Faciliteren van het reverse triage proces met een IT toepassing

Gwen Pollaris
& Stephanie Note
  • Stéphanie
    Note

Verwacht het onverwachte

Met de alsmaar naderende dreiging van terreuraanslagen (IS), natuurrampen en potentiële pandemieën (ebola), is het van groot belang dat ziekenhuizen zich voorbereiden op het onvoorziene. De capaciteit en de werkdruk op de spoedgevallendienst wordt immers zwaar op de proef gesteld tijdens soortgelijke incidenten. Denkt u dat uw regionaal ziekenhuis de massale toestroom aan slachtoffers de baas zou kunnen?

Hoop doet leven
Een mogelijke oplossing om deze aanzienlijke aantallen te kunnen verwerken is ervoor te zorgen dat zo weinig mogelijk patiënten onnodig gehospitaliseerd blijven. Immers, hoe minder patiënten er in het ziekenhuis verblijven, hoe meer bedden er ter beschikking zijn voor de opvang van slachtoffers. Het reverse triage-principe, dat werd getest in het onderzoek van Gwen Pollaris en Stéphanie Note, speelt hierop in. Opgenomen patiënten worden beoordeeld aan de hand van vooraf bepaalde criteria. Diegenen met een laag risico op toekomstige medische problemen kunnen vroegtijdig worden ontslagen naar huis of zorginstellingen met een lager zorgzwaarte profiel.

Vele handen maken licht werk: ontwikkeling en startmeting
Hun onderzoek startte met de ontwikkeling van een softwaretoepassing binnen het KWS[1]. Aan de grondslag ligt een instrument dat reeds wetenschappelijk werd gevalideerd door onderzoeker Gabor Kelen en zijn team in 2006. Dit instrument werd de naam ‘Kelen’ gegeven. Na het afbakenen of weglaten van enkele onderdelen, werd de technische vertaalslag naar het KWS voltooid door de dienst Informatiesystemen van het UZ Leuven. Het ontwikkelde programma kreeg de naam ‘Modified Kelen’.

Om een startwaarde te hebben omtrent de algemene werking van dit kersverse programma werd willekeurig een observatiegroep samengesteld van patiënten opgenomen in het UZ Leuven campus Gasthuisberg. Tweehonderddertig patiënten wensten deel te nemen en werden beoordeeld aan de hand van de Kelen en Modified Kelen checklist. In figuur 1 worden de resultaten van deze startmeting visueel weergegeven. Wanneer men positief scoorde op Kelen betekende dat men geschikt was vroegtijdig het ziekenhuis te verlaten. Bij een positieve Modified Kelen diende de patiënt een multidisciplinaire herevaluatie te ondergaan, met vroegtijdig ontslag in het achterhoofd. Het contrast tussen deze twee instrumenten kan potentieel verklaard worden door het te streng zijn van de Kelen, dan wel het niet streng genoeg zijn van de Modified Kelen.

Op deze traditionele manier (zonder ondersteuning) patiënten willen ontslaan, ten tijde van een ramp, is om problemen vragen. Zo zou men in het UZ Leuven gemiddeld 1261 patiënten, verspreid over circa 120 afdelingen, moeten beoordelen.

Is het maken van een preselectie efficiënter?
In de volgende fase van het onderzoek van Gwen Pollaris en Stéphanie Note werd de Modified Kelen in real-time getest in het KWS. De filter overliep de door de onderzoekers opgestelde exclusiecriteria en gaf een lijst met patiënten die potentieel geen reden hadden tot verdere hospitalisatie. Tweehonderdzestig patiënten gaven hun geïnformeerde toestemming voor het controlebezoek. Aan de hand van de checklists werd gecontroleerd op eventuele registratie-of programmatiefouten.

Deze controle bracht 130 foutieve selecties aan het licht (figuur 2). Desondanks constateerden ze toch een verdubbeling van het aantal, volgens Kelen, vroegtijdig ontslagklare patiënten in de Modified Kelen groep (43) in vergelijking met de observatiegroep (21). De Modified Kelen is dus een efficiëntere manier om patiënten op te sporen die vroegtijdig kunnen worden ontslagen. Wanneer deze preselectie-methode gehanteerd zou worden, dient men op de dag van de ramp amper gemiddeld 455 patiënten te beoordelen op ontslaggereedheid. Dit is een reductie van maar liefst 63.92%.

Het werkt maar is het realistisch?
In de laatste fase van het onderzoek werden de resultaten van de meetinstrumenten met elkaar vergeleken aan de hand van een kruistabel (tabel 1). Zo kon men berekenen hoe accuraat de filter patiënten niet selecteerde. De Modified Kelen werd immers ontwikkeld om te bepalen welke patiënten zeker niet vroegtijdig konden worden ontslagen.

Het eerste interessante topic uit deze analyse was het overlappingspercentage tussen de groep patiënten die volgens Kelen niet vroegtijdig ontslagklaar waren (Kelen ()) en de groep die de Modified Kelen niet meenam in zijn selectie (Modified Kelen ()). Aangezien Kelen’s instrument reeds wetenschappelijk werd gevalideerd, werd deze als de gouden standaard beschouwd die het best strookt met de realiteit. Uit deze berekening kwam naar voren dat de Modified Kelen () maar liefst 74% van de groep Kelen () omvatte. Dit houdt in dat van alle patiënten, die volgens Kelen’s instrument niet in staat waren vroegtijdig het ziekenhuis te verlaten, de Modified Kelen er 74% correct identificeerde en bijgevolg niet meenam in zijn selectie.

Vervolgens werd de verhouding langs de andere kant bekeken. Er werd berekend hoeveel patiënten van de groep Modified Kelen () , deel uitmaakten van de groep Kelen (). Dit om aan te tonen in welke mate een patiënt die door de Modified Kelen werd geëxcludeerd, effectief niet in staat was vroegtijdig het ziekenhuis te verlaten. Deze overlapping bleek maar liefst 95%, een schitterend resultaat. De patiënten die de Modified Kelen excludeerde waren dus in 95% van de gevallen correct en dienden niet te worden geherevalueerd in tijden van nood, wat een enorme tijdsbesparing kan opleveren.

Levensreddende toekomstmuziek
Het Modified Kelen instrument vereist verdere oppuntstelling en validatie. Nadien kan men in noodsituaties met voldoende zekerheid aannemen dat enkel de patiënten op de selectielijst dienen te worden geherevalueerd op potentieel vroegtijdig ontslag. Zo kan men, met een simpele druk op de knop, plaats maken in “no time”. Een toepassing op de dagdagelijkse overrompeling van de Belgische spoedgevallendiensten blijft dan ook niet langer een utopische gedachtegang. Immers, hoe sneller er bedden ter beschikking komen, hoe efficiënter de doorstroom vanuit de spoedgevallendienst zal verlopen. Zo kunnen de wachttijden slinken en de patiëntveiligheid toenemen.

[1] Elektronisch patiëntendossier van het UZ Leuven

 

Bibliografie

 

  1. Hanfling D. Equipment, supplies, and pharmaceuticals: How much might it cost to achieve basic surge capacity? Acad Emerg Med 2006; 13:1232-1237.

 

  1. Nager A, Khanna K. Emergency Department Surge: Models and Practical Implications. J Trauma 2009; 67: S96-S99.

 

  1. Kelen G, McCarthy M, Kraus C, Ding R, Hsu E, Li G. Creation of Surge Capacity by Early Discharge of Hospitalized Patients at Low Risk for Untoward Events. Disaster Med Public Health Prep 2009; 3: S1-S7.

 

  1. Davis D, Poste J, Hicks T, Polk D, Rymer T, Jacoby L. Hospital Bed Surge Capacity in the Event of a Mass-Casualty Incident. Prehosp Disaster Med 2005; 20: 169-176.

 

  1. Satterthwaite P, Atkinson C. Using 'reverse triage' to create hospital surge capacity: Royal Darwin Hospital's response to the Ashmore Reef disaster. Emerg Med J. 2010.

 

  1. Kelen G, Kraus C, Brill J. Creation of Hospital Surge Capacity by the Early Discharge of Inpatients. Acad Emerg Med 2005;12: 23.

 

  1. Moskop J, Sklar D, Geiderman J, Schears R, Bookman K. Emergency Department Crowding, Part 2- Barriers to Reform and Strategies to Overcome Them. Ann Emerg Med 2009. 53:612-617.

 

  1. Griffiths J, Estipona A, Waterson J. A framework for physician activity during disasters and surge events. Am J Disaster Med 2011; 6: 1-8.

 

  1. Collis J. Adverse effects of overcrowding on patient experience and care. Emerg Nurse 2010; 18: 34-39.

 

  1. Taylor D. Reverse triage: useful for day-to-day acces block? Lancet 2006; 368: 1940-1941.

 

  1. Plunketta P, Byrneb D, Breslina T, Bennettc K, Silkeb B. Increasing wait times predict increasing mortality for emergency medical admissions. Eur J Emerg Med 2011; 18(4): 192-196.

 

  1. Pollaris G, Sabbe M (2015). Reverse triage: more than just another method. Manuscript submitted for publication.

 

  1. Kelen G, Kraus C, McCarthy M, et al. Inpatient disposition classification for the creation of hospital surge capacity: a multiphase study. The Lancet 2006; 368:1984-1990.

 

  1. Sermeus W. (2012). Syllabus Methoden wetenschappelijk onderzoek [niet gepubliceerde cursus]. Leuven: Katholieke Universiteit Leuven. Master in de verpleegkunde en de vroedkunde.

 

  1. Webwoordenboek beta [internet]. z.d. [geciteerd op 2015 april 24]. Beschikbaar via: http://www.webwoordenboek.be/verklaring/query/.

 

  1. Parikh R, Mathai A, Parikh S, Sekhar C, Thomas R. Understanding and using sensitivity, specificity and predictive values. Indian J Ophthalmol 2008 Jan-Feb; 56(1): 45-50.

 

Download scriptie (611.9 KB)
Universiteit of Hogeschool
KU Leuven
Thesis jaar
2015
Thema('s)