POTILAAN HOITOVAATIVUUDEN ARVIOINNIN KEHITTÄMINEN DELFI-MENETELMÄLLÄ
Helenius, Mikael (2020-03-26)
POTILAAN HOITOVAATIVUUDEN ARVIOINNIN KEHITTÄMINEN DELFI-MENETELMÄLLÄ
Helenius, Mikael
(26.03.2020)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2020051127235
https://urn.fi/URN:NBN:fi-fe2020051127235
Tiivistelmä
Hoitoisuusluokitusjärjestelmiä on kehitetty vuosien saatossa useita, mutta monilta niistä puuttuu riittävä luotettavuus ja pätevyys. Saatavissa olevat hoitoisuusluokitusjärjestelmät ovat riippuvaisia sairaanhoitajan subjektiivisesta hoitoisuuden arviosta, joka syötetään hoitoisuusluokitusjärjestelmään manuaalisesti.
Tutkimuksen tarkoituksena oli selvittää, mitkä tekijät potilasasiakirjoissa ennustavat lisääntynyttä hoitovaativuutta. Näiden tekijöiden avulla tavoitteena on kehittää tulevaisuudessa automaattinen hoitovaativuutta arvioiva hoitoisuusluokitusjärjestelmä.
Tutkimus toteutettiin Delfi-menetelmällä. Tutkimukseen osallistui kahdesta yliopistollisesta sairaalasta sairaanhoitajia (n = 19). Tutkimus toteutettiin kolmena kierroksena. Kaksi ensimmäistä kierrosta toteutettiin verkkokyselynä ja viimeinen kierros toteutettiin haastatteluna. Ensimmäisessä kyselytutkimuksessa tekijöiden vaikutusta hoitovaativuuteen arvioitiin VAS-asteikolla, ja tutkittavilla oli mahdollisuus tuoda esille uusia hoitovaativuutta lisääviä tekijöitä. Toisella kierroksella arvioitiin tekijöiden suhdetta toisiinsa ja pyrittiin saamaan yksimielisyys. Kolmannella kierroksella varmistettiin yksimielisyys toisen kierroksen ristiriitaisuuksien osalta.
Kahdella ensimmäisellä kierroksella vastausprosentti vaihteli 47 %:sta 89 %:iin. Kolmannelle kierrokselle osallistui kaksi haastateltavaa. Tulosten perusteella muodostettiin kahdeksan osa-aluetta. Jokaisessa osa-alueessa oli kolmesta viiteen ryhmää, jotka määrittelivät osa-alueiden tekijöiden vaativuutta lisäävät suhteet toisiinsa nähden. Kahden kierroksen jälkeen jokaisella osa-alueen ryhmällä oli lähes täydellinen yksimielisyyden aste, 75–100 %. Vain kaksi osatekijää muutti sijoitustaan toisella kierroksella, ja niiden uudelleensijoittelu varmistettiin kolmannella kierroksella. Osatekijät, jotka lisäävät eniten hoitovaativuutta, olivat potilaan aggressiivisuus (mediaani 91), sydämen tamponaatio (mediaani 92) ja ajatteluhäiriöisen potilaan ohjaus (mediaani 81).
Osa-alueita ja ryhmiä hyödyntämällä voidaan tulevaisuudessa kehittää automaattinen hoitoisuusluokitusjärjestelmä. Ryhmien järjestys ja suhde osa-alueiden sisällä vastasivat tutkimuskirjallisuudessa esitettyjä tuloksia. Various classification systems for nursing have been developed, but many of them lack adequate reliability and validity. Available classification systems are reliant on nurses to fill them manually.
The purpose of the study was to find out which indicators in nursing documents predict increased nursing care complexity. These indicators will help us develop an automated nursing care complexity patient classification system.
The Delphi method was used, with a panel of experts in nursing care (n=19). Three rounds were required. Two rounds were accomplished with questionnaire and the last round was an interview. In the first questionnaire, experts ranked with VAS (visual analog scale) indicators in 11 categories and had possibility to add new indicators. In the second and the third rounds were about verifying the consensus of indicator order.
In two first rounds, response rates varied from 47 % to 89 %. There were two attendants for the last interview round. Eight categories were constructed and every category had three to five subcategories. After two rounds, every subcategory and their order had almost perfect consensus rate 75 % to 100 %. Only one subcategory (negative pressure wound therapy) was moved after second round and confirmed in the third round. Indicators with the highest rate were patient aggressivity (median 91), cardiac tamponade (median 92) and patients with cognitive dysfunction (median 81).
The subcategories can be used for developing an automated patient classification system. Subcategories have similar order than what literature shows.
Tutkimuksen tarkoituksena oli selvittää, mitkä tekijät potilasasiakirjoissa ennustavat lisääntynyttä hoitovaativuutta. Näiden tekijöiden avulla tavoitteena on kehittää tulevaisuudessa automaattinen hoitovaativuutta arvioiva hoitoisuusluokitusjärjestelmä.
Tutkimus toteutettiin Delfi-menetelmällä. Tutkimukseen osallistui kahdesta yliopistollisesta sairaalasta sairaanhoitajia (n = 19). Tutkimus toteutettiin kolmena kierroksena. Kaksi ensimmäistä kierrosta toteutettiin verkkokyselynä ja viimeinen kierros toteutettiin haastatteluna. Ensimmäisessä kyselytutkimuksessa tekijöiden vaikutusta hoitovaativuuteen arvioitiin VAS-asteikolla, ja tutkittavilla oli mahdollisuus tuoda esille uusia hoitovaativuutta lisääviä tekijöitä. Toisella kierroksella arvioitiin tekijöiden suhdetta toisiinsa ja pyrittiin saamaan yksimielisyys. Kolmannella kierroksella varmistettiin yksimielisyys toisen kierroksen ristiriitaisuuksien osalta.
Kahdella ensimmäisellä kierroksella vastausprosentti vaihteli 47 %:sta 89 %:iin. Kolmannelle kierrokselle osallistui kaksi haastateltavaa. Tulosten perusteella muodostettiin kahdeksan osa-aluetta. Jokaisessa osa-alueessa oli kolmesta viiteen ryhmää, jotka määrittelivät osa-alueiden tekijöiden vaativuutta lisäävät suhteet toisiinsa nähden. Kahden kierroksen jälkeen jokaisella osa-alueen ryhmällä oli lähes täydellinen yksimielisyyden aste, 75–100 %. Vain kaksi osatekijää muutti sijoitustaan toisella kierroksella, ja niiden uudelleensijoittelu varmistettiin kolmannella kierroksella. Osatekijät, jotka lisäävät eniten hoitovaativuutta, olivat potilaan aggressiivisuus (mediaani 91), sydämen tamponaatio (mediaani 92) ja ajatteluhäiriöisen potilaan ohjaus (mediaani 81).
Osa-alueita ja ryhmiä hyödyntämällä voidaan tulevaisuudessa kehittää automaattinen hoitoisuusluokitusjärjestelmä. Ryhmien järjestys ja suhde osa-alueiden sisällä vastasivat tutkimuskirjallisuudessa esitettyjä tuloksia.
The purpose of the study was to find out which indicators in nursing documents predict increased nursing care complexity. These indicators will help us develop an automated nursing care complexity patient classification system.
The Delphi method was used, with a panel of experts in nursing care (n=19). Three rounds were required. Two rounds were accomplished with questionnaire and the last round was an interview. In the first questionnaire, experts ranked with VAS (visual analog scale) indicators in 11 categories and had possibility to add new indicators. In the second and the third rounds were about verifying the consensus of indicator order.
In two first rounds, response rates varied from 47 % to 89 %. There were two attendants for the last interview round. Eight categories were constructed and every category had three to five subcategories. After two rounds, every subcategory and their order had almost perfect consensus rate 75 % to 100 %. Only one subcategory (negative pressure wound therapy) was moved after second round and confirmed in the third round. Indicators with the highest rate were patient aggressivity (median 91), cardiac tamponade (median 92) and patients with cognitive dysfunction (median 81).
The subcategories can be used for developing an automated patient classification system. Subcategories have similar order than what literature shows.