Una evaluación hipotética de las opciones de gestión del riesgo de hacinamiento hospitalario mínimamente invasivo

Cómo prevenir el hacinamiento en los hospitales

Esta sección presenta un método de investigación para el hacinamiento basado en un concepto llamado «cuñas de inestabilidad hospitalaria».^dieciséis. El concepto muestra que, en teoría, el riesgo de congestión del flujo de pacientes se puede calcular diariamente y la prevención se puede lograr activando intervenciones que involucran a un número muy pequeño de pacientes cuando el nivel de riesgo se considera alto. Esto conduce a un método potencialmente efectivo para la prevención de la congestión en tiempo real.

El escenario hospitalario habitual es que, a diario, los pacientes llegan al servicio de urgencias a través de ambulancias o autoexhibiciones. Algunos pacientes son dados de alta del servicio de urgencias y otros ingresados. Aparte de la sala de urgencias, los pacientes hospitalizados son dados de alta después de un período de estancia y se produce un número variable de admisiones electivas planificadas. Estos procesos compiten por recursos limitados y se producen episodios de congestión cuando surgen cuellos de botella. El primer método para estimar el riesgo de congestión s A una hora específica cada día, usando la ocupación del hospital, prediga los números de admisiones y altas de pacientes en función de los patrones de variación diarios derivados de los datos del historial del hospital, activando una intervención mínima en riesgo. s por encima de cierto nivel. peligro De Verdad) Representa el porcentaje ocupado por la medianoche para el día actual (METRO_R) supera un cierto límite C. límite C Se designó como la capacidad normal de camas del hospital en este estudio. La posibilidad de tal desbordamiento De Verdad) Se calculó mediante la siguiente ecuación:

Con el fin de controlar los riesgos de hacinamiento en los hospitales, esta fórmula se ha mejorado para que sea más accionable y controlable para los tomadores de decisiones. Inicialmente se consideró la siguiente ecuación:

dónde norte_R Se refiere a los recién llegados al servicio de urgencias de un hospital por día. mi_R Se define como pacientes seleccionados que están programados para permanecer en el hospital por lo menos una noche. METRO_R−1 Es la ocupación de medianoche del día anterior. \(\eta_{t}\in(0,1],\omega_{t}\in(0,1],v_{t}\in(0,1])\) Indica la tasa de aceptación de nuevos ingresos, pacientes electivos cancelados y pacientes hospitalizados que han sido dados de alta, respectivamente.

La siguiente tarea es investigar la dependencia del riesgo de congestión s(C) sobre mí \(\eta_{t},{}\omega_{t}{\text{y}}v_{t}\) que se tratan como parámetros de control. Debido al hecho de que norte_R Es la única variable aleatoria en el lado derecho de la ecuación. (2), ec. (1) Se puede refinar como:

como resultado de, De Verdad) Bloguear simplificado \(\it {\text{R}}\left({{\text{C}},{}\eta_{t},\omega_{t},v_{t}}\right)\) Que consta de parámetros de control. red se ajusta a una distribución normal (ver gráfico para red En la información de apoyo SI-Fig. 1).

Proceso de evaluación basado en simulación.

La ecuación (3) se puede refinar nuevamente en función de la restricción simple \(\omega_{t}=0\):

dónde \(x_{t}: = [C – M_{t – 1} (1 – \nu_{t} ) – E_{t} ]{/}\eta_{t}{,}\; \mu_{t}\) Y el \(\sigma_{t}^{2}\) son la media y la varianza del número de residentes que llegan al departamento de emergencias en el día dado de la semana y \(\Phi{(}x;\mu,\sigma ^{2}{)}\) Se refiere a la función de distribución de probabilidad de una variable aleatoria normalmente distribuida \(X \sim N(\mu,\;\sigma^{2})\). Después, De Verdad) Se puede calcular fácilmente en base a la ecuación anterior.

Este método permite a los tomadores de decisiones cambiar los parámetros de control para evitar el hacinamiento hospitalario con riesgo de hacinamiento. De Verdad) Alto. Esto significa que si ajustamos el umbral C o tasa de aceptación \(\eta_{t}\) o tasa de alta del paciente \(Vermont}\)Y el De Verdad) cambiará en consecuencia. El método se puede aplicar a diferentes hospitales. En este estudio, se recolectaron datos de un gran hospital en Australia para probar el método. Ejemplo De Verdad) cambiar con diferentes \(\eta_{t}\) Y el \(Vermont}\) Desde el hospital se mostró en SI-Fig. 2. Mostrar que cambios más pequeños en el número de pacientes ingresados ​​o dados de alta del hospital muestran efectos más efectivos y sensibles sobre De Verdad).

Asumimos que los gerentes de los hospitales revisan los riesgos de hacinamiento usando este método por la mañana y ajustan el plan del día. Si la tasa de riesgo es inusualmente alta por la mañana, la probabilidad de congestión también puede ser alta durante el día. Por lo tanto, los administradores planearán ajustar la capacidad de camas o dar de alta a un pequeño número de pacientes para debilitar esta posibilidad conflictiva. Confiar en el método anterior utilizando datos históricos de flujo de pacientes nos permite comprender la probabilidad cambiante de hacinamiento De Verdad) Cuando se aprueban las intervenciones. Sin embargo, es imposible probar los efectos esperados, pero más intuitivos y cuantitativos, sobre los ataques de congestión únicamente mediante el método. Además, cuando los gerentes intentan manipular diferentes números de pacientes para evitar el hacinamiento, pueden surgir otros problemas, incluido qué tipo de pacientes o departamento debe ser el foco de la(s) intervención(es). En otras palabras, desde una perspectiva gerencial, el tipo de pacientes afectados por la intervención puede influir en la efectividad de la descongestión. Las pequeñas modificaciones que afectan a varios tipos diferentes de pacientes pueden ser más efectivas y sensibles para reducir el riesgo de congestión. Para abordar estos problemas, el modelado de simulación tiene una ventaja, ya que proporciona una plataforma libre de riesgos para ayudar a las partes interesadas a acceder a los cambios en los procesos y políticas de gestión y estudiar diversas alternativas. Al implementar el método y diseñar indicadores más específicos de hacinamiento hospitalario basados ​​en un modelo de simulación, se investigaron explícita y profundamente los efectos de intervenciones menos disruptivas en la prevención del hacinamiento.

evaluación basada en simulación

El objetivo de brindar un servicio accesible no es una tarea sencilla para el sistema de salud porque los hospitales son complejos y dinámicos. Para lograr la mejora del servicio hospitalario, se desarrolló el modelado integral del sistema complejo denominado Hospital Event Simulation Model: Arrivals to Exit (HESMAD) mediante la herramienta denominada Anylogic con el fin de imitar los comportamientos dinámicos necesarios para cada intervención teórica y como consecuencia.¹⁷. La estructura HESAMD se mostró en SI-Fig. 3. El modelo se creó para simular comportamientos hospitalarios de la forma más realista posible debido a la conexión con datos de flujo de pacientes reales durante dos años (2014-2016) para un hospital de la Gran Australia. Ciertamente, se puede aplicar a diferentes hospitales si se proporcionan datos de flujo de pacientes. Contiene varios componentes que representan admisiones de emergencia, admisiones electivas, pacientes hospitalizados y altas. El proceso completo y las unidades HESMAD se describen en SI4.

Para explicar de manera más completa los efectos descongestionantes de las diferentes estrategias, las ideas de intervención menos disruptivas del método se copiaron en escenarios para la investigación en el modelo de simulación (Fig. 1).

Asumimos que los gerentes de los hospitales verifican los riesgos de hacinamiento utilizando el método por la mañana y ajustan el plan del día. Cuando De Verdad) Por encima de 0,85, los gerentes pueden agregar camas o cancelar operaciones en una pequeña cantidad de pacientes en ese día en particular. En la plataforma de simulación se logró el mismo proceso. El modelo calcula De Verdad) A las 8:00 am todos los días. si De Verdad) >0,85, la intervención se realiza para ese día. Todos los parámetros utilizados para De Verdad) El modelo de simulación genera el cálculo diariamente. Además, se adoptó un sistema de codificación por colores para cada evaluación de escenario antes, durante y después del hacinamiento hospitalario.

El umbral se definió como la capacidad del hospital en el método de prevención de riesgos en este estudio. Este gran hospital triple tiene 330 camas básicas, incluidas 170 camas médicas, 130 camas quirúrgicas y 30 camas AMU en departamentos separados para pacientes hospitalizados. Se pueden organizar 8 camas flexibles cuando el hospital está a punto de agotar su capacidad limitada. Usando el método de predicción del riesgo de hacinamiento, los efectos de agregar camas flexibles en la prevención del hacinamiento (Escenario 1–4) se estimaron mediante el modelo HESMAD. Para evaluar los efectos de intervenciones menos disruptivas, inicialmente siempre se promovieron modificaciones más pequeñas. Además, se investigó en qué sección se agregaron las camas elásticas (escenario 5, 6) que podrían afectar la eficiencia descongestionante (Tabla 2).

En la plataforma de simulación, la intervención de alta se replicó en diferentes escenarios para probar su efecto sobre el hacinamiento en el hospital. Sin embargo, el tipo de pacientes con mayor probabilidad de sufrir congestión puede ser un problema. No basta con descargar operaciones sin tener en cuenta los tipos de pacientes del método. Por lo tanto, el modelo de simulación realizó las intervenciones en diferentes tipos de pacientes a diario, pero solo cuando el índice de riesgo de hacinamiento alcanzó o superó 0,85 (escenario 10-21) a las 8 am todos los días (Tabla 2). En la práctica, los pacientes con baja agudeza (p. ej., pacientes con una fractura o enfermedad crónica) casi siempre se seleccionan para el alta temprana. Además, éticamente, los pacientes que han iniciado tratamiento recientemente no se consideran dados de alta. Para lograr la selección de pacientes para el alta por el modelo de simulación, el modelo seleccionó pacientes con 1 día restante de su estancia hospitalaria que tenían una puntuación de triaje ≥ 4 para el alta hospitalaria (SI – Tablas 1, 2: triaje). El modelo de simulación genera para los pacientes a quienes se les ha asignado toda la información, incluida la duración de la estadía, el número de clasificación e información personal sobre todo el proceso de tratamiento, por lo que los pacientes con discapacidades graves pueden ser dados de alta fácilmente. Dado que este estudio se centra en la prevención del hacinamiento en diferentes departamentos de pacientes hospitalizados, el modelo se ha modificado para pacientes hospitalizados, incluidos pacientes médicos, quirúrgicos y hospitalizados a largo plazo (SI-Tabla 2).

El control de la tasa de aceptación también se probó mediante un modelo de simulación para evitar la aglomeración. En el servicio de urgencias, de 2 a 8 pacientes que estaban programados para ingresar fueron retirados cuando esto ocurrió De Verdad)hasta 0,85.

En HESMAD se ha adoptado diariamente un sistema de codificación por colores, similar a los semáforos que se utilizan para rastrear el estado de hacinamiento en los hospitales.

• Green Day significa que el hospital tiene al menos el 10% del total de camas de pacientes disponibles.

• El Día Ámbar significa que el hospital tiene entre el 3 y el 10% del total de camas de pacientes disponibles.

• Día rojo significa que el hospital tiene menos del 3% del número total de camas de hospitalización.

Los números acumulados de días verdes, ámbar y rojos finalmente se sumaron para indicar el estado de hacinamiento. Además, se registró la ocupación del hospital a la medianoche, R(C) y el número de pacientes afectados por intervención cada día para cada evaluación basada en simulación. Cada simulación tiene una duración de dos años. Los resultados del segundo año se recogieron para su análisis a fin de reducir el efecto del período de «calentamiento» del primer año. Además, cada escenario se repitió 20 veces bajo la misma condición para obtener un comportamiento promedio que permitiera una comparación significativa de los resultados de los diferentes escenarios de intervención. Reducir el número de días rojos fue el objetivo de las diversas intervenciones. También se calculó la reducción en el número de días rojos para cada paciente afectado para estimar la eficacia de cada escenario donde la efectividad de cada intervención se correlaciona con su deterioro en la atención al paciente. Las comparaciones de resultados se muestran en la Tabla 3.

El acceso a los datos de flujo de pacientes anónimos utilizados en este estudio se otorgó a través de un proceso de consentimiento ético regido por la Oficina de Gestión de Investigación y Ética para la Investigación, Red de Salud Local de South Adelaide, que renunció al consentimiento informado de los participantes. Confirmamos que todos los métodos se llevaron a cabo de acuerdo con las pautas y regulaciones pertinentes.