Tværsektoriel prognose af patientflow kan man undgå genindlæggelser?

Transkript

1 Tværsektoriel prognose af patientflow kan man undgå genindlæggelser? Mikkel Harbo

2 Indhold 1. Situationen & Problemstillinger i det tværsektorielle samarbejde 2. Eksempel på brug af maskinlæringsbaserede prognoser page 2 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 3. Forslag til udnyttelse af prognoser i det tværsektorielle samarbejde

3 Målsætning: Give inspiration til yderligere ITunderstøttelse af det tværsektorielle samarbejde page 3 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$

4 Målsætninger med Den Tværsektorielle Grundaftale Indlæggelser forebygges ved rettidig og effektiv behandling, pleje og træning i primærsektoren Udskrivning er tidligst muligt efter sygehusbehandling page 4 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Borgeren tilbydes et sammenhængende forløb ved overgangen mellem sektorer

5 IT-understøttet kommunikation ved hospitalsbesøg Før Under Efter Henvisning til relevant afdeling Ambulante besøg Ambulatorie/Skadestuen besøg Ambulatorienotat / Skadesjournal Modtager: Kommune, almen praksis page 5 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Sygehusindlæggelse Indlæggelses- og udskrivningsforløb Planlægning af udskrivning - begynder ved indlæggelsen

6 Situationsbillede Seneste 10 år 14% stigning i Antal forløb 32% stigning i Antal genindlæggelser Forløb og genindlæggelser for personer 67 år og derover - efter tid og diagnose (*) fra 2007 til 2016 page 6 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Antal forløb Antal genindlæggelser Kilde: Danmarks Statistik, AED20: FORLØB OG GENINDLÆGGELSER FOR PERSONER 67 ÅR OG DEROVER, EFTER OMRÅDE, ENHED OG DIAGNOSE (*) Slagtilfælde (apopleksi), Væskemangel (dehydratio), Forstoppelse (obstipation), Lungebetændelse, Blærebetændelse, KOL (astma/bronkitis), Hjertesvigt, Tarminfektion (gastroenterit), Knoglebrud, Blodmangel (ernæring), Gigt

7 2. Eksempel på brug af maskinlæringsbaserede prognoser

8 Machine learning hvad er det? Ny data A B Historiske data Algoritme Finder (automatisk) mønstre / relationer i historiske data Model Gemmer og anvender relationer page 9 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Prognose Prognose

9 Machine learning hvad er det? Ny data A B Historiske data Algoritme Finder (automatisk) mønstre / relationer i historiske data Model Gemmer og anvender relationer page 10 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Prognoser

10 Eksempel Prognose af patient-flow page 11 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$

11 Sikkert Patientflow den rigtige patient i den rigtige seng på det rigtige tidspunkt hos det rette behandlerteam. 2014: Stor skala pilot på 11 akuthospitaler i Denmark 2016: National implementering blev begyndt. page 12 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Sponsor: Dansk Selskab for Patientsikkerhed; De danske regioner, TrygFonden.

12 Kapacitetskonferencen Tavlemøder page 13 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$

13 AMA Akut Modtageafsnit 7-dages prognose for Morgenbelægningen, per 11.9.

14 Kan vi estimere patient-flowet godt? page 15 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Absolutte prognosefejl i % af samlet hospitalsbelægning 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% (Forventet) (forventet) Machine Machine Learning Tavlemøde prognose forecast Prognose baseret på på Learning baseret Baseret baseret prognose forecast gennemsnitsberegning prognose forecast (Baseret på data fra på Aalborg Universitetshospital)

15 Kan vi estimere patient-flowet godt? Gennemsnitlig fejl i % af afsnittets kapacitet page 16 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ (Baseret på data fra på Aalborg Universitetshospital)

16 Regionalt samarbejde Mellem sygehusene flytning af patienter mellem hinanden ensretning af arbejdsgange læring af hinanden H H H H H page 17 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Mellem sygehus, kommune og almen praksis forbedre forløbene for ældre patienter Næste skridt H H

17 3. Forslag til udnyttelse af prognoser i det tværsektorielle samarbejde

18 IT-understøttet kommunikation ved hospitalsbesøg Før Under Efter Henvisning til relevant afdeling Ambulante besøg Ambulatorie/Skadestuen besøg Ambulatorienotat / Skadesjournal Modtager: Kommune, almen praksis page 19 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ (1) Primærsektor visiterer borger/patient til plads i kommunen. Sygehusindlæggelse Indlæggelses- og udskrivningsforløb Planlægning af udskrivning - begynder ved indlæggelsen Kommunal aflastning (akutplads, aflastningsplads, genoptræningsplads, mv.)

19 (1) Primærsektor visiterer borger/patient til plads i kommunen.

20 (1) Primærsektor visiterer borger/patient til plads i kommunen. Oversigt Status og prognose over til rådighed af pladser i kommunerne

21 (1) Primærsektor visiterer borger/patient til plads i kommunen. Resumé Status og prognose af belægningen på hospitalet

22 (1) Primærsektor visiterer borger/patient til plads i kommunen. Resumé Status og prognose af belægningen på hospitalet

23 (1) Primærsektor visiterer borger/patient til plads i kommunen. page 24 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$

24 (1) Primærsektor visiterer borger/patient til plads i kommunen. page 25 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Oversigt Belægningen på regionens hospitaler

25 (1) Primærsektor visiterer borger/patient til plads i kommunen. page 26 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Resumé Status og prognose over til rådighed af pladser i kommunerne

26 IT-understøttet kommunikation ved hospitalsbesøg Før Under Efter Henvisning til relevant afdeling Ambulante besøg Ambulatorie/Skadestuen besøg Ambulatorienotat / Skadesjournal Modtager: Kommune, almen praksis page 27 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Sygehusindlæggelse Indlæggelses- og udskrivningsforløb Planlægning af udskrivning - begynder ved indlæggelsen Kommunal aflastning (aflastningsplads, akutplads, genoptræningsplads, mv.) (2) Sekundærsektor & Primærsektoren finder plads til en patient.

27 Kapacitetskonferencen prioriterer patienter i forhold til pladser i kommunerne (2) Sekundærsektor & Primærsektoren finder plads til en patient.

28 Kapacitetskonferencen prioriterer patienter i forhold til pladser i kommunerne (2) Sekundærsektor & Primærsektoren finder plads til en patient.

29 Markering af mulige pladser i kommunerne (2) Sekundærsektor & Primærsektoren finder plads til en patient.

30 Næste skridt 1. Prognose af antal indkommende patienter pr. afsnit + Etablering af tværsektorielt samarbejde Færdig 2. Prognose af indlæggelsestid For hver patient og for fx hver timer - opdateres prognosen 3. Prognose af sandsynlighed for genindlæggelse Inden for 7 dage, 14 dage, 30 dage, page 31 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 4. Prognose af akut overbelægning i Fællesakutmodtagelse Prognoser af hastighed af patient-flow udefra og ind Prognoser af hastighed af udredning

31 Tak for opkærksomheden Kontaktinformation Mikkel Harbo, ,

32 page 33 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ Backup

33 Machine Learning eksempel Arbejdsbelastning i service teams page 34 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 1.3$

34 Indikation af arbejdsbelastning i teams Situation Organiseret i siloer Varierende aktivitetsniveau/produktivitet Problem Travlhed ses ikke i tide Balancering af belastning er svær page 35 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 1.3$ Løsning Troværdig forudsigelse af travlhed Indsigt i hhv. overskud og underskud

35 Kan man forudsige opgavemængden? Antal ad-hoc opgaver på OP- Syd pr. dag page 36 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 1.3$

36 Kan man forudsige opgavemængden? page 37 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 1.3$ Medianfejl: 1.3

37 Kan vi forudsige arbejdsbelastningen? page 38 SSE/XXXXX/YYY/ZZZZ $Revision: 1.3$ 1.3$