Em julho de 2021, o NHS England lançou o serviço nacional Learn From Patient Safety Events (LFPSE) - um sistema centralizado que a equipe de saúde pode usar para registrar e acessar informações relacionadas a eventos de segurança do paciente em todo o país usando o banco de dados do NHS.
Como um fornecedor compatível com o LFPSEestamos escrevendo uma série de postagens no blog para ajudar os profissionais de saúde a entender melhor esse novo sistema de registro de incidentes. Se quiser conhecer os conceitos básicos, confira nosso primeiro artigo: Os cinco W's do LFPSE - O novo sistema de registro de incidentes no Reino Unido.
Como acompanhamento, agora mergulhamos fundo no ecossistema LFPSE e quem melhor para esclarecer o tópico do que Lucie Mussett, proprietária sênior do projeto e líder do LFPSE no NHS England.
Com formação em Gestão de Políticas Clínicas e mestrado em Políticas de Saúde pelo Imperial College London, Lucie faz parte da equipe de Segurança Nacional dos Pacientes desde 2013. Nos últimos anos, ela liderou a equipe de desenvolvimento ágil que trabalha no LFPSE, o sucessor do NRLS (National Reporting and Learning System) existente.
Tivemos o privilégio de conversar com Lucie sobre a necessidade do LFPSE, como é o novo sistema, o que está reservado para o futuro do aprendizado com eventos de segurança do paciente e muito mais. Dê uma olhada no que ela tem a dizer!
Qual era a necessidade de um novo serviço nacional para o registro de eventos de segurança do paciente? Quais são as principais deficiências do NRLS que serão melhoradas pelo LFPSE?
Há mais de uma década, a National Patient Safety Agency planejou reunir o NRLS e o StEIS para simplificar o front end e incentivar mais médicos a relatar incidentes. No entanto, quando a Agência foi dissolvida, essa missão foi suspensa enquanto as responsabilidades pela segurança do paciente eram transferidas para a nova equipe nacional de segurança do paciente dentro do recém-formado NHS Commissioning Board, que veio a se tornar o NHS England.
Quando o trabalho foi reiniciado, não se tratava mais apenas de simplificar o NRLS e o StEIS. Tratava-se mais de entender como a equipe de saúde está usando o serviço atualmente e como gostaríamos que eles o usassem no futuro. Queríamos capitalizar as diferentes oportunidades oferecidas pela tecnologia e fazer melhor para ajudar a equipe a prestar um atendimento mais seguro. Em essência, esperávamos criar um sistema que se concentrasse na segurança do paciente e em uma cultura de aprendizado com eventos de segurança.
O NRLS é um sistema único e fantástico, com um banco de dados de mais de 20 milhões de relatórios. No entanto, como também está baseado em uma tecnologia de 20 anos, ele sofreu uma certa estagnação em termos de desenvolvimento. Embora tenhamos tentado ajustar aspectos do serviço, principalmente em relação à taxonomia, a infraestrutura simplesmente não nos permitia implementar mudanças significativas. Houve problemas com o mapeamento dos diferentes campos para estruturas de dados locais, desafios tecnológicos com a obtenção dos dados e um limite de código que não nos permitia adicionar outros recursos/melhorias ao NRLS.
Por isso, decidimos aproveitar os 20 anos de aprendizado do sistema NRLS e transpô-los para o projeto LFPSE, a fim de criar um serviço flexível, acessível e que ofereça maior transparência dos dados. As pessoas dedicam um tempo precioso para registrar incidentes de segurança a fim de apoiar a melhoria da segurança do paciente, mas com o NRLS nem sempre conseguimos aproveitar todo o potencial de aprendizado desses registros, e pode haver a sensação de que eles simplesmente ficam em uma caixa preta. Reconhecemos que o uso de tecnologia de ponta, como o aprendizado de máquina, nos permitiria obter um aprendizado e uma análise muito maiores de todos os incidentes registrados. Embora a entrada de dados seja excelente e atenda a algumas necessidades, a saída de dados é onde ocorre a verdadeira capacidade de mudança e aprendizado.
Você pode nos falar sobre as atualizações da taxonomia do LFPSE, como elas serão usadas daqui para frente e como elas melhorarão as coisas em termos de qualidade de dados?
Com relação à taxonomia, ajustamos e atualizamos o conjunto de dados "quem, o quê, onde, quando, por quê" no LFPSE.
Para a pergunta "quem", agora é possível ter vários pacientes envolvidos em um evento, em vez de criar registros de incidentes separados no caso de eventos que afetam mais de uma pessoa.
Atualizamos alguns dados categóricos, como a especialidade e o tipo de serviço para o "Onde". Isso permite mais granularidade e flexibilidade, especialmente ao tentar extrair insights desses dados. Também não limitamos esse campo à sua organização - você pode registrar um incidente em que acha que algo deu errado quando outra pessoa prestou atendimento anteriormente no caminho do paciente.
Da mesma forma, para "when" (quando), adicionamos a opção de estimar o tempo nos casos em que as pessoas não sabem o período exato. Tudo isso é uma tentativa de aprimorar a qualidade dos dados, oferecer mais flexibilidade e não forçar as pessoas a darem respostas claras.
Foi no "o quê" que fizemos as mudanças mais significativas. No NRLS, havia uma lista finita de tipos e subtipos de incidentes, e os registradores só podiam escolher uma categoria. Isso era bastante limitante em termos de análise e aprendizado, pois os incidentes geralmente são complicados e não podem ser atribuídos a um único parâmetro, e a lista em si estava sempre incompleta.
Por causa disso, eles seriam simplesmente colocados na categoria "OUTROS", onde poderiam ser negligenciados, porque a tendência é se concentrar em incidentes que você já sabia que eram um problema e que podem ser categorizados facilmente. Isso também significa que estamos perdendo oportunidades de identificar riscos pouco reconhecidos e de realizar um trabalho mais proativo e preventivo, especialmente nas categorias de menor dano, o que é essencial para a segurança.
Por isso, no LFPSE, tentamos dividir os eventos de segurança em componentes. Fazemos perguntas sobre o que estava fisicamente envolvido (medicamentos, dispositivos médicos e outros aspectos tangíveis), as pessoas podem fazer várias seleções e, dependendo de suas respostas, elas veem outras perguntas para decifrar exatamente o que deu errado. Algumas perguntas descem vários níveis em detalhes minuciosos, enquanto outras são categorias bastante amplas.
A última parte do quebra-cabeça é o "porquê", que se enquadra no mundo da PSIRF (Patient Safety Incident Response Framework, Estrutura de Resposta a Incidentes de Segurança do Paciente), a nova política que substitui a Estrutura de Incidentes Graves. De acordo com a PSIRF, dentro do LFPSE, as pessoas podem fazer suas análises, investigações e exploração de coisas que deram errado e por quê, e registrar seu aprendizado por meio da porta de entrada do LFPSE.
Tudo isso foi projetado para ser atualizado à medida que você tiver mais informações. Como os registros são compartilhados automaticamente com o serviço nacional, não há necessidade de recarregamento com atualizações: você pode simplesmente continuar ajustando o registro à medida que o quadro se torna mais claro, e todos nós teremos acesso às mesmas informações à medida que a qualidade melhora.
Qual é a função da aprendizagem automática nas informações capturadas nacionalmente? Quais aprendizados podem ser obtidos com esses dados?
Uma enorme quantidade de trabalho está sendo realizada com o aprendizado de máquina no momento, com o potencial de realmente revolucionar a forma como processamos os dados.
Recebemos mais de 2,6 milhões de registros por ano; o texto livre é onde estão todas as informações essenciais. No entanto, no momento, só temos a capacidade de ler manualmente 10.000 registros por ano (geralmente eventos classificados como danos graves/morte no NRLS). O aprendizado de máquina vai mudar completamente essa situação. Ele não automatizará todo o processo, mas, em vez disso, identificará palavras-chave, sinais e acionadores para classificar os registros que precisam ser lidos, o que, por sua vez, nos permitirá realizar um trabalho mais preventivo.
Espera-se que o aprendizado de máquina também nos ajude a categorizar e marcar melhor os registros e a fornecer à equipe de saúde que registra incidentes um feedback e um suporte tangíveis com base no registro criado. Por exemplo, se você registrou um incidente com medicação, o algoritmo pode analisar rapidamente o seu registro e o LFPSE pode enviar orientações diretamente para você sobre como preparar e administrar o medicamento em questão.
Portanto, isso abordará a questão levantada anteriormente sobre as pessoas sentirem que gastam todo esse tempo longe de seus pacientes, que é onde elas querem estar, para escrever esse registro e nunca mais o veem, sem saber o que ele fez de bom e sem saber como fazer algo diferente. E, em vez de ser um processo unilateral, isso criará muito mais um fluxo de informações, de volta aos registradores e às organizações de registro, de uma forma realmente construtiva e útil.
O que está reservado para o futuro do LFPSE e da segurança do paciente?
Temos planos de projeto para lidar com diferentes aspectos do sistema, mas com o desenvolvimento ágil, você não sabe realmente com o que vai acabar. Nosso objetivo com um processo de design centrado no usuário não é apenas refinar o que achamos que precisamos fazer, mas realmente ouvir nossos usuários sobre o que eles querem e o que os ajudará a fazer seu trabalho melhor e com mais facilidade.
Dito isso, atualmente temos algumas áreas de foco diferentes. O aprendizado de máquina é uma das principais, assim como o aplicativo Data Access, que usamos para apresentar os dados aos provedores. No momento, são apenas números, tabelas e alguns filtros, mas estamos trabalhando ativamente com a equipe de saúde para explorar quais ferramentas e apresentações de dados poderão ajudá-los.
Também estamos procurando melhorar a coleta de informações sobre características protegidas para dar suporte ao nosso trabalho de lidar com as desigualdades na área da saúde e desativar o NRLS.
No final do ano, estaremos trabalhando em um processo melhor para coletar dados de eventos de segurança do paciente de pacientes e familiares. Atualmente, o NRLS tem um formulário eletrônico que pode ser preenchido pelo paciente. No entanto, isso exige que o paciente saiba que o que aconteceu com ele foi um incidente de segurança do paciente, entenda o conceito de segurança do paciente e saiba que há uma equipe em algum lugar para a qual ele pode relatar o incidente por meio de um formulário on-line isolado.
Nosso objetivo é descobrir uma maneira melhor de incluir a perspectiva do paciente e contribuir para o aprendizado sem colocar essa responsabilidade sobre ele.
Qual é a função dos diferentes tipos de eventos (Incidente, Risco, Bom Atendimento e Resultados) no LFPSE?
Sempre havia uma mistura de coisas no NRLS - às vezes eram riscos, outras vezes resultados ou incidentes de segurança do paciente. No entanto, todos eles eram forçados a passar pelo mesmo padrão e tinham de ser relatados em uma única categoria: incidentes.
Por exemplo, se alguém estivesse relatando um risco, também teria que fornecer um nível de dano, o que era impossível de ser feito porque ainda não havia ocorrido nenhum dano. Assim, reconhecemos que as pessoas queriam nos contar sobre diferentes tipos de eventos e criamos um sistema que permitia que elas o fizessem - se você estiver registrando um risco, não pediremos detalhes do paciente ou o nível de dano porque eles não existem. Essa é a estratégia que estávamos buscando.
O fluxo de trabalho Good Care é algo pelo qual somos realmente apaixonados. Queríamos nos concentrar não apenas em minimizar o que dá errado, mas também em maximizar o que dá certo e aprender com isso.
Neste momento, os provedores devem usar os tipos de evento "Incidente" e "Bom atendimento", mas têm a opção de não usar "Risco" e "Resultados". Estamos revisando esses tipos, mas ninguém é obrigado a usá-los. No entanto, se você quiser usá-los, gostaríamos de conversar com você para obter feedback sobre como funciona e se é útil para a equipe da sua organização.
Esperamos que haja algum benefício em tê-las, mas precisamos, como em todo o serviço, receber feedback e encontrar maneiras de torná-lo mais fácil de usar e de trabalhar para as pessoas.