Hoitoisuusluokitusjärjestelmä hoitohenkilöstön resursoinnin työkaluna : Tutkimus hoitoisuusluokitusjärjestelmän ennustevaliditeetista sekä sen luotettavuuden ja optimaalisen hoitotyön kuormitustason kalibroinnin haasteista hoitotyön kiireisessä arjessa

Abstract

Työvoiman osuus on tällä hetkellä lähes puolet terveydenhuollon kokonaiskustannuksista, mutta samaan aikaan on myös haasteita hoitohenkilöstön saatavuudessa. Tässä tilanteessa korostuu erityisesti hoitotyön henkilöstövoimavarojen tehokas johtaminen. Koska hoitotyön kuormituksella on osoitettu olevan yhteys negatiivisiin hoidon tuloksiin, on tärkeää varmistua siitä, että RAFAELA-hoitoisuusluokitusjärjestelmä mittaa luotettavasti potilaiden hoidon tarpeista koostuvaa hoitoisuutta sekä yksikön hoitotyön kuormitusta, sillä RAFAELAn ennustevaliditeetista oli vain vähän tutkittua tietoa.

Tämän tutkimuksen ensimmäisessä vaiheessa tutkittiin tässä väitöskirjatutkimuksessa muodostetun hoitotyön kuormitustasomittarin avulla vuosilta 2012–2013 RAFAELAn ennustevaliditeettia kahden sairaalan (A = yliopistollinen sairaala, B = keskussairaala) vuodeosastoilla (n = 34). Osastojen hoitoisuusluokitusten tuloksista (n = 429 836) muodostettiin kuukausiraportit (n = 732), joihin yhdistettiin ensimmäisessä osatutkimuksessa sairaalakuolleisuustilastot (n = 1125) ja toisessa osatutkimuksessa kuukausiraportteihin yhdistettiin vaaratapahtumailmoitukset (n = 2124).

Tutkimuksen toisessa vaiheessa hyödynnettiin kolmannen osatutkimuksen aineistoa, joka koostui vuosilta 2011–2019 ensimmäiseen vaiheeseen osallistuneen yliopistollisen sairaalan RAFAELAa käyttäneiden yksiköiden (n = 104) rinnakkaisluokitus- ja PAONCIL-mittausten tuloksista. Tutkimuksessa arvioitiin, miten RAFAELAn reliabiliteetin ja validiteetin varmentaminen ja hoitotyön kuormituksen optimaalisen tason kalibrointi onnistuivat kiireisessä hoitotyön arjessa. Lisäksi käytössä oli samassa yliopistollisessa sairaalassa vuonna 2017 toteutetu RAFAELAn auditoinnin tulokset yksiköiden (n = 44) osalta.

Tutkimuksen ensimmäisessä ja toisessa vaiheessa kerättyjä tutkimusaineistoja analysoitiin tilastollisin menetelmin ja näiden tulosten avulla vahvistettiin entisestään RAFAELAn ennustevaliditeettia osoittamalla, että hoitotyön kuormitustasomittarilla voidaan ennustaa negatiivisia hoidon tuloksia. Vaaratapahtumailmoitusten osalta yhteys ei ollut yhtä selkeä, sillä kuormitustasomittarin lisäksi ennustemalliin tarvittiin lisäksi yksikön potilaiden keskimääräinen hoitoisuus ja potilas-hoitajasuhde selittäviksi muuttujiksi.

Tämä tutkimus osoitti lisäksi, että RAFAELAn reliabiliteetin ja validiteetin varmentaminen on haasteellista. Auditoinnissa ainoastaan 60 % potilaista onnistuttiin luokittelemaan samaan hoitoisuusluokkaan. PAONCIL-mittauksen tulokset paranivat kuitenkin ajan myötä, mikäli RAFAELAa käytettiin jatkuvasti. RAFAELAn laadukkaan käytön edellytyksenä onkin, että järjestelmän luotettavuudesta huolehditaan ja sen tuottamaa tietoa hyödynnetään aktiivisesti.

Tutkimuksen kolmannessa vaiheessa, perustuen tämän tutkimustyön tuloksiin, tuotettiin lisäksi ehdotus hoitoisuusluokitusjärjestelmän uudeksi toiminnalliseksi malliksi, joka vähentäisi hoitotyön esihenkilöiden ja hoitajien työtä sekä mahdollistaisi reaaliaikaisemman yksikön hoitotyön kuormituksen tason määrittämisen, jota voitaisiin hyödyntää resurssien kohdentamisessa todellisen tarpeen mukaan jopa työvuorojen sisällä.

Johtopäätöksenä tutkimustuloksista voidaan todeta, että RAFAELA on luotettava hoitoisuusluokitusjärjestelmä, jonka ennustevaliditeetti on kunnossa, mutta samalla sen luotettavuutta ja validiteettia on työlästä ylläpitää kiireisessä hoitotyön arjessa. RAFAELA-hoitoisuusluokitusjärjestelmää tulisikin edelleen kehittää tekoälyn ja rajapintaintegraatioiden avulla reaaliaikaiseksi hoitotyön johtamisen ja päätöksenteon työkaluksi.

At present, labor costs constitute nearly half of the total healthcare expenditures, yet concurrently, challenges in the availability of nursing personnel also exist. In this scenario, effective management of human resources is particularly important. Since nursing workload has been shown in many studies to be linked with negative patient outcomes, it is crucial to ensure that the RAFAELA patient classification system accurately measures the patient classification based on nursing care intensity related to the illness of each patient and the nursing workload of each unit, however there is the limited number of studies on the predictive validity of RAFAELA.

In the first phase of this doctoral research, the predictive validity of RAFAELA was investigated from 2012-2013 using the nursing workload level meter developed within this study, within the inpatient wards (n = 34) of two hospitals (Hospital A = university hospital, and Hospital B = central hospital). Monthly reports (n = 732) were compiled from the results of patient classifications (n = 429,836), which were integrated with monthly hospital mortality statistics (n = 1125) in the first sub-study, and with monthly safety incident reports (n = 2124) in the second sub-study.

In the second phase of the research, data from the third sub-study were utilized, encompassing results from parallel classification measurements and PAONCIL measurements within units (n = 104) that implemented RAFAELA between 2011- 2019 at the same university hospital as in the first phase. This phase aimed to ascertain the verification of RAFAELA's reliability and validity, and to evaluate the calibration process for optimal nursing workload levels during the demanding routine of nursing work. Additionally, outcomes from the 2017 RAFAELA audit for units (n = 44) within the same university hospital were incorporated.

The research data collected during the first and second phases were subjected to statistical analyses, which further reinforced the predictive validity of RAFAELA by demonstrating that the nursing workload level meter can predict negative patient outcomes. However, with respect to safety incident reports, the relationship was not as distinct, as the predictive model of the nursing workload level meter required additional explanatory variables, namely the unit's average nursing intensity level and patient-to-nurse ratio.

This study also underscored the challenge in ensuring the reliability and validity of RAFAELA. During the audit, only 60% of patients were consistently classified within the same nursing category. Nevertheless, PAONCIL results exhibited improvement over time with continuous utilization of RAFAELA. The essential precondition for proficient RAFAELA utilization is meticulous attention to system reliability and active utilization of information generated by RAFAELA.

In the third phase of the research, based on the results of this study a proposal for a new functional model for a patient classification system has been introduced. This model would help to reduce the burden on nursing managers and nurses. This model would facilitate a more real-time determination of unit nursing workload levels, enabling resource allocation based on actual needs, even within work shifts.

In conclusion, based on the research results, it can be stated that RAFAELA is a reliable patient classification system with good predictive validity. However, maintaining its reliability and validity can be challenging in the busy daily nursing work. RAFAELA patient classification system needs to be further developed using artificial intelligence and interface integrations to transform it into a real-time tool for nursing management and decision-making.