Este estudio desarrollo el algoritmo de caída mejorado (EFA) a partir de 171.515 hospitalizaciones y 2.659 caídas, en un centro médico académico, mediante regresión logística jerárquica. Las evaluaciones de enfermería de rutina, los laboratorios, los medicamentos, los datos demográficos y la ubicación de los pacientes durante su hospitalización se recopilaron a partir de la historia clínica electrónica (EHR).

Las caídas son los eventos adversos más comunes de los adultos hospitalizados. Las herramientas de evaluación tradicionales validadas tienen una capacidad limitada para detectar con precisión a los pacientes con alto riesgo de caídas. Los investigadores tienen como objetivo desarrollar una puntuación de riesgo integral automatizada para mejorar la identificación de pacientes con alto riesgo de caídas y examinar su eficacia.

Dentro de los resultados se encontró que la tasa de caída fue de 2,8 por 1.000 días-paciente. La puntuación de caída de Morse fue el predictor más fuerte de caídas (razón de posibilidades = 7,16, intervalo de confianza del 95% = 6,48 a 7,91), con una estadística c de discriminación del modelo de 0,687. Al agregar los datos demográficos de los pacientes, las afecciones crónicas, los valores de laboratorio y los medicamentos, y al controlar la agrupación de pacientes dentro de las unidades, se mejoró la predicación y se aumentó la discriminación del modelo a 0,805. Al aplicar el modelo mejorado, observamos la redistribución de pacientes por riesgo: el grupo de bajo riesgo aumentó de 52,8% a 66,5% y el grupo de alto riesgo disminuyó de 28,0% a 16,2%, con un aumento de la detección de caídas de 3,1% a 5,1%.

Este estudio concluyo que el EFA redistribuye e identifica a los pacientes de alto riesgo con mayor precisión que la puntuación de Morse sola, lo que reduce la población de pacientes de alto riesgo sin aumentar la tasa de caídas con el tiempo. El EFA no requiere recopilación de datos adicionales y actualiza automáticamente el riesgo de caídas del paciente en función de las nuevas entradas en el EHR.

Compartir en

Deja una respuesta

Tu dirección de correo electrónico no será publicada.