Datagedreven alarmfiltering

Focus op klinisch relevante alarmen

Een overvloed aan irrelevante alarmen in de zorg kan tot alarmmoeheid leiden, waardoor het zorgpersoneel klinisch relevante alarmen dreigt te missen (1–3). Daarom bestaan er nu al diverse manieren om alarmen te filteren.

De wereld staat echter niet stil: de toekomst staat in het teken van nog geavanceerdere vormen van datagedreven alarmfiltering. Maar welke inzichten, onderzoeken en algoritmes bestaan er al? We presenteren vier trends, van gelijktijdige alarmen en geïntegreerde alarmvalidatie tot alarmdemping en predictieve alarmering. In deze blog combineren we enkele wetenschappelijke visies met praktische overwegingen voor datagedreven alarmfiltering.  

De elektronische patiënten dossiers (EPD’s) verzamelen een enorme hoeveelheid zorginformatie (zoals vitale parameters, labwaarden en medische alarmen afkomstig van diverse medische apparaten en klinische observaties). Moderne algoritmes slagen erin om die grote datasets in real-time te verwerken. Dat levert extra meldingen van preventieve aard op. En die verbeteren de prognose, de ontwikkeling van nieuwe diagnostische instrumenten, de gepersonaliseerde behandeling van patiënten en de efficiënte alarmreductie (4). Bovendien groeit het aantal datagedreven machine learning–modellen om routinematig verzamelde ICU-data te analyseren (5,6). Daarbij is een deel van die modellen erop gericht om valse aritmie-alarmen te reduceren (7).

Datagedreven alarmfiltering is doorgaans efficiënter dan de meest geavanceerde hypothesegedreven oplossing. Maar wat is de status van die datagedreven alarmfiltering? We zoomen graag in op vier domeinen.

1. Datagedreven alarmfiltering helpt bij gelijktijdige informatie

1.1 Gelijktijdige en opeenvolgende alarmencombinaties

Verschillende medische apparaten geven in korte tijd meerdere alarmen bij hetzelfde bed (Figuur 1). Zeker op een Intensive Care (IC) afdeling. Diverse artikelen pleiten daarom voor een systeembenadering die het aantal alarmen reduceert door alle signalen te integreren, prioriteren en optimaliseren (3,8,9). Die aanpak vergroot de werkbaarheid ten opzichte van de standaardsituatie, waarin elk medisch apparaat de alarmen apart doorstuurt.

Een geïntegreerd alarmdistributiesysteem kan de informatie over gelijktijdige alarmcondities optimaliseren:

• De zorgverlener krijgt alleen een auditieve trigger over de alarmcondities met de hoogste prioriteit bij hetzelfde bed.
• De zorgverlener krijgt één geïntegreerde visualisatie met de informatie van alle gelijktijdige alarmen in een schematische, menselijke weergave (8).

Dankzij datagedreven alarmfiltering kan je anticiperen op de hypotheses dat bepaalde alarmcombinaties elkaar vaak snel opvolgen bij dezelfde patiënt (10,11). Tegelijk kan je rekening houden met de relevantie van de alarmupdates als de corresponderende parameterwaarde wijzigt. Idealiter presenteert het systeem de kleine informatie-updates (de SpO2 is iets lager geworden) met beperkte auditieve en visuele prikkels aan de zorgverlener. Terwijl een essentiële informatie-update (de SpO2 is veel lager geworden, richting desaturatie) met gepaste prikkels de aandacht van de zorgverlener opeist.

Statistieken bewijzen het nut van datagedreven alarmfiltering

Het loont om de vaakst voorkomende combinaties datagedreven te inventariseren. In Tabel 1 zie je de percentages van (bijna) gelijktijdig optredende alarmcondities bij dezelfde IC-patiënt op een afdeling met zowel patiëntmonitoren, infuuspompen als ventilatoren:

• De meeste combinaties zijn afkomstig van hetzelfde device en dezelfde alarmconditie. Alarmcondities waarin verschillende medische apparaten tegelijk betrokken zijn, treden minder vaak op.
• Op basis van prioriteit zie je dat een doordachte alarmreductie veel condities met prioriteit Laag of Medium filtert of vertraagt. Van de alarmen met prioriteit Hoog die binnen 120 seconden optreden, is slechts 9,6% afkomstig van meerdere medische apparaten.

Datagedreven alarmfiltering nuanceert veronderstellingen

Misschien ben je vooral geïnteresseerd in de combinaties van condities met prioriteit Hoog uit twee verschillende medische apparaten? Op de betreffende IC is dat de combinatie van Beademingsdruk hoog (ventilator) met Desaturatie (monitor). Maar… die is op deze afdeling slechts goed voor 0,007% van alle alarmcondities.

De combinatie tussen alarmen van prioriteit Medium met prioriteit Hoog of prioriteit Medium komt voor in 29% van de gevallen. Een strategie op basis van de zeldzame Hoog-Hoog-combinatie loont dus minder dan een datagedreven alarmfiltering die rekening houdt met meerdere combinaties. Maar in die afweging spelen natuurlijk ook technische en medische omgevingsfactoren een cruciale rol (zoals de afdeling, apparatuur, zorgverleners en patiënten).

1.2 Multiparametric smart alarms

Moderne medische apparaten genereren alarmen bij overschrijding van een lichte drempel (prioriteit Laag), matige drempel (prioriteit Medium) of ernstige drempel (prioriteit Hoog), maar ook op basis van een signaalanalyse, zoals ritmestoornissen. Fabrikanten stellen die drempels vaak te gevoelig in. Zo hopen ze te voorkomen dat je kritische alarmen zou missen. Maar daardoor groeit het aantal vals-positieve alarmen (12). Daarom loont het om alarmen en/of data uit verschillende bronnen te combineren, door via smart algoritmes het aantal (irrelevante) alarmen te verminderen (1,13–15). Praktijktesten met de extra input van zorgverleners bewijzen dat die algoritmes geen negatieve impact op de patiëntveiligheid hebben (16,17).

Na een zorgvuldig validatie kan artificial intelligence de alarmreductie bevorderen (9). Verschillende machine learning–modellen op basis van vitale parameters en/of alarmdata reduceren het aantal (irrelevante) alarmen op een IC-afdeling (6). Door clinical rules samen te stellen tot één integrerend systeem, verkleint het risico op vals-negatieve alarmen en vals-positieve combinatie-alarmen (8). In een slimme, datagedreven alarmfiltering spelen de gegevens van infuuspompen, laboratoriumwaarden of diagnoses een belangrijke rol.

1.3 Achtereenvolgende alarmen

Uit veiligheidsoverwegingen kan je maar weinig alarmen uitstellen tot het volgende alarmsignaal. Maar je kan wel de frequentie-afhankelijke aanpak uit deze blog gebruiken om — na herhaling — een eerder gefilterd alarm alsnog als ‘relevant’ te beschouwen en door te geven (Figuur 2).

2. Geïntegreerde validatie van alarmen

In de (kritische) zorg kunnen elektrodestoringen door de dagelijkse verzorging of door patiëntenbewegingen artefacten in het ECG-signaal introduceren. Deze genereren op hun beurt valse (aritmie-) alarmen. Door de interpretatie van verschillende signalen en parameters — zoals hartfilmpje (ECG), saturatiemeter (SpO2) en arteriële bloeddruk — onderling af te stemmen, vermindert het aantal valse alarmen.

De combinatie van ECG- en SpO2-informatie reduceerde het aantal valse aritmie-alarmen (18):

• Experts analyseerden de ECG- en SpO2-parameters afzonderlijk om onafhankelijke eigenschappen vast te stellen (Qt-interval, hartslag, aritmie alarmen, polsslag, perfusie index en SpO2).
• Bij een nieuw aritmie-alarm combineerde het systeem de verschillende parameters om te bepalen of dit alarm vals was of niet.

Een voorbeeld

Meet het ECG geen signaal? Dan genereert het apparaat een asystolie-alarm. Maar als de bijbehorende SpO2-parameters na een paar seconden toch op een hartslag wijzen, dan beschouwt de automatische alarmfiltering het asystolie-alarm als ‘vals’. Die parametercombinatie reduceerde het aantal valse levensbedreigende alarmen (zoals asystolie, ventrikelfibrilleren, ventrikeltachycardie) met 60% (18). Andere studies – met een vergelijkbare multiparameter-combinatie – toonden een sensitiviteit van 78-100% en specificiteit van 50-96% aan, afhankelijk van het type levensbedreigende aritmie-alarm (19,20).

3. Alarmen dempen

Een andere oplossing tegen alarmmoeheid is (specifieke) alarmen dempen: gedurende een bepaalde tijd ontvangen zorgverleners geen alarmen. Bijvoorbeeld tijdens:

• De verzorging van een patiënt.
• De handelingen om een patiënt aan te sluiten op een beademingsapparaat (15).
• Een familiegesprek.
• Kortdurende afwezigheid.

Om de alarmen van patiëntmonitoren veilig te dempen, hebben de zorgverleners de juiste vaardigheden, de nodige kennis en kritisch denkvermogen binnen de klinische specificiteit nodig (21).

Alarmdemping in de praktijk

• Tijdens drie aaneengesloten weken analyseerden we hoeveel alarmen de zorgverleners van een IC-afdeling dempten. De dag percentages lagen tussen 0,8% en 9,4%, goed voor een gemiddelde van 4,0% (Figuur 3).
• Op verschillende medische apparaten kan je het alarmgeluid uitzetten. Bij die ‘stille alarmering’ zie je de alarmen op het scherm. Tegelijk blijven de alarmen zichtbaar en hoorbaar op een centraalpost en/of — via de alarmdistributie — op de smartphone van de zorgverlener.
• Dankzij aanwezigheidsdetectie weet het systeem wanneer een zorgverlener zich naast de patiënt bevindt. In dat geval is het overbodig om de alarmen door te sturen naar de smartphone van die zorgverlener.

4. Predictieve alarmering

Early Warning Score (EWS)-systemen slagen er steeds beter in om voorspellende alarmen uit de enorme hoeveelheid verzamelde zorginformatie te halen. Ze geven de afwijking tegenover de normaalwaarde van vitale parameters aan, gerelateerd aan verschillende organen. Bovendien helpen ze om vroege tekenen van klinische verslechtering te herkennen en intensievere zorg op te starten. De scores kunnen daarom een betrouwbare voorspelling vormen voor hartstilstand en overlijden binnen 48 uur (22).

De meest geciteerde EWS zijn:

• MEWS die vier vitale parameters en een patiëntreactiescore gebruikt (23).
• ViEWS die als 2 extra parameters ‘saturatie’ en ‘zuurstof inspiratie’ gebruikt (24).
• NEWS/NEWS2 die de UK National Institute for Health and Clinical Excellence als een nationale standaard in het Verenigd Koninkrijk aanbeveelt (25).
• Rothman index deze recente variant is een continue index om de klinische toestand van een patiënt op basis van 26 variabelen te volgen — vitale functies, laboratoriumresultaten, hartritmestoornissen en verpleegkundige beoordelingen. De score is gebaseerd op de risicofuncties van de variabelen — de toename van het sterftecijfer na ontslag over één jaar, geassocieerd met elke waarde (26).

Zowel de EWS als de Rothman index zijn algemene scores, gevalideerd voor voorspelling en detectie van ICU-opname, overlijden of complicaties (27–30). Omdat de middelen voor kritische zorg op de ICU beperkt zijn, is tijdig patiëntontslag een belangrijk aandachtspunt. Maar te vroeg ontslaan, zorgt voor veiligheidsrisico’s en heropnames. Geautomatiseerde analyse door supervised machine learning–modellen van patiëntkarakteristieken, klinische observaties, (vitale) fysiologische parameters, labwaarden en behandelingsgegevens helpt om een te vroegtijdig ontslag van de ICU te voorkomen (31).

De dataset van 14.105 ICU-opnames in Nederland is de basis voor een model dat de kans op heropname en overlijden na ICU-ontslag voorspelt, met een relatieve risicovermindering van 17%. Omdat het aantal IC-opnames wereldwijd snel toeneemt, kan deze bescheiden reductie een aanzienlijk effect op patiënten en de samenleving hebben (31).

Onze conclusies

• Door (bijna) gelijktijdige alarmcondities optimaal te adresseren kan je het aantal alarmen reduceren. Baseer je daarvoor op een hypothese- én datagedreven analyse van de alarmcombinaties.
• Bovendien kan je in specifieke situaties alarmen dempen.
• In een volgende stap kan je alarmen van diverse apparaten met informatie uit diverse bronnen combineren, waaronder de medicatie van infuuspompen, diagnoses en labwaarden. Bepaal daarbij proactief en objectief alle parameter- en alarmdata om de klinisch relevante alarmen te herkennen.
• Combineer die data met de input van klinische experts om geavanceerde, datagedreven modellen te ontwikkelen, eventueel op basis van machine learning.
• De gegenereerde uitkomsten kan je in het alarmmanagement van jouw klinische setting toepassen, testen en valideren.

Referenties datagedreven alarmfiltering