电子分类工具在急诊部门改善患者护理

当患者到达任何急诊部门时，他们的护理过程中的第一个步骤之一是分类，为护理团队成员识别重症病患者并指定优先权治疗水平的机会。

"With increases in annual visits to U.S. emergency departments, declines in capacity have led to unprecedented levels of crowding and consequential delays in care," says Scott Levin, Ph.D., associate professor of emergency medicine at the Johns Hopkins University School of Medicine. "So what emergency departments have to do is very quickly assess whether a patient is in need of real critical, time-sensitive treatment versus a patient who is safe to wait."

在全国范围内，护士和医生通常在分类期间使用紧急严重性指数（ESI）来分配级别1的分数耐心谁是最严重的病变，适用于最不生病的患者。患者的ESI水平决定了患者将看到患者的急诊部门的哪个领域，将患者放在队列中，并影响整个患者的护理过程中的提供者决策。“这种算法完全是主观的，”莱文说。“护士和医生可以快速评估患者是否可以仅根据其临床判断等待。”在大多数情况下，研究人员认为患者被分配到3级，并不完全不同。“我们认为3级患者组包括一个非常生病的患者和其他患者的大量患者，我们的目标是确定这些患者是否可以整理出来，”莱文说。

为了帮助区分患者分类水平，急救医学系中的莱文和团队开发了一款电子分类工具。在最近发表的论文中急诊医学年鉴，电子分类工具显示相同或改进的识别患者结果与基于近17.3万急诊科就诊的多地点回顾性研究的ESI相比。该研究显示，使用e-分诊和ESI的患者优先级别存在显著差异。例如，在超过65%的ESI级别3级门诊中，电子分诊识别了大约10%或超过14000名ESI级别3级患者，他们可能受益于被提升到更重要的优先级别(如1级或2级)。这些患者发生严重后果(如死亡、入院ICU或紧急手术)的可能性至少增加了5倍，入院的可能性增加了2倍。电子分诊工具还能够增加被分诊到较低优先级别(如4级或5级)的患者数量，以帮助减少低视力患者等待和过度使用稀缺资源的情况。

电子分诊工具使用一种基于系统工程方法的算法来预测患者预后，并使用先进的机器学习方法来识别预测数据和患者预后之间的关系。莱文说:“当病人来就诊时，我们会收集病人的信息，电子分诊工具会将这个病人与其他成百上千个类似的病人进行比较，从而预测病人的预后。”

这些方法在其他行业中是常见的，例如防御，运输和金融，但很少在...中实施卫生保健。“基于机器的学习充分利用了电子健康记录，并允许精度的结果以前没有实现，”医学博士，急诊科主任和教授Gabor Kelen说急诊药在约翰霍普金斯大学医学院。“这是未来医疗保健的浪潮，尽管一些提供商可能会犹豫。利用机器学习的决策辅助援助也是高度可定制的，以满足急诊部门患者人口和当地医疗保健交付系统的需求。”

电子分类工具也被设计为决策支持工具，以帮助临床医生对其患者进行更好的监护决策。“这个工具背后的理论以及所有临床决策支持工具，就是与临床医生配对的工具可以使这种工具更好地预测或更好的预测任务，而不是单独的工具或单独的临床医生，”莱文说。

更好地区分患者的优先级别，反过来可以帮助患者得到他们需要的适当护理。“最终的目标是病人应该少等紧急部门,”莱文说。“对于有危重症危险的病人，这项技术旨在更好地检测他们，并确保他们被更快地发现。对于病情较轻的患者，电子分诊应该能检测到这些患者，并加快他们的就诊速度，这样他们就不需要等那么长时间。”

E-Triage目前正在约翰霍金斯医院和Howard县综合医院使用Johns Hopkins医学的约翰霍金斯医院。这工具正在继续进行预期评估初步结果，表明改善了检测有关关键结果和其他有关的措施急诊科据研究人员称，拥挤。

---

---