电子分诊工具改善了急诊科病人的护理

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。

约翰霍普金斯大学医学院急诊医学副教授Scott Levin博士说:“随着美国急诊部门每年就诊人数的增加，能力的下降导致了前所未有的拥挤程度和相应的护理延误。”“所以，急诊科必须做的是迅速评估病人是否需要真正重要的、时间敏感的治疗，以及病人是否可以安全等待。”

在全国范围内，护士和医生通常在分诊过程中使用紧急情况严重程度指数(ESI)从1级为病人谁是最严重的病变，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。

为了帮助区分病人的分诊水平，Levin和急诊医学系的一个团队开发了一种电子分诊工具。在最近发表的一篇论文中急诊医学史，电子分类工具显示出同等或更好的识别患者结果与ESI相比，基于近173,000次急诊部门访问的多站点回顾研究。该研究表明，使用电子分类和ESI显示患者优先级的显着差异。例如，超过65％的访问范围三次访问ESI级别3，电子分类确定了大约10％，或超过14,000岁的ESI等级3患者，他们可能会受益于更加关键的优先级，例如1或2级。这些患者至少有5倍可能经历批判性结果，例如死亡，进入ICU或急诊手术，以及额外可能进入医院的可能性增加了两倍。电子分类工具还能够将患者的数量增加到下降到较低的优先级，例如4级或5级，以帮助最小化低敏锐度患者等待和过度稀缺资源。

电子分类工具使用算法基于系统工程方法和先进的机器学习方法来预测患者结果，以识别预测数据与患者结果之间的关系。“当患者进入时，我们收集患者的信息，电子分类工具正在将患者与数百名患者进行比较，以便对患者的结果进行预测，”莱文说。

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电子健康记录，并允许以前可实现的结果精确，”急诊医学部主任Gabor Kelen说，M.D.急诊医学约翰霍普金斯大学医学院“这是未来医疗保健的潮流，尽管一些提供者可能会犹豫不决。利用机器学习的决策辅助设备也可以高度定制，以满足急诊科患者群体和当地医疗保健服务系统的需求。”

电子分诊工具也是一种决策支持工具，帮助临床医生对患者做出更好的护理决策。Levin说:“这个工具以及所有临床决策支持工具背后的理论是，与单独使用工具或单独使用临床医生相比，与临床医生配合使用的工具可以做出更好的预测或更好的预后任务。”

更好地区分患者的优先级别，又可以帮助患者获得所需的适当护理。“终极目标是患者应该等待少紧急情况“Levin说，”莱文说。“对于有严重护理需求的风险的患者，这项技术旨在更好地检测它们并确保它们更快地看到它们。对于减少病变的患者，电子分类应该检测到这些患者并将它们放在加速赛道上，因此他们不需要等待。“

电子分诊目前正在约翰霍普金斯医院和霍华德县综合医院使用，这两家医院都是约翰霍普金斯医学院的成员医院。的工具是否对持续性进行了前瞻性评估，初步结果显示有关键预后的患者检测的改善，以及其他与急诊科根据研究人员的说法。

---

---