen av fall med 99% noggrannhet (Albert, 2012).,

typer av fall uppmätta och Mätaxlar

(a) Fyra olika typer av simulerade fall, placerad enligt riktning av hösten. (B) G1 android mobiltelefon som användes för inspelning, och placeringen av telefonen på baksidan av ämnen. C) accelerometerns axlar. Telefonen placerades på baksidan av ämnet så att de tre axlarna pekade upp, vänster och på baksidan av ämnet., Källa: Albert, 2012. Används med tillstånd.

det här arbetet visar hur nuvarande maskininlärningsmetoder kan förenkla datainsamlingen och förbättra snabba svar på potentiella skador på grund av fall (Albert, 2012).

tillbaka nästa

Lämna ett svar

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *