Zusammenfassung Hintergrund und Ziel der Arbeit Für die klinische Sichtung in der Zentralen Notaufnahme (ZNA) existiert bisher für den Massenanfall von Verletzten kein standardisierter Sichtungsalgorithmus. Mit dem Erscheinen der vierten überarbeiteten und erweiterten Auflage des Manchester-Triage-Systems (MTS) wird dem Nutzer ein spezielles Präsentationsdiagramm („Massenanfall“) angeboten. In der vorliegenden Studie wurde erstmalig das Präsentationsdiagramm „Massenanfall“ des MTS im klinischen Setting hinsichtlich seiner Güte untersucht. Methodik In der vorliegenden monozentrischen, prospektiven Studie wurden 215 traumatologische und 235 nichttraumatologische Patienten unter Verwendung des Präsentationsdiagramms „Massenanfall“ gesichtet und in eine der drei Sichtungskategorien (SK I–III) eingruppiert. Ergebnisse Das MTS-Diagramm stufte die traumatologische Kohorte in 80 % der Fälle korrekt ein. In 15,35 % erfolgte eine Über- und in 4,65 % eine Untertriage. Hierbei wurde eine Sensitivität/Spezifität von 84/99 % für die SK I, 87/78 % für SK II sowie 76/94 % für SK III erreicht. Die nichttraumatologischen Patienten wurden in 59,57 % korrekt kategorisiert sowie in 15,75 % über- und in 24,68 % untertriagiert. Die Sensitivität/Spezifität für SK I lag bei 50/95 %, für SK II bei 49/71 % und für SK III bei 73/65 %. Diskussion Zusammenfassend war der Algorithmus leicht und schnell anzuwenden und identifizierte traumatologische Patienten mit lebensbedrohlichen Verletzungen treffsicher. Es wurde aber auch deutlich, dass die Diskriminante „Gehfähigkeit“ zu Beginn der Sichtung bzw. rein physiologische Entscheidungskriterien mit einer schlechten Testgüte einhergingen. Nichttraumatologische Krankheitsbilder wurden qualitativ ungenügend kategorisiert.
Zusammenfassung Hintergrund Krankenhäuser generieren einen Teil ihrer stationären Fälle aus ungeplanten Einweisungen über die zentrale Notfallambulanz (ZNA). Die Vorbereitung der Aufnahme benötigt üblicherweise eine ärztliche Entscheidung. Die resultierende Vorbereitungszeit für die Normalstation ist mitunter nicht ausreichend und es entstehen Verzögerungen. Ziel der Arbeit/Fragestellung Anhand der Prognose der Wahrscheinlichkeit einer stationären Aufnahme soll der potenzielle Nutzen des Einsatzes künstlicher neuronaler Netze (KNN) in der ZNA aufgezeigt werden. Dabei stellt sich die Frage, ob Routinedaten, welche in fast jeder ZNA bereits zum Zeitpunkt der Ersteinschätzung zur Verfügung stehen, einen Beitrag zur Reduktion von Verzögerungen bei der stationären Aufnahme leisten können. Material und Methoden Auf Grundlage von beschränkten und anonymisierten Routinedaten aus einem Krankenhausinformationssystem wird für eine ZNA ein KNN entwickelt, das die Vorhersage der stationären Aufnahme ermöglicht. Die Implementierung des KNN erfolgt über die Open-Source-Software R. Ergebnisse Unter Anwendung von Routinedaten erzielt das KNN eine Genauigkeit von 76,64 %. Die Sensitivität, d. h. der Anteil korrekt vorhergesagter Patientenaufnahmen, liegt bei 66,93 % und damit niedriger als die Spezifität (Anteil korrekt vorhergesagter Nichtaufnahmen), die 82,13 % beträgt. Diskussion Bereits unter Verwendung von Routinedaten können KNN einen wertvollen Beitrag für die Ablaufplanung in der ZNA leisten. Es ist zu erwarten, dass zusätzliche Variablen, wie z. B. das Patientenalter, die Prognosegüte steigern.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.