{"id":32878,"date":"2024-10-17T13:17:57","date_gmt":"2024-10-17T12:17:57","guid":{"rendered":"https:\/\/bnssghealthiertogether.org.uk\/?page_id=32878"},"modified":"2025-03-12T14:16:13","modified_gmt":"2025-03-12T14:16:13","slug":"icb-led-applied-research-projects","status":"publish","type":"page","link":"https:\/\/bnssghealthiertogether.org.uk\/pl\/integrated-care-board\/research-and-evidence\/our-research-portfolio\/icb-led-applied-research-projects\/","title":{"rendered":"Projekty bada\u0144 stosowanych prowadzone przez ICB"},"content":{"rendered":"
Sekcja zatytu\u0142owana modu\u0142-1<\/span><\/a>
\n
\n
\n

Projekty bada\u0144 stosowanych prowadzone przez ICB<\/h1>\n

Te projekty badawcze s\u0105 prowadzone przez wsp\u00f3\u0142pracownik\u00f3w ICB wspieranych przez naukowc\u00f3w w celu ukierunkowania na priorytetowe obszary ICB.<\/p>\n

Znajdowanie projekt\u00f3w:<\/strong> U\u017cyj \u201cCtrl + F\u201d, aby u\u017cy\u0107 funkcji wyszukiwania w przegl\u0105darce. Nast\u0119pnie u\u017cyj kluczowych termin\u00f3w, aby wyszuka\u0107 projekty w interesuj\u0105cym Ci\u0119 temacie. Najlepiej wypr\u00f3bowa\u0107 kilka alternatywnych s\u0142\u00f3w, np. \u201cBirth\u201d lub \u201cMaternity\u201d lub \u201cMaternal\u201d lub \u201cnatal\u201d.<\/p>\n

Testosteron w menopauzie: przegl\u0105d dowod\u00f3w i praktyki przepisywania - The Pharmaceutical Journal<\/a><\/h3>\n

Bli\u017csze spojrzenie na baz\u0119 dowodow\u0105 dotycz\u0105c\u0105 przepisywania testosteronu kobietom z menopauz\u0105, analiza wp\u0142ywu regionalnych formularzy i gwa\u0142townego wzrostu popytu w ostatnich latach.<\/p>\n

Lepsze wykorzystanie symulacji w opiece zdrowotnej: Rozw\u00f3j narz\u0119dzia open-source do modelowania przep\u0142ywu pacjent\u00f3w sterowany przez u\u017cytkownik\u00f3w<\/a>\u00a0<\/strong><\/h3>\n

Model PathSimR to wszechstronny model symulacyjny stworzony specjalnie w BNSSG do modelowania \u015bcie\u017cek pacjenta w opiece zdrowotnej. Zapewniaj\u0105c bezp\u0142atne i elastyczne rozwi\u0105zanie, oprogramowanie by\u0142o u\u017cywane w BNSSG i innych systemach NHS w r\u00f3\u017cnych projektach i pracach. Niniejszy dokument opowiada o tym, jak oprogramowanie zosta\u0142o opracowane i zawiera szczeg\u00f3\u0142owe informacje na temat jego dzia\u0142ania i funkcjonalno\u015bci.<\/p>\n

Optymalizacja r\u00f3wnowagi mi\u0119dzy mo\u017cliwo\u015bciami opieki dora\u017anej i po\u015bredniej dla z\u0142o\u017conej \u015bcie\u017cki wypisu.<\/strong><\/a><\/h3>\n

R\u00f3wnowa\u017cenie przepustowo\u015bci i przep\u0142ywu pacjent\u00f3w mi\u0119dzy ostrym szpitalem a opiek\u0105 \u015brodowiskow\u0105 jest trudnym problemem planowania, obejmuj\u0105cym uwzgl\u0119dnienie niepewnych przyjazd\u00f3w pacjent\u00f3w i zmiennych d\u0142ugo\u015bci pobytu. Dzi\u0119ki r\u00f3\u017cnym scenariuszom nasze modelowanie pomog\u0142o ujawni\u0107 optymaln\u0105 alokacj\u0119 przepustowo\u015bci na tej \u015bcie\u017cce. Modelowanie przeprowadzono w miesi\u0105cach nast\u0119puj\u0105cych bezpo\u015brednio po pandemii COVID-19.<\/p>\n

Zbadanie zr\u00f3wnowa\u017conych finansowo inicjatyw maj\u0105cych na celu rozwi\u0105zanie kwestii umieszczania pacjent\u00f3w na psychiatrycznych oddzia\u0142ach intensywnej terapii poza danym obszarem.<\/strong><\/a><\/h3>\n

Umieszczenie poza obszarem ma miejsce, gdy nie ma dost\u0119pnej pojemno\u015bci, aby zaspokoi\u0107 zapotrzebowanie w obszarze lokalnym. Mo\u017ce si\u0119 to cz\u0119sto zdarza\u0107 w przypadku opieki psychiatrycznej o wysokiej intensywno\u015bci, a pacjenci mog\u0105 by\u0107 wysy\u0142ani na du\u017ce odleg\u0142o\u015bci do innych plac\u00f3wek. Nasze modelowanie, wykorzystuj\u0105ce model PathSimR, uwzgl\u0119dnia\u0142o r\u00f3\u017cne scenariusze po stronie wydajno\u015bci w celu z\u0142agodzenia takich ewentualno\u015bci.<\/p>\n

Modelowanie odzyskiwania list oczekuj\u0105cych na zabieg po COVID-19<\/strong><\/a><\/h3>\n

Po pandemii COVID-19 znacznie wzros\u0142y listy oczekuj\u0105cych na zabiegi elektywne, a na wczesnych etapach wychodzenia z pandemii nie by\u0142o pewne, ile z wielu \u2018nieodebranych skierowa\u0144\u2019 powr\u00f3ci. Modelowanie przeprowadzono lokalnie, aby zrozumie\u0107 mo\u017cliw\u0105 wielko\u015b\u0107 listy oczekuj\u0105cych i czas oczekiwania w przypadku powrotu r\u00f3\u017cnych proporcji. Model zosta\u0142 r\u00f3wnie\u017c zastosowany na poziomie krajowym w ca\u0142ej Anglii.<\/p>\n

Optymalizacja \u015bcie\u017cek leczenia ostrego udaru m\u00f3zgu poprzez elastyczne wykorzystanie pojemno\u015bci \u0142\u00f3\u017cek<\/a>\u00a0<\/strong><\/h3>\n

Nasz model PathSimR zosta\u0142 wykorzystany do modelowania przysz\u0142ej scentralizowanej \u015bcie\u017cki leczenia udaru m\u00f3zgu planowanej w BNSSG. Modelowanie obejmowa\u0142o kalibracj\u0119 modelu \u015bcie\u017cki i jego wykorzystanie w celu udzielenia odpowiedzi na pytania dotycz\u0105ce tego, jak du\u017ca elastyczna pojemno\u015b\u0107 b\u0119dzie wymagana w r\u00f3\u017cnych momentach, aby zapewni\u0107, \u017ce zdecydowana wi\u0119kszo\u015b\u0107 pacjent\u00f3w nie napotka \u017cadnych op\u00f3\u017anie\u0144 przy przyj\u0119ciu na oddzia\u0142 udarowy.<\/p>\n

Wspieranie powrotu do zdrowia po pandemii COVID-19 poprzez skalowalne modelowanie list oczekuj\u0105cych<\/strong><\/a><\/h3>\n

Niniejszy dokument przedstawia podej\u015bcie do modelowania przyj\u0119te w BNSSG w celu oszacowania przysz\u0142ej wielko\u015bci listy oczekuj\u0105cych na poziomie trustu i specjalno\u015bci, w oparciu o r\u00f3\u017cne za\u0142o\u017cenia dotycz\u0105ce przysz\u0142ego popytu i poziom\u00f3w wydajno\u015bci. Prosty i skalowalny model zosta\u0142 zastosowany do ka\u017cdego trustu szpitalnego i specjalizacji w Anglii, a prognozy s\u0105 aktualizowane co miesi\u0105c.<\/p>\n

Fa\u0142szywa ekonomia d\u0105\u017cenia do wyeliminowania op\u00f3\u017anionych transfer\u00f3w opieki: Kilka lekcji z teorii kolejek<\/strong><\/a><\/h3>\n

Praca ta podwa\u017cy\u0142a ustalon\u0105 m\u0105dro\u015b\u0107, \u017ce w dobrze funkcjonuj\u0105cych systemach opieki zdrowotnej konieczne jest \u201cwyeliminowanie\u201d op\u00f3\u017anionych transfer\u00f3w opieki (czasami okre\u015blanych jako \u2018blokowanie \u0142\u00f3\u017cek\u2019). Badanie, wykorzystuj\u0105ce metody z matematycznej dyscypliny teorii kolejek, wykaza\u0142o, \u017ce realizacja takiej polityki jest prawdopodobnie nieekonomiczna, poniewa\u017c wymaga\u0142aby du\u017cej pojemno\u015bci spo\u0142eczno\u015bci, aby pomie\u015bci\u0107 nawet najrzadsze szczyty popytu, pozostawiaj\u0105c wiele pojemno\u015bci niewykorzystanych przez wi\u0119kszo\u015b\u0107 czasu.<\/p>\n

Wdro\u017cenie zalecanego skr\u00f3conego planu opieki i leczenia w nag\u0142ych wypadkach (ReSPECT)<\/h3>\n

Proces ReSPECT to inicjatywa, kt\u00f3ra tworzy spersonalizowane zalecenia dotycz\u0105ce opieki klinicznej i leczenia danej osoby w przysz\u0142ym nag\u0142ym wypadku, w kt\u00f3rym nie jest ona w stanie dokonywa\u0107 lub wyra\u017ca\u0107 wybor\u00f3w.\u00a0Inicjatywa ta zosta\u0142a wdro\u017cona na lokalnym obszarze podczas pandemii. Celem analizy jest okre\u015blenie sprawiedliwo\u015bci procesu wdra\u017cania formularza ReSPECT (podczas pierwszej fali Covid-19) oraz wszelkich powi\u0105zanych zmian w sposobie interakcji mi\u0119dzy pacjentami a ich lokalnymi organami opieki zdrowotnej. Pomo\u017ce to w podejmowaniu przysz\u0142ych decyzji dotycz\u0105cych wykorzystania formularza ReSPECT.<\/span><\/span><\/span><\/p>\n

Wykorzystanie hiperlokalnego zarz\u0105dzania zdrowiem populacji w celu zwi\u0119kszenia liczby os\u00f3b szczepionych przeciwko COVID-19<\/a><\/h3>\n

IBNSSG ICB zleci\u0142o przeprowadzenie lokalnych kampanii zach\u0119caj\u0105cych osoby, kt\u00f3re rzadziej poddaj\u0105 si\u0119 szczepieniom, do zaszczepienia si\u0119 przeciwko COVID-19. Analiza ta pomo\u017ce nam zrozumie\u0107, jak skuteczne by\u0142y te kampanie, aby\u015bmy mogli poprawi\u0107 spos\u00f3b organizowania lokalnych i krajowych program\u00f3w zdrowotnych z udzia\u0142em du\u017cej liczby os\u00f3b w przysz\u0142o\u015bci.<\/span><\/span><\/p>\n

P-NEWS: spersonalizowane wyniki wczesnego ostrzegania dla pacjent\u00f3w w stanie krytycznym<\/h3>\n

Projekt ten ma na celu zmniejszenie liczby przyj\u0119\u0107 na intensywn\u0105 terapi\u0119 poprzez wcze\u015bniejsz\u0105 interwencj\u0119 w celu skorygowania problem\u00f3w, zanim stan\u0105 si\u0119 one krytyczne. Planuje si\u0119 to osi\u0105gn\u0105\u0107 poprzez wykorzystanie obserwacji pacjent\u00f3w i zaawansowanej analityki w celu okre\u015blenia dok\u0142adnego ryzyka pogorszenia stanu zdrowia ka\u017cdego pacjenta. Krajowa skala wczesnego ostrzegania (NEWS) jest \u201cuniwersaln\u0105\u201d skal\u0105 podkre\u015blaj\u0105c\u0105, jak chory jest pacjent. Niestety, NEWS nie bierze pod uwag\u0119 wa\u017cnych cech, takich jak diagnoza i wcze\u015bniejsza historia medyczna. Projekt ten ma na celu udoskonalenie wyniku i wcze\u015bniejsze przewidywanie pogorszenia stanu zdrowia.<\/span><\/span><\/p>\n

Projekt ten jest cz\u0119\u015bci\u0105 partnerstwa Health Data Research UK South Better Care Partnership.<\/span><\/p>\n

Por\u00f3wnanie metod segmentacji populacji<\/a><\/h3>\n

Segmentacja populacji na poszczeg\u00f3lne grupy w oparciu o indywidualne atrybuty i\/lub aktywno\u015b\u0107 w zakresie opieki zdrowotnej jest kluczowym elementem zarz\u0105dzania zdrowiem populacji (Population Health Management - PHM). Istnieje jednak wiele mo\u017cliwych metod przeprowadzania segmentacji populacji, z kt\u00f3rych ka\u017cda ma swoje wady i zalety. W ramach tego projektu dokonano przegl\u0105du 16 najcz\u0119\u015bciej stosowanych podej\u015b\u0107 w celu okre\u015blenia, kt\u00f3ra metoda jest najbardziej odpowiednia do udzielenia odpowiedzi na poszczeg\u00f3lne rodzaje pyta\u0144. Uzyskane wyniki wp\u0142yn\u0119\u0142y na nasz wyb\u00f3r metody segmentacji podczas pracy nad projektami w ramach naszego programu PHM.<\/p>\n

Rozwik\u0142anie dynamiki skierowa\u0144 na leczenie w NHS<\/a><\/h3>\n

Skierowanie na leczenie (RTT), mierz\u0105ce odsetek pacjent\u00f3w oczekuj\u0105cych poni\u017cej 18 tygodni, jest g\u0142\u00f3wnym barometrem wynik\u00f3w leczenia planowego w NHS i s\u0142u\u017cy do monitorowania, jak d\u0142ugo pacjenci czekaj\u0105 na planowane leczenie. Dla system\u00f3w opieki zdrowotnej wa\u017cne jest zrozumienie i modelowanie dynamiki \u015bcie\u017cki RTT, tak aby mo\u017cna by\u0142o wiarygodnie przewidzie\u0107 przysz\u0142e czasy oczekiwania i oceni\u0107 wp\u0142yw zmian w skierowaniach i przepustowo\u015bci. Nasz komputerowy model symulacyjny by\u0142 regularnie wykorzystywany w tym celu, zar\u00f3wno dla r\u00f3\u017cnych trust\u00f3w szpitalnych, jak i specjalno\u015bci klinicznych.<\/p>\n

Modelowanie przepustowo\u015bci wzd\u0142u\u017c \u015bcie\u017cki pacjenta z op\u00f3\u017anieniami w transferze i wypisie.<\/a><\/h3>\n

Bez wystarczaj\u0105cej przepustowo\u015bci, \u015bcie\u017cki kliniczne mog\u0105 zosta\u0107 zablokowane, z pacjentami gotowymi do wypisu, ale niezdolnymi do przeniesienia w d\u00f3\u0142. Jest to niekorzystne zar\u00f3wno dla pacjent\u00f3w, jak i szpitali. Oszacowanie optymalnej wymaganej przepustowo\u015bci nie jest jednak proste. Podej\u015bcia oparte na arkuszach kalkulacyjnych s\u0105 szybkie i \u0142atwe, ale zazwyczaj niedoszacowuj\u0105 wymaganej liczby \u0142\u00f3\u017cek do uruchomienia. W tym artykule opracowali\u015bmy bardziej solidne podej\u015bcie, zapewniaj\u0105c konfigurowalny model komputerowy wielokrotnego u\u017cytku, kt\u00f3ry jest stosowany do szacowania wydajno\u015bci przysz\u0142ej \u015bcie\u017cki udaru.<\/p>\n

Zarz\u0105dzanie zdrowiem populacji w celu identyfikacji i scharakteryzowania bie\u017c\u0105cych potrzeb zdrowotnych os\u00f3b wysokiego ryzyka chronionych przed COVID-19: przekrojowe badanie kohortowe<\/a><\/h3>\n

Na wczesnych etapach pandemii COVID-19 oko\u0142o 30 000 wra\u017cliwych mieszka\u0144c\u00f3w BNSSG zosta\u0142o poproszonych o \u2018os\u0142on\u0119\u2019 w celu ochrony przed zagro\u017ceniami zwi\u0105zanymi z zaka\u017ceniem COVID-19. Jednak niewiele by\u0142o wiadomo o tej kohorcie os\u00f3b. Korzystaj\u0105c z powi\u0105zanych danych, zidentyfikowano sze\u015b\u0107 odr\u0119bnych segment\u00f3w w populacji ochronnej. Ich znajomo\u015b\u0107 pomog\u0142a nam lepiej dostosowa\u0107 porady dla pacjent\u00f3w i wesprze\u0107 lokalne zespo\u0142y podstawowej opieki zdrowotnej w zarz\u0105dzaniu ich stanem zdrowia podczas stosowania os\u0142on.<\/p>\n

Modelowanie scenariusza COVID-19 w celu z\u0142agodzenia liczby zgon\u00f3w na intensywnej terapii zale\u017cnych od wydajno\u015bci<\/a><\/h3>\n

Na samym pocz\u0105tku pandemii by\u0142o bardzo ma\u0142o informacji, kt\u00f3re pomog\u0142yby mened\u017cerom i klinicystom zrozumie\u0107 liczb\u0119 \u0142\u00f3\u017cek intensywnej terapii potrzebnych do zaspokojenia potencjalnego zapotrzebowania. By\u0142o to wa\u017cne, poniewa\u017c trudno by\u0142o przekszta\u0142ci\u0107 \u0142\u00f3\u017cka w specyfikacj\u0119 intensywnej terapii. Je\u015bli jednak przekszta\u0142cono zbyt ma\u0142o \u0142\u00f3\u017cek, mog\u0142o to spowodowa\u0107, \u017ce pacjenci nie b\u0119d\u0105 mieli dost\u0119pu do wymaganego poziomu opieki. Aby rozwi\u0105za\u0107 t\u0119 kwesti\u0119, szybko opracowano komputerowy model symulacyjny przep\u0142ywu pacjent\u00f3w z COVID-19 i wykorzystano go jako cz\u0119\u015b\u0107 kluczowej wst\u0119pnej reakcji na du\u017c\u0105 liczb\u0119 przypadk\u00f3w wiosn\u0105 2020 roku.<\/p>\n

Modelowanie wp\u0142ywu COVID-19 na czas oczekiwania na wizyt\u0119 planow\u0105<\/a><\/h3>\n

Podczas gdy bezpo\u015brednie skutki COVID-19 dotyczy\u0142y opieki szpitalnej w nag\u0142ych wypadkach, szybko sta\u0142o si\u0119 jasne, \u017ce decyzja o odroczeniu planowego leczenia wiosn\u0105 2020 r. b\u0119dzie mia\u0142a powa\u017cny wp\u0142yw na czas oczekiwania. Pytania brzmia\u0142y: jak du\u017cy b\u0119dzie to mia\u0142o wp\u0142yw i jak szybko mo\u017cemy odzyska\u0107 r\u00f3wnowag\u0119? Aby odpowiedzie\u0107 na te pytania, istniej\u0105ce narz\u0119dzie wykorzystywane do modelowania dynamiki skierowa\u0144 na leczenie (RTT) zosta\u0142o ponownie skalibrowane i wykorzystane do prognozowania czas\u00f3w oczekiwania w r\u00f3\u017cnych scenariuszach uznanych za prawdopodobne na pocz\u0105tku pandemii.<\/p>\n

Prognozowanie w celu lepszego zarz\u0105dzania pojemno\u015bci\u0105 \u0142\u00f3\u017cek w ostrych stanach COVID-19<\/a><\/h3>\n

Wraz z gwa\u0142townym wzrostem ob\u0142o\u017cenia \u0142\u00f3\u017cek w drugiej fali pandemii, plani\u015bci szpitalni potrzebowali szacunk\u00f3w dotycz\u0105cych prawdopodobnej liczby przyj\u0119\u0107 w nadchodz\u0105cych dniach. Prosty model prognozowania szereg\u00f3w czasowych zosta\u0142 zbudowany i wdro\u017cony do codziennego u\u017cytku w prognozowaniu ob\u0142o\u017cenia \u0142\u00f3\u017cek na ostrym i intensywnym oddziale dla wszystkich lokalnych szpitali. Pomog\u0142o to zapewni\u0107 przygotowanie odpowiedniej liczby \u0142\u00f3\u017cek i otwarcie nowych oddzia\u0142\u00f3w zaka\u017anych w razie potrzeby.<\/p>\n

Wp\u0142yw zwi\u0119kszonej telemedycyny ambulatoryjnej podczas COVID-19: Retrospektywna analiza ankiet pacjent\u00f3w i rutynowych danych dotycz\u0105cych aktywno\u015bci z du\u017cego systemu opieki zdrowotnej w Anglii<\/a><\/h3>\n

Aby pom\u00f3c ograniczy\u0107 liczb\u0119 zaka\u017ce\u0144 szpitalnych, na wczesnych etapach pandemii znaczna liczba konsultacji ambulatoryjnych zosta\u0142a przeniesiona ze \u015brodowiska fizycznego do wirtualnego. Badaj\u0105c du\u017c\u0105 liczb\u0119 ankiet przeprowadzonych w\u015br\u00f3d pacjent\u00f3w, stwierdzono, \u017ce wi\u0119cej respondent\u00f3w \u2018wola\u0142o\u2019 spotkania wirtualne ni\u017c fizyczne, przy czym siedem razy wi\u0119cej os\u00f3b uzna\u0142o je za \u2018mniej stresuj\u0105ce\u2019 ni\u017c \u2018bardziej stresuj\u0105ce\u2019. Wyniki pomog\u0142y w okre\u015bleniu mo\u017cliwej przydatno\u015bci konsultacji wideo w przysz\u0142o\u015bci.<\/p>\n

Warto\u015b\u0107 Triage w okresach intensywnego zapotrzebowania na COVID-19: Badanie modelowania symulacyjnego<\/a><\/h3>\n

Podczas gdy NHS na szcz\u0119\u015bcie nie musia\u0142 wprowadza\u0107 selekcji przyj\u0119\u0107 na intensywn\u0105 terapi\u0119 w pierwszym roku pandemii, czasami by\u0142 tego bliski. Kiedy popyt na takie zasoby przewy\u017csza poda\u017c, wa\u017cne jest, aby promowa\u0107 lepszy dost\u0119p do tych, kt\u00f3rzy maj\u0105 najwi\u0119cej do zyskania. Istnieje jednak niewiele dowod\u00f3w na to, jak wiele mo\u017cna zyska\u0107 dzi\u0119ki wdro\u017ceniu triage. Nasza praca zaj\u0119\u0142a si\u0119 t\u0105 luk\u0105, stwierdzaj\u0105c, \u017ce triage mo\u017ce zmniejszy\u0107 ca\u0142kowit\u0105 liczb\u0119 utraconych lat \u017cycia o 12%, je\u015bli popyt kiedykolwiek przekroczy poda\u017c.<\/p>\n

Badania operacyjne na rzecz bezpiecznego i skutecznego projektowania o\u015brodk\u00f3w masowych szczepie\u0144 przeciwko COVID-19<\/a><\/h3>\n

O\u015brodki szczepie\u0144 mia\u0142y kluczowe znaczenie dla zwi\u0119kszenia skali masowych szczepie\u0144 ludno\u015bci przeciwko COVID-19. Jednak plani\u015bci mieli bardzo ma\u0142o informacji, aby pokierowa\u0107 konfiguracj\u0105 tych miejsc, kt\u00f3re musia\u0142y zosta\u0107 utworzone w ci\u0105gu kilku tygodni. W o\u015brodku Ashton Gate w Bristolu wykorzystano komputerowe modelowanie symulacyjne, aby okre\u015bli\u0107 maksymaln\u0105 przepustowo\u015b\u0107 o\u015brodka pod wzgl\u0119dem liczby os\u00f3b, kt\u00f3re mo\u017cna zaszczepi\u0107 ka\u017cdego dnia. Wyniki modelu zosta\u0142y wykorzystane w kluczowych miesi\u0105cach otwarcia.<\/p>\n

Prognozowanie wp\u0142ywu z\u0142agodzenia ogranicze\u0144 spo\u0142ecznych na popyt na us\u0142ugi ratunkowe inne ni\u017c COVID-19 w Wielkiej Brytanii: Wnioskowanie statystyczne z wykorzystaniem danych dotycz\u0105cych mobilno\u015bci publicznej<\/a><\/h3>\n

Podczas gdy wiele uwagi po\u015bwi\u0119cono przypadkom COVID-19, ograniczenia spo\u0142eczne mia\u0142y r\u00f3wnie\u017c znacz\u0105cy wp\u0142yw na przyj\u0119cia do szpitali niezwi\u0105zane z COVID-19. Na przyk\u0142ad przy mniejszej liczbie uraz\u00f3w sportowych i wypadk\u00f3w drogowych w lokalnych szpitalach by\u0142o mniejsze zapotrzebowanie na pomoc w nag\u0142ych wypadkach. W pierwszych miesi\u0105cach 2021 r., wraz ze stopniowym rozlu\u017anianiem blokad, wykorzystano model regresji do prognozowania, w oparciu o oczekiwany wzrost mobilno\u015bci publicznej, zakresu, w jakim mog\u0105 wzrosn\u0105\u0107 przyj\u0119cia do \u0142\u00f3\u017cek.<\/p>\n

Rozwi\u0105zanie problemu przeszacowania i niewra\u017cliwo\u015bci w celu 85% dla \u015bredniego ob\u0142o\u017cenia \u0142\u00f3\u017cka<\/a><\/h3>\n

Od dawna i zasadniczo niekwestionowany wynik stanowi, \u017ce szpitale powinny d\u0105\u017cy\u0107 do \u015bredniego ob\u0142o\u017cenia \u0142\u00f3\u017cek 85%, r\u00f3wnowa\u017c\u0105c ryzyko dla bezpiecze\u0144stwa pacjent\u00f3w wynikaj\u0105ce ze zbyt ma\u0142ej pojemno\u015bci z konsekwencjami finansowymi zbyt du\u017cej. Jednak pojedyncza miara jest niewra\u017cliwa na zakres warunk\u00f3w, kt\u00f3re realnie istniej\u0105 w terenie. Tworz\u0105c tabel\u0119 \u2018look up\u2019 opart\u0105 na wielko\u015bci oddzia\u0142u i specjalizacji, nasze modelowanie ujawnia zestaw dok\u0142adniejszych cel\u00f3w, kt\u00f3re mog\u0105 by\u0107 wykorzystywane przez kierownik\u00f3w szpitali i zleceniodawc\u00f3w.<\/p>\n

Modelowanie wp\u0142ywu pierwszej fali COVID-19 na us\u0142ugi w zakresie zdrowia psychicznego<\/a><\/h3>\n

Podczas pierwszej fali pandemii istnia\u0142a du\u017ca niepewno\u015b\u0107 co do wielko\u015bci \u2018st\u0142umionego\u2019 popytu na us\u0142ugi w zakresie zdrowia psychicznego, kt\u00f3re mog\u0142yby prowadzi\u0107 do presji po zwolnieniu blokady. Szybko opracowano wszechstronny model kolejkowania dyskretnego w czasie i wykorzystano go do zbadania potencjalnego wp\u0142ywu szeregu r\u00f3\u017cnych trajektorii popytu i interwencji us\u0142ugowych maj\u0105cych na celu z\u0142agodzenie powa\u017cnej presji systemowej.<\/p>\n

Ustanowienie ram opartych na SEIR dla lokalnego modelowania zaka\u017ce\u0144 COVID-19, hospitalizacji i zgon\u00f3w<\/a><\/h3>\n

Podczas gdy modelowanie epidemiologiczne by\u0142o rutynowo wykorzystywane do informowania o podejmowaniu decyzji na szczeblu krajowym, bardzo niewiele by\u0142o wskaz\u00f3wek dotycz\u0105cych planowania na szczeblu lokalnym. Ostatecznie kluczow\u0105 miar\u0105 zainteresowania by\u0142a oczekiwana przysz\u0142a liczba ostrych przyj\u0119\u0107 COVID-19. Korzystaj\u0105c z przedzia\u0142owego modelu typu \u2018SEIR\u2019, powo\u0142ano mi\u0119dzysystemow\u0105 multidyscyplinarn\u0105 grup\u0119 robocz\u0105 w celu skonfigurowania r\u00f3\u017cnych prawdopodobnych scenariuszy, a wyniki kszta\u0142towa\u0142y lokaln\u0105 reakcj\u0119 przy okre\u015blaniu, ile \u0142\u00f3\u017cek by\u0142o potrzebnych, aby bezpiecznie zaspokoi\u0107 przysz\u0142e zapotrzebowanie.<\/p>\n

Modelowanie wp\u0142ywu masowych szczepie\u0144 przeciwko COVID-19 na ostre przyj\u0119cia do szpitala<\/a><\/h3>\n

Opieraj\u0105c si\u0119 na wcze\u015bniejszych pracach obejmuj\u0105cych przedzia\u0142owy model typu \u2018SEIR\u2019, wprowadzono szereg ulepsze\u0144 technicznych w celu uwzgl\u0119dnienia wp\u0142ywu szczepie\u0144 na dynamik\u0119 transmisji. Model zosta\u0142 nast\u0119pnie wykorzystany do zbadania szeregu scenariuszy zwi\u0105zanych z planem z\u0142agodzenia lockdownu na pocz\u0105tku 2021 roku. Prognozy zosta\u0142y zweryfikowane z jesiennym odbiciem w 2021 r. w przypadkach szpitalnych mieszcz\u0105cych si\u0119 w modelowanym zakresie mi\u0119dzykwartylowym.<\/p>\n

Wykorzystanie powi\u0105zanych danych pacjent\u00f3w do oceny wp\u0142ywu Long-COVID na wykorzystanie opieki zdrowotnej w ca\u0142ym systemie<\/a><\/h3>\n

Opr\u00f3cz bezpo\u015bredniego wp\u0142ywu zaka\u017cenia COVID-19 na ostre us\u0142ugi opieki zdrowotnej, istnia\u0142y obawy, \u017ce d\u0142ugoterminowe skutki (tak zwany \u2018Long-COVID\u2019) mog\u0105 nak\u0142ada\u0107 dodatkowe wymagania na inne plac\u00f3wki opieki zdrowotnej. Zbi\u00f3r danych BNSSG System Wide Dataset zosta\u0142 wykorzystany do zidentyfikowania dowod\u00f3w na statystycznie istotny wzrost aktywno\u015bci opieki zdrowotnej w ci\u0105gu trzech miesi\u0119cy od diagnozy COVID-19.<\/p>\n <\/div>\n

\n

Inne strony w sekcji Nasze portfolio badawcze:<\/p>\n

\n