{"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\/tr\/integrated-care-board\/research-and-evidence\/our-research-portfolio\/icb-led-applied-research-projects\/","title":{"rendered":"ICB \u00f6nc\u00fcl\u00fc\u011f\u00fcnde y\u00fcr\u00fct\u00fclen Uygulamal\u0131 Ara\u015ft\u0131rma Projeleri"},"content":{"rendered":"
Mod\u00fcl-1 ba\u015fl\u0131kl\u0131 b\u00f6l\u00fcm<\/span><\/a>
\n
\n
\n

ICB \u00f6nc\u00fcl\u00fc\u011f\u00fcnde y\u00fcr\u00fct\u00fclen Uygulamal\u0131 Ara\u015ft\u0131rma Projeleri<\/h1>\n

Bu ara\u015ft\u0131rma projeleri, ICB'nin \u00f6ncelikli alanlar\u0131n\u0131 hedefleyen ara\u015ft\u0131rmac\u0131lar taraf\u0131ndan desteklenen ICB \u00e7al\u0131\u015fanlar\u0131 taraf\u0131ndan y\u00fcr\u00fct\u00fclmektedir.<\/p>\n

Proje bulma:<\/strong> Taray\u0131c\u0131n\u0131zdaki arama i\u015flevini kullanmak i\u00e7in \u201cCtrl + F\u201d tu\u015flar\u0131n\u0131 kullan\u0131n. Ard\u0131ndan, ilgi alan\u0131n\u0131zdaki projeleri aramak i\u00e7in anahtar kelimeler kullan\u0131n. \u201cDo\u011fum\u201d, \u201cAnnelik\u201d, \u201cAnne\u201d veya \u201cdo\u011fumla ilgili\u201d gibi birka\u00e7 alternatif kelime denemek en iyisidir.<\/p>\n

Menopozda testosteron: Kan\u0131tlar\u0131n ve re\u00e7eteleme uygulamalar\u0131n\u0131n g\u00f6zden ge\u00e7irilmesi \u2013 Eczac\u0131l\u0131k Dergisi<\/a><\/h3>\n

Menopoz d\u00f6nemindeki kad\u0131nlar i\u00e7in testosteron re\u00e7eteleme konusundaki kan\u0131t taban\u0131na daha yak\u0131ndan bak\u0131\u015f, b\u00f6lgesel ila\u00e7 listelerinin etkisi ve son y\u0131llardaki talep art\u0131\u015f\u0131n\u0131n analizi.<\/p>\n

Sa\u011fl\u0131k hizmetlerinde sim\u00fclasyon kullan\u0131m\u0131n\u0131n art\u0131r\u0131lmas\u0131: Hasta ak\u0131\u015f\u0131n\u0131 modellemek i\u00e7in kullan\u0131c\u0131 odakl\u0131 a\u00e7\u0131k kaynakl\u0131 bir arac\u0131n geli\u015ftirilmesi<\/a>\u00a0<\/strong><\/h3>\n

PathSimR modeli, sa\u011fl\u0131k hizmetlerinde hasta yolculuklar\u0131n\u0131 modellemek i\u00e7in BNSSG'de \u00f6zel olarak geli\u015ftirilmi\u015f \u00e7ok y\u00f6nl\u00fc bir sim\u00fclasyon modelidir. \u00dccretsiz ve esnek bir \u00e7\u00f6z\u00fcm sunan yaz\u0131l\u0131m, BNSSG'de ve di\u011fer NHS sistemlerinde \u00e7e\u015fitli projeler ve \u00e7al\u0131\u015fmalar i\u00e7in kullan\u0131lm\u0131\u015ft\u0131r. Bu makale, yaz\u0131l\u0131m\u0131n nas\u0131l geli\u015ftirildi\u011finin \u00f6yk\u00fcs\u00fcn\u00fc anlatmakta ve \u00e7al\u0131\u015fma \u015fekli ve i\u015flevselli\u011fi hakk\u0131nda ayr\u0131nt\u0131l\u0131 bilgi vermektedir.<\/p>\n

Karma\u015f\u0131k taburculuk s\u00fcrecinde akut ve ara bak\u0131m kapasitesinin dengesinin optimize edilmesi<\/strong><\/a><\/h3>\n

Akut hastane ve toplum bak\u0131m\u0131 aras\u0131nda kapasiteyi ve hasta ak\u0131\u015f\u0131n\u0131 dengelemek, belirsiz hasta geli\u015fleri ve de\u011fi\u015fken kal\u0131\u015f s\u00fcrelerini dikkate almay\u0131 gerektiren zorlu bir planlama problemidir. \u00c7e\u015fitli senaryolar arac\u0131l\u0131\u011f\u0131yla, modellememiz bu s\u00fcre\u00e7 boyunca kapasitenin en uygun \u015fekilde nas\u0131l tahsis edilece\u011fini ortaya koymaya yard\u0131mc\u0131 olmu\u015ftur. Modelleme, COVID-19'u takip eden ilk aylarda ger\u00e7ekle\u015ftirilmi\u015ftir.<\/p>\n

Psikiyatri yo\u011fun bak\u0131m \u00fcnitelerinde b\u00f6lge d\u0131\u015f\u0131 yerle\u015ftirmelere y\u00f6nelik mali a\u00e7\u0131dan s\u00fcrd\u00fcr\u00fclebilir giri\u015fimlerin ara\u015ft\u0131r\u0131lmas\u0131<\/strong><\/a><\/h3>\n

B\u00f6lge d\u0131\u015f\u0131 yerle\u015ftirmeler, yerel b\u00f6lgede talebi kar\u015f\u0131layacak kapasite bulunmad\u0131\u011f\u0131nda ger\u00e7ekle\u015fir. Bu durum genellikle y\u00fcksek yo\u011funluklu ruh sa\u011fl\u0131\u011f\u0131 hizmetlerinde ya\u015fan\u0131r ve hastalar potansiyel olarak \u00e7ok uzak mesafelerdeki di\u011fer tesislere g\u00f6nderilir. PathSimR modelini kullanarak yapt\u0131\u011f\u0131m\u0131z modelleme, bu t\u00fcr olas\u0131l\u0131klar\u0131 azaltmak i\u00e7in \u00e7e\u015fitli kapasite senaryolar\u0131n\u0131 dikkate alm\u0131\u015ft\u0131r.<\/p>\n

COVID-19 Sonras\u0131 Se\u00e7meli Bekleme Listelerinin \u0130yile\u015fmesinin Modellenmesi<\/strong><\/a><\/h3>\n

COVID-19 pandemisinin ard\u0131ndan se\u00e7meli bekleme listeleri \u00f6nemli \u00f6l\u00e7\u00fcde artm\u0131\u015ft\u0131 ve pandeminin etkilerinden kurtulman\u0131n ilk a\u015famalar\u0131nda, "ka\u00e7\u0131r\u0131lan sevklerin" ne kadar\u0131n\u0131n geri d\u00f6nece\u011fi belirsizdi. Bekleme listesinin olas\u0131 b\u00fcy\u00fckl\u00fc\u011f\u00fcn\u00fc ve bekleme s\u00fcrelerini anlamak i\u00e7in yerel d\u00fczeyde modelleme yap\u0131ld\u0131; bu modelleme, farkl\u0131 oranlarda geri d\u00f6n\u00fc\u015f olmas\u0131 durumunda ulusal d\u00fczeyde de uyguland\u0131.<\/p>\n

Yatak kapasitesinin esnek kullan\u0131m\u0131 yoluyla akut inme tedavi yollar\u0131n\u0131n optimize edilmesi<\/a>\u00a0<\/strong><\/h3>\n

PathSimR modelimiz, BNSSG'de planlanan gelecekteki merkezi inme tedavi yolunu modellemek i\u00e7in kullan\u0131ld\u0131. Modelleme, tedavi yolu modelinin kalibrasyonunu ve hastalar\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011funun hiperakut inme \u00fcnitesine kabul\u00fcnde herhangi bir gecikme ya\u015famamas\u0131n\u0131 sa\u011flamak i\u00e7in \u00e7e\u015fitli zamanlarda ne kadar esnek kapasiteye ihtiya\u00e7 duyulaca\u011f\u0131yla ilgili sorular\u0131 yan\u0131tlamak i\u00e7in kullan\u0131m\u0131n\u0131 i\u00e7eriyordu.<\/p>\n

\u00d6l\u00e7eklenebilir bekleme listesi modellemesi yoluyla COVID-19'dan sonraki planl\u0131 iyile\u015fme s\u00fcrecini desteklemek<\/strong><\/a><\/h3>\n

Bu makale, BNSSG'de gelecekteki talep ve kapasite d\u00fczeylerine ili\u015fkin farkl\u0131 varsay\u0131mlara dayanarak, hastane ve uzmanl\u0131k alan\u0131 d\u00fczeyinde gelecekteki bekleme listesi boyutunu tahmin etmek i\u00e7in izlenen modelleme yakla\u015f\u0131m\u0131n\u0131 ele almaktad\u0131r. Basit ve \u00f6l\u00e7eklenebilir olmas\u0131 nedeniyle, model o zamandan beri \u0130ngiltere'deki her hastane kurulu\u015fu ve uzmanl\u0131k alan\u0131na uygulanm\u0131\u015f ve bu tahminler ayl\u0131k olarak g\u00fcncellenmi\u015ftir.<\/p>\n

Bak\u0131m Transferlerindeki Gecikmeleri Ortadan Kald\u0131rma \u00c7abas\u0131n\u0131n Yanl\u0131\u015f Ekonomik Yakla\u015f\u0131m\u0131: Kuyruk Teorisinden Baz\u0131 Dersler<\/strong><\/a><\/h3>\n

Bu \u00e7al\u0131\u015fma, iyi i\u015fleyen sa\u011fl\u0131k sistemlerinde bak\u0131m transferlerindeki gecikmelerin (bazen 'yatak i\u015fgali' olarak da adland\u0131r\u0131l\u0131r) "ortadan kald\u0131r\u0131lmas\u0131n\u0131n" gerekli oldu\u011fu y\u00f6n\u00fcndeki yerle\u015fik g\u00f6r\u00fc\u015fe meydan okudu. Matematiksel kuyruk teorisi disiplininden y\u00f6ntemler kullanan \u00e7al\u0131\u015fma, b\u00f6yle bir politikan\u0131n izlenmesinin ekonomik olmayaca\u011f\u0131n\u0131, \u00e7\u00fcnk\u00fc en nadir talep zirvelerini bile kar\u015f\u0131lamak i\u00e7in b\u00fcy\u00fck miktarda topluluk kapasitesi gerektirece\u011fini ve kapasitenin b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131n zaman\u0131n b\u00fcy\u00fck bir b\u00f6l\u00fcm\u00fcnde kullan\u0131lmadan kalaca\u011f\u0131n\u0131 ortaya koydu.<\/p>\n

Acil Bak\u0131m ve Tedavi i\u00e7in \u00d6nerilen \u00d6zet Plan\u0131n (ReSPECT) Uygulanmas\u0131<\/h3>\n

ReSPECT s\u00fcreci, bir ki\u015finin gelecekte acil bir durumda, se\u00e7im yapamayacak veya tercihlerini ifade edemeyecek durumda olmas\u0131 halinde, klinik bak\u0131m ve tedavisi i\u00e7in ki\u015fiselle\u015ftirilmi\u015f \u00f6neriler olu\u015fturan bir giri\u015fimdir.\u00a0Bu giri\u015fim, pandemi s\u0131ras\u0131nda yerel b\u00f6lgede hayata ge\u00e7irildi. Analizin amac\u0131, ReSPECT formunun uygulama s\u00fcrecinin (ilk Covid-19 dalgas\u0131 s\u0131ras\u0131nda) e\u015fitli\u011fini ve sonras\u0131nda hastalar ile yerel sa\u011fl\u0131k kurulu\u015flar\u0131 aras\u0131ndaki etkile\u015fimde meydana gelebilecek de\u011fi\u015fiklikleri belirlemektir. Bu, ReSPECT formunun kullan\u0131m\u0131yla ilgili gelecekteki g\u00f6revlendirme kararlar\u0131na \u0131\u015f\u0131k tutacakt\u0131r.<\/span><\/span><\/span><\/p>\n

Yerel odakl\u0131 n\u00fcfus sa\u011fl\u0131\u011f\u0131 y\u00f6netimini kullanarak COVID-19'a kar\u015f\u0131 a\u015f\u0131lanan ki\u015fi say\u0131s\u0131n\u0131 art\u0131rmak<\/a><\/h3>\n

IBNSSG ICB, a\u015f\u0131 olma olas\u0131l\u0131\u011f\u0131 d\u00fc\u015f\u00fck olan ki\u015fileri COVID-19 a\u015f\u0131s\u0131 olmaya te\u015fvik etmek i\u00e7in yerel kampanyalar g\u00f6revlendirdi. Bu analiz, bu kampanyalar\u0131n ne kadar etkili oldu\u011funu anlamam\u0131za yard\u0131mc\u0131 olacak, b\u00f6ylece gelecekte \u00e7ok say\u0131da insan\u0131 kapsayan yerel ve ulusal sa\u011fl\u0131k programlar\u0131n\u0131 nas\u0131l organize edece\u011fimizi geli\u015ftirebilece\u011fiz.<\/span><\/span><\/p>\n

P-NEWS: Kritik durumdaki hastalar i\u00e7in ki\u015fiselle\u015ftirilmi\u015f erken uyar\u0131 skorlar\u0131<\/h3>\n

Bu proje, sorunlar kritik hale gelmeden \u00f6nce m\u00fcdahale ederek yo\u011fun bak\u0131m \u00fcnitelerine yat\u0131\u015flar\u0131 azaltmay\u0131 ama\u00e7lamaktad\u0131r. Bunu, hasta g\u00f6zlemlerini ve geli\u015fmi\u015f analitik y\u00f6ntemleri kullanarak her bir hasta i\u00e7in do\u011fru bir k\u00f6t\u00fcle\u015fme riski tahmini \u00fcreterek yapmay\u0131 planl\u0131yorlar. Ulusal Erken Uyar\u0131 Skoru (NEWS), bir hastan\u0131n ne kadar hasta oldu\u011funu vurgulayan "herkese uyan tek bir skor"tur. Ne yaz\u0131k ki, NEWS tan\u0131 ve ge\u00e7mi\u015f t\u0131bbi \u00f6yk\u00fc gibi \u00f6nemli \u00f6zellikleri dikkate almamaktad\u0131r. Bu proje, skoru iyile\u015ftirmeyi ve k\u00f6t\u00fcle\u015fmeyi daha erken tahmin etmeyi ama\u00e7lamaktad\u0131r.<\/span><\/span><\/p>\n

Bu proje, Health Data Research UK South Better Care Partnership'in bir par\u00e7as\u0131d\u0131r.<\/span><\/p>\n

N\u00fcfus segmentasyon y\u00f6ntemlerinin kar\u015f\u0131la\u015ft\u0131r\u0131lmas\u0131<\/a><\/h3>\n

N\u00fcfusu bireysel \u00f6zelliklere ve\/veya sa\u011fl\u0131k hizmeti faaliyetlerine g\u00f6re belirli gruplara ay\u0131rmak, N\u00fcfus Sa\u011fl\u0131\u011f\u0131 Y\u00f6netimi'nin (PHM) \u00f6nemli bir bile\u015fenidir. Bununla birlikte, n\u00fcfus segmentasyonu yapmak i\u00e7in her birinin kendi avantaj ve dezavantajlar\u0131 olan \u00e7ok say\u0131da olas\u0131 y\u00f6ntem mevcuttur. Bu proje, belirli soru t\u00fcrlerine en uygun y\u00f6ntemi belirlemek i\u00e7in en yayg\u0131n kullan\u0131lan 16 yakla\u015f\u0131m\u0131 incelemi\u015ftir. Bulgular, PHM program\u0131m\u0131z kapsam\u0131ndaki projelerde segmentasyon y\u00f6ntemimizi se\u00e7memize yard\u0131mc\u0131 olmu\u015ftur.<\/p>\n

NHS'te sevkten tedaviye kadar olan dinamiklerin \u00e7\u00f6z\u00fcmlenmesi<\/a><\/h3>\n

NHS'de planl\u0131 tedavi performans\u0131n\u0131n temel g\u00f6stergesi olan ve 18 haftadan daha k\u0131sa s\u00fcre bekleyen hastalar\u0131n oran\u0131n\u0131 \u00f6l\u00e7en tedaviye y\u00f6nlendirme (RTT), hastalar\u0131n planl\u0131 tedavi i\u00e7in ne kadar s\u00fcre bekledi\u011fini izlemek i\u00e7in kullan\u0131l\u0131r. Sa\u011fl\u0131k sistemleri i\u00e7in, gelecekteki bekleme s\u00fcrelerinin g\u00fcvenilir bir \u015fekilde tahmin edilebilmesi ve sevk ve kapasitedeki de\u011fi\u015fikliklerin etkisinin de\u011ferlendirilebilmesi i\u00e7in RTT yolunun dinamiklerini anlamak ve modellemek \u00f6nemlidir. Bilgisayar sim\u00fclasyon modelimiz, hem farkl\u0131 hastane kurulu\u015flar\u0131 hem de klinik uzmanl\u0131k alanlar\u0131 i\u00e7in bu ama\u00e7la d\u00fczenli olarak kullan\u0131lmaktad\u0131r.<\/p>\n

Hastan\u0131n transfer ve taburculuk s\u00fcre\u00e7lerindeki gecikmeleri de i\u00e7eren hasta yolculu\u011fu boyunca kapasite modellemesi<\/a><\/h3>\n

Yeterli kapasite olmadan, klinik s\u00fcre\u00e7ler t\u0131kanabilir; taburcu edilmeye haz\u0131r hastalar bir sonraki a\u015famaya aktar\u0131lamaz. Bu durum hem hastalar hem de hastaneler i\u00e7in olumsuz sonu\u00e7lar do\u011furur. Ancak, gerekli optimum kapasiteyi tahmin etmek kolay de\u011fildir. Hesap tablosu yakla\u015f\u0131mlar\u0131 h\u0131zl\u0131 ve kolay olsa da, genellikle devreye al\u0131nmas\u0131 gereken yatak say\u0131s\u0131n\u0131 oldu\u011fundan d\u00fc\u015f\u00fck tahmin ederler. Burada, gelecekteki inme tedavi s\u00fcre\u00e7leri i\u00e7in kapasiteyi tahmin etmek amac\u0131yla kullan\u0131lan, \u00f6zelle\u015ftirilebilir ve yeniden kullan\u0131labilir bir bilgisayar modeli sa\u011flayan daha sa\u011flam bir yakla\u015f\u0131m geli\u015ftiriyoruz.<\/p>\n

COVID-19'dan korunmu\u015f y\u00fcksek riskli bireylerin devam eden sa\u011fl\u0131k ihtiya\u00e7lar\u0131n\u0131 belirlemek ve karakterize etmek i\u00e7in N\u00fcfus Sa\u011fl\u0131\u011f\u0131 Y\u00f6netimi: kesitsel kohort \u00e7al\u0131\u015fmas\u0131<\/a><\/h3>\n

COVID-19 pandemisinin ilk a\u015famalar\u0131nda, yakla\u015f\u0131k 30.000 savunmas\u0131z BNSSG sakinine, COVID-19 enfeksiyonunun tehlikelerinden korunmak i\u00e7in 'kendilerini izole etmeleri' istendi. Ancak bu birey grubu hakk\u0131nda \u00e7ok az \u015fey biliniyordu. Ba\u011flant\u0131l\u0131 veriler kullan\u0131larak, kendini izole eden n\u00fcfus i\u00e7inde alt\u0131 farkl\u0131 segment belirlendi. Bunlar\u0131n fark\u0131nda olmak, hastalara daha iyi tavsiyeler vermemize ve yerel birinci basamak sa\u011fl\u0131k ekiplerine kendilerini izole ederken durumlar\u0131n\u0131 y\u00f6netmelerinde destek olmam\u0131za yard\u0131mc\u0131 oldu.<\/p>\n

Yo\u011fun bak\u0131mda kapasiteye ba\u011fl\u0131 \u00f6l\u00fcmlerin azalt\u0131lmas\u0131 i\u00e7in COVID-19 senaryo modellemesi<\/a><\/h3>\n

Pandeminin ba\u015flang\u0131c\u0131nda, y\u00f6neticilerin ve klinisyenlerin olas\u0131 talebi kar\u015f\u0131lamak i\u00e7in gereken yo\u011fun bak\u0131m yata\u011f\u0131 say\u0131s\u0131n\u0131 anlamalar\u0131na yard\u0131mc\u0131 olacak \u00e7ok az bilgi vard\u0131. Bu \u00f6nemliydi \u00e7\u00fcnk\u00fc yataklar\u0131 yo\u011fun bak\u0131m \u00f6zelliklerine d\u00f6n\u00fc\u015ft\u00fcrmek zordu. Ancak, \u00e7ok az yatak d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcrse, bu durum hastalar\u0131n ihtiya\u00e7 duyduklar\u0131 bak\u0131m seviyesine eri\u015fememelerine yol a\u00e7abilirdi. Bu sorunu ele almak i\u00e7in, COVID-19 hasta ak\u0131\u015f\u0131n\u0131n bilgisayar sim\u00fclasyon modeli h\u0131zla geli\u015ftirildi ve 2020 bahar\u0131ndaki y\u00fcksek vaka say\u0131lar\u0131na verilen kritik ilk yan\u0131t\u0131n bir par\u00e7as\u0131 olarak kullan\u0131ld\u0131.<\/p>\n

COVID-19'un planl\u0131 ameliyat bekleme s\u00fcreleri \u00fczerindeki etkisinin modellenmesi<\/a><\/h3>\n

COVID-19'un acil etkileri hastanelerin acil bak\u0131m\u0131n\u0131 etkilerken, 2020 bahar\u0131nda planl\u0131 tedavilerin ertelenmesi karar\u0131n\u0131n bekleme s\u00fcreleri \u00fczerinde ciddi bir etkiye sahip olaca\u011f\u0131 h\u0131zla anla\u015f\u0131ld\u0131. Sorular \u015funlard\u0131: Bu ne kadar etkili olacak ve ne kadar \u00e7abuk toparlanabilece\u011fiz? Bu sorular\u0131 yan\u0131tlamak i\u00e7in, sevkten tedaviye (RTT) dinamiklerini modellemek i\u00e7in kullan\u0131lan mevcut bir ara\u00e7 yeniden kalibre edildi ve pandeminin ba\u015flang\u0131c\u0131nda olas\u0131 kabul edilen \u00e7e\u015fitli senaryolar alt\u0131nda bekleme s\u00fcrelerini tahmin etmek i\u00e7in kullan\u0131ld\u0131.<\/p>\n

COVID-19 yo\u011fun bak\u0131m yatak kapasitesinin daha iyi y\u00f6netimi i\u00e7in anl\u0131k tahminleme<\/a><\/h3>\n

Pandeminin ikinci dalgas\u0131nda yatak doluluk oranlar\u0131 h\u0131zla artarken, hastane planlamac\u0131lar\u0131 \u00f6n\u00fcm\u00fczdeki g\u00fcnlerde muhtemel hasta kabul say\u0131s\u0131na ili\u015fkin tahminlere ihtiya\u00e7 duydu. Yerel hastanelerin tamam\u0131 i\u00e7in akut ve yo\u011fun bak\u0131m yatak doluluk oranlar\u0131n\u0131 tahmin etmek amac\u0131yla basit bir zaman serisi tahmin modeli olu\u015fturuldu ve g\u00fcnl\u00fck kullan\u0131m i\u00e7in devreye al\u0131nd\u0131. Bu, uygun say\u0131da yata\u011f\u0131n haz\u0131rlanmas\u0131n\u0131 ve gerekti\u011finde yeni enfeksiyon servislerinin a\u00e7\u0131lmas\u0131n\u0131 sa\u011flamaya yard\u0131mc\u0131 oldu.<\/p>\n

COVID-19 s\u0131ras\u0131nda artan ayakta tedavi telet\u0131p hizmetlerinin etkisi: \u0130ngiltere'deki b\u00fcy\u00fck bir sa\u011fl\u0131k sisteminden elde edilen hasta anketleri ve rutin faaliyet verilerinin retrospektif analizi<\/a><\/h3>\n

Hastane enfeksiyonlar\u0131n\u0131 s\u0131n\u0131rlamaya yard\u0131mc\u0131 olmak amac\u0131yla, pandeminin ilk a\u015famalar\u0131nda poliklinik g\u00f6r\u00fc\u015fmelerinin \u00f6nemli bir k\u0131sm\u0131 fiziksel ortamdan sanal ortama ta\u015f\u0131nd\u0131. \u00c7ok say\u0131da hasta anketini inceledi\u011fimizde, kat\u0131l\u0131mc\u0131lar\u0131n daha b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131n sanal g\u00f6r\u00fc\u015fmeleri fiziksel g\u00f6r\u00fc\u015fmelere tercih etti\u011fi ve yedi kat daha fazla ki\u015finin sanal g\u00f6r\u00fc\u015fmeleri "daha az stresli" buldu\u011fu, "daha stresli" bulmad\u0131\u011f\u0131 tespit edildi. Bu sonu\u00e7lar, video g\u00f6r\u00fc\u015fmelerinin gelecekteki uygunlu\u011fu konusunda bilgi sa\u011flamaya yard\u0131mc\u0131 oldu.<\/p>\n

Yo\u011fun COVID-19 Talebi D\u00f6nemlerinde Triage'\u0131n De\u011feri: Sim\u00fclasyon Modelleme \u00c7al\u0131\u015fmas\u0131<\/a><\/h3>\n

Neyse ki NHS, pandeminin ilk y\u0131l\u0131nda yo\u011fun bak\u0131m \u00fcnitelerine yat\u0131\u015flar i\u00e7in triyaj uygulamak zorunda kalmad\u0131, ancak zaman zaman buna \u00e7ok yakla\u015ft\u0131. B\u00f6yle bir kayna\u011fa olan talep arz\u0131 a\u015ft\u0131\u011f\u0131nda, en \u00e7ok fayda g\u00f6recek olanlara daha iyi eri\u015fim sa\u011flaman\u0131n \u00f6nemli oldu\u011fu tart\u0131\u015f\u0131labilir. Bununla birlikte, triyaj uygulamas\u0131n\u0131n ne kadar fayda sa\u011flayabilece\u011fini destekleyen \u00e7ok az kan\u0131t bulunmaktad\u0131r. \u00c7al\u0131\u015fmam\u0131z bu bo\u015flu\u011fu ele alarak, talep arz\u0131 a\u015ft\u0131\u011f\u0131 takdirde triyaj\u0131n toplam kaybedilen ya\u015fam y\u0131llar\u0131n\u0131 121.300 y\u0131l azaltabilece\u011fini bulmu\u015ftur.<\/p>\n

COVID-19 kitlesel a\u015f\u0131lama merkezlerinin g\u00fcvenli ve etkili tasar\u0131m\u0131 i\u00e7in operasyonel ara\u015ft\u0131rma<\/a><\/h3>\n

A\u015f\u0131 merkezleri, COVID-19'a kar\u015f\u0131 n\u00fcfusun kitlesel a\u015f\u0131lanmas\u0131n\u0131 art\u0131rmak i\u00e7in kritik \u00f6neme sahipti. Ancak planlamac\u0131lar, birka\u00e7 hafta i\u00e7inde kurulmas\u0131 gereken bu merkezlerin yap\u0131land\u0131r\u0131lmas\u0131na rehberlik edecek \u00e7ok az bilgiye sahipti. Bristol Ashton Gate merkezinde, merkezin g\u00fcnl\u00fck olarak a\u015f\u0131lanabilecek ki\u015fi say\u0131s\u0131 a\u00e7\u0131s\u0131ndan maksimum kapasitesini belirlemek i\u00e7in bilgisayar sim\u00fclasyon modellemesi kullan\u0131ld\u0131. Model \u00e7\u0131kt\u0131lar\u0131, operasyonun kritik ilk aylar\u0131nda kullan\u0131ld\u0131.<\/p>\n

Birle\u015fik Krall\u0131k'ta toplumsal k\u0131s\u0131tlamalar\u0131n gev\u015fetilmesinin COVID-19 d\u0131\u015f\u0131 acil durum talebi \u00fczerindeki etkisinin tahmin edilmesi: Kamu hareketlili\u011fi verileri kullan\u0131larak istatistiksel \u00e7\u0131kar\u0131m<\/a><\/h3>\n

Odak noktas\u0131n\u0131n b\u00fcy\u00fck \u00f6l\u00e7\u00fcde COVID-19 vakalar\u0131 \u00fczerinde olmas\u0131na ra\u011fmen, toplumsal k\u0131s\u0131tlamalar COVID-19 d\u0131\u015f\u0131 hastane yat\u0131\u015flar\u0131 \u00fczerinde de \u00f6nemli bir etkiye sahipti. \u00d6rne\u011fin, spor yaralanmalar\u0131 ve trafik kazalar\u0131n\u0131n azalmas\u0131yla yerel hastanelerde acil servis talebi de azald\u0131. 2021 y\u0131l\u0131n\u0131n ilk aylar\u0131nda, k\u0131s\u0131tlamalar\u0131n kademeli olarak gev\u015fetilmesiyle birlikte, kamusal hareketlilikteki beklenen art\u0131\u015flara dayanarak, yatak kapasitesinin ne kadar artabilece\u011fini tahmin etmek i\u00e7in bir regresyon modeli kullan\u0131ld\u0131.<\/p>\n

85% Ortalama Yatak Doluluk Oran\u0131 Hedefinde A\u015f\u0131r\u0131 Tahmin ve Duyars\u0131zl\u0131k Sorunlar\u0131n\u0131n Giderilmesi<\/a><\/h3>\n

Uzun s\u00fcredir kabul g\u00f6ren ve b\u00fcy\u00fck \u00f6l\u00e7\u00fcde sorgulanmayan bir sonu\u00e7, hastanelerin yetersiz kapasitenin hasta g\u00fcvenli\u011fine y\u00f6nelik riskleri ile a\u015f\u0131r\u0131 kapasitenin finansal sonu\u00e7lar\u0131 aras\u0131nda denge kurmak i\u00e7in ortalama 85% yatak doluluk oran\u0131n\u0131 hedeflemesi gerekti\u011fini belirtmektedir. Bununla birlikte, tek bir \u00f6l\u00e7\u00fct, sahada ger\u00e7ek\u00e7i olarak var olan ko\u015fullar\u0131n \u00e7e\u015fitlili\u011fine duyars\u0131zd\u0131r. Servis b\u00fcy\u00fckl\u00fc\u011f\u00fc ve uzmanl\u0131k alan\u0131na dayal\u0131 bir "arama" tablosu olu\u015fturarak, modellememiz hastane y\u00f6neticileri ve yetkilileri taraf\u0131ndan kullan\u0131labilecek daha do\u011fru bir dizi hedef ortaya koymaktad\u0131r.<\/p>\n

Birinci dalga COVID-19'un ruh sa\u011fl\u0131\u011f\u0131 hizmetleri \u00fczerindeki etkisinin modellenmesi<\/a><\/h3>\n

Pandeminin ilk dalgas\u0131 s\u0131ras\u0131nda, karantina k\u0131s\u0131tlamalar\u0131n\u0131n kald\u0131r\u0131lmas\u0131n\u0131n ard\u0131ndan olu\u015fabilecek bask\u0131ya yol a\u00e7abilecek, ruh sa\u011fl\u0131\u011f\u0131 hizmetlerine y\u00f6nelik "birikmi\u015f" talebin miktar\u0131 konusunda b\u00fcy\u00fck bir belirsizlik vard\u0131. H\u0131zl\u0131 bir \u015fekilde \u00e7ok y\u00f6nl\u00fc, ayr\u0131k zamanl\u0131 bir kuyruk modeli olu\u015fturuldu ve bu model, ciddi sistem bask\u0131s\u0131n\u0131 hafifletmek i\u00e7in tasarlanm\u0131\u015f \u00e7e\u015fitli talep y\u00f6r\u00fcngelerinin ve hizmet m\u00fcdahalelerinin potansiyel etkisini incelemek i\u00e7in kullan\u0131ld\u0131.<\/p>\n

COVID-19 enfeksiyonlar\u0131, hastaneye yat\u0131\u015flar ve \u00f6l\u00fcmlerin yerel modellemesi i\u00e7in SEIR tabanl\u0131 bir \u00e7er\u00e7eve olu\u015fturulmas\u0131<\/a><\/h3>\n

Epidemiyolojik modelleme ulusal d\u00fczeyde karar alma s\u00fcre\u00e7lerini bilgilendirmek i\u00e7in rutin olarak kullan\u0131l\u0131rken, yerel d\u00fczeyde planlamaya rehberlik edecek \u00e7ok az \u015fey yap\u0131lm\u0131\u015ft\u0131r. Nihayetinde, en \u00f6nemli \u00f6l\u00e7\u00fct, gelecekteki akut COVID-19 yat\u0131\u015flar\u0131n\u0131n beklenen say\u0131s\u0131 olmu\u015ftur. B\u00f6l\u00fcmlere ayr\u0131lm\u0131\u015f bir 'SEIR' tipi model kullan\u0131larak, \u00e7e\u015fitli olas\u0131 senaryolar\u0131 yap\u0131land\u0131rmak \u00fczere sistemler aras\u0131 \u00e7ok disiplinli bir \u00e7al\u0131\u015fma grubu olu\u015fturulmu\u015f ve elde edilen sonu\u00e7lar, gelecekteki talebi g\u00fcvenli bir \u015fekilde kar\u015f\u0131lamak i\u00e7in ka\u00e7 yata\u011fa ihtiya\u00e7 duyuldu\u011funu belirlemede yerel yan\u0131t\u0131 \u015fekillendirmi\u015ftir.<\/p>\n

COVID-19 kitlesel a\u015f\u0131lama uygulamas\u0131n\u0131n akut hastane yat\u0131\u015flar\u0131 \u00fczerindeki etkisinin modellenmesi<\/a><\/h3>\n

Daha \u00f6nceki, b\u00f6l\u00fcmlere ayr\u0131lm\u0131\u015f 'SEIR' tipi bir model i\u00e7eren \u00e7al\u0131\u015fmalara dayanarak, a\u015f\u0131lama etkisinin bula\u015fma dinamikleri \u00fczerindeki etkisini hesaba katmak i\u00e7in bir dizi teknik iyile\u015ftirme yap\u0131ld\u0131. Model daha sonra 2021 ba\u015flar\u0131ndaki karantina gev\u015fetme yol haritas\u0131yla ilgili bir dizi senaryoyu incelemek i\u00e7in kullan\u0131ld\u0131. Projeksiyonlar, 2021 Sonbahar\u0131ndaki hastane vakalar\u0131ndaki art\u0131\u015f\u0131n modellenen \u00e7eyrekler aras\u0131 aral\u0131k i\u00e7inde rahatl\u0131kla yer almas\u0131yla do\u011fruland\u0131.<\/p>\n

Ba\u011flant\u0131l\u0131 hasta verilerinin kullan\u0131m\u0131yla Uzun S\u00fcreli COVID'in sistem genelindeki sa\u011fl\u0131k hizmeti kullan\u0131m\u0131na etkisinin de\u011ferlendirilmesi<\/a><\/h3>\n

COVID-19 enfeksiyonunun acil sa\u011fl\u0131k hizmetleri \u00fczerindeki do\u011frudan etkisinin yan\u0131 s\u0131ra, uzun vadeli etkilerinin ('Uzun COVID' olarak adland\u0131r\u0131lan) di\u011fer sa\u011fl\u0131k hizmeti ortamlar\u0131na ek y\u00fck getirebilece\u011fi endi\u015fesi de vard\u0131. BNSSG Sistem Geneli Veri Seti, COVID-19 te\u015fhisinden sonraki \u00fc\u00e7 ay i\u00e7inde sa\u011fl\u0131k hizmeti faaliyetlerinde istatistiksel olarak anlaml\u0131 art\u0131\u015flar\u0131n kan\u0131tlar\u0131n\u0131 belirlemek i\u00e7in kullan\u0131ld\u0131.<\/p>\n <\/div>\n

\n

Ara\u015ft\u0131rma Portf\u00f6y\u00fcm\u00fcz b\u00f6l\u00fcm\u00fcndeki di\u011fer sayfalar:<\/p>\n

\n