بخشی از مقاله
چکیده
هدف از این پژوهش شناسایی خطاهای انسانی در فرآیند ساکشن لوله هوایی و ارائه مدلی برای پیشبینی تعداد خطاهای احتمالی در این فرآیند است. فرآیند ساکشن لوله هوایی در بخش مراقبتهای ویژه برای پاکسازی لولههوایی در بیماران وابسته به دستگاه تنفس مصنوعی انجام میشود. در این پژوهش خطاهای انسانی محتمل در فرآیند ساکشن لوله هوایی و عوامل تاثیرگذار در رخ دادن خطاها شناسایی شدند.
سپس جهت دستیابی به مدل پیشبینی تعداد خطاها، جمعآوری داده با مراجعه به بخش مراقبتهای ویژه بیمارستان امام رضا - ع - مشهد انجام شد. دادههای مورد استفاده در این پژوهش به کمک پرسشنامه تدوین شده براساس استاندارد اجرای فرآیند، تهیه شده است. با تحلیل دادهها بهترین مدل برای پیشبینی تعداد خطای انسانی در این فرآیند، مدل خطی تعمیم یافته که در آن متغیر پاسخ دارای توزیع پواسون است، در نظر گرفته شد. نتایج آزمونهای نیکویی برازش نیز مناسب بودن این مدل را تأیید میکند.
-1 مقدمه
بسیاری از خطاهای انسانی رخ داده در فرآیندهای درمانی به خاطر نبود متدولوژی پیشگیرانه اتفاق میافتد. با بکارگیری روشهایی از دیگر رشتهها مانند پایایی و کنترل کیفیت امکان بهبود چشمگیر در این زمینه وجود دارد، همانطور که در ساخت و تولید و صنایع دفاعی این روشها به کار گرفته شده است. استفاده از کامپیوتر در مراکز درمانی علاوه بر کاربردهای گرافیکی و پردازش متن کاربردهای فراوان دیگری نیز دارد که عدم بکارگیری آن، با در نظر گرفتن سطح تحصیلات بالای کارکنان مراکز درمانی، خود یکی از دلایل بروز خطا در این مراکز است .[1]
با بررسی تعدادی از آمار و ارقام منتشرشده در رابطه با خطاهای موجود در سامانه پزشکی بهخصوص مواردی که بهطور مستقیم یا غیرمستقیم به موضوع خطای انسانی در حوزه بهداشت و درمان مربوط است، درمییابیم خطای انسانی در بهداشت و درمان سومین علت مرگ در آمریکا برآورد شده است. بنا بر گزارش انستیتو پزشکی آمریکا در سال 1999، هرساله بین 48 تا 99 هزار آمریکایی در اثر خطاهای پزشکی قابلپیشگیری، در بیمارستانها جان خود را از دست میدهند. بخش مراقبتهای ویژه نیز یکی از پرمخاطرهترین بخشهای بیمارستان است.
طبق مطالعات انجامشده سالیانه 1,3 میلیون نفر در بخش مراقبتهای ویژه ایالات متحده دچار صدمات ناخواسته شدهاند .[2] همچنین بیکر در سال 2004 تخمین زده است که هر ساله بین 9 تا 24 هزار مرگ در بیمارستانهای کانادا رخ میدهد که بواسطه خطاهای قابل پیشگیری رخ میدهد. ریچارد در سال 2005 نرخ رخدادهای نامطلوب قابل پیشگیری و خطاهای مهم وجدی در بخش مراقبتهای ویژه را به ترتیب 36,2 و 149,7 به ازای هر 1000 بیمار در روز اعلام کرد .[3]
یکی از فرآیندهای پرتکرار و پرمخاطره بخش مراقبتهای ویژه، فرآیند ساکشن لوله هوایی است. اغلب بیماران بستری در بخش مراقبتهای ویژه به دلیل نارسایی حاد سیستم تنفسی نیازمند لوله-گذاری داخل تراشه و استفاده از تهویه مکانیکی هستند .[4] وجود لوله تراشه با ایجاد اختلال در روند طبیعی پاکسازی ریه توسط مژکهای تنفسی منجر به تولید و تجمع ترشحات در لوله هوایی و انسداد آن میگردد.
به همین سبب فرآیند ساکشن لوله هوایی روشی ضروری جهت پاکسازی لوله هوایی بیماران متصل به دستگاه تنفس مصنوعی است .[5] بااین وجود عدم رعایت استانداردهای اجرای این فرآیند میتواند عوارض متعددی را برای بیمار به همراه داشته باشد .[6] بیشترین عوارض مشاهده شده در فرآیند ساکشن لوله تراشه، شامل عوارض قلبی عروقی - مثل بینظمی ضربان قلب - تاکی کاردی یا برادی کاردی - ، ایست قلبی، هایپوکسی - و تنفسی - مثل عفونت سیستم تنفسی - است 7]، .[8 به جهت تعدد تکرار اجرای این فرآیند در بیماران دارای لوله تراشه ، وقوع خطا حین اجرای فرآیند بسیار محتمل است.
با توجه به مطالب گفته شده، بررسی فرآیندهای درمانی بسیار ضروری و مهم است و تشخیص زود هنگام عملکرد ضعیف در فرآیند و رفع مشکل منجر به بهبود وضعیت سلامت بیماران و حتی نجات جان آنها میشود. مدلهای بسیاری تاکنون برای پیشبینی متغیرها در سیستمهای سلامت انجام شده است. ما در این پژوهش سعی داریم مدل رگرسیونی برای پیشبینی تعداد خطاهای انسانی در فرآیند ساکشن لوله هوایی ارائه دهیم که با بکارگیری روشهای مناسب کنترلی بتوان تعداد خطا را کاهش داد و در نهایت باعث بهبود وضعیت سلامت بیمار شد.
-2 مرور ادبیات
همانطور که قبلا گفته شد، در مطالعاتی که تاکنون انجام شده از مدل-های رگرسیونی برای پیشبینی متغیرهای نشاندهنده وضعیت سلامت بیماران استفاده شده است. استینر که برای اولین بار از نمودار جمع تجمعی1 تعدیل ریسک شده برای پایش نتایج جراحی قلب استفاده کرد، نتیجه جراحی را به صورت باینری در نظر گرفت که زنده ماندن بیمار تا 30 روز پس از جراحی نشانه موفقیت و مرگ بیمار طی 30 روز پس از جراحی نشانه شکست دانست. از آنجا که بیماران بدلیل داشتن ریسکهای مختلف، جامعه ناهمگونی را تشکیل میدهند وی برای از بین بردن تأثیر ریسکهای فردی بیماران روی نتایج، نیاز به تعدیل ریسک را ضروری دانست و از مدل رگرسیون لجستیک برای پیشبینی احتمال مرگ بیماران استفاده کرد .[9]
گریج و اسپیگلهالتر نیز برای پیشبینی احتمال مرگ بیماران پس از عمل جراحی مدل رگرسیون لجستیک استفاده کردند.[10] سگو و همکارانش برای پیشبینی زمان بقاء بیماران، مدل رگرسیون زمان شکست شتاب داده شده - AFT - را به کار گرفتند. در این مقاله نیز از دادههای جراحی قلب استفاده شد .[11] استینر و جونز برای پیش-بینی زمان بقاء مدل لگاریتم-لجستیک زمان شکست شتاب داده شده پیشنهاد دادند.[12] پینبر و جین مطالعاتی در خصوص فاز 1 نمودار کنترلی برای پایش نتایج باینری جراحی انجام دادند. آنها در این پژوهش نشان دادند که نتایج جراحی علاوه بر شرایط بیمار به متغیرهای دیگری از جمله نوع جراح بستگی دارد و این متغیرها را در مدل رگرسیون لجستیک نیز در نظر گرفتند .[13]
محمدیان و همکارانش مدل رگرسیون هندسی را برای تعدیل ریسک بیماران در نظر گرفتند .[14] اسدعیوبی و نیاکی برای پایش زمان بقاء بیماران در سیستمهای جراحی از نمودار کنترلی تعدیل ریسک شدهای استفاده کردند که براساس آزمون نسبت درستنمایی بدست آمده از مدل نقطه تغییر طراحی شده است. آنها در این پژوهش از مدل Weibull-AFT برای پیشبینی زمان بقاء استفاده کردند و نشان دادند که با در نظر گرفتن متغیرهای دیگری از جمله نوع جراح در مدل پیشبینی، برآورد دقیقتری از پارامترهای مدل بدست آمده و در نتیجه قدرت تشخیص نمودار کنترل افزایش مییابد .[15]
گان و همکارانش عملکرد 4 جراح را باهم بوسیله نمودار VLAD جدیدی که براساس سیستم جریمه- پاداش عمل میکند، مقایسه میکنند. آنها نتایج جراحی را که قبلا به صورت باینری در نظر گرفته شده بود، به صورت ترتیبی با 3 حالت - مرگ، ریکاوری جزئی و ریکاوری کامل - در نظر گرفتند و برای پیشبینی این متغیر ترتیبی از مدل رگرسیون لجستیک احتمالات متناسب چند پاسخه2 استفاده کردند .[16] لی و همکارانش برای پیشبینی نتایج باینری جراحی مدل رگرسیون لجستیک با ضریب متغیر را پیشنهاد دادند و با استفاده از دادههای جراحی قلب نتایج را با نمودار ارائه شده توسط استینر مقایسه کرده و نشان دادند نمودار ناپارامتری عملکرد بهتری دارد .[17]
همانطور که گفته شد در تمام مطالعات صورت گرفته در فرآیندهای درمانی خطای انسانی مورد بررسی قرار نگرفته است. ما در ادامه در بخش دوم به معرفی خطاها در فرآیند ساکشن لوله تراشه میپردازیم و عوامل تأثیرگذار در خطا را شناسایی میکنیم. سپس در بخش سوم مدلی برای پیشبینی تعداد خطاها ارائه میدهیم. در نهایت ارزیابی نتایج در بخش چهارم انجام میشود و در بخش آخر جمعبندی ذکر میشود.
-3 ارزیابی فرآیند ساکشن لوله تراشه
روش اجرای فرآیند بر ا ساس ا ستاندارد اجرای فرآیند به این صورت ا ست که ابتدا پر ستار شرایط بالینی بیمار را برر سی کرده و اطمینان حاصل میکند که بیمار به اجرای فرآیند ساکشن نیاز دارد، سپس در اولین گام فشار دستگاه را روی 100 تا 120 میلیمتر جیوه تنظیم میکند و بیمار را به مدت حداقل 30 ثانیه توسط دستگاه تنفس مصنوعی تحت اکسیژن %100 قرار میدهد یا به کمک دستگاه تنفس دستی برای بیمار حداقل پنج یا شش تنفس انجام میدهد.
در مرحله بعد بهصورت دورانی کاتتر را وارد لوله تراشه کرده و عمل ساک شن انجام می شود که قطر کاتتر کمتر از ن صف قطر لوله ترا شه است. هر بار عمل ساکشن باید بین در مدت ده تا پانزده ثانیه صورت گیرد. اگر هنوز ترشحات باقی مانده بود دوباره بیمار تحت اکسیژن قرار گرفته و ساکشن دوباره انجام میشود. در پایان فرایند کاتتر تعویض شده و قسمت حلقی بیمار نیز پاکسازی میگردد.
-1-1 خطاهای شناسایی شده در فرآیند
با توجه به استاندارد ارائهشده در کتابهای مرجع و راهنمایی پزشکان بخش، خطاهایی که منجر به کاهش کیفیت اجرای فرآیند و یا ایجاد عوارض جدی برای بیمار میشود شناسایی شده و در جدول 1 آورده شدهاند.
-1-2 عوامل تأثیرگذار در بروز خطا
احتمال بروز این خطاها در شرایط مختلف متفاوت خواهد بود و تحت تأثیر عواملی ممکن است احتمال رخ دادن خطا توسط یک پرستار خاص افزایش یا کاهش یابد. این عوامل ناشی از محیط بیرون است و ربطی به دانش پرستار ندارد. ما این عوامل را شناسایی کرده و با در نظر گرفتن این عوامل در مدل رگرسیونی پیشبینی احتمال خطا سعی داریم تأثیر این عوامل را در احتمال خطای انسانی به حداقل برسانیم. عواملی که در بروز خطا تأثیر گذار هستند و در نهایت متغیرهای مستقل مدل رگرسیونی را تشکیل میدهند عبارتاند از : ضربان قلب بیمار، فشار خون بیمار، سطح هوشیاری بیمار، جنسیت و سن بیمار، شدت بیماری زمینهای، داشتن اضافه وزن در بیمار، خونریزی و سطح اکسیژن خون شریانی بیمار.
-4 مدل پیشبینی خطا
دادههای مورد استفاده در این مقاله با مراجعه به بخش مراقبتهای ویژه بیمارستان امام رضا - ع - طی 20 روز جمعآوری شدند. در این دادهها به دلیل محدودیتهایی که به دلیل خراب بودن برخی دستگاه-ها در بیمارستان وجود داشت با دادههای گمشده مواجه شدیم. برای پیشبینی و جایگزینی دادههای گمشده از روش جنگل تصادفی در استفاده شد.Rنرمافزار این مجموعه داده شامل 20 نمونه است که طی 20 روز در یک شیفت کاری تهیه شده که در هر نمونه 6 بیمار مورد بررسی قرار گرفتند.
