自动化预测警报有助于识别患者为30天的入院患者

一种自动化预测工具，旨在在发行后30天内识别出于入院风险的新录取的患者已成功纳入宾夕法尼亚大学卫生系统的电子健康记录。由佩尔曼医学院的研究人员开发的工具是在12月份发表的研究的主题医院医学杂志。

全宾队队发现，在入学前12个月内已被两次或更多次入院是最佳方法，是预测哪些患者在出院后30天内被预留的患者处于预留风险。由于这一发现，自动化工具现在能够将患者识别为入院的“高风险”，并在其电子健康记录中创造“国旗”。在录取高风险的患者时，标志在题为“读取风险”的列中的患者姓名旁边出现。该标志可以双击以显示与前12个月内包括住院生和紧急部门访问的详细信息，以及有关护理团队，住院时间和与此事先录取相关的问题的信息。

“我们通过这个工具看到的结果表明，我们可以预测，具有很大的准确性，有可能在出院后30天内被预约的风险的患者，”领先作者Charles A. Baillie，MD，内部宾夕法尼亚州医学临床流行病学中心和临床流行病学和生物统计学中的医学专家和研究员。“通过这种知识，护理团队有能力瞄准这些患者，确保他们收到预防入院所需的最强烈干预措施。”

经过验证的干预措施，有助于减少30天的入院，包括加强患者教育和在卸货日的药物和解，增加家庭服务，提供安全着陆，放电后尽快进行预约，并进行后续电话，以确保额外的电话保护。在过程中药物和解，药剂师将患者目前的医院药物命令与患者在入院前患者在家中携带的所有药物进行比较。这样做是为了避免药物误差，例如遗漏，重复性，给药误差或药物相互作用。

为了支持该研究，宾馆医学中心在公开的文献中确定了基于证据的实践，与入院的入院有关的许多变量，包括：前进的录取，访问急诊科，以前的30天内华人，以及多种医疗障碍的存在。

使用两年的回顾数据，该团队使用自己的本地数据检查了这些变量，发现单个变量 - 在12个月内为医院进行两次或更多次 - 是未来预留的最佳预测因素。将该标记集成到电子健康记录中，并在明年前瞻性研究。在此期间，触发入伍警报的患者随后被重新登记了31％的时间。未触发警报时，耐心只需要11％的时间被提出。

“通过自动化入住风险预测的过程，我们能够实时快速有效地提供风险评估，使所有住院生团队的所有成员能够进行协调的排放计划，特别关注被确定为存在的人在入伍的风险最高，“克雷格A UMSCheid，MD，MSCE，医学助理和流行病学教授，凭借奔驰的实践主任，学习的高级作者。

风险评估工具是Penn医学减少入院的一系列步骤的一部分。

“随着时间的推移，随着时间的推移，随着时间的推移，即将使用风险标志以及减少那些被确定为高风险的人所需的干预措施，”留下的速度将随着时间的推移而改善。“

---

---