NEDOCS-poäng för överbeläggning på akutmottagning

Klinisk bakgrund

Överbeläggning på akutmottagningar är ett utbrett problem som saknar enhetlig definition. Konsekvenserna är väl dokumenterade: sämre vårdkvalitet, fler medicinska fel, förlängda väntetider och ökad mortalitet. Utmaningen för klinisk verksamhet är att mäta överbeläggningen objektivt och i realtid, så att belastningsprotokoll, omdirigering av ambulanser eller frigörande av vårdplatser kan utlösas baserat på data snarare än på individuell intuition. NEDOCS togs fram för att fylla just detta behov: att kvantifiera överbeläggningsgraden på en akutmottagning med en enda siffra som kan följas över tid och jämföras mellan arbetspass.

Beräkning av NEDOCS

NEDOCS är en regressionsbaserad poäng som omfattar fem objektiva variabler, indexerade mot mottagningens och sjukhusets kapacitet:

$$\text{NEDOCS} = 85{,}8 \times \frac{\text{Totalt antal patienter på akutmottagningen}}{\text{Totalt antal akutvårdsplatser}} + 600 \times \frac{\text{Inlagda patienter som fortfarande väntar}}{\text{Totalt antal sjukhusvårdplatser}} + 13{,}4 \times \text{Ventilerade/intensivvårdspatienter} + 0{,}93 \times \text{Längsta väntetid för inläggning} + 5{,}64 \times \text{Väntetid för den patient som väntat längst} - 20$$

Negativa resultat sätts till 0. Variablerna avser:

• Totalt antal patienter för närvarande på akutmottagningen: alla patienter i väntrum, på brits och i behandling.
• Totalt antal akutvårdsplatser (bemannade/godkända): fysiska behandlingsplatser som är bemannade och godkända för bruk.
• Inlagda patienter som fortfarande väntar på akutmottagningen: patienter med inläggningsbeslut som ännu inte fått sjukhusvårdplats, det vill säga kvarliggande patienter.
• Totalt antal sjukhusvårdplatser (exklusive barn- och förlossningsplatser): sjukhusets totala platser för somatisk vuxenvård.
• Antal ventilerade/intensivvårdspatienter på akutmottagningen: patienter som kräver mekanisk ventilation eller intensivvård och kvarstår på akutmottagningen.
• Längsta väntetid för inläggning: tiden för den patient som väntat längst på att få en sjukhusvårdplats, i timmar.
• Väntetid för den patient som väntat längst (dörr-till-säng): tiden från ankomst till att patienten får en behandlingsplats, i timmar.

Härledningskohorten utgjordes av åtta amerikanska universitetssjukhus. Vid varje mättning utfördes 336 stickprov under 42 datorgenererade slumpmässiga tidpunkter över en treveckorsperiod. Utfallsmåttet var graden av överbeläggning enligt konsensusbedömning från ansvarig sjuksköterska och akutläkare. Den fullständiga modellen med 23 frågor uppnådde $R^2 = 0{,}49$ ($p < 0{,}001$) mot detta utfall. En reducerad femvariabelmodell, det vill säga den nuvarande NEDOCS, förutsade den fullständiga modellen med 88 procents noggrannhet [1].

Tolkning i praktiken

NEDOCS genererar en poäng på en skala från 0 till över 200, indelad i sex band. Varje band motsvarar en grad av belastning som bör utlösa specifika åtgärder:

Tröskeln vid 100 motsvarar övergången från "mycket upptagen" till "överbelagd" och är den mest använda verkningspunkten för att utlösa belastningsåtgärder. I den svenska valideringsstudien landade Youden-indexets optimala tröskel vid 90, vilket ligger nära den etablerade gränsen på 100 [2].

Validering och prestanda

NEDOCS är det mest studerade sammansatta instrumentet för mätning av akutmottagningsöverbeläggning. I en systematisk översikt av 90 studier var NEDOCS, tillsammans med EDWIN, det instrument som flest studier använde för att mäta personalens upplevda arbetsbelastning, och nästan samtliga studier fann ett positivt samband. Noterbart är att ingen studie har undersökt NEDOCS mot mortalitet som utfall; dödlighet har huvudsakligen studerats mot enklare mått som beläggningsgrad och patientvolym [3].

I härledningsstudien uppnådde modellen $R^2 = 0{,}49$ mot personalens konsensusbedömning, vilket innebär att knappt hälften av variationen i upplevd överbeläggning förklaras av poängen [1]. I en jämförande studie vid ett amerikanskt universitetssjukhus, där NEDOCS och EDWIN samlades in varannan timme under tio dagar (130 mättillfällen), uppnådde NEDOCS en AUC på 0,83 (95 % KI 0,75–0,90) för att förutsäga överbeläggning definierad som VAS ≥ 50 mm. NEDOCS stod för 97 procent av den prognostiska informationen i en kombinerad modell, jämfört med 86 procent för EDWIN [4].

I en belgisk studie vid tre sjukhus (två universitets- och ett regionsjukhus) korrelerade NEDOCS starkt med beläggningsgrad (Pearson r = 0,97) och med personalens subjektiva bedömning. Författarna drog slutsatsen att den enkla beläggningsgraden var lika träffsäker som NEDOCS [5].

Den svenska valideringen utfördes vid fyra akutmottagningar (tre universitetssjukhus och ett länssjukhus) under september till november 2017. NEDOCS kunde endast beräknas vid två av fyra mottagningar på grund av att variabeln för ventilerade/intensivvårdspatienter inte kunde extraheras ur journalsystemen. Trots denna modifikation presterade NEDOCS väl med en AuROC på 0,97 för att förutsäga överbeläggning definierad som personalens arbetsbelastning ≥ 4,5 på en sexgradig skala. Beläggningsgraden presterade dock nästan lika bra (AuROC 0,90) [2].

En italiensk studie från 2024 utvärderade NEDOCS mot väntetid till första läkarbedömning hos 2,75 miljoner besök vid 91 allmänna akutmottagningar i Lombardiet under 2022. Resultatet var nedslående: patienternas väntetid ökade inte med stigande NEDOCS-nivå, och överensstämmelsen mellan NEDOCS och ett nytt väntetidsbaserat mått var minimal vid de flesta mottagningar. Författarna noterade att NEDOCS rutinmässigt kritiserades av italienska akutläkare för att inte stämma med personalens upplevelse [6].

Begränsningar

NEDOCS togs fram exklusivt vid amerikanska universitetssjukhus och återspeglar deras struktur med stora akutmottagningar, hög patientvolym och särskilda traumarum. Applicering på mindre sjukhus, barnakutmottagningar eller system utan traumaberedd kan ge missvisande poäng. Den italienska utvärderingen visar att NEDOCS kan prestera sämre i europeiska sjukvårdssystem med annan organisation, där sambandet mellan poäng och faktisk patientpåverkan kan brytas [6].

Flera variabler i formeln är svåra att extrahera ur elektroniska journalsystem i realtid, särskilt antal ventilerade/intensivvårdspatienter på akutmottagningen och längsta väntetid för inläggning. I den svenska valideringen måste denna variabel uteslutas vid två av fyra mottagningar [2]. Detta försvagar poängens validitet när den beräknas med ofullständiga data.

NEDOCS mäter personalens upplevda arbetsbelastning, inte patientutfall. Det finns inga studier som kopplar NEDOCS-poäng till mortalitet, och sambandet med vårdkvalitet är mindre studerat än för enklare mått som beläggningsgrad och vårdtid [3]. Poängen är en ögonblicksbild: den fångar situationen just nu men säger inget om hur länge patienten har exponerats för överbeläggning, vilket är den faktor som bäst förutsäger dåliga utfall.

En praktisk fallgrop är att använda NEDOCS som ensamt beslutsunderlag för ambulansomdirigering. Poängen är framtagen för intern övervakning och trendföljning, inte för att styra prehospitala beslut utan kontext om orsaken till överbeläggningen.

Svensk kontext

Den svenska valideringsstudien vid fyra akutmottagningar visade att NEDOCS fungerar bra som mått på arbetsbelastning även i svensk miljö, men att beläggningsgraden (antal patienter dividerat med antal behandlingsplatser) presterar nästan lika väl och är betydligt enklare att beräkna [2]. Författarna utvecklade även mSEAL, en svensk modell baserad på patienttimmar och tid till läkare, som kan beräknas automatiskt ur svenska journalsystem och presterade jämförbart med NEDOCS (AuROC 0,91). För svensk klinisk praxis är NEDOCS ett användbart alternativ där data finns tillgängliga, men beläggningsgraden är ett enklare och lika träffsäkert alternativ för rutinmässig övervakning.

Källor

1. Weiss SJ m.fl. Estimating the degree of emergency department overcrowding in academic medical centers: results of the National ED Overcrowding Study (NEDOCS). Acad Emerg Med 2004. PMID: 14709427
2. Wretborn J m.fl. Validation of the modified Skåne emergency department assessment of patient load (mSEAL) model for emergency department crowding and comparison with international models; an observational study. BMC Emerg Med 2021. PMID: 33618658
3. Badr S m.fl. Measures of Emergency Department Crowding, a Systematic Review. How to Make Sense of a Long List. Open Access Emerg Med 2022. PMID: 35018125
4. Weiss SJ, Ernst AA, Nick TG. Comparison of the National Emergency Department Overcrowding Scale and the Emergency Department Work Index for quantifying emergency department crowding. Acad Emerg Med 2006. PMID: 16551777
5. Jobé J m.fl. Quantifying emergency department crowding: comparison between two scores. Acta Clin Belg 2018. PMID: 29207925
6. Signorini F m.fl. Measuring the crowding of emergency departments: an assessment of the NEDOCS in Lombardy, Italy, and the development of a new objective indicator based on the waiting time for the first clinical assessment. BMC Emerg Med 2024. PMID: 39420258