医学信息学解锁18（2020）100300评估长期急性护理中警报疲劳的原因及其对识别患者病情临床变化的影响Kathy Bakera，James Rodgerb，*a美国宾夕法尼亚州印第安纳大学b美国布卢姆路488号门德利A R T I C L EI N FO保留字：疲劳报警呼吸机报警生理监测临床变化医疗机构国家患者安全目标长期急性护理A B S T R A C T生理警报是危重患者护理中的一种重要方式。然而，在病人护理中使用的许多电子设备和警报的组合可能会导致护理人员的感官超负荷。这种感觉超负荷可能导致监护仪疲劳，护理人员可能会错过关键警报，这对患者来说可能是致命的。 许多与患者病情变化无关的因素可能与脱敏和警报疲劳直接相关，导致尽管有警报，但无法识别或注意到真正的不稳定性。研究表明，大多数警报是不可操作的，工作人员可能会产生警报疲劳，试图确定哪些警报是有效的，哪些不是。我们假设，在长期急性监护病房中，专业人员检测假警报的经验越多，临床变化越好，患者的生存率越高。我们的比例风险模型将随着时间的推移，在减少对假警报的关注后，患者状况的缺失临床变化与专业经验联系起来。在我们的比例风险模型中，协变量单位增加的独特效应相对于风险率是乘法的。因此，经验丰富的专业人员减少对假警报的关注，可降低错过临床变更的风险率。我们使用生存分析，风险函数，受试者工作特征曲线，和Hosmer-Lemeshow检验来支持我们的结论。我们的研究结果表明，监测设备有助于提醒长期护理单位的工作人员注意患者病情的严重变化1. 介绍长期急性护理医院（LTACH）是一个下一步医院，为患者保持透析或需要急性透析，以命名一些疾病的具体条件，保证长期的医院护理水平。LTACH使用非常相似的设备，包括血流动力学监测和至少具有2年经验的专业人员，这与重症监护室（ICU）非常相似。患者从ICU环境稳定后，通常立即转移至LACH。患者继续接受专业护理，但环境中的患者：护士比例较高，以及更密集的动员计划，以准备出院回家或较低水平的护理，如辅助生活或疗养院。LTACH已经存在多年，其中许多在脊髓灰质炎爆发期间被广泛使用，当时使用铁肺，从而使护理人员能够同时观察比传统医院更多的患者。1999年的SCHIP平衡预算细化法案定义了一个LTACH定义为LTACH的住院时间比传统医院长，传统医院允许患者以较慢的速度脱离呼吸机，成功率很高。LTACH有两种模式，第一种是在现有医院内，提供实验室、手术和成像等共享服务，第二种是作为独立建筑，根据规模和位置，可以提供内部服务或将其承包给外部供应商。两种模式都运作良好。许多长期护理中心是私人的，以营利为目的，但有些与公共的，不以营利为目的的卫生系统遥测是自动测量和无线传输从远程数据源。它是对一个活着的人的基本生理功能，如心率，血压，呼吸和脉搏血氧饱和度的监测，记录和测量遥测使患者在进行日常生活活动和物理治疗及职业治疗时得到持续监测。生理监测 系统 生成 视觉 和 可听 警报 警报* 通讯作者。电子邮件地址：jrodger@iup.edu（J.Rodger）。https://doi.org/10.1016/j.imu.2020.100300接收日期：2019年12月25日;接收日期：2020年1月26日;接受日期：2020年1月31日在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuK. Baker和J. Rodger医学信息学解锁18（2020）1003002缩写HR风险比JCAHO卫生保健组织认证联合委员会长期急性护理医院NPSG国家患者安全目标ROC受试者操作特征临床医生对可能需要立即干预的患者病情变化的反应[ 2，3 ]。根据Pelczarski的说法，警报疲劳是警报故障最常见的原因之一[4]6-7]。“医疗保健组织使用生理监测系统来监测病人的状况。这些系统为临床医生提供了必要的信息，以评估病人，并作出适当的治疗决定，说：“当监视器激活高优先级警报时，临床医生会收到病人病情发生重大变化的警报。”根据Pelczarski的说法，警报疲劳是警报故障最常见的原因之一。她说：“工作人员被大量的警报信号弄得不知所措，这导致警报脱敏、响应延迟或错过警报。”“在一个重症监护病房，该组织确定，每个病人每天有150至400个生理监测警报响起。”每名护士负责1或2名患者，但实际上每天暴露于该数量的警报次数是该单元所有12名患者的次数。“这可能是相当令人生畏的，”Pelczarski继续说。“When so many alarms aregoing off, staff can’t always differentiate the urgency of the alarm and willsometimes take inappropriate actions to silence some alarms, such asturning down the volume, turning them off, or adjusting them outsidethe appropriate佩尔恰尔斯基 说 的 报警 响应 可以 有时 被延迟因为目前还不清楚谁负责对警报做出反应。她说：“在某些情况下，所有的护士都被告知要对所有的警报做出反应，所以离她最近的人可能会做出反应。”“然而，如果最近的护士在警报响起时很忙，他或她可能会认为其他人会做出反应。这可能会造成重大延误。”[4] 6-7]。在过去十年中，报警疲劳作为患者安全风险越来越受到关注，并且是医疗保健组织的高度优先问题[5]。医疗保健组织对警报管理的优先级排序在很大程度上是由于联合委员会 JCAHO的NPSG在任何患者的护理中都非常重要，并且是基于哨兵事件而开发的，哨兵事件是在患者护理期间发生意外事件导致严重身体伤害甚至死亡时发生的。JCAHO每年审查前哨事件，寻找频率或模式，并根据其发现制定NPSG。NPSG的一个示例由于患者分配任务。一个正常的病人分配可能从4到8名病人，这取决于12小时轮班（白天与夜晚），病人的紧急程度，以及其他工作人员照顾病人的可用性。大多数遥测监测都是远程完成的，因此工作人员必须依靠负责观察监测器的人，在出现紧急情况或患者状况发生变化时向所有人发出警报。此外，LACH中的一般噪声可能是压倒性的。噪声的原因有很多，从遥测到呼吸机报警，到脉搏血氧仪，到病床报警以及与患者相关的其他设备在乎然而，当工作人员断开监控设备或使警报静音时，他们可能会错过重要的安全信号[2]。我们担心，当警报响起，提醒工作人员病情发生重大变化时，噪音疲劳是否会阻止患者接受适当的护理。本研究的目的有三个：确定长期急性护理设施中的警报疲劳和脱敏是否对患者产生负面影响，探讨不可操作的警报是否会导致患者病情的临床变化两个ICU LACH场所的护理人员已与主要研究者进行了讨论;一名有40年经验的注册重症监护护士担心警报疲劳是否会影响患者&基于护理人员的参与创建了一项定性调查，以Hravnak等人[7] Cho等人[8]的公开调查为例，检查这些看法。&图1是根据他们的工作改编的。2. 材料和方法2.1. 参与者我们调查了美国一个大城市郊区的一个LTACH的工作人员。 LTACH拥有80张许可床位，56名专业护士和42名助理人员，从患者护理技术员到监护技术员再到单位秘书。所有辅助工作人员都接受了读取遥测监测器和提醒专业人员患者变化的培训。调查询问了他们对当前监测系统的看法、错误警报的原因、错误警报是否会导致他们错过患者病情的重要临床变化，以及遥测是否是单元错误警报的主要原因。关于一般人口统计的一些问题（即，职位和经验年数）也被问到（见第十章）。2.2. 数据收集LTACH的伦理批准被视为进行研究的必要步骤，并获得了批准。LTACH是一家私人长期急性护理机构，拥有80张许可床位和98名临床工作人员，分布在大都市以外的3个地点。因此，获得了护士长的许可。该调查是匿名进行的样本人群的所有专业人员进行直接的病人护理：注册护士，执业护士，护理助理和监测技术员。参与有机结合的图1.一、 报警疲劳（经Elsevier许可重 印 ）。K. Baker和J. Rodger医学信息学解锁18（2020）1003003自愿和匿名，没有公开的识别人口统计数据。所有工作人员都应邀参加。参与是100%自愿的。本研究的既定目标是利用记录报警疲劳的文献，并探索噪声和报警对患者状况缺失临床变化的影响。该研究还探讨了患者评估中缺失变化的警报疲劳记录，并开展了一项调查，以评估工作人员对单元噪声原因的看法以及是否会延迟患者护理。该研究的目的如下：遥测是自动测量和无线传输来自远程来源的数据。它是对一个活着的人的基本生理功能，如心率，血压，呼吸和脉搏血氧饱和度的监测，记录和测量遥测使患者在进行日常生活活动时能够连续监测，并进行物理和职业治疗。确定长期急性护理机构中的警报疲劳和脱敏是否对患者状况产生负面影响。探索不可操作警报的影响，以确定是否忽略了患者状况的临床变化。确定工作人员对临床警报的感知，确定特定警报是否有效或不可操作，以及患者是否因警报故障而导致其临床状况发生变化。 风险水平确定为零，参与补偿。首席研究员是Kathy BakerMBA、BSN、RN、CCRN、CNRN，合作研究者为James Rodger，DBA。对98名工作人员进行了为期两周的调查，共收到60份匿名答复。工作人员被问及具体的警报和他们认为最烦人和最响亮的警报。他们被要求对装置上的总体噪声进行排名，并估计有多少与遥测警报和其他机器警报有关。要求工作人员确定错误的遥测警报是否转移了对真正临床问题的注意力。他们被问及是否过度依赖监测病人，而牺牲了动手的临床检查。他们还被要求确定遥测警报过多的主要原因，以及当前的监测系统是否会提醒他们患者病情的严重变化。最后，询问工作人员在轮班期间发出的大量临床警报是否导致他们错过了患者的临床变化。所有60份调查问卷都是匿名填写的调查问卷来自36名注册护士或执业护士和24名监查员技术员、单位秘书或患者护理技术员，占所有工作人员的61%。10名工作人员的经验不足5年，而其他50名工作人员的经验超过5年2.3. 假设和方法Jiang等[9]认为，常见的数量性状基因座作图方法无法分析生存性状。它们的模拟结果对于对数线性模型的数量性状基因座定位和基于Cox模型的区间定位都有较大的统计功效。Vivekanandan和Narayanan[10]使用Cox回归分析确定了心血管疾病的关键特征，使用个体患病率预测相应个体的累积患病率Liu等人[11]指出，就像预测患者状况的变化一样，预测癌症预后的计算工具短缺，目前的标准方法是拟合Cox回归模型。 Sorensen等人 [12]使用时间信息和基于体积的Cox回归确定了具有将轻度认知障碍转化为阿尔茨海默氏痴呆症的显著预后价值的脑代谢模式。Cor téeset al. [13]评估了风险比（HR）和中位数比之间的经验一致性，并得出结论，这些指标不可互换。他们强调需要在HR中附加描述性生存测量，我们在这项研究中使用了我们的护士笔记Amanat等人[14]研究了神经系统疾病的HR与脊髓损伤有关。Sahooa和Sengupta [15]建议，设计用于检测HR增加的测试通常与其他替代品一致，并提供了两个真实世界样本中HR增加的零假设测试。同样，Barraclough等人[16]认为，HR对于临床医生来说仍然是一个令人困惑的概念，因为需要对HR有很好的理解才能有效地解释医学文献，从而做出重要的治疗决策。此外，Sutradhar和Austin [17]认为，尽管在现代医学研究中普遍使用COX比例风险模型，但估计HR所需的术语和解释往往不正确，并且经常忽略指南。Li和Clifford [18]为我们的研究奠定了基础。他们声称由于不同传感器之间缺乏集成，重症监护病房中经常出现错误警报。他们提出了一种新的机器学习框架，用于减少误报，该框架结合了多达114个信号质量和生理特征。同样，使用机器学习，Sabeti等人[19]不需要单独的信号（如心电图）作为脉搏血氧饱和度测量的可靠性指标。Johansson等[20]探索了围绕声音水平的全面干预及其对重症监护室中谵妄发展的影响。我们还依赖于Chaudhary等人。”[21]“谁用谁。S.国防部TRICARE索赔数据（2011-我们还使用了Hosmer-Lemeshow检验，该检验在文献[22]中得到了很好的确立。Wang等人[23]使用Hosmer-Lemeshow测试对软件程序员进行亚健康分析。Hu等人[24]使用该测试开发了一种新的风险模型，可预测住院死亡率。最后，Li等人。[25]表明，Hosmer-Lemeshow拟合优度检验的扩展可用于逻辑回归并应用于广义线性混合模型。我们进行了一次文献检索，直接关注LTACH警报疲劳以及LTACH机构是否制定了任何协议或实践来防止警报疲劳。工作人员认为，目前的监测系统提醒他们注意病人病情的严重变化。装置上的噪音水平很高，人们普遍认为大量警报可能导致工作人员错过患者的急性临床变化。大多数遥测警报是由于患者不依从而被认为是正确的是准确的。我们提出两个假设。假设1是单位是嘈杂的。假设2是警报导致员工错过关键更改。唯一不支持的假设是，大量警报导致工作人员错过了关键警报和患者状况的变化2.4. 变量独立变量可以在实验中被操纵，独立于所有其他影响，并且可以组合起来在不同的背景下观察变量。本研究中的自变量为噪声报警、装置噪声水平、遥测报警、其他设备报警、假报警、报警原因、患者严重变化、监测长度、更换电极间隔、更换电池间隔、主要作用、患者问题和经验年限。因变量可以受到自变量的影响。我们的因变量（我们也将其视为Cox回归的时间变量）由于警报噪声而缺失临床变化3. 结果3.1. 使用SPSS进行本研究中的自变量为噪声报警、单元噪声水平、遥测报警、其他设备报警、误报警、报警原因、患者严重变化、监测长度、更换K. Baker和J. Rodger医学信息学解锁18（2020）1003004----�----电极间隔、更换电池间隔、主要作用、患者问题和经验年数。所有自变量的平均值范围为3.0667至3.3167，所有变量均呈正态钟形曲线。超过50%的所有变量都出现在3.00水平，表2模型摘要。B.型号RR2调整后R2标准估计误差1.644a.415.323.84934导致正常曲线。所有变量的频率均为100%。偏度是轻微的和负的所有变量，范围从0.32至0.224，除噪声报警（0.765）、报警原因（0.295）和严重变化（1.083）外，均呈正峰度。峰度范围为1.344至0.677，所有变量均呈负平顶峰曲线。Pearson相关性分析揭示了一些统计学上显著的关系：遥测报警和噪声报警，99.9%（0.001）;假报警和患者问题，99.90%（0.001）;患者问题和a预测因素：（恒定）、患者问题、患者严重变化、噪声报警、装置噪声级、报警原因、其他设备报警、假报警、遥测报警。B 因变量：临床 变化表3方差分析a.模型平方和df均方F信号。误报警，99.9%（0.001）;其他设备报警和噪声报警，96%（0.043）;噪音报警和其他设备报警，96%（0.043）;报警原因和遥测报警，96%（0.042）。为了对我们的数据进行初步初步分析，我们使用了多元回归，自变量包括患者问题、遥测报警、装置噪声水平、其他设备报警、假报警、噪声报警水平、患者严重变化和报警原因。总体感觉是，目前的监测系统没有遗漏临床变化，该系统是准确的，所有工作人员中有70%同意或中立地回答这些问题，每个回答的数量相等73%的员工1回归残余36.79051.721总62.85059一 因变量：临床变化。b预测因素：（恒定）、患者问题、患者严重变化、噪声报警、装置噪声级、报警原因、其他设备报警、假报警、遥测报警。表4系数的贡献a.同意现时的监察系统会在病人情况出现严重转变时，向他们发出警报。此外，82%的员工认为该单位的噪音水平太高。最后，35%的工作人员认为大多数遥测报警是由于患者不依从。逐步回归模型见表13.2. 型号强度参考文献[26] pp. 668-模型非标准化系数警报标准化系数t信号。中等拟合，0.26及以上值表示高效应量。在这方面，我们的模型是高效果的大小，并有一个很好的配合。表2结果表明，该模型的R2为41.5%，具有较好的预测效果错误警报-.196.115-.232-1.702.095患者问题-.171.116-.203-1.473.147报警原因-.117.079-.193-1.477.146拟合，并且因变量中约42%的变化由自变量解释。调整后的R2为0.323，这表明，如果自变量（患者问题，患者的严重变化，噪声警报，单元上的噪声水平报警原因、其他设备报警、假报警、遥测报警）患者监测长度的严重- .466.278-.201-1.678.100-0.065.289 - 0.031 - 0.226.822被省略了。表3中的方差分析结果表明，F是4.516（p 0.001）。表4显示了每个独立变量的贡献。3.3. 关系和模型效应噪声报警和机组噪声水平2个自变量的t值均大于2.10，有统计学意义。噪声报警的t值为2.259，显著性为93%;噪声水平的t值为3.136，显著性为100%。他们的贝塔系数是0.296，0.366，所以这些独立变量与因变量临床变化的关系更大表1输入/删除模型变量a.模型变量输入方法一 因变量：临床变化。表5显示了所有变量的唯一性和多重共线性的缺乏，因为最高方差膨胀因子为1.496，远低于4。3.4. Cox回归、Hosmer-Lemeshow检验和Kaplan-Meier图在生存分析中，关注的结局是至事件发生的时间。通常事件是死亡，但在我们的研究中是临床变化。 本研究的主要目的是描述与随着时间的推移在错过临床变化后的发生率和生存率方面减少对假警报的关注相关的因素。COX回归允许研究者检验几个变量对事件危险性的独立影响。危险是指发生事件的风险（例如，临床变化），如果其在时间点t之前未发生，则在时间点i发生1患者问题、患者严重变化、噪声报警、装置噪声级、报警原因、其他设备报警，错误报警，遥测报警b一 因变量：临床变化。B 输入所有请求的变量进入在这项研究中，较低的风险率意味着较高的生存率。如果结局是死亡，则风险率可以解释为死亡率。型号：λitλ0texpβ1x1β2x2βkxk;（ 1）BSEβ1（常数）5.8611.2384.734.000噪音警报噪音水平开启单元-.215-.347.103.109-.282-.389-2.089-3.185.042.003遥测报警-.132.120-.165-1.101.276其他设备.210.108.2531.946.058作用.266.280.127.948.348年的.152.346.055.440.662EX经验K. Baker和J. Rodger表5医学信息学解锁18（2020）1003005�¼�¼�¼�¼��P¼�所有变量的一致性和系数的多重共线性的 缺乏 。a.噪音报警-.226.100-.296-2.259.028.668 1.496报警原因-.097.075-.161-1.302.199.754 1.327一 因变量：临床变化。其中λi<$t<$是个体I在时间点t的风险函数，λ0（t）是基线风险函数（即，当所有解释变量都设为0时的风险函数）。HR<$ A组事件风险（临床变化）/B组事件风险（2）HR可以类似于相对风险来解释。它比较了两组中发生事件的风险。如果比率大于1，则发生上述A组事件的风险较高。表6显示，总体模型在p 0.05时具有显著性。 表7表明，假警报的影响具有统计学显著性（0.008）。对于假警报，参考类别为假阴性，因此HR为1/2假阴性（t）/1/2假阳性（t）1.417。这表明，当观察临床变化时，假阴性的危险（死亡率）比假阳性高42%。对于其他设备报警的每个附加单元，危害性降低（1-0.956）100 4.4%。对于其他设备报警中额外增加5个单位，危害降低（1100（1-0.9139）100 8.6%。对于噪声报警，参考类别为遥测2。下一个噪音警报类别为2-5。对于分类变量，我们直接解释了EX p（β），因此噪声报警的危险（临床变化）率比遥测报警高141.9%，如图2所示。生存分析的一个主要假设对Cox回归特别重要。这是比例风险假设，即两组之间的HR随时间保持恒定。请记住，遗漏的临床变化与假警报的频率呈负相关。换句话说，随着对假警报的关注度降低，错过的临床变化减少。在Cox回归菜单中创建一个危险图，会产生如图2所示的图形。比例风险假设也适用于对数秩检验，可以通过评估Kaplan-Meier图中的线是否保持平行来检查，如图3所示。这些线彼此不交叉，并且近似平行。图3中的结果使用表8中的中位至事件时间总结。直到错过临床变化的估计时间为5（强烈不同意），其中一次减少了对假警报的关注。直到错过临床变化的估计时间为3（中性），对假警报的注意力减少5。这进一步证明，随着对假警报的关注度降低，错过的临床变化减少。表9显示了获得至少表6模型系数的综合检验。a.13.556如果对遗漏的临床变化的假警报的关注度降低没有差异。由于p0.001小于0.05，我们可以得出结论，存在显著证据表明，由于对假警报的关注减少，通过遗漏的临床变化测量的生存时间存在差异。我们可以得出结论，随着对假警报的关注度降低，错过的临床变化减少。该差异具有统计学显著性（p 0.001）。采用log-rank检验， 门的假设，有没有研究组之间的生存时间的差异。我们使用与卡方检验相同的检验统计量，使用对数秩检验比较每组观察到的和预期的事件数量。我们估计了比较A组和B组的检验统计量，X2对数秩1/4（OA-EA）2/EA1/2（OB-EB）2/EB ，（ 3）其中，事件的预期数量计算为EAj^djnAj=nj;dj是在时间tj的事件数，nAj是在时间j的组A中处于风险的人数，nj是处于风险的总人数计算期望值是耗时的，估计检验统计量是保守的。因此，我们使用SPSS计算检验统计量和显著性，并将检验统计量与来自卡方表自由度是组数-1，因此对于5%和1df的显著性水平，临界值为x213.84 如果检验统计量大于3.84，则我们拒绝零假设，并得出结论，有显著证据表明两组之间的生存时间。3.5. Logistic回归和Hosmer-Lemeshow检验表10显示，患者的严重变化是模型中具有预测价值的二分变量，60项调查中有44项（73.3%）指出，当前的监测系统提醒工作人员注意患者的严重变化。Wald评分为12.007，在p <0.001时具有显著性，不包括装置上的噪声水平、遥测报警、患者问题或假报警，如表11所示。Hosmer-Lemeshow检验表明，该模型拟合良好，显著性为0.948，大于0.05;卡方为2.769;自由度为8，显著性为95%（表12）。图4中的受试者工作特征（ROC）曲线示出了假警报分类器随着临床变化的诊断能力。我们通过绘制真阳性与假阳性的ROC曲线。表13中的曲线下面积表明临床变化和假警报对应良好。Log Likewise Overall（score）Change From Previous Step Change From Previous Block（从上一个块的变化）χ 2df信号χ 2df信号χ 2df信号337.838 9.179 4.057 9.835 4.043 9.8354.043一 从1号区块开始。方法：输入。模型非标准化系数标准化系数不Sig.共线性统计B SEβ公差VIF1（常数）6.405.7039.112.000患者的严重变化1.097装置噪声级1.188遥测报警-.152.111-.190-1.372.176.6001.666其他设备报警.198.102.238 1.927.060.7521.331误报警患者问题-.190-.163.103.105-.225-.193-1.840-1.559.072.125.768.7501.3021.333K. Baker和J. Rodger表6医学信息学解锁18（2020）1003006方程式中的变量。噪音报警1.8872.389噪音报警器（1）-.213.359.3531.552.808.4001.632噪音报警器（2）-.871.6391.8591.173.419.1201.464其他设备报警-.045.124.1291.720.956.7491.220图二. 危险函数。4. 结论、建议和今后的研究先前的研究已经得出结论，警报疲劳有可能对患者安全造成严重后果，并且应答大量警报会耗尽护理资源。另据报道，护士报告说，他们感到一些疲劳，由于临床警报，假警报也是障碍，以适当的管理。人们还普遍认为，应制定适当的医院政策，以减少假警报和护士这些结论是通过传统的研究得出的，利用传统的统计方法，如回归分析。本文不仅支持这些研究结果，而且通过风险比，生存函数和ROC曲线的镜头来检查这个问题，提供了新的见解和发现。这些方法的采用不仅增加了研究的外部效度，而且增加了研究的我们已经增加了证据表明，图三. Kaplan-Meier图。给出了五组（从强烈不同意到强烈同意）随着时间的推移对假警报的关注度降低的汇总统计生存时间通过遗漏临床变化后的发生率和生存率来衡量。3.6. 调查结果概述图5显示，70%的工作人员同意或中立地回应当前监测系统未遗漏临床变化的声明，每种回应的数量相等共有73%的员工同意，目前的监测系统会在病人病情发生严重变化时向他们发出此外，82%的员工认为该单位的噪音水平太高。最后，35%的工作人员同意大多数遥测报警是由于患者不依从。所有的统计检验都证明了所建立的模型是准确和有意义的。与病人安全和护士疲劳有关的事实。同样，研究结果表明，无论是角色还是监测长度都不会影响安全性和疲劳。我们的研究通过利用Cox回归解决LTACH的临床变化，为信息学领域做出了贡献，以增加对如何在提高患者安全性的同时减少警报疲劳的额外见解。这是一个非实验性的研究参与者的态度和意见有关的报警疲劳的基础上完成的调查。这项研究通过直接观察自然环境中的受试者和提出一系列问题来提供原始数据。如果从回归和学生t检验的角度来看，60的样本量足以进行这项探索性研究（最少30）[26]。（Donnelly，R.A.）商业统计，2019年。皮尔森Pp. 359-365和684-687。由于有8个因变量和1个因变量，因此eta或把握度足够，关系是线性的，残差没有显示模式，满足齐次方差，并且残差遵循正态分布。进一步使用虚拟变量BSEWaldDFSig.EX p（B）EX p的95.0% CI降低上部假警报.349.1317.0881.0081.4171.096 1.832K. Baker和J. Rodger医学信息学解锁18（2020）1003007表8平均和中位生存时间。假警报意味着中值估计SE95%置信区间估计SE95%置信区间下界上界下界上界1.004.167.6892.8155.5185.000.4334.1515.8492.003.667.2113.2534.0804.000.000..3.003.207.2042.8083.6063.000.3132.3873.6134.002.703.1742.3623.0453.000.1592.6893.3115.002.514.2572.0113.0173.000.1892.6303.370整体3.173.1442.8903.4563.000.1732.6603.340一 如果截尾，估计仅限于最大生存时间表9不同假警报的生存分布的相等性检验：总体表13曲线下面积。比较。χ2df信号测试结果变量面积SEa 渐近Sig. B渐近95%置信区间对数秩（Mantel-CoX）表10方程式中的变量13.556 4.009约束严重变化B SE Wald df Sig.EX p（B）步骤0常数-1.012.292 12. 007 1.001.364表11变量不在等式中。评分DFSig.第0变量机组噪音水平.0741.786遥测报警1.8931.169患者问题.0171.898假警报.3531.553总体统计数据2.6194.623表12Hosmer-Lemeshow试验步骤x2，f签名。1 2.769 8.948见图4。 受试者工作特征（ROC）曲线。图五. 直方图频率显示当前监测系统未遗漏临床变化。在回归方程中是可接受的，并且在使用中是常见的。已经证明，几位作者[8，27]已经在分类Likert量表结果上使用了COX我们的研究扩展了Hravnak等人的工作。[7]和Pelczarski [4]，它是基于这些有效和可靠的调查工具。我们假设，在长期急性监护病房的专业人员中检测假警报的经验越多，临床变化越好，患者的生存率越高。我们的比例风险模型将随着时间的推移，在减少对假警报的关注后，患者状况的缺失临床变化与专业经验联系起来。在我们的比例风险模型中，协变量单位增加的独特效应相对于风险率是乘法的。因此，经验丰富的专业人员减少对假警报的关注，可降低错过临床变更的风险率。我们使用生存分析，风险函数，受试者工作特征曲线和Hosmer-Lemeshow检验来支持我们的结论。我们的研究结果表明，监测设备有助于提醒长期护理单位的工作人员注意患者病情的严重变化研究的目的已根据工作人员的意愿重新编写选择。独立变量已被重述，下界上临床变化.523.115.820.298.748假警报.568.111.500.351.785K. Baker和J. Rodger医学信息学解锁18（2020）1003008�¼¼�¼¼¼工作人员对临床变化的看法，并与他们的贡献结果一起报告。目标#1工作人员是否认为LTAC中的警报疲劳和脱敏对患者产生了负面整体模型在p0.001. 以下目标给出了其他自变量的单独贡献。目标#2工作人员是否认为不可操作（错误）警报会导致患者状况的临床变化？该自变量在p0.095时不显著。 然而，应密切监测，因为随着样本量的增加，这一点可能变得重要。目标#3工作人员是否认为LTAC中的噪音警报对患者产生了负面该变量在p0.042，并证明这一目标影响临床变化。目标#4工作人员是否认为设备上的噪声水平会导致患者病情的临床变化？装置上的噪声水平显著，p <0.001。因此，这为我们提供了该变量对临床变化有影响的证据。目标#5工作人员是否认为LTAC中的不同报警原因对患者产生了负面影响？不同的报警原因在p 0.146时不显著。目标#6工作人员是否察觉到其他设备警报会导致患者状况的临床变化？ 在p 0.058时，该目标不显著。然而，更大的样本量可能会使这个自变量在未来的研究中显着目标7：工作人员是否认为LTAC中的遥测报警疲劳和灵敏度降低对患者产生了负面影响？该变量在p 0.276时不显著，似乎不会影响临床变化。这项探索性研究的一个局限性是样本量小，只有60名有执照的工作人员。未来的研究将利用这些初步的研究结果，研究一个全国性的概括问卷，以提高外部效度。更大的样本量将允许使用其他统计分析，如结构方程模型（SEM），以发现影响患者临床变化的潜在变量。在未来的研究中可以改进的研究的另一个局限性是通过使用因素分析，收敛和发散的有效性方法，更适合于更大的样本改进调查问题。我们的结果也与以下警报研究和概念一致。许多警报，因为它们现在存在于大多数监测系统中，通常被医务人员认为是无用的，因为假警报的发生率很高;即，没有临床意义的警报[28]。噪音警报是产生大于80dB噪音的警报，可导致患者和工作人员睡眠不足和持续压力[29]。噪声水平提供了以下标准：一方面，根据紧急情况的水平（高、中、低）对警报进行分类，并具有与这些水平中的每一个相对应的可听特性，另一方面，对于每个监测系统，应提供具有给定可听紧急状态[30]。我们的初步统计数据是有希望的，R2为0.415，表明自变量占模型方差的42%以上这个值本来可以更高，但它不是负数，它是零以上。F统计量为4.516，这是相当高的，也表明该模型与指定的变量是显着的方差分析显示，自变量与因变量临床变化100%显著，即自变量与因变量临床变化显著相关。没有异常值，显著性（除机组噪音水平外），显著性为99.7%，高β值为-0.366。噪声报警的β值为-0.296，显著性为98%。Cook急性临床变化在LACH中通常不会被遗漏因为警报疲劳。大多数工作人员认为，目前的监测系统提醒他们注意严重的临床变化。警报疲劳是一种非常真实和危险的现象，不幸的是，它可能会产生灾难性的后果。监测可以检测危及生命的心律失常，还可以区分不可操作和可操作的项目，这有助于滋扰警报。许多与患者病情变化无关的因素尽管发出了警报，但真正的不稳定性既没有被认识到，也没有被注意到。有了这些描述性的、探索性的初步统计数据，我们致力于本研究的主要目标，即调查如何改善急性长期病房的环境，并分析在这些患者的护理中使用的许多电子设备以及这些警报的组合如何导致感觉过载。我们的研究结果提供了对监护仪疲劳原因的深入了解，并提供了建议，以便护理患者的个人不会错过可能致命的关键警报。为了实现这个目标，我们 使用COX 回归 ，Kaplan-Meier 图、 HR、逻 辑回 归、 Hosmer-Lemeshow检验和ROC曲线。每一种方法都产生了深刻的见解。COX回归分析描述了与假警报发生率和错过临床变化后的生存率随时间推移而降低相关的因素。Kaplan-Meier图显示，在所有时间点，随着假警报数量的增加，存活概率降低，因此患者因错过临床变化而存活的可能性较小。假警报、噪声警报和其他设备警报之间的HR没有重叠，这表明这些变量随时间保持不变。Logistic回归和Hosmer-Lemeshow检验在证明患者的严重变化在模型中具有预测价值方面是非常宝贵的，即使忽略了装置上的噪声水平、遥测警报、患者问题和假警报。这些分析表明，73.3%的参与者同意目前的监测系统提醒他们注意患者福利的严重变化。ROC曲线使我们了解了真阳性与假阳性的比率，帮助长期护理单位人员不会错过可能致命并导致发病率和死亡率增加的临床变化。资金这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的竞合利益作者没有利益冲突需要报告。我们确认，如果论文被接受，所有作者都同意发表。我们声明，我们没有利益冲突，没有资金来源，也没有必要进行研究的伦理批准确认我们希望声明我们的论文没有鸣谢。附录当临床医生对无数的警报（其中许多是错误的或与临床无关的）变得不敏感时，就会发生警报疲劳。为了解决警报疲劳问题，提高患者安全性并降低噪声水平;我希望您能提供意见，以确定是否可以减少警报数量，从而为患者提供更安全的环境，并提高护理满意度。请圈出您的选择。1. 1 NA您认为哪种警报器会导致装置中最大的噪音噪音警报IVa. 1个遥测b. 2个IV泵c. 3进料泵d. 4个呼吸机报警e. 5床警报2. 请将下列各项从最少（1）到最多（5）排列，请圈出您的回答。a. 2 NS你认为你的单位目前有多吵1 2 3 4 5IVK. Baker和J. Rodger医学信息学解锁18（2020）1003009b. 3 TA你认为这在多大程度上归因于遥测报警？1 2 3 4 5IVc. 4 EA您认为这在多大程度上归因于输液泵、呼吸机、VAC设备报警5IVd. 5 FA频繁的假警报，这会导致对警报响应的注意力降低？1 2 3 45IVe. 6 PP过度依赖患者警报来引起对患者问题的关注？1 2 3 4 5IV3. 7 AR请确定我们有这么多遥测警报的主要原因。报警原因四a. 1个快速或干电极b. 2个故障或电池耗尽c. 3个快速遥测盒d. 4患者e. 5根遥测导线破
我的内容管理
展开
