數據監(jiān)測驅動下醫(yī)院護理不良事件鏈的回顧性分析

Retrospective analysis of nursing adverse event chain in hospital driven by data monitoring

WANG Jing¹， HUANG Youhong²， FANG Pingping³， LIU Xiao^1*

1.Jiangxi Maternal and Child Health Hospital， Jiangxi 330006 China；2.School of Nursing， Nanchang University；3.The First Affiliated Hospital of Nanchang University

*Corresponding Author LIU Xiao， E?mail： 13979159907@qq.com

Keywordsnursing adverse events；data monitoring；information management；nursing management

摘要目的：分析數據監(jiān)測驅動下護理不良事件鏈發(fā)生現狀，提出對策。方法：回顧性分析江西省某三級甲等醫(yī)院上報的783例護理不良事件的發(fā)生特點，以數據監(jiān)測為基礎，總結護理不良事件鏈發(fā)生過程中存在的管理問題，持續(xù)改進。結果：護理不良事件鏈發(fā)生率較高的3種類型分別為跌倒（241例，占30.8%）、非計劃性拔管（213例，占27.2%）、壓力性損傷（76例，占9.7%）；護理不良事件鏈發(fā)生的主要科室為內科（354例，占45.2%）、外科（307例，占39.2%）、監(jiān)護室（86例，占11.0%）；護理不良事件鏈發(fā)生的人員職稱構成為規(guī)培護生（47例，占6.0%）、護士（232例，占29.6%）、護師（355例，45.3%）、主管護師（144例，占18.4%）、副主任護師（5例，占0.6%）；護理不良事件鏈發(fā)生的時間段主要聚焦在早交接班（08：01～09：00）和中午（12：01～13：00）。結論：護理不良事件鏈的信息化管理有待進一步完善，醫(yī)院應聯動多部門、多學科團隊建設，加強護理不良事件鏈的監(jiān)督，真dtLYYD1ay+TGfWEYqS2n1w==正實現數據監(jiān)測驅動下的護理不良事件高效、精準預警、預控。

關鍵詞護理不良事件；數據監(jiān)測；信息化管理；護理管理

doi：10.12102/j.issn.1009-6493.2024.21.030

新時代背景下，護理管理者應具備新型質量監(jiān)控與管理能力，由傳統的經驗、事后、模糊型管理變革為科學、前瞻、精準型管理。如何以循證為基礎改善病人照護結局，以數據監(jiān)測為引導，科學開展質量管理的最終目標，值得管理者思考。如今，醫(yī)療大數據呈爆發(fā)式增長，人工智能領域已經同醫(yī)療大健康相融合^[1]，在此賦能下的護理質量評價也邁進客觀指標、數據表達質量水平的新階段。數據源自于監(jiān)測，能為臨床實踐提供評估線索與警示教育，從而激發(fā)系統思維流程的改善以提升質量。要立足病人所得到的護理服務，就要發(fā)現做得不夠好的細節(jié)及其數字背后的故事。護理不良事件是指由于醫(yī)療流程或醫(yī)護措施導致的具有高風險或非預期的病人傷害，主要包括壓力性損傷、非計劃性拔管、跌倒、用藥錯誤等^[2]。將不良事件作為一個整體進行防治，形成一個重要的概念，即不良事件鏈，研究顯示，臨床約50% 的護理不良事件的發(fā)生是可以預防的^[3]。然而臨床護理質量又是一個動態(tài)變化的目標，如何幫助同類別科室盡早識別潛在的系統和流程缺陷，促進護理質量持續(xù)改進^[4?6]，亟待開發(fā)者深入臨床實踐探究。因此，質量管理中十分有必要引入電子信息人工智能系統，以增強臨床護理實踐的預警預控，提高數據處理能力，提升護理效率，減少不良事件發(fā)生，保障病人安全。

1 資料與方法

1.1 一般資料

選取江西省某三級甲等醫(yī)院一院多區(qū)上報的783例護理不良事件作為資料來源。納入標準：發(fā)生在醫(yī)院內的護理不良事件；事件發(fā)生的當事人知情。排除標準：醫(yī)患、護患、醫(yī)護糾紛事件。

1.2 干預方法

1.2.1 建立院內護理不良事件報告與學習平臺

以護理部為主導聯合信息、醫(yī)務、藥學、檢驗、總務多部門共同建立質控管理電子信息平臺，形成數據的自動提取、存儲、整理、分析、共享。鼓勵全員非懲罰性上報不良事件，培訓臨床科室進行不良事件規(guī)范標準醫(yī)學術語、事件分類、病人結局、定性、時間、地點、人物等內容同質化上報，對事件發(fā)生過程中風險點設置預警預控，病區(qū)對全院不良事件參與討論，形成護理安全月報進行通報、警示、分析、整改，警鐘長鳴，并作為每次護士長例會主題之一，定期發(fā)行臨床護理質量安全季刊。

1.2.2 成立不良事件鏈管理專項督導小組

由分管質量安全的護理部副主任、總護士長、資深護士長、質控干事組成4級質量監(jiān)督專項小組。每個月組織全院不良事件案例專項討論，進行同期縱向橫向對比、定性、整改、追蹤，建立重點警示案例庫，督查各科室學習落實改進情況。同時，針對不良事件鏈開展相關護理安全質量提升專項活動，醫(yī)、護、患多方聯動共同營造護理安全文化氛圍，每季度進行“我是質控人”案例巡講，挖掘科室優(yōu)秀管理員并進行經驗交流。

1.2.3 開展危險預知訓練模式預警

危險預知訓練項目開展期間以大科護理為單元，梳理區(qū)域內嚴重護理不良事件，按照“事件回顧—原因分析—借鑒與反思”格式設計標準案例^[7]，根據不良事件造成的危害等級主動復盤風險因素，進行綜合評判，確認科室不良事件管理潛在缺陷，結合危險預知風險控制點，制定休哈特質量控制圖，設置預警指標。針對發(fā)生頻率高的時間段，采取動態(tài)監(jiān)測和針對性的護理措施固化標準操作流程，幫助護理人員盡早識別容易忽略的危險因素，預測二次事件發(fā)生，從而進行有效的不良事件鏈的分類分層管理^[8]。

1.2.4 基于關鍵控制點的經典案例復盤

對不良事件鏈發(fā)生過程中的關鍵控制點進行預控，以預防、消除潛在危害或者將危害降低至可接受水平。關鍵控制點的確定在顯著風險評估基礎上，結合關鍵控制點的判斷樹，篩選發(fā)生可能性/嚴重程度被判定為高/高、中/高的危害，結合判斷樹中提出的4個問題，最終確定3個關鍵控制點：風險評估、預防措施、初期處理。對區(qū)域內2個月連續(xù)發(fā)生同種同源的護理不良事件進行經典案例復盤^[9]。

1.3 資料收集

通過數據監(jiān)測收集整理不良事件，再依據專項督導小組深層次討論分析及反饋資料記錄，提取所有案例事件資料，包括護理不良事件鏈發(fā)生的分類情況、占比較高的3種類型的事件名稱、護理不良事件鏈發(fā)生的科室、護理不良事件鏈發(fā)生的人員職稱構成比、護理不良事件鏈發(fā)生的時間段風險點分析結果。

1.4 統計學方法

數據采用雙人錄入監(jiān)測，利用Microsoft Excel 軟件錄入數據整理，采用SPSS 20.0 統計軟件進行數據分析。定性資料以頻數及百分比（%）表示。

2 結果

2.1 護理不良事件鏈發(fā)生分類情況

數據分析顯示，護理不良事件占比較高的前3類分別為：跌倒（241例，占30.8%）、非計劃性拔管（213例，占27.2%）、壓力性損傷（76例，占9.7%）。跌倒發(fā)生的年齡段主要集中于41～60歲和61～80歲，其中意識障礙病人占10.28%，身體障礙病人占14.9%。病人跌倒發(fā)生時狀態(tài)排在前4位的分別為如廁、床旁活動、其他、行走中。非計劃性拔管類型從高到低排序分別為腹腔引流管、胃管、深靜脈置管、留置尿管，拔管的時間段主要集中于晚上，以01：01～02：00為峰值，臨近時間段大體呈下降趨勢，11：01～12：00為低值。原因分析主要為病人煩躁（25.74%），病人及家屬依從性差（31.62%），約束不到位（13.24%），管路固定欠缺（2.94%）。壓力性損傷事件中Ⅱ期以上較多（56例，占73.7%），壓力性損傷發(fā)生率居前3位的科室為外科（16例，占21.1%）、監(jiān)護室（15例，占19.7%）、內科（11例，占14.5%）；Ⅱ期以上壓力性損傷發(fā)生率為1.6%，較2022年同期水平的發(fā)生率（1.7%）有所下降，其中手術室、急診科的皮膚壓力性損傷上報例數明顯減少。見表1、表2。

2.2 護理不良事件鏈發(fā)生的科室分布

結果顯示，科室分布中，內科354例（45.2%），外科307例（39.2%），監(jiān)護室86例（11.0%），急診12例（1.5%），手術室17例（2.2%），門診/醫(yī)技7例（0.9%）。具體見表3。

2.3 護理不良事件鏈發(fā)生的人員職稱構成

數據監(jiān)測顯示，護理不良事件發(fā)生當事人以低年資職稱護士居多，其中規(guī)培生（47例，占6.0%），護士（232例，占29.6%），護師（355例，占45.3%），主管護師（144例，占18.4%），副主任護師（5例，占0.6%）。具體見表4。

2.4 護理不良事件鏈發(fā)生的時間段風險點

數據顯示，不良事件風險制高點主要聚焦在早交接班時段（08：01～09：00）和中午（12：01～13：00）薄弱時段。而不良事件發(fā)生占比中最高的跌倒事件，發(fā)生于上午治療高峰時段，非計劃性拔管事件則集中發(fā)生在凌晨時分。具體見表5。

3 討論

3.1 護理不良事件鏈發(fā)生現狀

不同醫(yī)院集團化服務模式、醫(yī)療技術水平、醫(yī)療服務提供能力不盡相同，給醫(yī)院管理帶來了更高的挑戰(zhàn)。護理領域需要進一步從護理體系、服務、技術、管理、人才等多維度統籌推動護理高質量發(fā)展，提升護理同質化水平。本次回顧性分析發(fā)現2023年護理不良事件發(fā)生率較2022年同期水平下降，不良事件以跌倒事件最為常見。不良事件發(fā)生的時間分布多見于早交接班和中午薄弱時段，作為管理者需加強臨床護士彈性排班，合理調配人力資源。規(guī)培生及護士職業(yè)生涯的成長具有實踐性和晚熟性的特點^[10]，數據分析顯示，不良事件發(fā)生的當值人員職稱分布以低年資的護士、護師居多。因此，質量管理的新趨勢為以病人為中心，數據驅動信息整合，在注重預防和干預同時要更多關注年輕護士的繼續(xù)教育與分層、分類培訓。

3.2 跌倒事件發(fā)生的原因與對策

跌倒是最常見的護理不良事件，臨床監(jiān)測的護理敏感指標之一，也是多數老年人傷害死亡事件的原因。臨床上多數住院病人的跌倒可以預防，但欠缺跌倒風險評估、個性化措施、有效防范跌倒和跌倒后管理的全程閉環(huán)管理。本研究顯示，跌倒發(fā)生的年齡段主要集中于41～60歲和61～80歲，其中意識障礙病人占10.28%，身體障礙病人占14.9%。病人跌倒發(fā)生時狀態(tài)排在前4位的分別為如廁、床旁活動、其他、行走中，多數病人獨自如廁過程中由于下肢肌力發(fā)軟、功能減退不慎摔倒，還有部分為床旁自行活動時，對自身能力評估不足或家屬陪護缺失導致跌倒。因此，仍需進一步加強晚夜間重點病人及家屬防跌倒措施的有效落實，通過自查和督查結合排除隱患。近年來，利用人工智能技術預防跌倒已逐步成為現實，機器學習則可用于跌倒前的預測模型構建^[11]，如完善床欄、呼叫器、主干道路面等電子信息警報系統，增加衛(wèi)生間輔助設備，優(yōu)化跌倒自動預控流程。

3.3 非計劃性拔管發(fā)生原因與對策

以往臨床護理不良事件分析，重視病例數據上報、問題分析及制度流程的整改，質量管理較為被動^[2]。本研究顯示，臨床非計劃性拔管在于部分時間段的護理人力資源配置相對不足、保護性約束宣教欠缺，出現約束不到位所致。建議責任護士加強保護性約束的宣教，促進病人舒適，加強晚夜間重點人群的巡視和評估。結果顯示不同類型非計劃性拔管發(fā)生率從高到低排序分別為腹腔引流管、胃管、深靜脈置管、留置尿管，拔管的時間段主要集中于晚上，以01：00～02：00為峰值，臨近時間段大體呈下降趨勢，11：00～12：00為低值。原因分析主要為病人煩躁（25.74%），病人及家屬依從性差（31.62%），約束不到位（13.24%），管路固定欠規(guī)范（2.94%）。因此，要反復強化病人及家屬預防措施的落實執(zhí)行，形成管道質控督查表，納入每個月護理質量檢查并全院通報結果，形成科室自發(fā)針對重點人群管道問題的主動復盤。同時加大與信息部門聯動，有效引導護士精準評估規(guī)范固定，成立以護理部為主導的全院管道小組，以及醫(yī)護一體化干預策略，多維度、全流程預防非計劃性拔管，包括護理評估盡早拔管、動態(tài)調整鎮(zhèn)靜藥物劑量與有效的醫(yī)護健康教育^[12]。

3.4 壓力性損傷發(fā)生原因與對策

通過數據監(jiān)測分析院內壓力性損傷發(fā)生的現狀、趨勢、特征的影響因素，為臨床發(fā)生不良事件的預防、控制和管理提供科學依據，同時將數據與國家、區(qū)域水平進行橫向比較，與歷史性、階段性自身數據比較，可以有效避免類似事件發(fā)生。本研究顯示，全年共上報76例壓力性損傷事件， 其中Ⅱ期以上（56例，占73.7%），壓力性損傷發(fā)生率居前3位科室為外科（16例，占21.1%）、監(jiān)護室（15例，占19.7%）、內科（11例，占14.5%）；Ⅱ期以上壓力性損傷發(fā)生率為1.6%，較2022年同期水平的發(fā)生率（1.7%）有所下降，其中手術室、急診科的皮膚壓力性損傷上報例數明顯減少，仍然需要進一步積極倡導安全文化氛圍，加強病人安全管理，針對臨床一線護士調研，分析重點科室存在的問題，進行目標性改善，持續(xù)追蹤。有文獻報道，可通過護理敏感指標監(jiān)測分析，強化護士工作責任心和慎獨精神指導護理工作，以防范不良事件發(fā)生，促進護理質量持續(xù)改進^[13?15]。在壓力性損傷專項督導過程中，將臨床護理實踐、壓力性損傷小組、護理質控三者有機結合，以教育指導和發(fā)現問題并重，充分提供足跟零壓力、翻身枕等防護器具設施。同時進一步加強新入職、低年資護士和重點科室的壓力性損傷管理同質化培訓，涵蓋評估、預防、處理、記錄、上報等各個環(huán)節(jié)。聯合營養(yǎng)、運動康復做好皮膚壓力性損傷事件的預警及流程優(yōu)化，減少不良事件發(fā)生，促進精準護理內涵的不斷完善。

4 小結

《“十四五”護理事業(yè)發(fā)展規(guī)劃綱要》指出，護士培養(yǎng)與考核評價體系已基本形成，要進一步加強護理管理水平，推動信息、智能管理手段和方法在臨床護、教、研、管等全方位的應用。護理信息是數據的內涵，而數據則是信息的表現形式和載體，可以通過符號、文字、數字、圖像、影像加載于數據之上，對數據作具有含義的內容解釋。護理質量管理是保證護理工作達到規(guī)定的標準和滿足服務對象需要活動過程的規(guī)律，人工智能是通過數據獲取感知環(huán)境，解釋收集的結構化或非結構化數據，對知識進行推理，或處理從數據中獲得的信息，為實現既定目標而采取的最佳行動，實施臨床干預進行護理不良事件鏈的監(jiān)測分析。信息化技術的快速發(fā)展為護理事業(yè)發(fā)展創(chuàng)造了新條件，要把提高護理服務質量和水平作為核心任務執(zhí)行，充分借助大數據、云計算、物聯網等新一代信息技術，結合發(fā)展“互聯網+醫(yī)療健康”等要求，加速推動護理信息化建設。因此，數據監(jiān)測驅動下不良事件鏈發(fā)生的回顧性分析，有望為不良事件管理提供思路，實現不良事件的自動預警預控，提高護理工作效率，也為探索打破醫(yī)院數據和信息資源的“孤島”提供一定參考。

參考文獻：

[1] RAJPURKAR P，CHEN E，BANERJEE O，.AI in health and medicine[J].Nature Medicine，2022，28：31-38.

[2] 婁方麗，田輝.護理不良事件研究進展[J].護理研究，2019，33（10）：1726-1730.

[3] ZANETTI A C B，DIAS B M，BERNARDES A，.Incidence and preventability of adverse events in adult patients admitted to a Brazilian teaching hospital[J].PLoS One，2021，16（4）：e0249531.

[4] 溫賢秀，敬潔，蔣文春，等.四川省醫(yī)院護理安全管理現狀調研及對策研究[J].中國護理管理，2017，17（9）：1240-1244.

[5] 董云紅，魏晶，李曉玲，等.醫(yī)療安全不良事件報告管理系統的設計與臨床應用[J].護理管理雜志，2016，16（5）：369-371.

[6] 張珍香.護理不良事件分級分類的管理分析及對策[J].中國醫(yī)藥指南，2015，13（34）：282.

[7] 王靜，楊陽，曹英.基于HACCP 經典案例復盤在護理不良事件管理中的應用[J].護理研究，2022，36（11）：3937-3940.

[8] 宋佳雪，吳英，彭程，等.機器學習法在護理不良事件管理中的應用研究進展[J].護理研究，2023，37（23）：4251-4256.

[9] 王靜，顏瓊，方萍萍.基于危險預知訓練模式的護理不良事件風險管理成效[J].護理學雜志，2023，38（10）：44-47.

[10] 葉鈺芳.低年資護士應急能力培訓方法研究進展[J].護理研究，2019，33（3）：469-473.

[11] 付榮娟，丁福.信息技術在跌倒管理中的應用現狀[J].中華護理教育，2022，19（8）：761-764.

[12] 王靜，徐琴.醫(yī)護一體化干預策略對主動脈內球囊反搏置管非計劃性拔管的預防[J].實用臨床醫(yī)學，2018，19（10）：76-78.

[13] 王靜，黃站梅.PCI術后延續(xù)護理質量指標的構建[J].護理學雜志，2020，35（8）：104-106.

[14] 徐冬梅，顧則娟，張新月，等.基于護理信息系統的接近失誤事件及護理不良事件發(fā)生現狀的縱向研究[J].護理研究，2021，35（13）：2295-2298.

[15] 陳春麗，張建鳳，任俊翠，等.護理敏感質量指標在不良事件管理持續(xù)改進中應用的效果評價[J].護理研究，2019，33（14）：2503-2506.

（本文編輯崔曉芳）

基金項目國家衛(wèi)生健康委醫(yī)院管理研究所2024年醫(yī)療質量（循證）管理研究項目，編號：YLXLXZ24G097

作者簡介王靜，副主任護師，本科

通訊作者劉曉，E?mail：13979159907@qq.com

引用信息王靜，黃有紅，方萍萍，等.數據監(jiān)測驅動下醫(yī)院護理不良事件鏈的回顧性分析[J].護理研究，2024，38（21）：3941?3945.