Verpleegkundige diagnoses op de SEH
1.9k weergaven | Leestijd 9 minuten Als verpleegkundige leer ...
Om met machine learning erachter te komen welke behandeling bij welke patiënt het beste werkt en om te voorspellen hoe het ziekteverloop is, worden tienduizenden datapunten per persoon per dag routinematig verzameld op een gemiddelde Intensive Care. Op een gewone verpleegafdeling zijn dat een paar honderd datapunten. Bij patiënten thuis zijn de datapunten op één hand te tellen. De ontwikkeling van artificial intelligence (AI) in de zorg is nog een lange weg.
Bij datapunten moet je denken aan hartslag, de hoeveelheid toegediende zuurstof, klachten van een patiënt, voortgang en behandeling. Use cases voor gebruik van deze datapunten zijn: formuleren van de verpleegkundige diagnoses, samenstellen van het zorgplan, documenteren in de voortgangraportage, monitoren van de patiënt en voorspellen van patiëntenzorg, zoals valpreventie en wondverzorging.
Twintig jaar geleden leerde ik op de hbo-v over verschillende classificaties en standaardterminologie. Momenteel blijkt dat dit de cruciale bouwstenen zijn voor machine learning en artificial intelligence. Uiteraard, uit vrije tekst kun je al veel data halen, maar de zorgvuldigheid en de accuraatheid heeft daaronder te lijden. De meest nauwkeurige data haal je uit gecodeerde en gedefiniëerde termen.
In mijn beginjaren als verpleegkundige werkte ik met ons team op kleine schaal aan de zorgstandaarden en klinische paden met behulp van classificatie NANDA-I, NIC en NOC (NNN). Tot aan de aanschaf van een nieuw elektronisch patiëntendossier lagen wij op koers om NNN van waarde te laten zijn. Bij oplevering bleek echter dat NNN niet volledig en niet zorgvuldig in het betreffende epd was ingebouwd. De achterliggende dataset ontbrak en integratie met het medisch dossier was er nauwelijks. Het van tevoren zorgvuldig gevolgde traject stortte als een kaartenhuis in elkaar. Recent onderzoek laat zien dat dit nog steeds een groot probleem is.
Meer weten over NANDA, NIC en NOC?
In deze blog staat alles wat je moet weten.
In die periode hadden we in wel al Nederland de verpleegkundigen bij elkaar om NNN op nationaal niveau aan te jagen. Met het inregelen van de deskundige inhoudelijke zeggenschap over de Nederlandstalige terminologie, het juridische deel en de distributie van de relationele NNN-database zijn wij hiermee koploper. Het recente besluit van de Rijkoverheid om het internationale terminologiestelsel Snomed CT aan te wijzen als dé standaard voor eenheid van taal in de zorg, moet gezien worden als een enorme stimulans voor iedereen die nu al met NNN werkt. Over de hele wereld zijn namelijk verpleegkundigen al vele jaren bezig om beide systemen aan elkaar te laten aansluiten. Dat werk hoeven wij in Nederland niet meer over te doen.
Over het gebruik van NNN doen een hoop verhalen de ronde. Het zou té Amerikaans zijn, te complex en het zou niet alle zorgsituaties beschrijven. Dat was inderdaad het geval… twintig jaar geleden. In de tussenliggende jaren is veel wetenschappelijk onderzoek gedaan naar het gebruik van en over deze classificaties: het maakt de zorg beter, veiliger en de documentatie zorgvuldiger. De meeste van deze onderzoeken hebben plaatsgevonden buiten het Amerikaans grondgebied. Ook in Europa en ook in Nederland. En niet alleen in ziekenhuizen, ook in verpleeghuizen en in de thuiszorg. Allemaal signalen voor mij die positief zijn, als je het hebt over de groei en de ontwikkeling van het gebruik van NNN in Nederland.
Ook in de praktijk geven verpleegkundigen aan dat de verpleegkundige diagnoses van NANDA International het hen mogelijk maakt woorden te geven aan datgene wat ze al weten. Met de zorgresultaten kan eenvoudig de toestand van patiënten nauwkeurig gevolgd en interventies worden afgestemd. Artificial intelligence (AI) in de zorg kan zorgmederkers kunnen ondersteunen in hun besluitvorming, zodat gezondheidswinst onvermijdelijk is.