به گزارش پایگاه خبری دیابت (دیابتیک نیوز)، پرستاران به طور سنتی دریافت انسولین برای بیماران بدحال را با دنبال کردن مراحل دقیق برای محاسبه دستی دوز صحیح برای هر فرد، مدیریت می‌کنند. به دنبال راه‌هایی برای بهبود این فرآیند، محققان موسسه آرمسترانگ جان‌هاپکینز برای ایمنی و کیفیت بیمار اخیرا یک سیستم “عامل هوشمند” را آزمایش کردند که سوابق الکترونیک سلامت و پمپ‌های تزریق را برای خودکار کردن انتخاب دوز انسولین ادغام می‌کند.
این مطالعه نشان داد که عامل هوشمند که به عنوان یک تلاش مشترک بین آزمایشگاه فیزیک کاربردی دانشگاه جانز هاپکینز و دانشکده پزشکی دانشگاه جانز هاپکینز توسعه‌یافته است، ممکن است خطاها را کاهش دهد و تحویل انسولین سریع‌تر را در مقایسه با محاسبه دوز دستی فراهم کند. به نوبه خود، محققان می‌گویند، این کار می‌تواند پرستاران و پزشکان را آزاد کند تا توجه خود را بر روی دیگر اولویت‌های مراقبت از بیمار متمرکز کنند.
یافته‌ها، که به صورت آنلاین در ۱۰ مارس ۲۰۲۱ در مجله امنیت سلامت سلامت BMJ منتشر شد، نشان می‌دهد که یک سیستم عامل هوشمند می‌تواند به طور بالقوه ایمنی و کارایی روش‌های تزریق انسولین را در تنظیمات بخش مراقبت‌های ویژه بهینه کند.
مدیر مطالعه مایکل روزن، استادیار بی‌هوشی و پزشک مراقبت‌های ویژه در دانشکده پزشکی دانشگاه جان‌هاپکینز می‌گوید: ” مدیریت گلوکز نتایج را برای بیماران بدحال بهبود می‌بخشد؛ با این حال، پروتکل‌های جاری تزریق انسولین برای پرستاران کار فشرده هستند و ممکن است مستعد خطا باشند.”
فرآیند تزریق فعلی نیازمند این است که پرستار دوزهای انسولین را به صورت ساعتی، براساس شرایط بیمار، مدیریت کند. از آنجا که نه اطلاعات پزشکی بیمار و نه داده‌های عملیاتی پمپ تزریق انسولین به صورت الکترونیکی با یکدیگر در ارتباط نیستند، لازم است که یک پرستار ابتدا سطح گلوکز خون بیمار را از پرونده سلامت بازیابی کند. سپس، او باید به صورت دستی تغییر سرعت دارو را با استفاده از یک الگوریتم برای تعیین دوز انسولین جدید محاسبه کند. یک پرستار دوم این فرآیند را قبل از اینکه در پرونده پزشکی ثبت شود بررسی می‌کند، و در نهایت، دوز جدید به صورت دستی به پمپ تزریق اعمال می‌شود تا انسولین را به بیمار بدهد.
برای این مطالعه، ۲۰ پرستار مراقبت‌های ویژه در بیمارستان جانز هاپکینز در بالتیمور، مریلند، یک سیستم عامل هوشمند خاص را در یک محیط مبتنی بر شبیه‌سازی بین می و جولای ۲۰۱۸ امتحان کردند. شرکت کنندگان ۱۲ موقعیت ساختگی را در چهار بلوک از سه سناریو تکمیل کردند. هر بلوک با پروتکل دستی یا عامل هوشمند انجام شد.
پرستاران پس از هر جلسه مورد بررسی قرار گرفتند تا برداشت خود را از سطح ایمنی (میزان خطا)، کارایی (زمان تکمیل هر وظیفه)، حجم کار درک شده، اعتماد به سیستم و قابلیت استفاده به دست آورند.
محققان می‌گویند یافته‌های آن‌ها نشان می‌دهد که سیستم خودکار به طور قابل‌توجهی در محاسبه دقت دوز در مقایسه با محاسبات دستی بهتر بوده‌است. در ۱۲۰ سناریو، پرستاران هرگز هنگام استفاده از سیستم عامل هوشمند در مقایسه با ۲۰ خطا (۱۶.۶ %)که با استفاده از سیستم دستی ایجاد شده بود، مرتکب خطا نشدند.
عامل هوشمند پرستاران را قادر ساخت تا این فرآیند را به طور متوسط ۲۹ ثانیه سریع‌تر از سیستم دستی همراه با کاهش بار کاری کلی خود تکمیل کنند. وظایفی که بیش‌ترین زمان را با استفاده از سیستم دستی صرف می‌کردند، بازیابی اطلاعات از پرونده الکترونیک سلامت و انجام محاسبات دستی بودند که هیچکدام از آن‌ها در یک سیستم عامل هوشمند مورد نیاز نیست. پرستاران همچنین دریافتند که پس از استفاده از عامل هوشمند حداقل دو بار، آن‌ها به آن بیشتر از انجام محاسبات دستی اعتماد کردند.
به طور کلی، عامل هوشمند امتیاز مثبتی از تمام ۲۰ پرستار دریافت کرد. اکثر افراد متوجه شدند که آن بهتر و کارآمدتر از سیستم دستی است و ۱۸ نفر (۹۰ %)استفاده از آن را آسان‌تر یافتند. پانزده نفر (۷۵ %)از پرستاران معتقد بودند که سیستم خودکار ایمن تر از فرآیند دستی است، در حالی که پنج نفر (۲۵ %)مطمئن نبودند و یا باور داشتند که هر دو سیستم ایمن هستند.
دکتر آدام ساپیرستین، نویسنده ارشد، استادیار بی‌هوشی و پزشکی مراقبت‌های ویژه در دانشکده پزشکی دانشگاه جانز هاپکینز می‌گوید: ” این رویکرد را می توان برای بهبود زیرساخت‌های فن‌آوری اطلاعات مراقبت‌های بهداشتی پراکنده و ناکارآمد از طریق طراحی، تست و یکپارچه‌سازی سیستم به کار برد.”
محققان بر این باورند که عامل هوشمند می‌تواند به عنوان الگویی برای سیستم‌های مشابه عمل کند که از الگوریتم هایی استفاده می‌کند که مستقیما در پرونده‌های پزشکی الکترونیکی ساخته شده‌اند تا بتوان آن‌ها را با دستگاه‌هایی ادغام کرد که به طور خودکار دارو را به بیماران تحویل می‌دهند.
منبع:
New automated insulin infusion system could reduce medical errors, improve care
