Skip to content

White paper over de evaluatie ‘hoe Kunstmatige Intelligentie ingezet kan worden in langdurige zorginstellingen en daarmee de veiligheid van de bewoners en de productiviteit van het verplegend personeel verbetert’

Auteurs: dr. Ran Tao en dr. Harro Stokman

Datum: 19 mei 2021

1.Introductie

1.1 Achtergrond

Het werk van zorgverleners is intensief. Van de verpleegkundigen in verzorgingshuizen die directe zorg verlenen, geeft maar liefst 37% aan een burn-out te hebben [10]. Dit aantal is alleen maar toegenomen met de recente uitbraak van Covid19.

In zorginstellingen zijn verschillende technische bewakingssystemen geïntroduceerd om te proberen het verzorgend personeel te helpen bij hun werk. Zo zijn allerlei bewegingssensoren gemeengoed geworden in verpleeghuizen, zoals magneten om deuropeningen op te vangen, of passieve infrarood bewegingssensoren. Deze systemen zijn echter niet in staat het verschil aan te geven tussen een bewoner die dringend hulp nodig heeft en een bewoner die in zijn slaap gewoon een beetje met zijn benen beweegt. Omdat mensen ‘s nachts draaien en woelen, resulteren dit soort sensoren vaak in een hoog aantal valse alarmen. Beddensensoren om het verlaten van het bed te detecteren en stoeldruksensoren zijn ook gebruikelijk in zorginstellingen om valpartijen te helpen detecteren en voorkomen [6]. Ook deze sensoren worden gemakkelijk geactiveerd door een lichte beweging, wat opnieuw leidt tot een aanzienlijk aantal valse alarmen.

Door de vele valse alarmen worden zorgmedewerkers vaak afgeleid van hun taken, wat leidt tot verhoogde stressniveaus en een vermindering van de geleverde zorgkwaliteit. Bovendien storen de onnodige controles door het verplegend personeel dat op valse alarmen reageert, de bewoners, wat een negatieve invloed heeft op hun slaappatroon en bijgevolg op hun levenskwaliteit en zelfs hun gezondheidstoestand. Wanneer ze worden blootgesteld aan een buitensporig aantal alarmen, worden de zorgverleners moe van de alarmen, de zogenaamde alarmmoeheid [4, 5, 6], wat gevaarlijk blijkt te zijn voor de bewoners. Desensibilisatie voor alarmen leidt tot vertraagde reacties op alarmen en zelfs tot onwetendheid van echte alarmen [6]. Het Emergency Care Research Institute noemde overbelasting van alarmen, alarmeringen en meldingen als een van de top tien gezondheids-technologische gevaren voor 2020 [11, 12].

1.2 Het combineren van kunstmatige intelligentie met optische sensoren om zorgverleners en bewoners te helpen

Bij Kepler Vision Technologies gebruiken we de Kepler Night Nurse software in plaats van te vertrouwen op bewegingssensoren. Deze software kijkt naar live video streams van optische sensoren zoals fisheye camera’s met behulp van kunstmatige intelligentie. De applicatie herkent automatisch of en wanneer een bewoner zorg nodig heeft, maar zonder valse alarmen te creëren. Het Kepler Night Nurse herkent bijvoorbeeld wanneer een bewoner is gevallen of moeite heeft om het bed te verlaten. Als een bewoner ‘s nachts niet in bed slaapt, of een bewoner heeft de kamer verlaten, dan herkent de Kepler Night Nurse dat ook. Alleen in deze situaties stuurt Kepler Night Nurse een alarm in de vorm van een sms naar de dienstdoende verpleegkundige.

In dit artikel kwantificeren we ten eerste de herkenningsprestaties van het Kepler Night Nurse. Ten tweede vergelijken we het met andere oplossingen op de markt. Ten slotte presenteren we de voordelen die het Kepler Night Nurse oplevert voor zowel zorgmedewerkers als bewoners.

2. Klinische resultaten die valse alarmen en betrouwbaarheid kwantificeren

Om een objectieve vergelijking te maken, vermelden we eerst een interessante studie [1], waarin een op accelerometrie gebaseerde valdetector een vals alarmpercentage van 1 vals alarm per 40 gebruiksuren registreert. In een andere studie [2] genereert een valdetector die gebruik maakt van radarsignalen van 2 valse alarmen per dag. Een systeem dat gebruik maakt van Microsoft Kinect rapporteert 1 vals alarm per maand met een bescheiden betrouwbaarheid (98%, 70% en 71% voor respectievelijk staande, zittende en liggende valpartijen) [3]. Echter, door de beperking van de diepte sensor, daalt de prestatie van het systeem sterk wanneer een object het zicht van de diepte sensor blokkeert of wanneer de valpartij ver van de sensor plaatsvindt (meer dan 4 meter) [3]. In de zorginstellingen van onze klanten zijn de kamers doorgaans 4 bij 5 meter groot. Bovendien eisen onze klanten een betrouwbaarheid voor valdetectie van bijna 100%. Beide factoren vormen een uitdaging voor het gebruik van dieptesensoren.

Om deze technologieën te vergelijken met de Kepler Night Nurse, doen we verslag van twee studies die in Nederland zijn uitgevoerd, waarbij het percentage vals alarm en de betrouwbaarheid zijn gekwantificeerd. In de literatuur komt de term ‘recall’ veel vaker voor dan ‘betrouwbaarheid’. Wij gebruiken echter ‘betrouwbaarheid’ omdat onze klanten deze term gemakkelijker relateren aan hun dagelijkse praktijk.

In het eerste uitgebreide evaluatieprogramma met een Nederlandse zorgorganisatie werd het Kepler Night Nurse ingezet om te waken over het welzijn van oudere bewoners in 12 verschillende kamers. Elke kamer heeft een aan het plafond gemonteerde 6MP fisheye camera. De evaluatieperiode was hier drie weken, vanaf 10 januari 2020. De nadruk lag op valdetectie. Ter vergelijking draaide een alternatief bewegingssensorsysteem dat destijds door de zorgorganisatie werd gebruikt, parallel mee. De resultaten staan in tabel 1. Zoals uit de experimenten blijkt, detecteerde de Kepler Night Nurse het ene echte valincident en genereerde 9 valse alarmen. Het bewegingsdetectiesysteem miste de echte val maar genereerde in plaats daarvan 2195 valse alarmen. Het gebruik van Kepler Night Nurse verminderde het aantal valse alarmen met meer dan 99%.

Tabel 1. Kwantitatieve vergelijking tussen de Kepler Night Nurse en het andere systeem dat door de klant wordt gebruikt. De Kepler Night Nurse vermindert het aantal valse alarmen tot 99%.

 Echte val gedetecteerd?

 Aantal valse alarmen

 Kepler Night Nurse

Ja

 9

 Ander systeem in gebruik bij de klant

 Nee

 2195


De Kepler Night Nurse wordt nu ingezet bij meerdere zorgcentra die tot dezelfde zorgorganisatie behoren. Tabel 2 geeft een overzicht van de herkenningsprestaties. De waargenomen betrouwbaarheid is bijna 100%, maar op het moment van schrijven wachten we op onze klant om dit verder te kwantificeren.

Tabel 2. De herkenningsprestaties van de Kepler Night Nurse-software met aan het plafond gemonteerde 6 MP fisheye-camera’s.

Periode

#kamers

#dagen

#alarmen

#valse alarmen

Vals alarm ratio

Betrouwbaarheid

9 mei 2020 tot 19 maart 2021

32 ~ 53

315

382

314

1 vals alarm per kamer per 34 dagen

Bijna 100%

In het tweede evaluatieproject met een andere Nederlandse zorgorganisatie wordt de Kepler Night Nurse niet alleen gebruikt om valincidenten te herkennen, maar ook om de dagelijkse activiteiten van de bejaarde bewoners in 14 kamers in de gaten te houden. Elke kamer heeft een 4MP dome camera met 2.8mm lens geïnstalleerd in een hoek van de kamer. De evaluatieperiode duurt hier negen maanden, van 20 juni 2020 tot 19 maart 2021. Er is geen alternatief detectiesysteem geïnstalleerd om mee te vergelijken. De resultaten van de valdetectie staan in tabel 3. Zoals blijkt, genereert het Kepler Night Nurse 1 vals alarm van valdetectie per kamer per 96 dagen. Bovendien geeft de feedback van de zorgmedewerkers aan dat zij altijd een alarm kregen voor echte valpartijen, dat is 100% betrouwbaarheid.

Tabel 3. De herkenningsprestaties van de Kepler Night Nurse met 4MP domecamera’s.

Periode

#kamers

#dagen

#alarmen

#valse alarmen

vals alarm ratio

betrouwbaarheid

20 juni 2020 tot 19 maart 2021

14

273

55

40

1 vals alarm per kamer per 96

100%

Samengevat genereert de Kepler Night Nurse veel minder valse alarmen dan bestaande oplossingen zonder in te leveren op betrouwbaarheid.

Met de Kepler Night Nurse hoeven verpleegkundigen niet langer onnodig de kamer van de bewoner binnen te gaan om hun fysieke welzijn te controleren. Overdag, en vooral ‘s nachts, zorgt de Kepler Night Nurse voor een aanzienlijke vermindering van het werk. Dankzij het lage percentage valse alarmen, maakt het Kepler Night Nurse het verplegend personeel vrij om zich te concentreren op het verlenen van daadwerkelijke zorg, waardoor ook de arbeidstevredenheid toeneemt.

Bewoners worden niet langer onnodig gestoord en krijgen daardoor een betere kwaliteit van zorg. Bovendien verhoogt de Kepler Night Nurse ook de veiligheid van de bewoners, aangezien het de kans op een vertraagde alarmopvolging en onwetendheid over echte alarmen vermindert. Dit zal in het volgende hoofdstuk verder worden gekwantificeerd.

3. KLINISCHE RESULTATEN DIE HET EFFECT OP DE CLIËNT VEILIGHEID KWANTIFICEREN

Opstaan van de vloer na een val is een uitdaging voor ouderen. Volgens de studie [8] kan 47% zelfs wanneer ze niet gewond zijn niet zonder hulp opstaan. Langdurig op de grond blijven liggen na een val verhoogt de morbiditeit en het sterftecijfer. Uit een eerdere studie [9] bleek dat de helft van de mensen die na een val een uur of langer op de grond bleven liggen, binnen 6 maanden overleden. Een andere studie [7] toonde aan dat 60% van degenen die na een val langer dan een uur op de grond lagen, in het daaropvolgende jaar in het ziekenhuis werden opgenomen. Uit de studie in [7] blijkt dat in 5 van de 6 gevallen van een val de hulp niet binnen 5 minuten arriveerde.

Om de effecten van de Kepler Night Nurse te kwantificeren, meten we, zodra de oplossing draait, hoe lang het duurt voordat verpleegkundigen ter plaatse zijn en bewoners helpen bij het opstaan. De gedetailleerde resultaten worden getoond in Tabel 4 en worden vergeleken met de literatuur in Tabel 5.

Tabel 4: Hoe lang duurt het voordat een verpleegkundige arriveert bij een val? In 2 van de 14 gevallen duurt het meer dan 5 minuten. Verpleegkundigen hebben soms andere prioriteiten.

When was alarm sent?

When did nurse arrive?

Time difference

Within 5 minutes?

2020-10-04 21:28:33

21:28:53

20 seconds

Yes

2020-08-31 05:40:15

05:41:50

95 seconds

Yes

2021-02-15 23:11:12

23:11:22

10 seconds

Yes

2021-02-10 22:57:48

22:59:59

131 seconds

Yes

2020-12-31 03:53:00

04:20:10

27 minutes

No

2021-02-03 21:53:33

21:54:41

68 seconds

Yes

2020-12-10 05:29:16

05:29:36

20 seconds

Yes

2020-10-17 19:48:24

19:53:09

4 minutes and 45 seconds

Yes

2020-09-21 04:09:51

04:18:26

8 minutes

No

2020-08-31 02:36:57

02:37:02

5 seconds

Yes

2020-08-20 23:57:10

23:58:39

89 seconds

Yes

2020-08-14 21:05:14

21:07:39

145 seconds

Yes

2020-06-26 14:04:04

14:05:06

62 seconds

Yes

2020-06-17 18:52:48

18:56:00

3 minutes and 12 seconds

Yes


Tabel 5 laat zien dat in 5 van de 6 gevallen het gebruik van de Kepler Night Nurse binnen 5 minuten na een val arriveert, vergeleken met 1 op de 6 gevallen waarin klanten de Kepler Night Nurse niet inzetten. De software verkleint daarmee de kans om langdurig op de grond te liggen aanzienlijk en vergroot daarmee de veiligheid van de bewoners.

Tabel 5. Bij een val stuurt de Kepler Nachtverpleger altijd binnen 60 seconden een alarm. Dit vergroot de kans dat personeel op tijd arriveert aanzienlijk, zoals blijkt uit de tabel. Zo verhoogt de software de veiligheid van de bewoners.

Assistentie arriveert binnen 5 minuten na een val

Met de Kepler Night Nurse

5 van de 6 valpartijen

Zonder Kepler Night Nurse

1 van de 6 valpartijen [7]

4. KLINISCHE RESULTATEN DIE HET EFFECT OP DE TIJDSBESPARING VAN ZORGVERLENERS KWANTIFICEREN

De Kepler Night Nurse fungeert niet alleen als alarmsysteem, maar genereert ook rapporten van dagelijkse activiteiten (zie figuur 1). Activiteitenrapporten vervangen de dienstrapporten die zorgverleners voor hun collega’s schrijven om hen te voorzien van een update van de patiëntstatus. Het automatiseren van de rapportage bespaart de zorgverleners tijd en maakt de rapporten objectiever en gedetailleerder.

Na overleg met verpleegkundigen in het veld, hebben we berekend dat de automatische rapportage van de Kepler Night Nurse drie minuten per bewoner per dienst bespaart. Aangezien een gemiddelde verpleegkundige 20 bewoners in een verzorgingstehuis verzorgt, en er drie diensten per dag zijn, bespaart dit in totaal drie uur werktijd per dag per 20 bewoners.

Figuur 1. Een voorbeeld van het automatisch gegenereerde activiteitenrapport voor een periode van een week.


5. CONCLUSIE

In deze studie werd klinisch aangetoond dat de Kepler Night Nurse werkt als een nauwkeurig alarmsysteem met een zeer laag aantal valse alarmen zonder dat dit ten koste gaat van de betrouwbaarheid. Samengevat:

  • Het aantal valse alarmen voor de 6MP fisheye camera is 1 vals alarm per 34 dagen.
  • Het percentage vals alarm voor 4MP dome-camera’s is 1 vals alarm per 96 dagen.
  • In beide gevallen is de betrouwbaarheid bijna 100%.

Zonder de software komt er in 1 op de 6 gevallen binnen vijf minuten hulp bij een val. Met de Kepler Night Nurse wordt binnen 60 seconden een bericht naar de verpleging gestuurd. Dit vermindert de tijd op de vloer aanzienlijk. Uit de rapportage blijkt dat in 5 van de 6 gevallen de hulp binnen 5 minuten arriveert. Ten slotte bespaart de software in totaal drie uur werktijd per dag per 20 bewoners.

Het levert dus verschillende voordelen op voor de zorgmedewerkers en de bewoners: 

  • Zorgmedewerkers die de Kepler Night Nurse gebruiken, hoeven niet langer onnodig de kamer van een bewoner binnen te gaan om te controleren hoe het met hem gaat. Overdag, maar vooral ‘s nachts, zorgt de Kepler Night Nurse voor een aanzienlijke vermindering van het werk.
  • Dankzij het lage percentage vals alarm, maakt de Kepler Night Nurse zorgmedewerkers vrij om zich te richten op het verlenen van daadwerkelijke zorg.
  • Bewoners worden niet langer onnodig gestoord en krijgen een betere kwaliteit van zorg. Het verhoogt hun veiligheid omdat het de kans op vertraagde alarmreactie en het negeren van echte alarmen verkleint.

Neem een kijkje op de homepage van Kepler Vision Technologies.



[1.] Kangas, Maarit, et al. “Sensitivity and false alarm rate of a fall sensor in long-term fall detection in the elderly.” Gerontology 61.1 (2015): 61-68.
[2.] Su, Bo Yu, et al. “Doppler radar fall activity detection using the wavelet transform.” IEEE Transactions on Biomedical Engineering 62.3 (2014): 865-875.
[3.] Stone, Erik E., and Marjorie Skubic. “Fall detection in homes of older adults using the Microsoft Kinect.” IEEE journal of biomedical and health informatics 19.1 (2014): 290-301.
[4.] https://en.wikipedia.org/wiki/Alarm_fatigue

[5.] Cvach, Maria. “Monitor alarm fatigue: an integrative review.” Biomedical instrumentation & technology 46.4 (2012): 268-277.
[6.] Nguyen, James, et al. “Combating Alarm Fatigue: The Quest for More Accurate and Safer Clinical Monitoring Equipment.” Vignettes in Patient Safety-Volume 4. IntechOpen, 2019.
[7.] Fleming, Jane, and Carol Brayne. “Inability to get up after falling, subsequent time on floor, and summoning help: prospective cohort study in people over 90.” Bmj 337 (2008).
[8.] Tinetti, Mary E., Wen-Liang Liu, and Elizabeth B. Claus. “Predictors and prognosis of inability to get up after falls among elderly persons.” Jama 269.1 (1993): 65-70.
[9.] Wild, Deidre, U. S. Nayak, and B. Isaacs. “How dangerous are falls in old people at home?.” Br Med J (Clin Res Ed) 282.6260 (1981): 266-268.
[10.] McHugh, Matthew D., et al. “Nurses’ widespread job dissatisfaction, burnout, and frustration with health benefits signal problems for patient care.” Health Affairs 30.2 (2011): 202-210.
[11.] https://halohealth.com/blog/why-alarm-fatigue-is-real-danger/

[12.] https://www.ecri.org/landing-2020-top-ten-health-technology-hazards