Wat
EWS scores zijn tools die gebruikt worden in de gezondheidszorg om de vroege signalen te herkennen van klinische achteruitgang om zo een snelle interventie mogelijk te maken. Deze tools zijn gebaseerd op het toekennen van numerieke waarden aan patiëntenkenmerken zoals fysiologische parameters. Op basis hiervan wordt dan een score berekend die het risico op achteruitgang weer geeft en aanleiding geeft tpt het plannen van interventies.
De berekening van deze scores is gebaseerd op de analyse van bestaande gegevens van patiënten uit het verleden. Deze data-analyse leidt dus in het heden tot kwaliteitsverbetering van de zorg.
De opvolging van deze scores wordt vereenvoudigd door een gedigitaliseerde en gestandaardiseerde registratie van de klinische gegevens over de patiënt. Moest elke zorgverlener in eigen woorden de bevindingen noteren waren de gegevens niet analyseerbaar en was het onmogelijk het proces te automatiseren.
Het is dus noodzakelijk standaarden in te voeren teneinde de analyse van de data voor beide doelstellingen mogelijk te maken. Het spreekt voor zich dat deze automatisering een meerwaarde is.
Om dit mogelijk te maken werden patiëntendossiers vaak zo opgebouwd dat de input van gegevens verplicht in een gestandaardiseerd format gebeurt. Eindgebruikers ervaren dit wel eens als een beperking, maar het is belangrijk het hogere doel hiervan te erkennen. Zo zal bijvoorbeeld een bloeddruk steeds in eenzelfde numerieke vorm ingevoerd moeten worden. En binnen de ouderenzorg zal bij de registratie van een val steeds verplicht worden allerhande randparameters van het gebeuren te registreren om verdere analyse van de situatie en het risico mogelijk te maken zoals bijvoorbeeld het uur, de omgeving, de schade. Ook deze elementen zullen vaak in een standaard formulering dienen te worden vermeld. Dit gaat soms in tegen de natuurlijke reflex om de situatie te willen beschrijven, maar dient ook hier de mogelijkheid tot analyse van de gegevens.
Waar
Deze toepassing zien we vooral in gebruik in de ziekenhuissetting en dit met de grootste aandacht op bijvoorbeeld intensieve dienst. Toch is deze denkwijze in een vereenvoudigde versie ook opgenomen in de meeste andere digitale gezondheidszorgdossiers.
Historiek
Historisch gezien komt deze toepassing vanuit de wetenschappelijke analyse van data die aangeeft dat bepaalde observaties een voorspellende waarde hebben. Deze kennis kon vroeger al toegepast worden, wat ook vaak gebeurde onder de vorm van procedures of staande orders.
Met de digitalisering is toepassing van deze kennis in de zorg op grotere schaal realiseerbaar.
Meerwaarde
Het gebruik van de early warning score biedt mogelijkheden tot snelle interventie waar nodig en geeft dus perspectief op betere gezondheidsoutcomes voor patiënten.
De meerwaarde van de digitalisering schuilt in de schaalgrootte waarin deze systhemathiek kan toegepast worden. Een geautomatiseerde screening van data kan sneller op meer dossiers toegepast worden dan wanneer een zorgverlener dit dient te coördineren.
Knelpunten
Het risico bestaat dat zorgverleners te sterk gaan vertrouwen op de geautomatiseerde systemen en niet meer geprikkeld zijn mee te denken of vooruit te denken ten gevolge van automatisering.
Anderzijds is er ook een sterke nood aan het uniform en toegankelijk registreren van informatie, gecodeerd dus, om de geautomatiseerde werking mogelijk te maken. Hier is de menselijke schakel ook mogelijk een zwakte van het systeem.
Samengevat
Het gekende systeem van early waring systems, die op basis van analyse van parameters sneldetectie van risico’s doet, automatiseren biedt de mogelijkheid van deze methodiek op grote schaal toe te passen. Dit heeft een belangrijke waarde in een preventieve (secundaire preventie) aanpak in de zorg. Met de komst van wearables en patiënten apps ontstaan ook heel nieuwe mogelijkheden om op afstand met deze informatie aan de slag te gaan.