Validering gentemot TYKO

Övningen TYKO har varit central i denna studie då stor mängd information och data gällande katastrofmedicinska scenarion och simulering av dessa inhämtats från denna. Det föreföll sig därför rimligt att vidare även simulera detta scenario i den prototyp som utformats i studien. Resultaten jämfördes sedan dels gentemot det resultat som gavs då TYKO genomfördes med hjälp av ETS 2016 samt med den utdata som presenteras i Lantz Cronqvist (2018) då detta scenario simulerades i StoF. Resultatet gällande patientutfall från simulering av TYKO med ETS respektive StoF kan ses i tabell 16.

Tabell 16. Patientutfall för TYKO från simulering med ETS och StoF.

Patientutfall/Simuleringsverktyg ETS StoF

Antal undvikbara dödsfall 45 41

Antal undvikbara komplikationer 21 150

Det som i denna studie försvårade validering gentemot TYKO var att vår modell är begränsad till att beskriva ett, enskilt sjukhus vid en katastrofmedicinsk händelse. I de resultat från övningen TYKO som denna studie fått tillgång till och kunnat finna på egen hand, presenteras alla resultat för scenariot som helhet och inte för respektive sjukhus. För att kunna jämföra patientutfallen som gavs vid simulering i vår prototyp gentemot de som getts av ETS och StoF behövde en uppskattning göras gällande hur många av de patienter som vårdats vid sjukhuset i Örebro respektive Västerås, som vid dessa simuleringar riskerade undvikbar död eller komplikation.

Denna uppskattning gjordes genom att först i data utläsa hur många som transporterades till respektive sjukhus. Vidare observerades sedan hur stor andel av det totala antalet röda patienter som de som riskerade undvikbar död motsvarade samt hur stor andel av de gula och gröna patienterna som de med risk för undvikbar komplikation motsvarade. Dessa procentsatser blev 41% respektive 9% för ETS samt 38% respektive 61% för StoF. Dessa procentsatser applicerades sedan på det antal röda respektive gula och gröna patienter som fördelades på

respektive sjukhus. Därmed kunde en uppskattning gällande utfallet för just dessa två sjukhus vid simuleringarna med ETS respektive StoF göras.

Jämförelsen mellan de tre alternativen kan för Örebro ses i tabell 17 samt för Västerås i tabell 18.

Tabell 17. Patientutfall och jämförelse mellan resultaten för valideringen ed indata för Örebro Universitetssjukhus.

Patientutfall Örebro/Simuleringsverktyg ETS StoF Vår

prototyp

Antal undvikbara dödsfall 7 6* 10 **

Antal undvikbara komplikationer 2 11* 7 **

Tabell 18. Patientutfall och jämförelse mellan resultaten för valideringen ed indata för Västerås sjukhus.

Patientutfall Västerås/Simuleringsverktyg ETS StoF Vår

prototyp

Antal undvikbara dödsfall 7 6* 11**

Antal undvikbara komplikationer 1 6* 3**

* Utfall från StoF ges av medianvärdet vid simulering med 40 replikationer. ** Utfall från vår prototyp ges av medelvärdet vid simulering med 40 replikationer.

I tabell 19 kan ses statistisk data gällande patientutfallen vid simulering av TYKO vid sjukhusen i Örebro respektive Västerås i vår prototyp. Respektive utfall presenteras med tillhörande max- och minsta värde gällande medelvärdet samt ett 95% konfidensintervall, vid simulering med 40 replikationer.

Tabell 19. Statistik för patientutfall vid simulering av TYKO

Statistik/Sjukhus Örebro Västerås

Risk för undvikbar komplikation 7 3

Minsta värde 2 0 Maxvärde 16 7 95% konfidensintervall +/-1,08 +/-0,44 Risk för undvikbar död 10 11 Minsta värde 6 8 Maxvärde 11 11 95% konfidensintervall +/-0,44 +/-0,19

Valideringen gentemot ETS och StoF gav indikationer gällande vår modells utdata och hur väl denna verkade överensstämma med föregångarna. Gällande antalet patienter som riskerade undvikbar komplikation kan värdena för vår prototyp ses vara högre än för ETS men lägre än

de givna av StoF. Som ett övergripande valideringsmått ansågs detta positivt för vår modell då resultaten vid en överskådlig analys verkade rimliga. Skillnaden mellan värdena för denna kategori mellan ETS och StoF är relativt stora och att vårt resultat placerar sig mellan dessa ansågs vara en positiv indikator. Däremot kan ses att när det gäller utfallet för risk för undvikbar död är värdena högre vid simulering i vår prototyp jämfört med ETS samt StoF.

Ett antal enklare utvärderingar och analyser gjordes för att undersöka möjliga orsaker till detta avvikande resultat. Vid en grundläggande kontroll av den utdata som genererades vid simuleringen kunde ses att intensivvårdsavdelningen var den uppenbara flaskhalsen vid simulering av TYKO för både Örebro och Västerås. IVA var vid båda sjukhusen fullbelagd under hela simuleringen. Utnyttjandegraden för de olika resurserna vid respektive sjukhus kan ses i tabell 20.

Tabell 20. Utnyttjandegraden i procent för respektive resurs vid de två sjukhusen

Resurs Örebro Västerås

Triage 29% 38%

Behandling vid akutmottagning, ordinarie

82% 84%

Behandling vid akutmottagning, korridorsplatser

36% 42%

IVA 100% 100%

OP 78% 78%

Detta faktum kunde ses även då prototypen simulerades utan katastrofpatienterna och alltså enbart visade på det normala flödet vid sjukhusen. Denna bild överensstämde väl med den information som gavs från sakkunniga där det framkom att IVA som flaskhals i vårdkedjan är ett välkänt och vedertaget faktum. Vårdplatserna är generellt sett få och vårdtiderna är ofta långa. Då det i prototypen modellerades en vårdtid vid IVA som kunde uppgå till 50 dygn och en förenkling gjorts om att påbörjade vårdtillfällen vid IVA inte kunde avbrytas, stärks resonemanget om att detta borde vara flaskhalsen även vid en katastrofmedicinsk händelse. För att genomföra en känslighetsanalys på ovan förda resonemang undersöktes konsekvenserna av en minskad vårdtid vid IVA. Istället för den triangulära fördelning (6, 24, 1200 timmar) som modellerats som vårdtid vid de första simuleringarna, valdes att istället sätta en konstant vårdtid om 30 minuter. Denna förändring kunde som väntat ses reducera den genomsnittliga ledtiden för patienterna i simuleringen och fick även stor påverkan på utfallet gällande beläggningsgraden vid IVA. Då övriga experimentella faktorer lämnades opåverkade i modellen medförde detta att IVA gick från att vara fullbelagd i både Örebro och Västerås till att ha en beläggningsgrad om 47 respektive 29%.

En enklare känslighetsanalys genomfördes även för att kontrollera hur vissa förändringar av experimentella faktorer gällande patienterna påverkade resultatet. I tabell 21 presenteras resultaten för Örebro respektive Västerås då alla de tider inom vilka katastrofpatienterna behövde få sitt vårdbehov uppfyllt utökades med 5 timmar jämfört med ursprungsscenariot.

Tabell 21. Jämförelse av patientutfall med utökning av katastrofpatienters tidsfönster Patientutfall/Sjukhus Örebro, ursprungliga tider Örebro, +5 timmar Västerås, ursprungliga tider Västerås, +5 timmar

Antal undvikbara dödsfall 10 5 11 7

Antal undvikbara komplikationer 7 2 3 1

I tabellen kan ses att patientutfallet förbättrades för samtliga utfallsgrupper vid båda sjukhusen då tidsfönstren utökades. Detta ansågs vara ett förväntat resultat då färre patienter borde riskera undvikbar död eller komplikation om tiden inom vilken de behöver vård förlängs.

Det studerades även hur systemet reagerade då antalet vårdplatser vid akutmottagningen begränsades kraftigt. Likt väntat förflyttades då sjukhusets flaskhals till denna del av systemet vilket resulterade i att flödena efter akutmottagningen avstannade, helt i enlighet med resonemanget fört av Sauser, Vickery och Davis (2015). Det framgick också vid den initiala valideringen, utan inflöde av katastrofpatienter, att utfallet försämrades då akutmottagningen agerade flaskhals, något som kan tolkas som att de som är i behov av vård inte kommer vidare till korrekt behandlande avdelning i rätt tid. Operationsavdelningen opererade aldrig för full kapacitet vid någon av valideringarna med modellen, som mest låg utnyttjandegraden på drygt 90% även vid utförda stresstester. Dessa observationer talar för att modellen kan användas för att studera de logistiska flödena liksom resursutnyttjandet inom ett sjukhus och att den även möjliggör identifiering av flaskhalsar. Denna information kan sedan användas som underlag för framtida förbättringar gällande sjukhusets logistik.