ICB Liderliğinde Uygulamalı Araştırma Projeleri
Bu araştırma projeleri, ICB'nin öncelikli alanlarını hedeflemek amacıyla araştırmacılar tarafından desteklenen ICB Meslektaşları tarafından yürütülmektedir.
Proje bulma: Tarayıcınızda bulma işlevini kullanmak için “Ctrl + F” tuşlarını kullanın. Daha sonra ilgilendiğiniz konudaki projeleri aramak için anahtar terimleri kullanın. Birkaç alternatif kelimeyi denemek en iyisidir; örneğin “Doğum” veya “Annelik” veya “Annelik” veya “doğum”.
Sağlık hizmetlerinde simülasyonun benimsenmesinin iyileştirilmesi: Hasta akışını modellemek için açık kaynaklı bir aracın kullanıcı odaklı geliştirilmesi
PathSimR modeli, sağlık hizmetlerinde hasta yollarını modellemek için BNSSG'de özel olarak oluşturulmuş çok yönlü bir simülasyon modelidir. Ücretsiz ve esnek bir çözüm sunan yazılım, BNSSG'de ve daha uzaktaki diğer NHS sistemlerinde çeşitli projeler ve çalışmalar için kullanıldı. Bu belgede yazılımın nasıl geliştirildiğinin hikayesi anlatılmakta ve çalışması ve işlevselliği hakkında tüm ayrıntılar verilmektedir.
Karmaşık taburculuk yolu için akut ve orta düzey bakım kapasitesi dengesinin optimize edilmesi
Akut hastane ve toplum bakımı arasında kapasite ve hasta akışını dengelemek, belirsiz hasta varışları ve değişken kalış sürelerinin dikkate alınmasını içeren zor bir planlama problemidir. Çeşitli senaryolar aracılığıyla modellememiz, bu yol boyunca optimum kapasite tahsisinin ortaya çıkarılmasına yardımcı oldu. Modelleme, COVID-19'u takip eden aylarda gerçekleştirildi.
Psikiyatri yoğun bakım ünitelerinde alan dışı yerleşimleri ele almak için mali açıdan sürdürülebilir girişimlerin araştırılması
Yerel alanda talebi karşılayacak kapasite bulunmadığında alan dışı yerleşimler meydana gelir. Bu durum sıklıkla yüksek düzeyde akıl sağlığı bakımı için gerçekleşebilir ve hastalar potansiyel olarak uzak mesafelerdeki diğer tesislere gönderilir. PathSimR modelini kullanan modellememiz, bu tür olasılıkları azaltmak amacıyla çeşitli kapasite tarafı senaryolarını dikkate aldı.
COVİD-19 Sonrası Seçmeli Bekleme Listelerinin İyileştirilmesinin Modellenmesi
Seçmeli bekleme listeleri, COVID-19 salgınının ardından önemli ölçüde arttı ve pandemiden kurtulmanın ilk aşamalarında, 'kaçırılan yönlendirmelerin' ne kadarının geri döneceğinden emin değildi. Bekleme listesinin olası boyutunu ve değişen oranların geri gelmesi durumunda bekleme sürelerini anlamak için yerel olarak modelleme yapıldı. Model aynı zamanda İngiltere çapında ulusal düzeyde de uygulandı.
Yatak kapasitesinin esnek kullanımı yoluyla akut inme yollarının optimize edilmesi
PathSimR modelimiz, BNSSG'de planlanan gelecekteki durum merkezi vuruş yolunu modellemek için kullanıldı. Modelleme, hastaların büyük çoğunluğunun hiper-akut inme ünitesine kabulde herhangi bir gecikmeyle karşılaşmamasını sağlamak amacıyla, yol modelinin kalibrasyonunu ve çeşitli zamanlarda ne kadar esnek kapasitenin gerekli olacağına ilişkin soruları yanıtlamak için kullanılmasını içeriyordu. .
Ölçeklenebilir bekleme listesi modelleme yoluyla COVID-19 isteğe bağlı kurtarmayı destekleme
Bu belge, gelecekteki talep ve kapasite düzeylerine ilişkin farklı varsayımlara dayanarak, güven ve uzmanlık düzeyinde gelecekteki bekleme listesi boyutunu tahmin etmek için BNSSG'de benimsenen modelleme yaklaşımını rapor etmektedir. Basit ve ölçeklenebilir olan model, o zamandan bu yana İngiltere'deki tüm hastane ve uzmanlık alanlarına uygulanıyor ve bu tür tahminler aylık olarak güncelleniyor.
Gecikmiş Bakım Transferlerini Ortadan Kaldırmaya Çalışmanın Yanlış Ekonomisi: Kuyruk Teorisinden Bazı Dersler
Bu çalışma, iyi performans gösteren sağlık sistemlerinde gecikmiş bakım transferlerinin (bazen 'yatak bloke etme' olarak anılır) "ortadan kaldırılmasının" gerekli olduğu yönündeki yerleşik düşünceye meydan okudu. Matematik disiplini olan kuyruk teorisinin yöntemlerini kullanan çalışma, böyle bir politikayı takip etmenin büyük olasılıkla ekonomik olmayacağını, çünkü en nadir talep zirvelerini bile karşılamak için büyük miktarda topluluk kapasitesi gerektireceğini ve kapasitenin çoğunu uzun süre kullanılmadan bırakacağını buldu. zamanın.
Acil Bakım ve Tedavi için Önerilen Özet Planının (ReSPECT) Uygulanması
ReSPECT süreci, kişinin seçim yapamadığı veya ifade edemediği gelecekteki acil durumlarda klinik bakımı ve tedavisi için kişiselleştirilmiş öneriler oluşturan bir girişimdir. Bu girişim pandemi döneminde yerelde hayata geçirildi. Analizin amacı, ReSPECT formu uygulama sürecinin eşitliğini (ilk Kovid-19 dalgası sırasında) ve sonrasında hastaların ve yerel sağlık kuruluşlarının etkileşiminde ortaya çıkan ilgili değişiklikleri belirlemektir. Bu, ReSPECT formunun kullanımına ilişkin gelecekteki devreye alma kararlarının bilgilendirilmesine yardımcı olacaktır.
COVID-19'a karşı aşılanan kişi sayısını artırmak için hiper-yerel nüfus sağlığı yönetimini kullanmak
IBNSSG ICB, aşı olma olasılığı daha düşük olan kişileri COVID-19 aşısı olmaya teşvik etmek için yerel kampanyalar başlattı. Bu analizler, bu kampanyaların ne kadar etkili olduğunu anlamamıza yardımcı olacak ve gelecekte çok sayıda insanı kapsayan yerel ve ulusal sağlık programlarını düzenleme şeklimizi geliştirebilecektir.
P-NEWS: kritik hastalar için kişiselleştirilmiş erken uyarı puanları
Bu proje, sorunlara kritik hale gelmeden önce müdahale ederek yoğun bakıma başvuruları azaltmayı amaçlıyor. Bunu, herhangi bir hasta için doğru bir bozulma riski oluşturmak amacıyla hasta gözlemlerini ve gelişmiş analizleri kullanarak yapmayı planlıyorlar. Ulusal Erken Uyarı Skoru (HABER), bir hastanın ne kadar hasta olduğunu vurgulayan "herkese uyan tek tip" skordur. Ne yazık ki NEWS, teşhis ve geçmiş tıbbi geçmiş gibi önemli özellikleri dikkate almıyor. Bu proje skoru hassaslaştırmayı ve bozulmayı daha erken tahmin etmeyi amaçlıyor.
Bu proje, Sağlık Veri Araştırması Birleşik Krallık Güney Daha İyi Bakım Ortaklığı'nın bir parçasıdır.
Nüfus segmentasyon yöntemlerinin karşılaştırılması
Nüfusun bireysel özelliklere ve/veya sağlık hizmetleri faaliyetlerine göre belirli gruplara ayrılması Nüfus Sağlığı Yönetiminin (PHM) önemli bir bileşenidir. Bununla birlikte, popülasyon bölümlendirmesini gerçekleştirmek için her birinin kendi artıları ve eksileri olan çok sayıda olası yöntem vardır. Bu proje, belirli soru türlerini yanıtlamak için hangi yöntemin en uygun olduğunu belirlemek amacıyla en sık kullanılan 16 yaklaşımı gözden geçirdi. Bulgular o zamandan bu yana PHM programımız kapsamındaki projeler üzerinde çalışırken segmentasyon yöntemi seçimimizi bilgilendirdi.
NHS'de tedaviye yönlendirmenin dinamiklerini ortaya çıkarmak
18 haftanın altında bekleyen hastaların oranını ölçen tedaviye sevk (RTT), NHS'deki seçmeli performansın temel barometresidir ve hastaların planlanan tedavi için ne kadar beklediklerini izlemek için kullanılır. Sağlık sistemleri açısından, gelecekteki bekleme sürelerinin güvenilir bir şekilde tahmin edilebilmesi ve sevkler ile kapasitedeki değişikliklerin etkisinin değerlendirilebilmesi için RTT yolunun dinamiklerini anlamak ve modellemek önemlidir. Bilgisayar simülasyon modelimiz bu amaçla hem farklı hastane vakıfları hem de klinik uzmanlıklar için düzenli olarak kullanılmaktadır.
Transfer ve taburculuktaki gecikmeleri içeren hasta yolu boyunca kapasitenin modellenmesi
Yeterli kapasite olmadığında klinik yollar tıkanabilir, hastalar taburcu olmaya hazır olabilir ancak transfer edilemeyebilir. Bu hem hastalar hem de hastaneler için kötü bir durumdur. Ancak, gereken optimum kapasiteyi tahmin etmek kolay değildir. Elektronik tablo yaklaşımları hızlı ve kolay olsa da, genellikle devreye alınması gereken yatak sayısını olduğundan az tahmin ediyorlar. Burada, gelecekteki felç yolu için kapasiteyi tahmin etmede uygulanan, özelleştirilebilir ve yeniden kullanılabilir bir bilgisayar modeli sağlama konusunda daha sağlam bir yaklaşım geliştiriyoruz.
COVID-19'dan korunan yüksek riskli bireylerin devam eden sağlık ihtiyacını belirlemek ve karakterize etmek için Nüfus Sağlığı Yönetimi: kesitsel bir kohort çalışması
COVID-19 salgınının ilk aşamalarında, yaklaşık 30,000 savunmasız BNSSG sakininden kendilerini COVID-19 enfeksiyonunun tehlikelerinden korumak için 'korunmaları' istendi. Ancak bu bireylerden oluşan grup hakkında çok az şey biliniyordu. Bağlantılı veriler kullanılarak, koruyucu popülasyonda altı farklı bölüm tanımlandı. Bunların farkındalığı, hastalara tavsiyeleri daha iyi uyarlamamıza ve yerel birinci basamak bakım ekiplerine, koruma sırasında durumlarını yönetme konusunda destek olmamıza yardımcı oldu.
Yoğun bakımda kapasiteye bağlı ölümlerin azaltılmasına yönelik COVİD-19 senaryo modellemesi
Pandeminin hemen başlangıcında, yöneticilerin ve klinisyenlerin gelen olası talebi karşılamak için gereken yoğun bakım yatağı miktarını anlamalarına yardımcı olacak çok az bilgi vardı. Yatakları yoğun bakım spesifikasyonuna dönüştürmek zor olduğundan bu önemliydi. Ancak çok az sayıda kişinin dönüştürülmesi, hastaların ihtiyaç duydukları bakım düzeyine erişememesine neden olabilir. Bu soruna çözüm bulmak için, COVID-19 hasta akışına ilişkin bir bilgisayar simülasyon modeli hızla geliştirildi ve 2020 Baharında yüksek sayıda vakaya yönelik kritik ilk müdahalenin bir parçası olarak kullanıldı.
COVID-19'un seçmeli bekleme süreleri üzerindeki etkisinin modellenmesi
COVID-19'un acil etkileri hastane bakımı üzerinde görülürken, 2020 Baharında elektif tedaviyi erteleme kararının bekleme süreleri üzerinde ciddi bir etki yaratacağı kısa sürede anlaşıldı. Sorular şuydu: Bunun ne kadar etkisi olur ve ne kadar çabuk iyileşebiliriz? Bunlara yanıt vermek için tedaviye yönlendirme (RTT) dinamiklerini modellemek için kullanılan mevcut bir araç yeniden kalibre edildi ve pandeminin başlangıcında makul görülen çeşitli senaryolar altında bekleme sürelerini tahmin etmek için kullanıldı.
COVİD-19 akut yatak kapasitesinin iyileştirilmiş yönetimi için şimdi tahmin
Pandeminin ikinci dalgasında yatak doluluk oranı hızla artarken, hastane planlamacıları önümüzdeki günlerde olası yatış sayısına ilişkin tahminlere ihtiyaç duydu. Tüm yerel hastaneler için akut ve yoğun bakım yatak doluluklarının tahmin edilmesinde günlük kullanım için basit bir zaman serisi tahmin modeli oluşturuldu ve uygulandı. Bu, uygun sayıda yatağın hazırlanmasına ve gerektiğinde yeni enfeksiyon koğuşlarının açılmasına yardımcı oldu.
COVID-19 sırasında artan ayakta tedavi telesağlığının etkisi: İngiltere'deki büyük bir sağlık sisteminden hasta anketi ve rutin aktivite verilerinin retrospektif analizi
Hastane enfeksiyonlarını sınırlamaya yardımcı olmak amacıyla, salgının ilk aşamalarında önemli miktarda ayakta tedavi muayenesi fiziksel ortamdan sanal ortama taşındı. Çok sayıda hasta anketi incelendiğinde, daha fazla katılımcının fiziksel randevular yerine sanal randevuları 'tercih ettiği' ve yedi kat daha fazla katılımcının bu randevuları 'daha stresli' yerine 'daha az stresli' bulduğu ortaya çıktı. Sonuçlar, ilerideki video görüşmelerinin olası uygunluğu hakkında bilgi verilmesine yardımcı oldu.
Yoğun COVİD-19 Talebi Dönemlerinde Triyajın Değeri: Simülasyon Modelleme Çalışması
Neyse ki NHS, salgının ilk yılında yoğun bakıma kabuller için triyaj uygulamak zorunda kalmamış olsa da, zaman zaman buna yaklaşmıştı. Böyle bir kaynağa olan talep arzı aştığında, en çok yararlanacak olanların erişimini teşvik etmenin önemli olduğu tartışılabilir. Ancak triyaj uygulayarak ne kadar kazanç elde edilebileceğini destekleyen çok az kanıt var. Çalışmamız, talebin arzı aşması durumunda önceliklendirmenin kaybedilen toplam yaşam yıllarını %12 oranında azaltabileceğini bularak bu boşluğu ele aldı.
COVID-19 toplu aşılama merkezlerinin güvenli ve etkili tasarımı için operasyonel araştırma
Aşılama merkezleri, nüfusun COVID-19'a karşı kitlesel olarak aşılanmasını artırmak için kritik öneme sahipti. Ancak planlamacılar, birkaç hafta içinde kurulması gereken bu alanların yapılandırılmasına rehberlik edecek çok az bilgiye sahipti. Bristol Ashton Gate sahasında, her gün aşılanabilecek kişi sayısı açısından merkezin maksimum verimini bildirmek için bilgisayar simülasyon modellemesi kullanıldı. Operasyonun kritik açılış aylarında model çıktıları kullanıldı.
Birleşik Krallık'ta toplumsal kısıtlamaların hafifletilmesinin COVID-19 dışı acil durum talebi üzerindeki etkisini öngörmek: Toplu hareketlilik verilerini kullanarak istatistiksel çıkarım
Odaklanılan konuların büyük kısmı Kovid-19 vakaları üzerinde olsa da toplumsal kısıtlamalar, Kovid-19 dışı hastanelere kabuller üzerinde de önemli bir etki yarattı. Örneğin daha az spor yaralanması ve yol kazası nedeniyle yerel hastanelere daha az acil durum talebi oluştu. 2021'in ilk aylarında tecritin kademeli olarak gevşetilmesiyle birlikte, toplu hareketlilikte beklenen artışlara dayalı olarak yatak kabullerinin ne ölçüde artabileceğini tahmin etmek için bir regresyon modeli kullanıldı.
Ortalama Yatak Doluluğuna İlişkin %85 Hedefinde Fazla Tahmin ve Duyarsızlığın Ele Alınması
Uzun süredir devam eden ve genel olarak tartışmasız bir sonuç, hastanelerin çok az kapasitenin hasta güvenliğine yönelik riskleri ile çok fazla kapasitenin mali sonuçları arasında denge kurmak için ortalama %85 yatak doluluğunu hedeflemesi gerektiğini belirtmektedir. Ancak tek bir önlem, sahada gerçekçi olarak var olan koşulların çeşitliliğine karşı duyarsızdır. Modellememiz, koğuş büyüklüğüne ve uzmanlığa dayalı bir 'arama' tablosu üretirken, hastane yöneticileri ve komisyon görevlileri tarafından kullanılabilecek daha doğru hedefleri ortaya koyuyor.
Birinci dalga COVID-19'un ruh sağlığı hizmetleri üzerindeki etkisinin modellenmesi
Pandeminin ilk dalgası sırasında, karantinanın kaldırılmasının ardından baskıya yol açabilecek ruh sağlığı hizmetlerine yönelik "bastırılmış" talebin miktarı konusunda çok fazla belirsizlik vardı. Çok yönlü bir ayrık zamanlı kuyruk modeli hızlı bir şekilde üretildi ve ciddi sistem baskısını hafifletmek için tasarlanan bir dizi farklı talep yörüngesinin ve hizmet müdahalelerinin potansiyel etkisini incelemek için kullanıldı.
COVID-19 enfeksiyonlarının, hastaneye yatışların ve ölümlerin yerel modellemesi için SEIR tabanlı bir çerçeve oluşturulması
Ulusal düzeyde karar alma sürecini bilgilendirmek için epidemiyolojik modelleme rutin olarak kullanılırken, yerel düzeyde planlamaya rehberlik edecek çok az şey olmuştur. Sonuçta, ilginin temel ölçüsü, gelecekte beklenen akut COVID-19 kabul sayısı olmuştur. Bölmeli 'SEIR' tipi bir model kullanılarak, çeşitli makul senaryoları yapılandırmak için sistemler arası, çok disiplinli bir çalışma grubu oluşturuldu; çıktılar, gelecekteki talebi güvenli bir şekilde karşılamak için kaç yatağa ihtiyaç duyulduğunun belirlenmesinde yerel tepkiyi şekillendirdi.
COVID-19 toplu aşılamanın akut hastaneye başvurular üzerindeki etkisinin modellenmesi
Bölümlü 'SEIR' tipi modeli içeren önceki çalışmalara dayanarak, aşılamanın bulaşma dinamikleri üzerindeki etkisini hesaba katmak amacıyla bir takım teknik iyileştirmeler yapıldı. Model daha sonra 2021 başındaki tecrit gevşetme yol haritasıyla ilgili bir dizi senaryoyu incelemek için kullanıldı. Projeksiyonlar, hastane vakalarındaki 2021 Sonbaharındaki toparlanmanın modellenen çeyrekler arası aralığa rahatça düşmesiyle doğrulandı.
Long-COVID'in sistem genelinde sağlık hizmeti kullanımı üzerindeki etkisini değerlendirmek için bağlantılı hasta verilerinin kullanılması
COVID-19 enfeksiyonunun akut sağlık hizmetleri üzerindeki anlık etkisinin yanı sıra, uzun vadeli etkilerin ('Uzun-COVID' olarak adlandırılan) diğer sağlık hizmetleri ortamlarına ek talepler getirebileceğine dair endişeler mevcuttu. BNSSG Sistem Genelinde Veri Seti, COVID-19 tanısından sonraki üç ay içinde sağlık hizmetleri faaliyetlerinde istatistiksel olarak anlamlı artışlara ilişkin kanıtları tanımlamak için kullanıldı.