Het Belang van Triage in de Werklastmeting en de Vergelijking … · 2012. 3. 14. · Dit bewees...

FACULTEIT GENEESKUNDE EN GEZONDHEIDSWETENSCHAPPEN

ACADEMIEJAAR 2010 – 2011

Het Belang van Triage in de Werklastmeting en de Vergelijking met Overbevolking op een Spoedgevallendienst met behulp van

een Computerprogramma

Masterproef voorgelegd tot het bekomen van de graad van

Master in Management en Beleid van de Gezondheidszorg

Door Thomas De Ridder

onder leiding van

Promotor: Prof. Dr. Paul Gemmel

Co-Promotor: Prof. Dr. Peter De Paepe

II

Abstract

Objectief: Met deze scriptie wordt getracht de relatie duidelijk te maken tussen het voorkomen van

een hoge werkbelasting voor het verpleegkundig personeel op een spoedafdeling en de

overbevolking in de spoedafdeling. Op basis daarvan kan een theoretisch model opgesteld worden

dat spoedafdelingen kan helpen een efficiënte bestaffing op te stellen.

Methode: Uit de literatuur werden de beste meetschalen voor werklast en overbevolking gehaald.

Op basis van de gegevens van een observationeel onderzoek werd onderzocht of de patiënt-

verpleegkundige ratio verschilde van de Ernst patiënt-verpleegkundige ratio in het meten van de

werklast. Daarvoor werd een computerprogramma ontwikkeld dat beide gegevens in real-time

weergaf. Door middel van gegevens van de spoedgevallendienst in het Universitair Ziekenhuis te

Gent gedurende de maand april 2009, werden werklast en overbevolking tegenover elkaar gezet.

Resultaten: Uit de literatuur bleek de patiënt-verpleegkundige ratio de beste manier te zijn om

werkbelasting te kwantificeren. Ondanks een significant (p < 0,001) hogere gemiddelde triage-

categorie tijdens de nachtshiften, werd toch een hoge correlatie (0,974) aangetoond tussen de

patiënt-verpleegkundige ratio en de Ernst patiënt-verpleegkundige ratio. Dit bewees dat de Ernst

patiënt-verpleegkundige ratio geen bijkomende informatie gaf over de werklast. De bezettingsgraad

bleek de beste manier om overbevolking te meten. Het bestaffingsmodel geeft een theoretische

basis voor de bestaffing van verpleegkundigen in een spoedafdeling.

Conclusie: Ondanks de gemiddeld zwaardere pathologieën ’s nachts, bleek het incorporeren van

triage-gegevens in de patiënt-verpleegkundige ratio geen bijkomende informatie te tonen. Het

bestaffingsmodel leek in praktijk haalbaar maar dient verder uitgewerkt te worden.

Thomas De Ridder; Augustus 2011

Aantal woorden masterproef: 24 408 (exclusief bijlagen en bibliografie)

I

Woord vooraf

Ter afsluiting van mijn studies Master in management en beleid van gezondheidszorg schreef ik deze

scriptie. De problematiek op spoed heeft me altijd geboeid en daarom heb ik deze en de vorige thesis

met bijzonder veel motivatie geschreven. Daarnaast kreeg ik de unieke kans om enkele dagen mee te

draaien in het reilen en zeilen van de spoedafdeling van het UZ Gent.

Graag wil ik de mensen die mij deze unieke kans boden bedanken. Mijn dank gaat hierbij

voornamelijk uit naar Prof. Dr. Paul Gemmel, Prof. Dr. Peter De Paepe en Prof. Dr. Walter Buylaert.

Verder wil ik hen ook allemaal bedanken voor de uitstekende begeleiding. Ik kon steeds bij hen

terecht voor de nodige uitleg en adviezen.

Daarnaast wil ik ook Dhr. Phillipe Fortain bedanken zonder wie het onderzoek en de medewerking

van de andere verpleegkundigen helemaal niet mogelijk was. Het zeer snel beantwoorden van

vragen en al de tijd die hij in het onderzoek heeft gestoken zijn een enorm grote hulp geweest.

Tot slot ben ik mijn familieleden, vrienden en iedereen die mij op een of andere manier geholpen

heeft enorm dankbaar. Jullie steun betekende veel voor mij. Voornamelijk mijn ouders verdienen een

woordje van dank. Zij hebben ervoor gezorgd dat ik deze studies heb kunnen aanvatten. Daarnaast

wil ik ook uitdrukkelijk Cora Vandamme bedanken voor het grondig nalezen van deze thesis.

Bedankt voor jullie hulp en steun: ze zal niet snel vergeten worden!

Thomas De Ridder

II

Inhoud

1. Introductie ...................................................................................................................... 1

2. Literatuurstudie .............................................................................................................. 4

2.1. Literatuur betreffende de werkbelasting ...................................................................... 4

2.1.1. Met welke taken houden verpleegkundigen zich bezig? ....................................... 4

2.1.2. Hoe de verdeling van de taken verandert als de werkbelasting verandert ............ 6

2.1.3. Het meten van de werkbelasting .......................................................................... 6

2.2. Vergelijking van overbevolkingsmeetschalen .............................................................16

2.2.1. NEDOCS ............................................................................................................18

2.2.2. EDWIN ...............................................................................................................19

2.2.3. READI score .......................................................................................................20

2.2.4. Work Score .........................................................................................................21

2.2.5. EDCS .................................................................................................................22

2.2.6. Vergelijking van de overbevolkingsmeetschalen .................................................23

2.2.7. Conclusie i.v.m. overbevolkingschalen ...............................................................26

2.3. Voorspellen van overbevolking of hoge werkbelasting ...............................................28

3. Het onderzoek ...............................................................................................................35

3.1. Inleiding tot het onderzoek: Ontwikkeling van een computerprogramma ....................35

3.1.1. Het belang van ICT in de gezondheidszorg ........................................................35

3.1.2. Ontwikkeling van een computerprogramma voor het meten van de werkbelasting 35

3.1.2.1. De ontwikkeling van een manueel programma ............................................36

3.1.2.2. Verdere uitbouw van het programma ...........................................................40

3.2. Het universitair ziekenhuis Gent en de spoedgevallendienst ......................................42

3.3. Verwerking van de gegevens .....................................................................................43

3.3.1. Verwerking van de patiëntengegevens ...............................................................44

3.3.2. Verwerking verpleegkundige gegevens ..............................................................46

3.3.3. De patiënt-verpleegkundige ratio en de Ernst patiënt-verpleegkundige ratio .......48

3.4. Het meten van de werkbelasting ................................................................................50

3.4.1. De patiënt-verpleegkundige ratio versus de Ernst patiënt-verpleegkundige ratio 50

3.4.2. De optimale grens van werkbelasting .................................................................57

3.4.3. Het probleem met Ernst patiënt-verpleegkundige ratio........................................59

3.5. Het verband tussen overbevolking en werkbelasting .................................................62

3.5.1. Wanneer is er sprake van overbevolking? ..........................................................63

3.5.2. Situering van het bestaffingsmodel .....................................................................63

3.5.3. De relatie tussen de bezettingsgraad en de patiënt-verpleegkundige ratio .........65

3.5.4. Het distilleren van het bestaffingsmodel uit de gegevens ....................................71

3.5.5. Het bestaffingsmodel ..........................................................................................74

3.6. Het bestaffingsmodel in praktijk .................................................................................81

III

3.6.1. Assumpties .........................................................................................................81

3.6.2. Invullen van het stappenplan ..............................................................................81

3.6.3. De toepassing op de werkelijke vraag .................................................................85

3.6.4. Een vaste wekelijkse bestaffing vinden ...............................................................88

4. Beperkingen ..................................................................................................................92

5. Conclusie ......................................................................................................................94

6. Referenties ....................................................................................................................96

7. Appendices ...................................................................................................................... i

7.1. Appendix 1 .................................................................................................................... i

7.2. Appendix 2 .................................................................................................................... i

7.3. Appendix 3 .................................................................................................................... i

7.4. Appendix 4 .................................................................................................................... i

IV

Lijst van Figuren

Figuur 1: Histogram triage-level (Hobgood et al, 2005) .........................................................15 Figuur 2: Area Under the Curve voor overbevolkingsmeetschalen (Hoot et al, 2007) ...........29 Figuur 3 : Simulatiemodel (Hoot et al, 2008) .........................................................................30 Figuur 4: input-output-throughput (Hoot et al, 2008) .............................................................31 Figuur 5: voorbeeld voorspelling overbevolking (Hoot et al, 2008) ........................................33 Figuur 6: scherm van het computerprogramma ....................................................................36 Figuur 7: knoppen verpleegkundigen ....................................................................................38 Figuur 8: foutmelding ............................................................................................................39 Figuur 9: waarschuwingslicht ................................................................................................40 Figuur 10: verwerking patiëntengegevens ............................................................................44 Figuur 11: verwerking patiëntengegevens ............................................................................45 Figuur 12: werkblad Berekening ratio ...................................................................................45 Figuur 13: Aantal patiënten met of zonder triage ..................................................................46 Figuur 14: theoretische verpleegkundige bestaffing ..............................................................47 Figuur 15: werkelijke verpleegkundige aanwezigheid ...........................................................48 Figuur 16: patiënt-verpleegkundige ratio met en zonder triage .............................................48 Figuur 17: patiëntenaanwezigheid met en zonder triage .......................................................50 Figuur 18: Gemiddelde triage-zwaarte ..................................................................................51 Figuur 19: histogram gemiddelde triage ...............................................................................52 Figuur 20: Model van Khoong, 1996 .....................................................................................64 Figuur 21: patiënt-verpleegkundige ratio tov bezettingsgraad ...............................................66 Figuur 22: Week 4 patiënt-verpleegkundige ratio tov bezettingsgraad ..................................67 Figuur 23: patiënt-verpleegkundige ratio tov bezettingsgraad + uitleg ..................................69 Figuur 24: verschuiving vs. verplaatsing ...............................................................................71 Figuur 25: patiënt-verpleegkundige ratio tov bezettingsgraad + grenzen ..............................72 Figuur 26:patiënt-verpleegkundige ratio tov bezettingsgraad + kwadranten .........................73 Figuur 27: Het bestaffingsmodel ...........................................................................................76 Figuur 28: patiëntenaanwezigheid april 2009 (De Ridder & Gemmel, 2010) .........................77 Figuur 29: Het bestaffingsmodel 2 ........................................................................................78 Figuur 30: patiënt-vpk ratio ifv tijd .........................................................................................79 Figuur 31: patiënt-verpleegkundige ratio tov bezettingsgraad ...............................................79 Figuur 32: Gemiddelde patiëntenaanwezigheid april 2009 ...................................................82 Figuur 33: stappenplan voorbeeld ........................................................................................84 Figuur 34: stappenplan voorbeeld ........................................................................................84 Figuur 35: theoretische bestaffing en patiënt-vpk ratio..........................................................87 Figuur 36: Wekelijkse bestaffing volgens bestaffingsmodel (met en zonder afvlakking) ........88 Figuur 37: Patiënt-verpleegkundige ratio bij afgevlakte wekelijkse bestaffing .......................89 Figuur 38: Patiënt-verpleegkundige ratio origineel vs. bestaffingsmodel ...............................91

V

Lijst van tabellen

Tabel 1: Tijdsverdeling verpleegkundigen (Hobgood et al, 2005) .......................................... 5 Tabel 2: Patiënt categorieën afhankelijk van de zorg (De Jong, 2009) .................................. 9 Tabel 3: Gemiddelde tijd per triage-categorie (Dreyer et al, 2009) ........................................10 Tabel 4: vergelijking verpleegkundige tijd per triage categorie (cijfers weergegeven in minuten) ...............................................................................................................................11 Tabel 5: berekening aantal ECWU's per triage-categorie (Gedmintas et al, 2010)................11 Tabel 6: berekening aantal ECWU's voor een spoedafdeling (Gedmintas et al, 2010) .........12 Tabel 7: vergelijking ECWU's (Gedmintas et al, 2010) .........................................................12 Tabel 8: READI score wanneer is spoed overbevolkt (Reeder et al, 2003) ...........................21 Tabel 9: vergelijking DV, EDWIN, NEDOCS en EDCS (Jones et al, 2006) ...........................23 Tabel 10: Vergelijking READI, EDWIN, NEDOCS, EDCS (Jones et al, 2006) ......................24 Tabel 11: vergelijking DV, EDWIN, NEDOCS, EDCS (Jones et al, 2006) .............................24 Tabel 12: opsomming auteurs statistische modellen voor spoed (Hoot et al, 2008) ..............30 Tabel 13: beschrijving triage-gegevens ................................................................................43 Tabel 14: Spearman’s Rho patiënten ...................................................................................51 Tabel 15: Kolmogorov-Smirnov test ......................................................................................52 Tabel 16: Jarque-Bera test ...................................................................................................53 Tabel 17: Spearman's Rho ratio's .........................................................................................53 Tabel 18: voorbeeld triage-zwaarte ......................................................................................54 Tabel 19: verschil in gemiddelde triage tussen overdag en 's nachts ....................................56 Tabel 20: t-test triage o.b.v. aankomsttijd .............................................................................56 Tabel 21: t-test triage o.b.v. verblijfstijd ................................................................................57 Tabel 22: voorbeeld aantal verpleegkundige per patiënt .......................................................58 Tabel 23: RICO per uur ........................................................................................................70 Tabel 24: Stappenplan .........................................................................................................75 Tabel 25: aantal verpleegkundigen nodig .............................................................................83 Tabel 26: Praktijkvoorbeeld ..................................................................................................85

VI

Woordenlijst en afkortingen

AUC: Area Under the Curve; berekend de integraal van een bepaalde curve. Het is een manier om te

testen of een meetschaal voldoende goed een bepaalde toestand kan benaderen. Bijvoorbeeld: kan

een overbevolkingsmeetschaal voldoende onderscheid maken tussen periodes van ambulance-

omleiding?

Boardings: Dit zijn patiënten die op spoed verblijven, in afwachting van een verdere opname in het

ziekenhuis, omdat er nog geen plaats is op die opnameafdelingen.

Case-mix: Het aantal patienten per triage-categorie dat gedurende een bepaalde periode in de

spoedafdeling binnenkomt.

LWBS: Left without being seen; dit zijn patiënten die na incheck aan de receptie toch terug

vertrekken naar huis. Dit gebeurd meestal wanneer het druk is op spoed.

MTS: Manchester Triage Scale; is de triage schaal die in het onderzoek wordt gebruikt om de ernst

van de pathologie van patiënten te groeperen.

Opnamebed: Een bed waarin patiënten, die niet ambulant op spoed zijn, worden opgenomen na

verblijf op spoed. Dit is m.a.w. elk ander ziekenhuisbed behalve spoedbedden.

RICO: de richtingscoëfficiënt.

Spoedbed: de Bedden op spoed.

Triage-categorie: de Ernst van de pathologie van een patiënt, gemeten volgens een triage schaal. In

deze thesis betreft het een schaal met 5 niveaus, gaande van 1 tot 5 of van blauw tot rood.

1

1. Introductie

De vraag naar zorg die de spoedafdelingen te verwerken krijgen blijft alsmaar stijgen. Dit is een

internationale trend die goed zichtbaar is (Grumbach, Keane, Bindman, 1993; Afilalo, Marinovich,

Afilalo, Colacone et al, 2004; Dent, Phillips, Chenhall, McGregor, 2003). Het heeft een grote implicatie

op de werklast van zowel het verplegend personeel als de spoedartsen die worden overstelpt met

werk. De pijnpunten kwamen recentelijk nog in de media door het teveel aan niet-urgente gevallen

die zich toch laten verzorgen op spoed (De Standaard, 12 &13 maart 2011) en het tekort aan

spoedartsen waar men momenteel mee kampt en de arbeidsduur van artsen in opleiding die wordt

beperkt tot 48 uur, met een maximum van 60 uur voor spoedafdelingen (Artsenkrant, 5 april 2011).

Deze problematiek maakt het noodzakelijk voor het management van de spoedafdeling en

van het ziekenhuis om de beschikbare resources, zoals verpleegkundigen en artsen, efficiënt in te

zetten. Één van de belangrijkste voorwaarden om human resources goed te kunnen managen is het

kwantificeerbaar maken van de werklast. Hierdoor kunnen, via objectieve gegevens, knelpunten in

de bestaffing opgespoord en opgelost worden.

Indien een spoedafdeling meer patiënten binnenkrijgt dan zijn capaciteit toelaat, dan spreekt

men over een overbevolkte spoedafdeling. Dit illustreert het typische beeld van een drukke

spoedafdeling met overvolle wachtzalen, patiënten in de gangen en dergelijke meer. Het zal ook

gepaard gaan met een hoge werklast. Een tekort aan medisch personeel wordt algemeen aanvaard

als één van de factoren die meespelen in de overbevolking van spoedafdelingen (De Ridder &

Gemmel, 2010; Hoot & Aronsky, 2008). Terwijl overbevolking altijd zal leiden tot een hoge werklast is

de omgekeerde bewering niet altijd correct. Als men bijvoorbeeld het Belgische zorgmodel in

beschouwing neemt, is het misschien ook mogelijk om een hoge werkbelasting te hebben zonder dat

de spoedafdeling overbevolkt is omdat meerdere verpleegkundigen van de spoedafdeling kunnen

weggehouden worden door MUG-, ambulance-ritten, secundaire transfers of intern transport. Het

verband tussen werkbelasting en overbevolking zal dan ook grondig bestudeerd worden in het

empirisch onderzoek van deze masterproef.

Reeds meerdere pogingen zijn ondernomen om de overbevolking in spoedafdelingen te

kwantificeren, met als doel spoedafdelingen onderling te kunnen vergelijken en eventueel periodes

van overbevolking te kunnen voorspellen. Bijna al deze overbevolkingsmeetschalen zijn in Amerika

opgesteld. In spoedafdelingen in de VSA zaten patiënten in 2007 gemiddeld 4 tot 5 uur in de

wachtkamer alvorens behandeld te worden (ACEP, 2007). Dit is praktisch ondenkbaar in Belgische

2

spoedafdelingen. Dit zal concreet betekenen dat Amerikaanse manieren om de overbevolking van de

spoedafdeling te meten, niet zonder meer kunnen toegepast worden in Belgische spoedafdelingen.

Men dient overbevolkte spoedafdelingen te vermijden aangezien zij de kwaliteit van de

patiënt in het gedrang kunnen brengen. Daarnaast hebben zij ook financiële gevolgen, kunnen ze tot

geweld leiden door lange wachtrijen en zal ook het personeel onder deze overbevolking lijden door

burn-outs en dergelijke meer. Voor een uitvoerige samenvatting van mogelijke gevolgen wordt

verwezen naar De Ridder & Gemmel (2010).

Deze masterproef, met als titel “Het belang van triage in de werklastmeting en de

vergelijking met overbevolking op een spoedgevallendienst met behulp van een

computerprogramma” bouwt in grote mate voort op De Ridder & Gemmel (2010) en zal slechts zeer

kort ingaan op de werkwijze van de vorige masterproef. Doordat de vorige masterproef zich meer op

de praktische kant van het meten van de werkbelasting richtte, zal deze deels als basis dienen voor

het onderzoek in deze masterproef. Deze masterproef zal academischer gericht zijn dan de vorige en

zal enkele, momenteel in de literatuur relevante vragen, trachten te beantwoorden. Daarnaast

worden enkele beperkingen van de vorige thesis nu in acht genomen. Met betrekking tot de vorige

thesis kwam ook de vraag of er een oplossing was voor eventuele overbestaffing bijvoorbeeld tijdens

nachtshiften. Het antwoord daarop zal in deze thesis door middel van een model worden uitgelegd.

Het empirisch onderzoek wordt voorafgegaan door een uitgebreide literatuurstudie waarbij

eerst artikels m.b.t. de werklastmeting van het verpleegkundig personeel zullen worden besproken.

Verschillende manieren om de werklast in real-time te meten zullen met elkaar worden vergeleken

waarna de beste meetschaal zal worden gebruikt in het onderzoek.

In een tweede deel van het literatuuronderzoek zullen verschillende meetschalen voor

overbevolking met elkaar worden vergeleken op basis van reeds verschenen studies. De parameter

die hier het beste uitkomt en die het gemakkelijkste implementeerbaar blijkt, zal in het empirisch

onderzoek worden gebruikt als meetschaal voor de overbevolking.

Er zal in het empirisch onderzoek worden nagegaan of rekening houden met de ernst van de

patiënt een effect zal hebben op de effectiviteit van de werklastmeting. Daarbij zal er m.a.w.

nagegaan worden of de werklastmeting significant verschilt indien men rekening houdt met de

triage-categorie van de patiënten. Als bijvraag wordt ook direct gesteld of er een verschil is tussen de

gemiddelde triage-categorie van patiënten die ’s nachts binnenkomen versus de patiënten die

overdag toekomen. Voor dit deel van het onderzoek werd een computerprogramma ontworpen dat

het mogelijk moest maken om continu te kijken hoe hoog de werklast op een bepaald moment is.

Jammer genoeg bleek het niet mogelijk om het computerprogramma werkelijk te gebruiken, maar

desalniettemin begint het onderzoek met een beschrijving van het programma.

3

Daarnaast zal in het onderzoek eveneens getracht worden de werkbelasting te vergelijken

met de overbevolking. Beiden zullen worden gemeten door de meetschaal die in de literatuur als

beste naar voor kwam. Door deze twee gedurende eenzelfde periode te meten, en deze achteraf

met elkaar te vergelijken, zal getracht worden een relatie tussen overbevolking en werklast te

vinden. Deze relatie kan gebruikt worden voor de ontwikkeling van een theoretisch bestaffingsmodel

dat als basis kan dienen voor het opzetten van een verpleegkundige bestaffing voor spoedafdelingen.

Het bestaffingsmodel heeft als hoofddoel een bevattelijk beeld te geven over de problematiek van de

bestaffing van een spoedafdeling. Achteraf wordt het onderzoek afgesloten met een praktisch

voorbeeld van het bestaffingsmodel. Dit voorbeeld zal aantonen hoe het theoretisch model in de

praktijk kan gebruikt worden in de zoektocht naar een goede bestaffing.

4

2. Literatuurstudie

2.1. Literatuur betreffende de werkbelasting

Het uiteindelijke doel van de werklastmeting is ervoor zorgen dat de spoedafdeling een veilige plaats

blijft voor de patiënten, en een leuke werkomgeving voor verpleegkundigen en andere medici en

paramedici. Er is namelijk reeds meerdere malen gebleken dat een hoge werkbelasting ten koste zou

gaan van de veiligheid van de patiënten omdat verpleegkundigen of artsen patiënten uit het oog

verliezen of minder kwaliteitsgericht werken door de stress (Hoot & Aronsky, 2008; Derlet, Richards,

Kravtiz, 2001). Volgens Hobgood et al (2005) is het voor het management van de spoedafdeling

belangrijk om een omgeving te creëren waarin het personeel het druk heeft (wat tot efficiëntie leidt),

maar toch niet overbelast is. Volgende sleutelelementen dient een goed management te kennen: (1)

met welke taken houden verpleegkundigen zich bezig, (2) hoe verandert de tijdsverdeling tussen

deze taken indien de werkdruk stijgt, en (3) hoe kan men de werklast accuraat meten.

Jammer genoeg zijn deze sleutelelementen slechts zeer weinig behandeld. Slechts twee

artikels bespreken hoe verpleegkundigen hun tijd besteden op de spoedafdeling (Hollingsworth et al,

1998; Hobgood et al, 2005). Hobgood en zijn collega’s zijn ook de enigen die tot nu toe hebben

bekeken hoe die tijdsverdeling varieert als de werkbelasting stijgt of daalt.

We zullen in het hierop volgende deel elk van deze drie componenten bespreken. De meeste

aandacht zal uiteraard gaan naar het laatste deel, alwaar verschillende methodes worden bekeken

die de werkbelasting kunnen meten.

2.1.1. Met welke taken houden verpleegkundigen zich bezig?

Aangezien spoedafdelingen vandaag de dag, door beperkingen in het budget, weinig

overschot hebben qua personeel en dat ze alsmaar meer patiënten moeten kunnen opvangen door

de stijgende toeloop van patiënten (Kyriakou, Ricketts, Dyne, McCollough et al, 1999; Fatovich &

Hirsch, 2003; Derlet & Richards, 2000), zijn de verpleegkundigen soms genoodzaakt om taken uit te

voeren waarvoor zij overgekwalificeerd zijn. Deze taken kunnen het vervangen van lakens of het

vervoeren van patiënten naar andere afdelingen inhouden.

Om uit te zoeken welke de taken zijn van een verpleegkundige gingen Hobgood et al (2005)

op zoek naar de hoeveelheid tijd die verpleegkundigen spenderen aan (1) directe patiëntenzorg, (2)

indirecte patiëntenzorg, (3) zorg die niet door een verpleegkundige dient uitgevoerd te worden maar

toch met de zorg te maken hebben en (4) persoonlijke tijd. Onderstaande tabel, gekopieerd uit

5

Hobgood et al (2005), geeft deze activiteiten weer alsook het percentage van de tijd die er gemiddeld

aan wordt gespendeerd.

Tabel 1: Tijdsverdeling verpleegkundigen (Hobgood et al, 2005)

Men kan opmerken dat een verpleegkundige slechts 25,6 % van zijn tijd bezig is met directe

patiëntenzorg, en praktisch de helft van de tijd met indirecte zorg. Een groot deel van de tijd wordt

daarnaast gespendeerd aan persoonlijke bezigheden zoals lezen, eten, sanitaire pauzes enzovoort.

Een artikel van Hollingsworth et al (1998) beschrijft eveneens hoe verpleegkundigen op een

spoedafdeling hun tijd verdelen. 2,2% van de tijd spendeerden verpleegkundigen aan het comfort

van de patiënten terwijl ze 38,9% van de tijd overhielden voor indirecte patiëntenzorg. 30% van de

tijd besteedde men aan persoonlijke tijd of wachten en nog eens 31% aan directe patiëntenzorg.

Deze studie toont dus een hogere proportie aan directe patiëntenzorg, minder tijd aan indirecte

patiëntenzorg en meer persoonlijke tijd dan het artikel van Hobgood et al (2005).

Dit verschil toont aan dat de tijdsverdeling van verpleegkundigen waarschijnlijk verschilt van

spoedafdeling tot spoedafdeling. Er kan opgemerkt worden dat, omwille van het nijpend tekort aan

verpleegkundigen momenteel (De Standaard, 2011), er toch eerst en vooral zou moeten gekeken

worden of men de indirecte patiëntenzorg niet kan doen dalen. Hierbij zou men dan voornamelijk

moeten trachten de verpleegkundigen van bijkomende administratieve lasten te verlossen.

Voorbeelden van mogelijke oplossingen zijn efficiënte elektronische ordersystemen of

6

gemakkelijkere geneesmiddelentoediening. Verschillende artikels (Pabst, Scherubel, Minnick, 1996;

Minda, Brundage, 1994; Guerrero, Nickman, Jorgenson, 1996) hebben reeds de positieve effecten

van elektronische documentatiesystemen en automatische verdelingssystemen op de indirecte

patiëntenzorg aangetoond.

2.1.2. Hoe de verdeling van de taken verandert als de werkbelasting verandert

Hobgood en zijn collega’s (Hobgood et al, 2005) hebben daarnaast ook onderzocht hoe de

tijdsverdeling over deze taken verandert wanneer de werkbelasting verandert. Er bleek dat er

wanneer de werkbelasting steeg, er meer tijd werd gespendeerd aan directe en indirecte

patiëntenzorg. De ratio 2:1 van indirecte versus directe patiëntenzorg, zoals men kon zien in de

vorige tabel (zie tabel 1), bleef evenwel behouden. De niet-verpleegkundige zorg bleef hetzelfde,

terwijl de niet met zorg verwante activiteiten daalden. De tabel met de resultaten wordt voor de

volledigheid in appendix 1 weergegeven.

2.1.3. Het meten van de werkbelasting

Inleiding

In Cherill Scott, 2003 p. 25 kan men lezen:

Workload is affected by many different factors, some of which may be more stable – and

measurable - than others (such as elective and emergency admission rates, turnover, lengths

of stay, case mix and average age). Other, less quantifiable factors which have a direct

impact on local workload are: environment (ward layout, availability of appropriate

equipment, availability of intensive care facilities, bed management systems, and so on); the

prevailing philosophy of nursing, and the resultant deployment of the nursing team (primary

nursing, task allocation or team nursing); the individual characteristics of nursing staff (their

skills, experience and knowledge of the ward); and different patterns of medical treatment.

In dit stuk worden enkele artikels besproken die hebben getracht de werkbelasting te meten. Er

wordt uitgegaan van de algemene definitie van werkbelasting: ‘the total of work to be performed by

an individual or a group of workers in a period of time’ (Cinahl Information Systems, 2005). De

hoeveelheid werkbelasting is het verschil tussen de vraag naar zorg en het aanbod van zorg (Ream et

al, 2007). In de spoedafdeling komt de vraag naar zorg vanwege de patiënten die, afhankelijk van de

7

ernst van hun pathologie, medische attentie vragen. Het aanbod van de zorg, daarentegen, wordt

vertegenwoordigd door de kwantiteit en de kwaliteit van het aanwezige personeel. De kwantiteit

stelt het aantal verpleegkundigen en artsen op spoed voor, terwijl de kwaliteit hun opleidingsniveau

en ervaring inhoudt. Het vergelijken en het goed op elkaar afstemmen van deze twee zal een

belangrijke managementtool zijn om dagelijks onevenwichten te herstellen.

Aangezien de groei van het ziekenhuisbudget alsmaar afneemt, terwijl de vraag naar zorg aan

een gestaag tempo blijft stijgen, is het vanuit management perspectief zeer belangrijk het personeel

zo efficiënt mogelijk in te zetten. Het computerprogramma dat in het empirisch onderzoek van deze

thesis zal worden beschreven meet continu wat de vraag naar zorg is en vergelijkt dit met het

aanbod van zorg, weliswaar zonder rekening te houden met het opleidingsniveau en de ervaring van

de verpleegkundigen. Door aan te geven wanneer de werkbelasting een kritiek punt bereikt, kan men

hiermee rekening houden in zowel de spoedafdeling, als de andere afdelingen van het ziekenhuis

door bijvoorbeeld de doorstroom van boardings te versnellen. Dit onderwerp wordt later in deze

thesis verder besproken (cf. infra p 28).

Volgens Kim et al (2007) is het meten van de real-time vraag naar zorg nog steeds een stevige

basis voor het bepalen van verpleegkundige werkbelasting. Dit is dan ook het uiteindelijke doel van

deze thesis. Voor gespecialiseerde departementen, zoals een spoedafdeling, wordt de benodigde tijd

per patiënt nog steeds het best gemeten d.m.v. observationele studies (Hobgood et al., 2005; Gran-

Moravec & Hughes, 2005). Dit is namelijk de meest accurate manier en ook de enige echte manier

om de werkbelasting te meten. Bij dergelijke metingen wordt er met een stopwatch met een

verpleegkundige meegelopen en wordt procentueel de tijd gemeten tussen werken en niet-werken.

Afhankelijk van deze ratio kan men besluiten hoe groot de werkdruk is. Op zich houdt men hierbij

geen rekening met de snelheid waarmee taken worden uitgevoerd. Daarvoor zou men ook gebruik

moeten maken van hartslagmeters en zweetmeters die de stress van een verpleegkundige kunnen

meten (Levin, France, Hemphill, Jones et al, 2006).

Het belang van ervaring en opleiding in het aanbod van zorg

Het niet rekening houden met de ervaring en het opleidingsniveau van het verpleegkundig

personeel is toch een groot nadeel in het onderzoek van deze thesis. Er is namelijk reeds meerdere

malen aangetoond dat ervaring een grote rol speelt in het bestaffen van de spoedafdeling. De

Australische Health workforce Advisory Committee (2006) zette het belang van management, goed

leiderschap en ervaring op de spoedafdeling in de verf. Thorton & Hazell (2008) toonde aan dat het

vervangen van jonge artsen door ervaren artsen een significant positief effect heeft op het aantal

patiënten dat gezien werd in een bepaald tijdsbestek, het aantal LWBS, en dat het een verminderde

8

verblijfsduur van patiënten op spoed tot gevolg heeft(van gemiddeld 451 minuten naar 258

minuten). Ook Holliman, Wuerz, Kimak et al (1995) toonden aan dat ervaren personeelsleden minder

verzorgingsfouten maken dan jonge verpleegkundigen en jonge artsen. Men kan hieruit dus

besluiten dat ervaring zeker een belangrijke factor is waar over nagedacht moet worden wanneer

men een spoedafdeling adequaat wil bestaffen. Zo kan men bijvoorbeeld een apart team met

stagairs en onervaren verpleegkundigen gebruiken om minder dringende patiënten te behandelen,

terwijl ervaren verpleegkundigen en specialisten instaan voor de zwaardere pathologieën (Beales,

1997; Ashman, 2004).

Hier dient te worden vermeld dat gepaste opleidingen voor verpleegkundigen hoog in het

vaandel wordt gedragen in Amerikaanse literatuur. Daar is de opleiding verpleegkunde namelijk

meer uitgebreid en gespecialiseerd dan hier. Zo heeft men bijvoorbeeld verpleegkundigen

gespecialiseerd in aderlatingen of in hartchirurgie. Alhoewel dit een trend is die ook naar België zal

overwaaien, heeft men momenteel in België enkel een specialisatie opleiding voor verpleegkundigen

die op Intensieve Zorgen of spoedgevallen willen staan. Daarom zal in België het opleidingsniveau

niet zo zwaar meespelen in het berekenen van het aanbod van de zorg.

Instrumenten voor werklastmeting

In de literatuur zijn reeds verschillende artikels geschreven die vermelden hoe je best een

werklastmeting in instrumentvorm opstelt in een ziekenhuis (Driscoll DM, 1991; Helmer et al., 1987;

Molter NC, 1990; De Jong et al., 2009). Het startpunt is een beoordeling van alle verpleegkundige

activiteiten in hun specifieke setting. Daarnaast moeten ook de opleidingsniveaus in rekening

worden gebracht, samen met tijdsstandaarden voor elke activiteit. Dit wil zeggen dat men,

bijvoorbeeld voor het prikken van een infuus, een gemiddelde tijd uittrekt die verschilt naargelang

het opleidingsniveau en/of de ervaring van de verpleegkundige.

In de Jong et al (2009) trachtte men de verpleegkundige werklast te meten in een

brandwondencentrum in Nederland. Ondanks het verschillend karakter van een

brandwondencentrum, blijft het onder de vleugel van de kritieke diensten en zullen zij soms

onverwachte patiënten moeten ontvangen waardoor zij toch dicht bij de problematiek van de

spoedafdeling aanleunen. Een onderbestaffing zou kunnen leiden tot een hoger risico op mortaliteit

indien de situatie niet adequaat aangepakt wordt (Helmer, 1986) of het zou tot een stijgende

jobdissatisfactie kunnen leiden (Driscoll, 1991).

In het onderzoek van de Jong (2009) trachtte men aan elke patiënt, afhankelijk van de ernst

van zijn brandwonden, een hoeveelheid werk toe te kennen. Daartoe mat men met een stopwatch

de tijd die elke handeling met zich meebracht. In het totaal werd van 34 verpleegkundige activiteiten

9

de gemiddelde duur berekend. Hierin maakte men nog eens een onderscheid naargelang het

opleidingsniveau van de verpleegkundigen. Tot slot werden alle patiënten ingedeeld in 5 groepen

afhankelijk van de hoeveelheid zorg die ze nodig hadden. Aan elke klasse van patiënten werd een

hoeveelheid tijd gegeven zoals die gemiddeld uit de metingen voortkwam (het aantal handelingen

die dagelijks nodig zijn x de gemiddelde duur van elke handeling). Zo kwam men tot volgende tabel

(tabel 2):

Tabel 2: Patiënt categorieën afhankelijk van de zorg (De Jong, 2009)

Men berekende dagelijks het aantal patiënten tezamen met hun respectieve zorgklasse. Dit

stelde dan de vraag naar zorg voor. Met betrekking tot het aanbod van zorg gaf men het aantal

verpleegkundigen in, samen met hun opleidingsniveau en het aantal jaren ervaring. Op die manier

vergeleek het instrument dagelijks de vraag naar zorg (in minuten) met het aanbod van zorg (in

minuten).

Het opmeten van de handelingen, zoals hiervoor, is op een spoedafdeling quasi onmogelijk

vanwege de grote diversiteit aan patiënten en handelingen. Ondanks de vaak wederkerende acties

die verpleegkundigen moeten ondernemen zoals:

Het binnenlaten van een patiënt uit de wachtzaal;

Een eerste anamnese afnemen en de huidige klacht van de patiënt onderzoeken;

Vitale parameters controleren en noteren: bloeddrukmeter en pulse-oxymeter opzetten;

Al deze gegevens in een verslag typen op de computer;

zijn er ook veel acties die slechts heel af en toe voorkomen en die lang niet bij elke patiënt

voorkomen. Enkele voorbeelden zijn:

Het afnemen van een ecg;

Het begeleiden van iemand naar de toilet;

Bloed afnemen;

Arts assisteren bij bepaalde procedures.

Dit zorgt ervoor dat het voorgaande instrument, ondanks zijn interessante toepassing, heel moeilijk

kan toegepast worden op een spoedafdeling.

Het toewijzen van patiënten aan een bepaalde klasse die de ernst en de hoeveelheid werk

voorstelt, is daarentegen wel mogelijk op de spoedafdeling. Hiervoor wendt men de triage-categorie

aan.

10

Werklastmeting op de spoedafdeling

In vele spoedafdelingen in Canada wordt de bestaffing van medisch personeel bepaald op

patiëntentelling en de ernst volgens de Canadian Emergency Departement Triage and Acuity Scale

(CTAS) (Canadian association of emergency physicians, 2005), wachttijd en het aantal patiënten dat

binnenstroomt. Maar er is nog geen echte evidence-based methode om de behoefte aan medisch

personeel te voorspellen (De Ridder et al, 2010; Dreyer et al, 2009). Vele spoeddiensten in Canada

gebruiken de case-mix formule, gebaseerd op enkel het volume van patiënten en hun triage-

categorie, om de werkbelasting te meten. Dit gebeurt voornamelijk omdat de spoedartsen volgens

die regel worden betaald. Een interessante manier van werklastmeting is daarom het toewijzen van

de hoeveelheid tijd die nodig is om een patiënt met een bepaalde triage-categorie te behandelen.

Slechts zeer weinig studies hebben getracht de tijd die een spoedarts nodig heeft voor de

behandeling van een patiënt uit een bepaalde triage-categorie te kwantificeren (Graff & Radford,

1990; Hollingsworth et al, 1998; Innes et al, 2005; Agouridakis et al, 2004; Graff et al, 1993). Ook

Dreyer et al (2009) deden dit. Hun studie wordt hier kort toegelicht. Men volgde verschillende

spoedartsen in hun dagelijkse activiteiten, en men deelde deze activiteiten op in 13 klassen. De

spoedartsen spendeerden gemiddeld 84% van hun tijd aan patiëntenzorg (direct of indirect). Het

aantal patiënten per triage-categorie was 2.2% voor CTAS-1 (meest ernstige), 15.7% voor CTAS-2,

39.2% voor CTAS-3, 37.2% voor CTAS-4 en 5.6% voor CTAS-5 (minst ernstig). De gemiddelde tijd die

men per triage-categorie moest besteden, staat op volgende tabel:

Tabel 3: Gemiddelde tijd per triage-categorie (Dreyer et al, 2009)

Hieruit blijkt dat men aan een patiënt met CTAS-1 (de reanimatie klasse) gemiddeld 73.6

minuten besteedde, terwijl iemand met een lage triage score (CTAS-5) gemiddeld slechts 11 minuten

de aandacht van artsen nodig heeft.

Betreffende parameters voor werkbelasting van spoedartsen vonden Innes, Stenstrom,

Grafstein et al (2005) dat de sterkste voorspellers voor de werkbelasting de triage-categorie, de

hoeveelheid patiënten binnengebracht door een ambulance, de Glasgow Coma Scale score, de

11

leeftijd, de comorbiditeiten en het aantal vroegere bezoeken op spoed waren. Millar en zijn mede

collega’s (Millar, Tough, Steward et al, 2008) vonden dat de sterkste voorspellers voor de

werkbelasting van spoedartsen de CTAS-score, het aantal patiënten binnengebracht door een

ambulance, procedures, laboratorium testen en het aantal opnames waren. De werkbelasting werd

zowel bij Innes et al (2005) als Millar et al (2008) gemeten als de hoeveelheid tijd die men aan een

bepaalde patiënt besteedde.

Een artikel van Charlene Fullam (2002) tracht door middel van een gemiddelde

verzorgingstijd per patiënt, de bestaffing van het verpleegkundig personeel vast te leggen. Daarnaast

brachten ook James (1998), Ardagh (1999), Emergency Nurses Association (2003) een studie uit die

aangeeft hoeveel verpleegkundige zorg een patiënt uit een bepaalde triage-categorie nodig heeft. De

samenvatting wordt in onderstaande tabel weergegeven. Ook Gabolinscy (2005) drukte de

tijdsbesteding voor verpleegkundige zorg per triage-categorie uit. Hij kwam tot de vaststelling dat de

triage-categorie slechts 20% voorspelt van de variatie in werkbelasting voor verpleegkundigen.

Tabel 4: vergelijking verpleegkundige tijd per triage categorie (cijfers weergegeven in minuten)

Een recentelijk artikel (Gedmintas, Bost, Keijzers, Green et al, 2010) presenteert een nieuwe

manier om de werkbelasting te meten. Ze gaan ervan uit dat de ernst van de pathologie, het al dan

niet opgenomen worden op een afdeling, het aantal patiënten en de individuele kost van elke patiënt

determinanten zijn voor de hoeveelheid werk die een patiënt vereist. Eerst en vooral extraheerden

ze de kost per triage-categorie, ingedeeld naargelang opgenomen of niet. Men kwam tot volgende

tabel (kolom 3):

Tabel 5: berekening aantal ECWU's per triage-categorie (Gedmintas et al, 2010)

12

Hierbij staat AUD voor Australische Dollar. Men kan zien dat een patiënt A uit triage-

categorie 1 die moet opgenomen worden gemiddeld 1170 AUD kost, terwijl dit voor een patiënt B uit

triage-categorie 5 die niet dient te worden opgenomen 184 AUD is. Achteraf trekt men van elke kost

een vast bedrag (=31 AUD) af voor de Do Not Wait patiënten of de LWBS. Het uitgekomen bedrag

(kolom 4) deelt men tot slot door het basisscenario (= triage-categorie 5, niet opgenomen) om zo tot

het aantal Emergency Care Workload Units (ECWU) te komen. Zo stelde men vast dat patiënt A 7,44

keer meer resources verbruikt (zowel geld als personeel) dan patiënt B.

Deze ECWU is voor elke spoedafdeling hetzelfde indien de triage correct en consistent

gebeurt. Dit cijfer vermenigvuldigt men met de case-mix van de spoedafdeling gedurende 1 jaar.

Men bekomt de totale ECWU’s die een spoedafdeling heeft ontvangen op een jaar. Onderstaande

tabel geeft dit weer:

Tabel 6: berekening aantal ECWU's voor een spoedafdeling (Gedmintas et al, 2010)

Het totaal ECWU’s voor het jaar 2008 is in dit voorbeeld 158.396. Wanneer men het aantal ECWU’s

deelt door het aantal artsen of verpleegkundigen op de spoedafdeling, kunnen zo de

spoedafdelingen met elkaar vergeleken worden:

Tabel 7: vergelijking ECWU's (Gedmintas et al, 2010)

FACEM/SMO staat hier voor het aantal spoedartsen die een spoedafdeling gemiddeld in dienst heeft.

Men kan zo opmerken dat ziekenhuis 5 veel meer ECWU’s moet verzorgen per arts (namelijk 24 723),

ten opzichte van de andere ziekenhuizen.

13

Het nadeel van deze methode, en de vorige methode is dat ze beiden enkel retrospectief

kunnen gebruikt worden. Daardoor wordt hun bruikbaarheid voor real-time werklastmeting beperkt.

De reden waarom het eerste systeem faalt in het meten van de werklast in real-time, wordt verder in

deze thesis besproken (cf. infra p. 59). De systemen kunnen wel gemakkelijk gebruikt worden als

vergelijkingsbasis tussen verschillende ziekenhuizen. Het is dan ook een systeem dat door de

overheid kan worden gebruikt om budgetten toe te wijzen aan de verschillende spoedafdelingen in

een land. Indien men de werklast op het moment wil kennen, dient men echter andere instrumenten

te gebruiken waarvoor de gegevens gemakkelijker beschikbaar zijn, zodat ze wel in real-time kunnen

worden gebruikt. Een voorbeeld hiervan is de patiënt-verpleegkundige ratio.

De patiënt-verpleegkundige ratio

Reeds verschillende artikels hebben bewezen dat hoge patiënt-verpleegkundige ratio’s

negatieve uitkomsten en lage patiëntensatisfactie kunnen voorspellen (Aiken, Clarke, Sloan et al,

2002; Chisholm, Dornfeld, Nelson et al, 2001; Fernandes, Wuerz, Clark et al, 1999).

Deze meetschaal is dan ook reeds meerdere malen gebruikt geweest om de werkbelasting

van het verpleegkundig personeel te meten (De Ridder et al, 2010; Lang, Hodge, Olson et al, 2004;

Blegen & Vaughn, 1998).

De studie van De Ridder & Gemmel (2010) maakt gebruik van de patiënt-verpleegkundige

ratio om de werkbelasting te meten. De mogelijkheid om periodes van drukte te analyseren was een

substantieel voordeel van deze methode. Daarnaast maakt deze methode de problematiek van

werklast ook heel bevattelijk voor leken. De werkbelasting werd als hoog bestempeld als de patiënt-

verpleegkundige ratio de drempel van 3 overschreed. Door het retrospectieve karakter van het

onderzoek kon niet worden vastgesteld of deze drempel in werkelijkheid ook zo gepercipieerd werd.

Het gebrek aan validatie ten opzichte van andere meetschalen, en de afwezigheid van de ernst van

de aandoening in de berekening worden in deze thesis verder uitgewerkt.

Er zijn twee hoofdredenen waarom men het gebruik van patiënt-verpleegkundige ratio’s zou

moeten aanmoedigen. Eerst en vooral werd door Arthur en James (1994) benadrukt dat men steeds

de meest gemakkelijke methode zou moeten nemen om zo fouten te vermijden. Aangezien deze

patiënt-verpleegkundige ratio zeer gemakkelijk en betrouwbaar is, moet ze volgens de auteurs dus

geprefereerd worden boven de Ernst patiënt-verpleegkundige ratio (zie hieronder). Een tweede

reden om deze ratio te promoten, is omdat ze reeds frequent wordt gebruikt om kwaliteit en

negatieve uitkomsten voor patiënten te meten (Lang; Hodge, Olson et al, 2004; Blegen & Vaughn,

1998). De ratio wordt in Californië zelfs al als kwaliteitsindicator gebruikt (Center for health

professionals, 2005).

14

De Ernst patiënt-verpleegkundige ratio

Ondanks de intuïtief logische benadering om te stellen dat de ernst van de aandoeningen van de

patiënten een belangrijke parameter is voor de werkbelasting van het verpleegkundig personeel, is

deze bewering nog niet getest in de literatuur (Arthur & James, 1994; Fullam, 2002; Reeder &

Garrison, 2001; Heckerson, 2002; Bernstein, Verhese V, Leung et al, 2003; Keeling, 1999). Het artikel

van Hobgood et al (2005) is daar een uitzondering op. Zij gebruikten twee metingen: de patiënt-

verpleegkundige ratio en de ED Acuity Index. De patiënt-verpleegkundige ratio wordt berekend als

het aantal patiënten aanwezig op de spoedafdeling, gedeeld door het aantal verpleegkundigen dat

op dat moment aanwezig is. De ED Acuity Index maakte gebruik van de Emergency Severity Index als

triage-schaal (te vinden op http://www.ahrq.gov/research/esi/). De ED Acuity Index wordt vanaf hier

de Ernst patiënt-verpleegkundige ratio genoemd. De Ernst patiënt-verpleegkundige ratio werd

gedefinieerd als de som van alle omgekeerde triage scores waarbij het cijfer 5 dus de meest ernstige

categorie voorstelt (terwijl dit normaal gezien cijfer 1 zou zijn volgens de Emergency Severity Index)

gedeeld door het aantal verpleegkundigen. Dit werd berekend per half uur. M.a.w.

Ernst patiënt-verpleegkundige ratio = ( ∑ omgekeerde triage scores / half uur) ÷ aantal

verpleegkundigen

Uit het observationeel onderzoek bleek dat de Ernst patiënt-verpleegkundige ratio geen betere

voorspeller was voor de werkbelasting dan de simpele patiënt-verpleegkundige ratio. Dit wordt

aangetoond in de zeer gelijklopende tabellen in appendix 1 (gekopieerd uit Hobgood et al.). Tevens

werd ontdenkt dat de correlatie tussenbeide 0.98 is, wat wijst op een bijna perfecte lineaire relatie.

Volgens hen kon deze eerder vreemde bevinding verklaard worden door het feit dat de gemiddelde

triage-categorie van alle spoedpatiënten op elk gegeven tijdstip constant is. Daarom bekeek men of

deze gemiddelde triage scores dicht bij elkaar lagen. Men kwam tot de volgende grafiek:

http://www.ahrq.gov/research/esi/

15

Figuur 1: Histogram triage-level (Hobgood et al, 2005)

De gemiddelde triage-score op de spoedafdeling was 2,79 (op 5) met een standaarddeviatie

van 0,22, wat wijst op een kleine variatie in de triage scores over de tijd. Dit kan de stelling van

Edwardson en Giovanetti (1995) ondersteunen dat patiënten gelijkwaardige hoeveelheden

verpleegkundige aandacht nodig hebben, onafhankelijk hun graad van ernst.

Waar men in deze studie geen rekening mee hield, waren de aankomsttijden van de

patiënten. Dit maakt een verschil voor de werkbelasting van de verpleegkundigen aangezien net

binnengekomen patiënten meer werk vragen dan patiënten die reeds gestabiliseerd zijn en wachten

op een opnamebed.

16

2.2. Vergelijking van overbevolkingsmeetschalen

In dit deel zullen verschillende pogingen om overbevolking te definiëren worden vergeleken. Men

probeert hiermee tot een vaste meetschaal te komen die in alle spoedafdelingen toegepast kan

worden. Op die manier zouden de overbevolking in verschillende spoedafdelingen ook kwantitatief

met elkaar kunnen worden vergeleken. Tot op heden is er nog steeds geen parameter gevonden die

voor alle spoedafdeling effectief blijkt in het aangeven van overbevolking. De kans is reëel dat deze

ook nooit gevonden zal worden aangezien de verschillende spoedafdelingen in de verschillende

landen zo van elkaar verschillen. In spoedafdelingen in de VSA moet men bijvoorbeeld om de

haverklap ziekenwagens omleiden naar andere spoedafdelingen omdat men de vraag niet aankan of

blijven sommige patiënten noodgedwongen langer dan 24 uur in de wachtkamer zitten alvorens te

worden gezien door een arts. Het is dan ook duidelijk dat een parameter die bij hen werkt, niet erg

effectief zou zijn in België aangezien deze voor België nooit een status van overbevolking zou

aanduiden. Een mogelijke oplossing hiervoor zou zijn dat men verschillende drempels gebruikt om

overbevolking aan te duiden. Het grote nadeel daarbij is wel dat zo het uiteindelijke doel, namelijk

het vergelijken van spoedafdelingen, onmogelijk wordt.

Een tweede reden voor het gebruik van overbevolkingsmeetschalen is het potentieel om het

spoedpersoneel of de rest van het ziekenhuis te waarschuwen wanneer de spoedafdeling op een

crisis afstevent, waardoor het personeel maatregelen zou kunnen treffen om deze af te wenden.

Tot nog toe zijn er al meerdere overbevolkingsindicatoren beschreven zoals bijvoorbeeld de

periodes wanneer de ambulances worden omgeleid naar andere spoedafdelingen (Schull, Szalai,

Schwartz et al, 2001). Het gebruik van het dagelijks aantal bezoekers gaf volgens Miro, Antonio,

Jeminez et al (1999) ook een goede indicator. Wanneer het dagelijks aantal bezoekers een bepaalde

grens overschreed, dan werd de spoedafdeling als overbevolkt gezien. Derlet en Richards (2002)

keken naar het aantal bedden dat dagelijks meer dan 8 uren bezet waren. Het grote probleem van

voorgaande methodes is dat zij allesbehalve feilloos en robuust zijn. Hwang en Concato (2004)

hebben een samenvatting gemaakt van de meest gebruikte definities die tot dan in de literatuur

gebruikt werden. Ze vonden 91 artikels die overbevolking definieerden en tussen deze definities was

er veel verschil. Men kon alle definities onderverdelen in 4 grote categorieën naargelang hun focus.

Sommige definities van overbevolking waren gericht op (1) factoren binnen spoed zoals het aantal

patiënten, de mening van artsen en verpleegkundigen, wachttijden voor patiënten alvorens ze

worden verzorgt, … Een andere grote groep van definities zijn (2) factoren van het ziekenhuis, zoals

patiënten die door plaatsgebrek in een opnameafdeling op de spoedafdeling moeten blijven wachten

tot er plaats vrij komt (worden ook wel boardings genoemd), een hoge bezettingsgraad van acute

bedden,… Daarnaast is er nog (3) de categorie van externe factoren zoals periodes van ambulance

17

omleiding en (4) de categorie met een combinatie van verschillende factoren zoals patiënten die uit

de spoedafdeling vertrekken zonder eerst gezien te worden door een arts (met de in het Engels

gekende naam “Left Without Being Seen, LWBS”), tekort aan medisch personeel, … In deze

samenvatting heeft de auteur ervoor gekozen om enkel de definities in de literatuur te vermelden

die meest gebruikt worden in de praktijk. Voor een overzicht van alle overbevolkingsindicatoren

wordt verwezen naar Hwang & Concato (2004). Men kan opmerken dat er veel verschil zit in de

indicatoren die men gebruikt om overbevolking te definiëren. Zo zijn er indicatoren die puur

kwalitatief zijn zoals de mening van het spoedpersoneel, en andere die puur kwantitatief zijn zoals

meer dan 120 patiënten per dag opvangen of de gemiddelde wachttijd.

Uit al deze verschillende definities/indicatoren om overbevolking te definiëren is er geen

consensus omtrent welke nu best gebruikt wordt en welke indicator overbevolking het zorgvuldigst

aangeeft. Als reactie op deze verdeeldheid, zijn er verschillende pogingen geweest om een vaste

meetschaal op te stellen die in verschillende spoedafdelingen gebruikt kan worden. Een

overbevolkingsindicator is een parameter die meestal voorkomt wanneer een spoedafdeling in

overbevolking gaat. Voorbeelden zijn ambulance-omleidingen, LWBS en dergelijke meer. Een

overbevolkingsmeetschaal daarentegen is een schaal die kan gebruikt worden om de graad van

overbevolking aan te tonen. Terwijl indicatoren meestal een ja of neen situatie aangeven, waardoor

men nooit kan zien hoe dicht men bij de grens van overbevolking is, zal een meetschaal de drukte op

een schaal uitdrukken, of in een percentage. In dit deel wordt een samenvatting gegeven van vijf

overbevolkingsmeetschalen die speciaal zijn gemaakt om overbevolkingsindicatoren te kunnen

benaderen: NEDOCS, EDWIN, READI, EDCS en de Work Score. Men gebruikt deze meetschalen om

overbevolking te kwantificeren. Het grote probleem is natuurlijk dat men, bij het zoeken naar deze

meetschalen, zich moet kunnen baseren op een indicator die zogezegd overbevolking aangeeft, om

zo de meetschaal te calibreren. Daarvoor werden meestal één of meer van de volgende indicatoren

gebruikt:

1. De meningen van het spoedpersoneel (Weiss, Derlet, Arndahl, Ernst et al, 2004; Bernstein,

Verghese, Leung et al, 2003; Reeder, Burleson, Garrison, 2003)

2. De ambulance omleiding (Epstein & Tian, 2006; Asplin, Rhodes, Flottemesh, 2004; Asplin,

Rhodes, Craine, 2002)

3. LWBS (Asplin, Rhodes, Flottemesh, 2004; Asplin, Rhodes, Craine, 2002)

18

2.2.1. NEDOCS

De NEDOCS score (Weiss et al, 2004) staat voor National ED Overcrowding Study. Men trachtte een

model te maken dat de subjectieve beoordeling van zowel de spoedartsen als de

spoedverpleegkundigen kon benaderen. De studie ging door in 8 verschillende academische

spoedafdelingen in de VSA. Gedurende welbepaalde tijdstippen moesten zowel artsen als de

hoofdverpleegkundigen een enquête invullen over hoe overbevolkt ze de spoedafdeling vonden op

dat moment. Op basis daarvan heeft men een model opgebouwd.

Men kwam tot volgende formule:

NEDOCS = (Pbed/Bt) x 85,8 + (Padmin/Bh) x 600 + Wtime x 5,64 + Atime x 0.93 + Rn x 13,4 – 20

Waarbij:

Pbed = aantal patiënten op de spoedafdeling

Bt = aantal spoedbedden

Padmin = aantal patiënten opgenomen in het ziekenhuis

Bh = aantal ziekenhuisbedden

Wtime = wachttijd voor de laatste patiënt die uit de wachtzaal werd gehaald

Atime = langste wachttijd van een patiënt die wacht om op een opnameafdeling opgenomen te

worden

Rn = aantal ventilators in gebruik op de spoedafdeling

In totaal worden dus vijf variabelen in het model gebruikt: 1) het aantal patiënten aanwezig

op spoed (geïndexeerd tot het aantal spoedbedden) of m.a.w. de bezettingsgraad, 2) het aantal

ventilators in gebruik op spoed, 3) de langste tijd tussen de beslissing om een persoon op te nemen

en het moment waarop hij/zij werkelijk wordt opgenomen (in minuten), 4) de tijd dat de laatst

binnengebrachte patiënt in de wachtkamer heeft moeten wachten, 5) aantal patiënten dat wacht om

opgenomen te worden (geïndexeerd tot het totaal aantal ziekenhuisbedden). Men kan de score

gratis laten berekenen op de NEDOCS-website (http://www.nedocs.org/NEDOCS_Calculator.aspx).

Men kwam tot een R² van 0.49 tussen het model en de subjectieve opinies, en een

voorspelbaarheid van 88% indien men de drempel voor overbevolking op een NEDOCS-score van 100

zette. Dit betekent dat wanneer de formule een cijfer groter dan 100 aangeeft, de spoedafdeling

overbevolkt is.

19

2.2.2. EDWIN

Een andere poging om overbevolking te meten was via de Emergency Department Work Index

(EDWIN), geschreven door Bernstein et al (2003). Ook hier trachtte men de subjectieve

beoordelingen van zowel verpleegkundigen als spoedartsen zo goed mogelijk te voorspellen.

Daarvoor gebruikte men volgende formule:

EDWIN = ∑niti / Na(BT – Ba)

Waarbij:

ni = het aantal patiënten per triage-categorie i aanwezig op de spoedgevallendienst

ti = het triage niveau (hier werd de Emergency Severity Index gebruikt met een ordinale schaal van 1-

5, met 5 de meest ernstige toestand)

Na = aantal aanwezige artsen op de spoedafdeling

BT = het totaal aantal spoedbedden

BA = het aantal patiënten aanwezig op de spoedgevallendienst.

Zoals de naam al doet vermoeden, ligt de nadruk hier op de werkbelasting en meer bepaald

die van de spoedartsen.

Men vond een goede overeenstemming tussen de meningen van de verschillende

verpleegkundigen en artsen (met een Kappa van 0.61). De gemiddelde scores van EDWIN werden

berekend op de periodes dat het personeel het niet druk vond (EDWIN = 1.07), dat ze het gemiddeld

druk vonden (EDWIN = 1.55), en op de momenten dat ze het druk vonden (EDWIN = 1.83). Op

periodes wanneer de ambulances werden omgeleid bedroeg de EDWIN score gemiddeld 2.77, terwijl

dit 1.45 was voor de andere periodes.

De EDWIN score toonde alles bij elkaar een goede overeenkomst met de bevindingen van het

medisch personeel. Men kan zeggen dat de spoedafdeling goed te managen valt wanneer de EDWIN-

score onder 1.5 valt (= niet druk), dat de spoedafdeling druk kan genoemd worden als de EDWIN-

score tussen 1.5 en 2 zit, en dat de spoedafdeling overbevolkt is wanneer de score hoger is dan 2.

20

2.2.3. READI score

(overgenomen uit De Ridder et al (2010))

De Real-time Emergency Analysis of Demand Indicators (READI) scores werden opgesteld door

Reeder, Burleson en Garrison (2003) met als doel de perceptie van het medisch personeel zo goed

mogelijk te voorspellen. De READI score evalueert zowel het aantal beschikbare plaatsen, de ernst

van de patiënten, de productiviteit van de artsen alsook de algemene vraag naar zorg. De eerste

factor is de Bed Ratio (BR) die de relatie tussen het aantal beschikbare plaatsen op spoed en het

aantal patiënten evalueert, of m.a.w. de bezettingsgraad. De Acuity Ratio (AR) gebruikt triage scores

om de gemiddelde ernst van de patiënten op spoed te onderzoeken. De Provider Ratio (PR) tot slot,

bekijkt de relatie tussen de productiviteit van de spoedartsen en het aantal patiënten dat toekomt.

Daarvoor onderzocht men het gemiddeld aantal patiënten die per uur werden gezien. Deze score

schommelde tussen 0,75 en 1,2. Hier zijn de gebruikte berekeningen:

BR = ( Ptotal + Apred – Dpred)/ Bt

AR= Σ niti / Ptriage

PR= Ahour / Σ PPH

Wanneer men deze drie factoren in een formule giet, bekomt men de Demand Value (DV) dewelke

de algemene vraag naar zorg reflecteert.

DV= (BR + PR) * AR

Ptotal = aantal patiënten op spoed

Apred = aantal verwachte toekomende patiënten

Dpred = aantal verwachte vertrekkende patiënten

ni = aantal patiënten in triage categorie i

ti = omgekeerde triage categorie i

Ptriage = aantal patiënten op spoed met een toegewezen triage categorie

Ahour = aantal aankomsten in het laatste uur

PPH = gemiddelde aantal patiënten dat wordt gezien door een arts

21

Een score hoger dan 7 werd als overbevolkt aanzien. Volgende tabel geeft de READI scores:

Tabel 8: READI score wanneer is spoed overbevolkt (Reeder et al, 2003)

Bij de vergelijking van de onderlinge scores van de verpleegkundigen en de artsen bleek er

weinig consistentie te zijn. Kappa scores tussen 0,243 en 0,453 duiden immers op een uiterst lage

samenhang met betrekking tot de gegeven scores. Dit kan verklaard worden door het verschil in

individuele werkbelasting tussen beide groepen. Zo zal een polytrauma een grote druk op de

spoedartsen uitoefenen terwijl patiënten die wachten om opgenomen te worden op een andere

afdeling eerder een druk uitoefenen op de verpleegkundigen en minder op de artsen.

Er bleek geen correlatie te zijn tussen de READI score en de staf perceptie van overbevolking.

Wel vond men een correlatie tussen de BR score en de perceptie door het personeel. Tevens was er,

hoewel niet significant, ook een verband tussen de DV score en de staf perceptie.

2.2.4. Work Score (overgenomen uit De Ridder et al (2010))

De Work Score werd opgesteld door Epstein en Tian (2006). Zij baseerden zich op de paper van

Asplin et al (2003) die een conceptueel model van de spoedafdeling ontwierpen (meer info: zie De

Ridder & Gemmel, 2010, p5). Epstein en Tian berekenden de nood aan resources als volgt:

Vereiste resources = input + throughput + output

Als input variabele werd het aantal patiënten aanwezig in de wachtzaal genomen. Men veronderstelt

dat al deze patiënten ongeveer dezelfde graad van ernst hebben en het werk van de

triageverpleegkundige recht evenredig wordt beïnvloed door het aantal patiënten.

Als throughput variabele werd de Emergency Severity Index (ESI) genomen, dewelke de ernst

van de aandoening van de patiënt weergeeft (5 punten voor de meest ernstige patiënten tot 1 punt

voor de minst ernstige patiënten).

De output variabele is het aantal patiënten, wachtend op een opnamebed in het ziekenhuis.

Elk van deze variabelen werd tot slot nog eens gecorrigeerd met de grootte van de

spoedafdeling, gemeten door het aantal bedden of het aantal verpleegkundigen. Daarnaast gaf men

elke variabele een multiplicator waardoor men kon zien welke variabele het grootste effect had op

overbevolking. Deze laatste werd gemeten door de ambulance omleiding. Men gebruikte volgende

formule:

22

Work Score = a x Pwait / Bt + b x Σ niti / Nn + c x Pboard/Bt

Waarbij:

Pwait = aantal patiënten in de wachtzaal

Bt = aantal spoedopnamebedden

ni = aantal patiënten in triage categorie i

ti = omgekeerde triage categorie i

Nn = aantal verpleegkundigen aanwezig op spoed

Pboard = aantal patiënten dat wacht om opgenomen te worden

Door de ambulance omleiding als indicator te nemen, kwam men tot volgende scores voor de

multiplicatoren: a = 3,23; b = 0,097; c = 10,92. Dit geeft weer dat de output factor (=c) het grootste

effect heeft op overbevolking, gevolgd door te input factor (=a). De throughput factor (=b)

daarentegen had amper een effect op de overbevolking van spoed. De uiteindelijke ambulance

omleiding kon door dit model worden voorspeld met 80% sensitiviteit en 80% specificiteit indien

men de drempel waarde op 4.77 zette.

De auteur van deze thesis wenst erop te wijzen dat dit het eerste onderzoek is waar men

overbevolking meet op basis van een objectieve indicator. De hiervoor vermelde meetschalen

hadden steeds getracht om de subjectieve beoordeling van het personeel op spoed zo goed mogelijk

te benaderen, al hield EDWIN ook rekening meet ambulance omleiding.

2.2.5. EDCS

De Emergency Department Crowding Scale (EDCS) werd ontwikkeld door Asplin en collega’s (Asplin,

Rhodes, Flottemesh, 2004; Asplin, Rhodes, Craine, 2002). De auteur van deze scriptie heeft deze

teksten niet kunnen terugvinden en heeft daarom een stuk uit een samenvattend artikel herwerkt

(Jones, Allen, Flottemesh, et al, 2006):

De EDCS tracht een objectieve maatstaf te zijn voor overbevolking, door zich te baseren op

een kleine set van gemakkelijk verkrijgbare factoren. De verschillende inputs zijn het aantal

aanwezige spoedartsen, aantal spoedbedden, aantal kritische patiënten, totale aantal

spoedpatiënten, aantal ziekenhuisbedden en de bezettingsgraad van het ziekenhuis. Men vond een

goede correlatie met behandeltijden, wachttijden alvorens opgenomen te worden op een

opnamedienst, ambulance omleiding, en het aantal patiënten dat vertrekt zonder gezien te worden

23

door een arts (LWBS). Men vond dat een EDCS score > 65 een goede voorspellende waarde had voor

ambulance omleiding en het aantal LWBS.

Eerdere studies hebben aangetoond dat het aantal patiënten dat vertrekt zonder gezien te

worden door een arts (LWBS), wordt beïnvloed door meerdere factoren met als gemeenschappelijke

factor de overbevolking op spoed (Hobbs, Kunzman, Tandberg et al, 2000; Polevoi, Duinn, Kramer,

2005; Rowe, Channan, Bullard et al, 2006).

2.2.6. Vergelijking van de overbevolkingsmeetschalen

Sinds de publicaties van deze overbevolkingsmeetschalen, zijn er veel studies geweest naar de

bruikbaarheid, en de accuraatheid van deze meetschalen, en de vergelijking tussen deze

verschillende parameters in de hoop uiteindelijk een ‘ideale’ meetschaal te vinden die overal

toegepast kan worden en die een kwantitatieve vergelijking van de verschillende spoedafdelingen

toelaat.

Een grootschalige studie werd opgezet door Jones, Allen, Flottemesch en Welch (2006)

waarbij men vier overbevolkingschalen met elkaar vergeleek, namelijk de READI, EDWIN, NEDOCS en

de EDCS. Daarnaast werd ook de eensgezindheid tussen de meetschaal en de meningen van de

spoedartsen en het verpleegkundig personeel gemeten d.m.v. de Kappa score. Dezelfde methode

werd ook gebruikt bij EDWIN en EDCS, en een soortgelijke schaal bij de NEDOCS studie. Men zou dus

verwachten een goede correlatie te vinden tussen deze schalen en de evaluatie volgens de artsen en

de verpleegkundigen. De meetschalen werden vergeleken op basis van hun mogelijkheid om de

gemiddelde gepercipieerde drukte volgens de artsen en verpleegkundigen te voorspellen.

Volgens de Kappa score was de overeenkomst tussen artsen en verpleegkundigen 0.73, wat

duid op een goede overeenkomst tussen beide. Dit is in contrast met Reeder et al (2003) die geen

correlatie vonden tussen de meningen van artsen en verpleegkundigen. Volgende tabel geeft de

vergelijking van de schalen weer:

Tabel 9: vergelijking DV, EDWIN, NEDOCS en EDCS (Jones et al, 2006)

Er dient te worden vermeld dat de vereiste scores voor overbevolking bij NEDOCS (> 100) en EDWIN

(> 2) nooit behaald zijn geweest. Men kan zien dat NEDOCS en EDWIN een hoge onderlinge correlatie

24

hadden. Volgende tabel geeft de vergelijking met de gepercipieerde overbevolking volgens het

medisch personeel:

Tabel 10: Vergelijking READI, EDWIN, NEDOCS, EDCS (Jones et al, 2006)

NEDOCS had de grootste oppervlakte onder de curve (0.92), gevolgd door de Bed Ratio van de READI

score (= de bezettingsgraad) (0.86) en EDWIN (0.84). Door het niet bereiken van de vooropgestelde

drempels van de overbevolkingsmeetschalen, omdat ze te hoog waren, trachtte men deze aan te

passen voor hun specifieke spoedafdeling. Men kwam dan tot volgende tabel:

Tabel 11: vergelijking DV, EDWIN, NEDOCS, EDCS (Jones et al, 2006)

Wanneer men de gepubliceerde drempel verlaagt naar een cijfer dat voor een welbepaalde

ziekenhuissetting het best uitkomt, komt men tot de beste voorspellende- en sensitieve waarde en

specificiteit voor NEDOCS (met een verlaagde drempel van 37.19). Dit op zich bewijst al dat men

eenzelfde schaal niet zomaar overal kan toepassen door deze letterlijk over te nemen. Deze schalen

zijn namelijk allemaal opgesteld in spoedafdelingen waar overbevolking een heel groot probleem

vormt. Het is dan ook zeer lastig om deze schalen aan te passen aan een minder drukke

spoedafdeling door louter de drempel te verlagen. Jammer genoeg is de voorspellende waarde (de

PPV in de tabel) voor geen van de schalen goed, zelfs niet na aanpassing aan de specifieke

spoedafdeling.

Dit wilt concreet zeggen dat wanneer men overbevolkingsmeetschalen wilt implementeren

in de spoedafdeling, dit moet worden voorafgegaan door een periode waarin de schaal wordt

gekalibreerd. Dit kan men doen door de drempel waarden aan te passen of men kan de drempels als

gegeven aannemen maar dan moet men de onderliggende waarden, gegeven aan de verschillende

parameters van een meetschaal, herberekenen. De eerste oplossing is de meest gemakkelijke, maar

de tweede maakt het mogelijk om de verschillende spoedafdelingen met elkaar te vergelijken.

25

Een studie uit Australië kwam eveneens tot de conclusie dat NEDOCS niet geschikt is voor alle

spoedafdelingen (Raj, Baker, Murray, 2006). Hier vergeleek men de NEDOCS score eveneens met de

subjectieve beoordeling van de senior staff op de spoedafdeling. Men kwam tot een Kappa score van

0.31 wat een zeer slechte voorspellende waarde betekent. De reden die zij aanhalen voor het

verschil met de studie van Weiss et al (2004), is het andere bestaffingsmodel in Australië en

misschien zelfs andere patiëntenstromen. Men gebruikte ook andere methodes om de correlatie te

meten wat uiteindelijk toch tot een substantieel verschil kan leiden.

Weiss, Ernst, Derlet et al (2005) hebben een evaluatie gemaakt van de NEDOCS schaal door

de score te vergelijken met het aantal patiënten dat vertrekt zonder eerst gezien te worden door een

arts (LWBS). Men vergeleek het aantal LWBS patiënten met de NEDOCS score op het moment dat de

patiënt toekwam en 2, 4, en 6 uren later. De correlatie tussen beide was 0,665, wat wijst op een

behoorlijk goede correlatie.

Een andere studie van Weiss, Ernst en Nick (2006) vergeleek de mogelijkheid van de NEDOCS

score met de EDWIN score om overbevolking te voorspellen. Deze twee vergeleek men tevens met

de gepercipieerde drukte volgens de artsen en de verpleegkundigen. De NEDOCS score voorspelde

97% van de overbevolking, terwijl de EDWIN score slechts 86% voorspelde. Toch correleerde beide

scores met elkaar. Volgens Weiss en zijn collega’s zouden de schalen dus moeten gekozen worden

naargelang de gegevens die beschikbaar zijn, weliswaar met een lichte voorkeur voor NEDOCS.

McCarthy, Aronsky, Jones et al (2008) vroegen zich af of de bezettingsgraad, die zo vaak als

indicator voor de drukte van het totale ziekenhuis wordt gebruikt, geen goede meetschaal kon zijn

voor overbevolking in de spoedafdeling. De bezettingsgraad wordt berekend als het aantal patiënten

op de spoedafdeling gedeeld door het aantal bedden op spoed. Men zou kunnen zeggen dat de

spoedafdeling overbevolkt is als de bezettingsgraad groter is dan 1, wat betekent dat er evenveel

patiënten zijn als de capaciteit van de spoedafdeling toelaat. Maar een grens van 1 als drempel van

overbevolking hoeft zeker het geval niet te zijn (cf. infra p. 63). Men vergeleek vervolgens de

bezettingsgraad met de EDWIN score. Beide schalen werden geëvalueerd op hun bekwaamheid om

het aantal patiënten dat wegging zonder gezien te worden door een arts (LWBS) en het aantal

omgeleide ambulances te voorspellen. Dit onderzoek voerde men op 5 spoedafdelingen. De

correlatie tussen beide schalen was gemiddeld 0.58 en er was geen significant verschil in het

voorspellen van LWBS en het omleiden van ambulances. De correlatie tussen beide scores was laag

indien de bestaffing ’s avonds en ’s ochtends laag was, waardoor men op die momenten een hoge

EDWIN score kreeg maar een lage bezettingsgraad. Indien men de bestaffing uit de berekening van

EDWIN haalde, kwam men tot een correlatie van 0.9 tot 0.93 voor alle spoedafdelingen. Hier kwam

men dus tot het besluit dat het meten van de bezettingsgraad een even goede voorspellende waarde

26

heeft voor overbevolking op de spoedafdeling als de EDWIN score. Door zijn gemakkelijke berekening

zou deze dan ook moeten worden geprefereerd boven de EDWIN schaal.

Ook Hoot, Zhou, Jones en Aronsky (2007) hebben een vergelijking gemaakt tussen vier

overbevolkingsmeetschalen en de bezettingsgraad. Men berekende hoe goed deze schalen konden

discrimineren tussen periodes van ambulance omleiding. Deze periodes mat men door middel van de

Area Under the Curve (AUC). Een AUC geeft de voorspellende waarde weer van een schaal, waarbij

waarde 1 een perfecte voorspellende waarde voorstelt, en 0.5 geen voorspellende waarde. De AUC

was 0.81 voor EDWIN, 0.88 voor NEDOCS, 0.65 voor de READI score, en 0.9 voor de Work Score. De

uiteindelijke AUC voor de bezettingsgraad bedroeg 0.9. Ook zag men dat de bezettingsgraad de enige

schaal was die een uur op voorhand een waarschuwing gaf voor het bereiken van overbevolking.

Een recentelijk artikel, gepubliceerd door Kulstad, Hart,en Waghchoure (2010) maakt

eveneens de vergelijking tussen EDWIN en de bezettingsgraad. Ze evalueren beide meetschalen

naargelang ze goed correleren met het aantal LWBS patiënten. Men vond voor beide schalen een

positieve correlatie met het aantal LWBS. Voor de bezettingsgraad bedroeg de AUC 97%, en voor

EDWIN bedroeg de score 94%. Daarom motiveerde men ook hier voor het gebruik van de

bezettingsgraad in tegenstelling tot EDWIN om de overbevolking op een spoedafdeling te meten.

In Reeder et al (2003) blijkt dat de Bed Ratio of m.a.w. de bezettingsgraad ook een significant

verband had met de perceptie van het medisch personeel.

Ook in Hoot et al. (2007) kwam men tot de vaststelling dat de bezettingsgraad in vergelijking

met de andere overbevolkingsmeetschalen de beste manier was om periodes van ambulance

omleiding te voorspellen.

2.2.7. Conclusie i.v.m. overbevolkingschalen

Uit deze laatste artikels blijkt dat een eenvoudige maat als de bezettingsgraad, berekend als:

Bezettingsgraad = Pbed / Bt

Waarbij:

Pbed = aantal patiënten aanwezig op de spoedafdeling

Bt = aantal bedden op de spoedafdeling

minstens een even goede voorspellende waarde geeft voor overbevolking als gelijk welke

andere schaal die tot nog toe werd gebruikt. Deze bevinding komt overeen met de denkwijze van

27

Ockhams scheermes: “Wanneer er verschillende hypotheses zijn die een verschijnsel in gelijke mate

kunnen verklaren, wordt vanuit dit principe aangeraden om die hypothese te kiezen welke de minste

aannames bevat en de minste entiteiten veronderstelt.” (Zie Ockhams scheermes, Wikipedia op

http://nl.wikipedia.org/wiki/Ockhams_scheermes)

Tot slot dient te worden vermeld dat verschillende studies gebruik hebben gemaakt van

subjectieve methodes (zoals het invullen van een vragenlijst door het personeel op spoed) om

periodes van overbevolking aan te duiden. Hoewel dit algemeen als een goede indicator wordt

beschouwd voor overbevolking, komt dit ten koste van de reproduceerbaarheid van onderzoek. Zo

zijn er reeds verschillende artikels uitgebracht die conflicterende vaststellingen constateerden met

betrekking tot NEDOCS (Weiss et al, 2004; Weiss et al, 2005; Weiss et al; 2006).

http://nl.wikipedia.org/wiki/Hypothese

http://nl.wikipedia.org/wiki/Entiteit

28

2.3. Voorspellen van overbevolking of hoge werkbelasting

Het meten van de werkbelasting of de overbevolking heeft meerdere nuttige toepassingen:

Zo kunnen andere afdelingen zien wanneer het druk is op de spoedafdeling. Dit is voor hen

het teken dat ze zo snel mogelijk plaats dienen te maken voor doorstromende patiënten.

het zijn handige managementtools om probleempunten aan te tonen. Als er zich

bijvoorbeeld elke vrijdagavond zich een nijpend tekort van verpleegkundigen voordoet door

de grote toevloed aan patiënten, kan dit een signaal zijn voor het management om extra

resources te voorzien op dat moment.

Het geeft patiënten de mogelijkheid om te beoordelen hoe druk het is. Zo komen zij niet

voor onaangename verrassingen te staan als de wachttijd hoog oploopt. Het is namelijk

reeds aangetoond dat het kennen van de mogelijke wachttijd ervoor zorgt dat de patiënten

minder snel geïrriteerd raken door lange wachttijden (Van Looy et al, 2003). Het kan er zelfs

voor zorgen dat niet-dringende patiënten beslissen om terug naar huis te gaan indien het te

druk is op de spoedafdeling. Het zou met andere woorden zelfregulerend kunnen werken.

Nog een reden om overbevolking of een hoge werkbelasting te meten is het voorspellen van

periodes van drukte. Zo zouden trends, die een periode van drukte voorafgaan, door het

computerprogramma herkend kunnen worden, en zou het personeel op spoedgevallen en op

andere afdelingen een signaal kunnen krijgen. Hierdoor kan men dan tijdig resources

reorganiseren of bijvragen. Sommige auteurs hebben strategieën besproken om extra artsen

en verpleegkundigen in te zetten op zulke momenten (Bucheli & Martina, 2004) of het

uitstellen van zorg aan niet-ernstige patiënten (Washington, Stevens, Shekelle et al, 2002;

Kelen, Scheulen, Hill, 2001).

Aangezien men er nog niet uit is geraakt welke manier nu de beste is om overbevolking te meten, is

het vanzelfsprekend dat weinigen zich al aan deze laatste stap gewaagd hebben, namelijk het

voorspellen van overbevolking. Sommige auteurs hebben wel reeds geprobeerd het aantal patiënten

dat toekomt te voorspellen. Champion, Kinsman, Lee et al (2007) voorspelden het aantal patiënten

dat zich per maand zou aanmelden op spoed. Door middel van het afvlakken (smoothing) van de data

kon men een goede voorspelling maken voor de volgende vijf maanden.

Een zeer interessante manier om overbevolking op korte termijn te kunnen voorspellen werd

opgesteld door Hoot, Leblanc, Jones et al (2008). Bij wijze van voorbeeld en om de complexiteit van

zo een programma aan te tonen, wordt hun programma hier kort besproken.

Bij wijze van vooronderzoek hebben Hoot, Zhou, Jones en Aronsky (2007) gekeken of één van de

hiervoor besproken meetschalen voor overbevolking kon gebruikt worden om periodes van

29

ambulance omleiding te voorspellen. Meer specifiek hadden de Work Score van Epstein en Tian

(2006) en EDWIN van Bernstein et al (2003) reeds de mogelijke voorspelbare waarde van zo een

programma aangekaart: “EDWIN may be used to alert staff when the ED is approaching crisis, to

allow for a stepped response to a rising index”(Bernstein et al, 2003, p941).

Hoot et al (2007) kwamen tot de conclusie dat alle schalen moeite hadden met het voorspellen van

periodes van ambulance omleiding. Volgende figuur geeft grafisch het besluit van Hoot et al (2007)

weer:

Figuur 2: Area Under the Curve voor overbevolkingsmeetschalen (Hoot et al, 2007)

Er was geen enkele meetschaal die het beter deed dan de bezettingsgraad in het voorspellen van de

performantie. Dit kan men zien aan het aantal valse alarmen dat wekelijks wordt gemeld. Een vals

alarm bestaat erin dat de overbevolkingsindicator een alarm geeft voor toekomstige overbevolking,

terwijl dit uiteindelijk niet zo blijkt te zijn en hangt onder andere af van hoever hij in de toekomst

moet voorspellen (zie figuur 2). Men kan zien dat het aantal valse alarmen voor de bezettingsgraad

en de READI-score zeer laag is, zelfs wanneer je het programma een uur op voorhand het alarm laat

geven (median timeliness = 1). Hoewel de READI-schaal zeer laag scoorde op de AUC (cf. supra p 22),

scoorde hij beter in het voorspellen van ambulance omleiding dan alle andere meetschalen. Dit heeft

waarschijnlijk te maken met het feit dat zij als enige gebruik maakt van historische data, waardoor

het trends zou kunnen opmerken om de overbevolking te voorspellen (cf. supra p 20).

Als een vervolg op het vorige artikel, hebben Hoot, Leblanc, Jones et al (2008) zelf een

computerprogramma ontworpen om de overbevolking te voorspellen. Hun onderzoek was echter

niet mogelijk geweest zonder de talloze studies met als doel het vertalen van processen op de

30

spoedafdeling in statistische modellen. Deze studies vallen buiten het bestek van deze thesis. Een

kort overzicht wordt gegeven in onderstaande tabel (gebaseerd op Hoot et al,2008):

Tabel 12: opsomming auteurs statistische modellen voor spoed (Hoot et al, 2008)

Wat Hoot et al (2008) hun artikel zo anders maakt is dat zij voor het eerst deze statistische modellen

gebruiken om overbevolking te voorspellen. Het model bestaat uit een batterij aan

distributies/verdelingen die de input, de throughput en de output van patiënten uit de spoedafdeling

nabootst. Daarom heeft het model in het begin een gedetailleerde lijst van alle patiënten nodig. Op

basis hiervan kan het model een virtuele spoedafdeling opstellen die overeenkomt met de

werkelijkheid. Vervolgens simuleert het de toekomst voor enkele uren. Uiteindelijk geeft de simulatie

een gedetailleerde lijst van alle patiënten op spoed met hun toestand over enkele uren. Volgende

figuur geeft het simulatiemodel weer (gekopieerd uit Hoot et al, 2008):

Figuur 3 : Simulatiemodel (Hoot et al, 2008)

Dit model is gebaseerd op het model van Asplin et al (2003) betreffende het conceptueel input-

output-throughput model van de spoedafdeling. Voor een samenvatting van het model wordt

verwezen naar De Ridder & Gemmel (2010). Het model is te herkennen in onderstaand model om de

spoedafdeling te simuleren:

31

Figuur 4: input-output-throughput (Hoot et al, 2008)

A. De instroom van patiënten varieert naargelang het tijdstip van de dag, en de dag van de

week. Het wordt voorgesteld via een niet-stationaire Poisson verdeling waar een

exponentiële distributie de tijd tussen aankomsten voorspelt. Dit is een zeer gekende

verdeling die vaak wordt gebruikt in het operationeel management.

B. Sommige patiënten verlaten de spoedafdeling zonder door een arts te worden gezien

(LWBS). Deze uitstroom wordt bepaald door het aantal patiënten in de wachtzaal, aangezien

dit de meest zichtbare factor van overbevolking is voor spoedpatiënten. De LWBS wordt

berekend via een logistisch regressiemodel met het aantal patiënten in de wachtkamer als

een onafhankelijke variabele. Het model zet deze kansen om naar een probabiliteit dat de

patiënt weg zou gaan. Eenmaal die gekend is past men een Bernoulli verdeling toe om te

besluiten of de patiënt echt zal weggaan.

C. Patiënten worden getrieërd op een ordinale schaal. De kans voor een patiënt om in een

bepaalde triage-categorie te belanden, wordt berekend door een multinomiale verdeling.

Het model zorgt ervoor dat de meest urgente patiënten direct in een bed worden geplaatst

en dat andere patiënten in de wachtzaal blijven zitten naargelang de triage-categorie die hen

werd toegewezen.

D. Eenmaal een patiënt binnenkomt op de spoedafdeling, wordt aan hem/haar een duur en

evaluatie toegekend op basis van een lognormale verdeling. Zo een lognormale verdeling

werd opgesteld voor elk van de vijf triage-categorieën.

E. Normaal gezien worden ziekere patiënten frequenter opgenomen in het ziekenhuis. Het

model gebruikt een gerandomiseerde Bernoulli verdeling om te bepalen welke patiënten

worden opgenomen. Ook hier werd voor elke triage-categorie een aparte verdeling gemaakt.

Patiënten die niet worden opgenomen worden verondersteld direct naar huis te gaan, terwijl

patiënten die worden opgenomen eerst een periode op de spoedafdeling moeten blijven in

afwachting van een plaats op de opname-afdeling.

32

F. De processen die de boarding-tijd beïnvloeden zijn o.a. operatieplanning, en occupatiegraad

van het ziekenhuis (afhankelijk van dagelijkse en wekelijkse patronen). Het proces van

opnamebedden die vrijkomen wordt weergegeven door een niet-stationaire Poisson

verdeling. De plaatsen worden tenslotte toebedeeld aan de patiënten die al het langst

wachten op een opnameplaats.

De gegevens die voor elke patiënt moeten ingegeven worden in het model, zijn: (1) tijd van

registratie op spoed, (2) tijdstip wanneer hij/zij in een bed is geplaatst, (3) tijdstip wanneer een bed

werd aangevraagd op een opnameafdeling (indien beschikbaar), (4) tijdstip van ontslag, (5) triage-

categorie van de patiënt, en (6) of de patiënt naar huis is gegaan (LWBS).

Het model geeft na berekening volgende gegevens weer voor 2,4,6 en 8 uren in de toekomst:

(1) het aantal patiënten in de wachtzaal, (2) gemiddelde wachttijd, (3) de bezettingsgraad van de

spoedafdeling, (4) gemiddelde verblijfsduur van de patiënten op spoed, (5) het aantal patiënten dat

wacht op een opnamebed (de zogenaamde boardings), (6) gemiddelde wachttijd alvorens

opgenomen te worden, en (7) de kans op ambulance omleiding. Uiteindelijk is enkel deze laatste van

belang aangezien deze aangeeft hoe groot de kans is dat de spoedafdeling over enkele uren

overbevolkt zal zijn. Het voorspelt met andere woorden een overbevolkingsindicator. Een voorbeeld

van het programma wordt in onderstaande figuur getoond:

33

Figuur 5: voorbeeld voorspelling overbevolking (Hoot et al, 2008)

Deze figuur toont bijvoorbeeld dat de kans op overbevolking binnen 1u slechts 10% is, terwijl

diezelfde kans binnen 4 uur al 80% is. Aan de hand van deze kansen kunnen eventueel extra

resources aangesproken worden om ervoor te zorgen dat de periode van ambulance omleiding (en

dus overbevolking) toch niet optreedt.

De uiteindelijke mogelijkheid om de ambulance omleiding te voorspellen wordt opnieuw

weergegeven door de AUC. Deze AUC is voor 2,4,6 en 8 uren in de toekomst 0.88, 0.88, 0.88, en 0.86,

wat wijst op een hoge voorspellingswaarde.

Het programma werd een jaar later nogmaals getest door Hoot, LeBlanc, Jones, et al (2009)

in een andere Amerikaanse spoedafdeling. Ook hier werden goede resultaten behaald met een AUC

van 0.85 om de ambulance omleiding te voorspellen over 8 uur.

34

In een soortgelijk onderzoek, eveneens uitgevoerd door Hoot, Epstein, Allen et al (2009)

werd hetzelfde programma toegepast in 5 verschillende afdelingen gedurende 12 maanden. Hier

betrof het een retrospectief onderzoek. De uitkomsten lagen in de trend van de eerste twee

onderzoeken.

Deze cijfers bewijzen dat dit programma enorm waardevol kan zijn voor een spoedafdeling.

Het slaagt er ook in om een complex proces zoals de werking van een spoedafdeling volledig in een

programma te gieten waardoor het programma in elke spoedafdeling gebruikt kan worden mits

aanpassing van alle statistische parameters.

35

3. Het onderzoek

3.1. Inleiding tot het onderzoek: Ontwikkeling van een computerprogramma

3.1.1. Het belang van ICT in de gezondheidszorg

Aangezien het onderzoek begon met het ontwikkelen van een computerprogramma, leek het

interessant om kort het belang van ICT in de gezondheidszorg aan te tonen. ICT heeft de laatste jaren

een enorme opmars gekend. Ook de gezondheidszorg heeft zich moeten aanpassen aan de

alomtegenwoordigheid van de informatica. Recentelijk is in Amerika de trend ontstaan om

ziekenhuizen en artsen te evalueren op basis van verschillende maatstaven. Zo komt er jaarlijks een

lijst uit met de beste ziekenhuizen in de VSA die volgens specialiteit worden gerangschikt (U.S. News

& World Report, 2011). Veel rangschikkingen kunnen enkel gebeuren d.m.v. de vergevorderde ICT.

Een studie van de denktank ITINERA (2008) stelt dat één van de 20 uitdagingen van de

gezondheidszorg in de toekomst het investeren in gezondheidsinformatica is. Volgens ITINERA

hebben dit soort investeringen ook een reële en bewezen meerwaarde voor de gezondheidszorg. De

ICT omvat namelijk zeer uiteenlopende gebieden zoals het beheer van de operatiekwartieren, van de

spoedopname, van de agenda’s, van de zorgtrajecten, van de medische en verpleegkundige

handelingen…

Indien men in de toekomst meer output (= zorg) zal moeten creëren met minder input (=

resources), is het belangrijk om activiteiten zo efficiënt mogelijk te laten verlopen. Een radiologie

afdeling bijvoorbeeld, zal ervoor moeten zorgen dat hun scanners continu kunnen gebruikt worden

om zo de vaste kosten over een grotere hoeveelheid patiënten te kunnen spreiden. In de True North

Essay van de Advisory Board Company (2006), een soort kenniscentrum waarin de belangrijkste

ziekenhuizen van Amerika zetelen, wordt voorspeld dat de investeringen in IT zullen blijven stijgen

om zo de klinische kwaliteit en veiligheid te verbeteren.

3.1.2. Ontwikkeling van een computerprogramma voor het meten van de werkbelasting

Ter voorbereiding van het onderzoek leek het interessant een computerprogramma te ontwikkelen

om de werkbelasting in real-time te meten. Het computerprogramma was dan ook het initieel doel

36

van deze masterproef en het zou de basis moeten leggen voor een meer gespecialiseerd programma

dat zou kunnen gebruikt worden door de spoedafdeling om zowel andere afdelingen, de

spoedverpleegkundigen en de spoedpatiënten op de hoogte te brengen van de werkbelasting op de

spoedafdeling op een bepaald moment. Zo weet de rest van het ziekenhuis wanneer het noodzakelijk

is om de doorstroom van patiënten van de spoedafdeling naar opname-afdelingen te bevorderen.

Het programma kan er ook voor zorgen dat men een grote werkbelasting kan anticiperen door

bijvoorbeeld vroege waarschuwingen uit te sturen.

3.1.2.1. De ontwikkeling van een manueel programma

Het leek opportuun om eerst een volledig manueel programma te schrijven alvorens eventuele

gegevens te gebruiken die rechtstreeks uit de UZ Gent-database komen. Het nadeel van dit manuele

programma is dat alle gegevens op de moment zelf moeten ingevuld worden. Zo zal de receptioniste

bijvoorbeeld bij het binnenkomen van een patiënt naast het inschrijven van de patiënt in de

database ook het programma moet updaten. Hetzelfde dient te gebeuren door een verpleegkundige

wanneer een patiënt vertrekt of wanneer de ambulance, de MUG, een secundaire transfer, of de

verpleegkundige verantwoordelijk voor intern transport wordt weggehouden van de spoedafdeling.

Onderstaande figuur geeft de algemene pagina van het programma. De programmacode in JAVA kan

gevonden worden in appendix 2.

Figuur 6: scherm van het computerprogramma

37

Het inputgedeelte van het scherm

Er werd geopteerd om alle benodigde knoppen in hetzelfde scherm weer te geven zodat op zich

maar met één scherm dient gewerkt te worden. Volgende knoppen worden onderscheiden:

De knop voor wanneer een patiënt aankomt op de spoedafdeling. Dit kan zowel uit eigen

beweging zijn als door een ambulance. In het witte vakje ernaast dient de triage-categorie

ingevuld te worden van die patiënt. Dit gebeurt door middel van een cijfer van 1 tot 5 dat

overeenkomt met de kleuren van de Manchester Triage Scale (MTS) waarbij blauw (= het

minst ernstige) overeenkomt met 1, terwijl rood (= levensbedreigende aandoening)

overeenkomt met 5. Merk op dat het triëren momenteel nog niet gebeurt in de

spoedafdeling van het UZ Gent.

De knop voor wanneer een patiënt vertrekt uit de spoedafdeling. Ook hier dient het vakje

naast de knop om de triage-categorie van de patiënt in kwestie weer te geven. Een

belangrijke opmerking hierbij is dat de ingevulde triage-categorie dezelfde moet zijn als

degene die initieel werd toegewezen aan de patiënt. Dit cijfer kan weliswaar in realiteit

wijzigen tussen opname en vertrek. Iemand die bijvoorbeeld met een hartstilstand wordt

binnengebracht krijgt onmiddellijk code rood of 5. Stel dat deze hartstilstand bijvoorbeeld

het gevolg is van een overdosis van methadon, dan kan een onmiddellijke toediening van

Naloxon ervoor zorgen dat deze patiënt binnen het halfuur terug bij bewustzijn is, en zelfs

enkele uren later al terug naar huis kan vertrekken. Bij vertrek heeft deze patiënt dan slechts

een zeer lage score op de MTS. Een oplossing voor dit probleem zou kunnen zijn om elke

patiënt om het uur te herevalueren. Men begrijpt dat dit een zeer arbeidsintensieve

bezigheid zou zijn waardoor deze in werkelijkheid bijna nooit wordt uitgevoerd.

Een knop voor de aan- en afwezigheid van de MUG en bijgevolg de MUG-verpleegkundige.

Het programma is zo gemaakt dat deze knop slechts 2 standen heeft: “aanwezig” of

“afwezig”. Hierdoor kan de knop niet per ongeluk twee maal op afwezig worden gezet,

waardoor het programma verkeerdelijk twee verpleegkundigen zou aftrekken van de

bestaffing.

Een knop voor de verpleegkundige die met de ambulance meerijdt. Ook deze werkt op basis

van hetzelfde systeem als de MUG-knop.

Een knop voor de verpleegkundige die instaat voor secundaire transfers.

Een knop voor de verpleegkundige verantwoordelijk voor het intern transport.

Tot slot nog een knop die kan gebruikt worden voor andere gevallen waarin een

verpleegkundige wordt weggehouden van de spoedafdeling. Deze knop is niet beperkt tot

38

één verpleegkundige en heeft bijgevolg geen aanwezigheids- of afwezigheidsindicator. Deze

knop kan bijvoorbeeld gebruikt worden wanneer de shiften veranderen waardoor de

basisbestaffing hoger of lager wordt.

Het programma is zo gemaakt dat elke keer dat er een knop wordt ingedrukt, alle parameters direct

worden aangepast. Wanneer met andere woorden de “MUG afwezig” knop wordt ingedrukt, zal het

programma automatisch en direct de patiënt-verpleegkundige ratio updaten naar de nieuwe situatie.

Hierbij wordt de parameter van “aanwezig” naar “afwezig” veranderd, zoals wordt weergegeven in

volgende figuur.

Figuur 7: knoppen verpleegkundigen

Bij de input van patiënten die toekomen of vertrekken, verschijnt er een foutmelding indien niet

eerst een triage-categorie werd ingegeven (zie figuur 8). Het is namelijk de bedoeling dat eerst een

triage-categorie wordt ingevuld, waarna de knop “patiënt komt aan” of “patiënt gaat weg” moet

worden ingedrukt.

39

Figuur 8: foutmelding

Het datagedeelte van het scherm

In het tweede deel van het scherm wordt de informatie weergegeven die van belang is voor de

spoedafdeling alsook de andere afdelingen.

Als eerste parameter wordt het aantal patiënten weergegeven dat op dat moment aanwezig

is op de spoedafdeling. In principe zou ook de bezettingsgraad gebruikt kunnen worden. Dit

is namelijk gewoon het aantal patiënten gedeeld door het aantal spoedbedden (= de

capaciteit). Aangezien het aantal beschikbare spoedbedden normaal gezien continu blijft,

zullen deze twee cijfers hetzelfde evolueren. Merk op dat de bezettingsgraad een goede

parameter is voor de overbevolking van de spoedafdeling (cf. supra p. 26).

De tweede parameter is het aantal beschikbare verpleegkundigen op de spoedafdeling,

waarbij uiteraard rekening wordt gehouden met bijvoorbeeld de ambulance en de MUG.

De derde parameter is de patiënt-verpleegkundige ratio. Zoals reeds in de literatuurstudie

besproken is dit een belangrijke indicator voor de werkbelasting (cf. supra p. 13). Ook deze

ratio wordt onmiddellijk geüpdatet wanneer een knop wordt ingedrukt.

Net onder de patiënt-verpleegkundige ratio vindt men een vak dat kan veranderen van kleur.

Er bestaan 3 kleuren: groen, oranje en rood. Deze kleur indiceert hoe groot de werkbelasting

is op de spoedafdeling. Op basis van De Ridder & Gemmel (2010) werd gekozen een groene

code te geven wanneer de ratio onder 2,5 zit. Dit betekent 2,5 patiënten per

verpleegkundige en dit is een goede werkbelasting. Tussen 2,5 en 3 wordt code oranje

gegeven om aan te wijzen dat er een risico bestaat dat de verpleegkundigen met een te hoge

werkbelasting zouden kunnen geconfronteerd worden. Code rood betekent een ratio hoger

40

dan 3 en zou een teken moeten zijn voor de andere afdelingen om de doorstroom van

patiënten vanuit de spoedafdeling te verbeteren of om andere verpleegkundigen

beschikbaar te stellen indien mogelijk.

Figuur 9: waarschuwingslicht

In de volgende parameter wordt naast het aantal patiënten tevens rekening gehouden met

de triage-categorie van de patiënten. Dit is een fictief getal, en stelt de som voor van alle

patiënten waarbij elke patiënt vermenigvuldigd wordt met zijn triage-categorie. Het wordt

dan ook vanaf hier het aantal patiënten x triage genoemd.

Het aantal verpleegkundigen blijft hetzelfde als hiervoor.

De laatste parameter is de derde belangrijke indicatie voor de spoedafdeling. Dit is de het

aantal patiënten x triage gedeeld door het aantal verpleegkundigen en houdt dus rekening

met de ernst van de patiënten. Het wordt vanaf hier dan ook de “Ernst patiënt-

verpleegkundige ratio” genoemd en is dezelfde parameter als degene in de literatuurstudie

(cf. supra p. 14).

In dit computerprogramma kunnen dus drie parameters worden onderscheiden die van belang zijn in

het hierop volgende onderzoek. Deze drie parameters zijn (1) het aantal patiënten op de

spoedafdeling dewelke kan worden gelijk gesteld met de bezettingsgraad. De bezettingsgraad is een

zeer goede indicator voor de overbevolking van de spoedafdeling. (2) de patiënt-verpleegkundige

ratio, wat een interessante benadering is voor de werkbelasting, en (3) de Ernst patiënt-

verpleegkundige ratio. Deze zal in het onderzoek worden vergeleken met de gewone patiënt-

verpleegkundige ratio om te kijken of deze bijkomende informatie ter beschikking stelt.

3.1.2.2. Verdere uitbouw van het programma

41

Men kan begrijpen dat de toepassing van dit model toch redelijk wat tijd vergt van de

verpleegkundigen. Het zou dan ook interessant zijn om dit model meer te automatiseren zodat het

praktisch alle nodige gegevens zelf uit de database zou kunnen halen. Het initieel plan was om de

eerste twee knoppen weg te laten en het programma de patiëntenaanwezigheid zelf te laten

opzoeken in de Oracle-database van het UZ Gent. Vanaf oktober zal normaal gezien een vaste triage

van alle patiënten van start gaan waardoor ook de triage-categorie van de database kan afgehaald

worden. Eenmaal een patiënt door de receptie wordt ingeschreven in de database, dan zou deze

patiënt ook vanzelf in het programma opgenomen. Dit is op zich niet moeilijk door gebruik te maken

van de Java Database Connectivity (JDBC) API, wat een gestandaardiseerde manier is om

verschillende databases te gebruiken als input voor een Java programma (zie The Java Tutorials).

Doch vreesde men vanuit de ICT-afdeling dat deze toepassing, door de strenge beveiliging van de UZ

Database, slechts een slaagpercentage van 10% zou hebben. Daarnaast kon de database enkel

bereikt worden via bepaalde computers in het UZ, waarbij speciale machtiging nodig was door de

ICT-afdeling om er een programma op te installeren. Het verkrijgen van deze machtiging was

weliswaar niet mogelijk binnen de beperkte tijdspanne van de thesis.

Een tweede mogelijkheid die bestond was de MUG, de ambulance en de secundaire transfers

die uitrijden ook automatisch als input in het programma te gebruiken. Helaas is dit helemaal

onmogelijk aangezien deze gegevens pas retrospectief in de database worden ingegeven. Op geen

enkel moment wordt een sein gegeven naar de database wanneer een wagen uitrijdt, maar dit zou

op lange termijn eventueel wel mogelijk zijn.

Tot slot is het ook mogelijk om de gegevens van het programma per vast tijdsinterval door te

sturen naar een accesdatabase. Hierdoor kunnen deze gegevens rechtstreeks uit de accesdatabase

gehaald worden en geanalyseerd worden. Maar door de omslachtige werking van het JAVA-

programma leek het niet opportuun deze manier van werken te gebruiken. Het is namelijk quasi

onmogelijk voor één persoon om zowel de patiënten te triëren als het programma bij te houden. Het

programma is tot op heden nog niet geïmplementeerd en het onderzoek werd retrospectief gevoerd.

Doch wil de auteur vermelden dat het programma gebruiksklaar is.

42

3.2. Het universitair ziekenhuis Gent en de spoedgevallendienst

(uit De Ridder & Gemmel, 2010)

“Het UZ Gent, één van de grootste ziekenhuizen in België, is gelegen in Vlaanderen, meer specifiek in

het zuiden van Gent, een stad met ongeveer 250.000 inwoners. Het ziekenhuis is geassocieerd met

de universiteit van Gent, welke één van de grootste universiteiten van België is. Het ziekenhuis heeft

een capaciteit van 1.100 bedden, meer dan 4.000 werknemers en het behandeld jaarlijks ongeveer

33.000 opnames en 24.000 ambulante verblijven. Als een gekend ziekenhuis in de streek ontvangt

het UZ Gent veel patiënten met complexe ziektes van andere ziekenhuizen.” (vertaald uit Gemmel en

De Raedt, p. 1).

De spoedgevallendienst maakt deel uit van de sector kritieke diensten binnen de

organisatiestructuur van het UZ Gent. De sector kritieke diensten omvat naast de

spoedgevallendienst onder andere ook de afdeling medische en chirurgische intensieve zorgen, het

brandwondencentrum, PACU en de operatiekwartieren. De spoedgevallendienst van het UZ Gent is

erkend binnen de dringende geneeskundige hulpverlening. Dit betekent dat de spoedgevallendienst

aanrijdende ziekenwagens en MUG-teams, uitgestuurd via het hulpcentrum 100, kan ontvangen.

De spoedafdeling van het UZ Gent beschikt continu over één ziekenwagen en één MUG.

Daarnaast is er overdag ook een tweede MUG beschikbaar indien nodig. Een ziekenwagen wordt

overdag bemand door één verpleegkundige en één ambulancier, en ‘s nachts door twee

ambulanciers. De MUG wordt daarentegen continu bemand door één arts, één verpleegkundige en

één ambulancier. Daarnaast is er ook een team beschikbaar voor secundaire transfers. Dit team

bestaat uit een arts, een ambulancier en een verpleegkundige en staat continu ter beschikking om

patiënten van andere ziekenhuizen naar het UZ Gent over te brengen. De spoedafdeling omvat 7

observatiekamers, 3 reanimatiekamers, 2 wondhechting-kamers, 1 kinderkamer, 1 ORL-kamer en 10

bedden in de observatie eenheid. Deze observatie eenheid wordt gebruikt voor ofwel boardings,

m.a.w. patiënten waarvoor er nog geen plaats is op de opnameafdeling, ofwel voor patiënten die nog

maximaal 24 uur in observatie dienen te blijven. Het is de spoedarts of de internist die de beslissing

daaromtrent maakt. Tot slot zijn er twee wachtzalen op spoed: één hoofdwachtzaal en één kleine

wachtzaal die zich in spoed zelf bevindt. Men zou kunnen stellen dat de spoedafdeling een

bezettingsgraad van 100% bereikt wanneer er meer dan 24 patiënten (= 7 + 2 + 1 + 1 + 10 + 3)

aanwezig zijn. In dit geval zijn alle beschikbare bedden bezet. Hierna zal weliswaar met de

observatie-eenheid geen rekening worden gehouden aangezien dit deel vrijwel volledig los staat van

de spoedafdeling en aangezien patiënten eerst langs de ‘echte’ spoedafdeling moeten passeren

alvorens ze kunnen worden opgenomen in de observatie-eenheid.

43

3.3. Verwerking van de gegevens

Het observationeel onderzoek liep continu gedurende 4 dagen. Het onderzoek startte op vrijdag

8/04/2011 om 13u00 en liep tot maandag 11/04/2011 om 17u00. Hierbij werd voor elke patiënt die

gedurende deze periode de spoedafdeling binnenkwam, een triage-categorie afgenomen. Dit

gebeurde volgens de Manchester Triage Scale (MTS) (Mackway Jones, 1997). Gedurende de

ochtendshift (van 7u00 tot 15u00) en de namiddagshift (van 14u00 tot 22u00) stond de auteur zelf

op de spoedafdeling om de patiënten te triëren. De toewijzing van triage-categorieën gebeurde aan

de hand van het handboek voor de MTS, geschreven door Mackway Jones in 1997, en herdrukt in

2006. Gedurende de nachtshift (van 22u00 tot 7u00) werd het triëren overgenomen door een

getrainde spoedverpleegkundige.

In het totaal werden 268 patiënten getrieërd. De verdeling van patiënten over de triage-

categorieën wordt in onderstaande tabel weergegeven (tabel 13). Triage-categorie blauw stelt de

minst ernstige toestand voor, terwijl code rood de meest ernstige toestand voorstelt zoals een hart-

of ademstilstand.

Tabel 13: beschrijving triage-gegevens

Hieraan kan men zien dat net iets minder dan de helft van de patiënten een triage-categorie groen

heeft. Deze patiënten hadden meestal geen dringende zorg nodig en konden dus m.a.w. gemakkelijk

door een huisarts worden behandeld. De gemiddelde triage ernst was 2,5178 met een

standaarddeviatie van 0,92592. De scheefheid betrof volgens Excel 0,416 wat betekent dat de grafiek

rechts-scheef is. Bij Hobgood et al (2005) vond men een gemiddelde triage-categorie van 2,79 met

een standaarddeviatie van slechts 0,22. Hier dient wel te worden vermeld dat Hobgood en zijn

collega’s een andere triage-schaal gebruikten, namelijk de Emergency Severity Index. Dit kan tot een

licht verschil leiden in triage. Indien men de tabel vergelijkt met Dreyer et al (2009) dan bekomen zijn

44

2,2 % voor triage-categorie 5; 37,2% voor triage-categorie 4; 39,2% voor triage-categorie 3; 15,7%

voor triage-categorie 2 en 5,6% voor triage-categorie 1. In vergelijking met Dreyer et al (2009), werd

in deze studie dus een hoger aantal niet-dringende gevallen behandeld (= triage-categorie 1 en 2).

Ook Dreyer gebruikte weliswaar een andere triage-schaal dan de MTS.

De aankomst en vertrektijden werden uit de database van het UZ overgenomen evenals de

MUG- en 100-ritten en de secundaire transfers. Net zoals in de vorige thesis kon ook hier geen

rekening worden gehouden met de verpleegkundige die instond voor het intern transport.

Een verschil met de vorige thesis is dat nu niet gewerkt werd met afrondingen in de tijd voor

het bepalen van het aantal patiënten en het aantal verpleegkundigen. In dit onderzoek werd namelijk

om de 10 minuten berekend hoeveel patiënten er zich op dat moment de spoedafdeling bevonden.

Men neemt m.a.w. een foto van de toestand op de spoedafdeling. Beginnende van 13u00, wordt een

meting gedaan om 13u10, 13u20, enzovoort. Dit is realistischer dan de manier van werken in de

vorige thesis. Het betekent wel dat wanneer een patiënt bijvoorbeeld aankomt om 13u51 en terug

vertrekt om 13u58 omdat het te druk is of omdat hij/zij direct naar het operatiekwartier werd

verplaatst, deze patiënt in geen enkele meting zal terugkomen.

3.3.1. Verwerking van de patiëntengegevens

Hierbij wordt de aanwezigheid van de patiënten afgeleid uit de aankomst en ontslagtijden die in de

database te vinden zijn. Daarvoor wordt volgend Excel blad gebruikt (figuur 10):

Figuur 10: verwerking patiëntengegevens

In de eerste kolom vindt men de adremanummers van al de patiënten die gedurende de vier

dagen op de spoedafdeling werden opgenomen. Op rij 3 en 4 staat de datum en het uur van het

moment waarop we de meting uitvoerden. Al de rijen eronder geven weer op welke momenten de

patiënt aanwezig was op de spoedafdeling. 1,00 betekent dat de patiënt aanwezig was, terwijl 0,00

een afwezigheid voorstelt. De algemene database zoals die door de ICT-afdeling van het UZ werd

doorgegeven ziet er als volgt uit:

45

Figuur 11: verwerking patiëntengegevens

In kolom A staat het adremanummer, en in kolom F het tijdstip waarop de patiënt op de

spoedafdeling aankwam. Deze kolom wordt verder onderverdeeld in kolom G en H. Hetzelfde

gebeurt voor kolom Q, R en S die de ontslagtijdstippen weergeven. In kolom X tenslotte wordt de

triage-categorie van de patiënten weergegeven. Merk op dat vele van de patiënten niet getrieërd zijn

aangezien de triage-meting pas begon vanaf 8/04/2011 om 13u. enkel de patiënt uit rij 5 was nog

aanwezig na 13u00 en werd aldus getrieërd.

De formule die gebruikt werd om van figuur 11 naar figuur 10 te komen gaat als volgt voor

vrijdag 8/04/2011 om 0u00:

=ALS(OF(EN(D$3=OpnameDatum;'Berekening Ratio'!D$4>OpnameTIJD;'Berekening

Ratio'!D$4<Ontslagtijd);EN(D$3=OpnameDatum;$D$1=OntslagDatum;'Berekening Ratio'!D$4>

OpnameTIJD);EN($B$1= OpnameDatum; OntslagDatum ='Berekening Ratio'!D$3;'Berekening

Ratio'!D$4< Ontslagtijd));1;0)

Het werkblad ‘Berekening Ratio’ wordt in volgende figuur weergegeven:

Figuur 12: werkblad Berekening ratio

De uitkomst van de formule geeft 0 of 1 weer, naargelang de voorwaarden uit de formule voldaan

zijn. Uiteindelijk wordt de som gemaakt van kolom 0:00 om te weten te komen hoeveel patiënten er

op dat moment op de spoedafdeling aanwezig waren.

Berekening aantal patiënten x triage

Indien men rekening wil houden met de ernst van de patiënten, om zo een betere benadering te

hebben van de werkbelasting van het verpleegkundig personeel, dient men ook de gegeven triage-

categorie bij de berekening te betrekken. Hierbij wordt de voorgaande formule vermenigvuldigd met

de triage-nummer (1 voor blauw, 2 voor groen, 3 voor geel, 4 voor oranje en 5 voor rood). Ook hier

46

krijgt men bij de sommatie van de kolommen het aantal patiënten op de spoedafdeling,

vermenigvuldigd met hun respectievelijke triage-categorie.

Wanneer men het aantal patiënten en het aantal patiënten x triage in één grafiek zet bekomt

men het volgende:

Figuur 13: Aantal patiënten met of zonder triage

Het grootst aantal patiënten die tegelijkertijd op de spoedafdeling verbleven was 22. Dit gebeurde

vrijdag om 16u40 en tussen 18u50 en 19u00. Het gemiddeld aantal patiënten aanwezig op spoed

gedurende de hele meting was 8,45. Zaterdagnacht tussen 3u50 en 5u30 was er een periode waarin

er geen patiënten aanwezig waren op de spoedafdeling. Het gemiddeld aantal patiënten x triage

betrof 22,09 en een maximum van 53 werd bereikt op maandag omstreeks 11u50. Ook hier was het

minimum 0 op zaterdagnacht.

3.3.2. Verwerking verpleegkundige gegevens

Om uiteindelijk het aantal aanwezige patiënten te vergelijken met het aantal verpleegkundigen dat

op dat moment aanwezig is op de spoedafdeling, dient men ook de verpleegkundige gegevens te

verwerken. Men houdt hier enkel rekening met verpleegkundigen die betrokken zijn in het

verzorgingsproces. Dit houdt volgende functies in:

Verpleegkundige voor observatie-eenheid

Omloopfunctie

MUG

Ziekenwagen

47

Intern begeleid vervoer

Opnamezaal

Coach-verpleegkundige

Er wordt m.a.w. geen rekening gehouden met de hoofdverpleegkundige en de adjunct-

verpleegkundige.

Men begint met een theoretische bestaffing gedurende de vier dagen. Zo komt men tot

volgende grafiek:

Figuur 14: theoretische verpleegkundige bestaffing

Hier worden alle verpleegkundigen afgetrokken die worden weggehouden van de

spoedafdeling door MUG-, ziekenwagenvervoer en secundaire transfers. Er wordt met andere

woorden geen rekening gehouden met de verpleegkundige die instaat voor het intern transport.

Deze verpleegkundige wordt dan ook continu aanwezig verondersteld. Voor informatie m.b.t. het

effect van het weglaten van de intern verpleegkundige wordt verwezen naar De Ridder & Gemmel

(2010). Over de periode van het onderzoek waren er 39 transporten waaronder 4 secundaire

transfers, 13 MUG-ritten en 22 ziekenwagenritten. Zo komt men aan de grafiek met de werkelijke

verpleegkundige aanwezigheid.

48

Figuur 15: werkelijke verpleegkundige aanwezigheid

3.3.3. De patiënt-verpleegkundige ratio en de Ernst patiënt-verpleegkundige ratio

Als men de patiëntenaanwezigheid deelt door de werkelijke verpleegkundige aanwezigheid dan

bekomt men de patiënt-verpleegkundige ratio. Hetzelfde kan gedaan worden voor de

patiëntenaanwezigheid x triage. Zo bekomt men wat men noemt de Ernst patiënt-verpleegkundige

ratio, aangezien deze ratio rekening houdt met de ernst van de patiënten. In onderstaande grafiek

worden beide ratio’s weergegeven.

Figuur 16: patiënt-verpleegkundige ratio met en zonder triage

Merk op dat de gewone patiënt-verpleegkundige ratio op zondag nauwelijks de 2

overschrijdt. Dit houdt een inefficiënte bestaffing in. Al dient te worden vermeld dat die zondag de

49

welbekende Ronde Van Vlaanderen plaatsvond. Dit zou een effect kunnen gehad hebben op de

instroom van patiënten aangezien velen die dag voor de buis zaten.

50

3.4. Het meten van de werkbelasting

Één van de eerste vragen die we in deze thesis trachten op te lossen is of het incorporeren van de

triage-categorie een effect heeft op het meten van de werkbelasting. Zoals reeds in de

literatuurstudie aangegeven wordt de werkbelasting vaak gemeten aan de hand van de patiënt-

verpleegkundige ratio. Zo werd tijdens de vorige masterproef ook de werkbelasting gemeten. Het

grote nadeel van deze parameter is dat er geen rekening wordt gehouden met de ernst van de

patiënten. Zo is het bewezen dat gedurende de nachtshift de patiënten een zwaardere pathologie

hebben dan overdag (O’Brien & Benger, 2007). Dit zou kunnen verklaren waarom dat ondanks de

soms lage patiënt-verpleegkundige ratio die ’s nachts vaak te vinden is (zie De Ridder & Gemmel,

2010), er soms toch sprake kan zijn van een hoge werkbelasting. Op de vraag of de gemiddelde

triage-zwaarte ’s nachts hoger is dan overdag, wordt later een antwoord gegeven.

3.4.1. De patiënt-verpleegkundige ratio versus de Ernst patiënt-verpleegkundige ratio

Om de patiënt-verpleegkundige ratio met de Ernst patiënt-verpleegkundige ratio te

vergelijken, wordt eerst de patiënten aanwezigheid met en zonder triage op elkaar gezet. Volgende

figuur wordt bekomen:

Figuur 17: patiëntenaanwezigheid met en zonder triage

Men merkt een grote correlatie op tussen beide grafieken. Dit wordt berekend met de niet-

parametrische correlatie Spearman’s rho. De correlatie bedraagt 0.984. Dit betekent dat het in

0

10

20

30

40

50

60

vrijd

ag

vrijd

ag

vrijd

ag

vrijd

ag

Zate

rdag

Zate

rdag

Zate

rdag

Zate

rdag

Zate

rdag

Zate

rdag

Zate

rdag

Zon

dag

Zon

dag

Zon

dag

Zon

dag

Zon

dag

Zon

dag

Zon

dag

Maa

nd

ag

Maa

nd

ag

Maa

nd

ag

Maa

nd

ag

Maa

nd

ag

Aantal patienten x triage

Aantal patienten

51

rekening nemen van de triage-categorie niet echt een meerwaarde geeft bij het berekenen van de

patiëntenaanwezigheid. Door middel van SPSS was het mogelijk te bewijzen dat de nulhypothese dat

de reeksen niet gecorreleerd waren kon verworpen worden. Dit was significant op het 0,01 niveau

aangezien de p-waarde < 0,001.

Tabel 14: Spearman’s Rho patiënten

Wanneer men beide grafieken door elkaar deelt, wordt de gemiddelde triage-zwaarte van de

patiënten op de spoedafdeling op een bepaald moment bekomen. Bijvoorbeeld: stel dat er 3

patiënten aanwezig zijn op een bepaald moment en dat ze volgende triage-categorieën hebben: 2, 4

en 5. In dit geval is het aantal patiënten aanwezig = 3, en het aantal patiënten x triage = 11 (1 x 2 + 1

x 4 + 1 x 5). Als we nu het aantal patiënten delen door het aantal patiënten x triage, krijgen we

3,6666 (= 11/3). Wanneer men dit doet voor de gehele periode bekomt men volgende grafiek:

Figuur 18: Gemiddelde triage-zwaarte

Deze grafiek geeft de gemiddelde triage-zwaarte weer om de 10 minuten. Voor het

interpreteren is ook het tijdstip erbij gezet. Deze zaagtandgrafiek verloopt van vrijdag 13u00 tot

maandag 17u00. Het hoogste y-punt stelt 23u50 voor, terwijl het laagste y-punt 0u00 voorstelt. Het

52

algemeen gemiddelde van de gemiddelde triage-zwaarte over de hele periode bedraagt 2,75 en

heeft een standaardafwijking van 0,523. Wanneer men deze gemiddelde triage-zwaarte in een

histogram zet, krijgt men volgende grafiek:

Figuur 19: histogram gemiddelde triage

Deze gegevens hebben een kurtosis van 0,519 en een scheefheid van 0,831. Dit betekent dat

de gemiddelde triage-zwaarte bij benadering normaal verdeeld is aangezien ze beiden tussen 1 en -1

liggen. De normaliteit van gegevens kan weliswaar gemakkelijk bewezen worden d.m.v. de

Kolmogorov-Smirnov test en de Shapiro-Wilk test.

Tabel 15: Kolmogorov-Smirnov test

In beide testen komt men tot de vaststelling dat de nulhypothese van normaliteit kan

worden verworpen (aangezien Sig. 0,000 < 0,05).

Via Eviews kon ook de Jarque Bera test uitgevoerd worden die de normaliteit voor gegevens

weergeeft. Ook deze test toont aan dat de gegevens niet normaal verdeeld zijn.

53

Tabel 16: Jarque-Bera test

Het is heel opmerkelijk dat er een grote hoeveelheid gegevens boven de gemiddelde triage-

zwaarte van 4 zitten. Dit komt door enkele momenten ‘s nachts waarbij meerdere ernstige

pathologieën tegelijkertijd werden opgenomen op de spoedafdeling. Volgens de auteur mag men

zich daar zeker niet op blindstaren. De auteur van deze thesis meent dan ook dat het aantal gegevens

onvoldoende is om duidelijke conclusies te trekken.

Merk op dat enkele metingen een gemiddelde zwaarte van 0 geven. Dit is te wijten aan de

zaterdagnacht waarop er geen patiënten aanwezig waren op de spoedafdeling. Vanzelfsprekend

worden met deze 0-waarden geen rekening gehouden tijdens het berekenen van de gemiddeldes en

de correlaties.

De correlatie van 0.984 die gevonden werd tussen het aantal patiënten en het aantal

patiënten x triage blijft grotendeels ongewijzigd indien men beide deelt door het aantal

verpleegkundigen dat op dat moment aanwezig is. Wanneer twee reeksen gedeeld worden door

eenzelfde cijfer, blijft de correlatie namelijk min of meer hetzelfde. Wanneer men de correlatie van

de patiënt-verpleegkundige ratio met de Ernst patiënt-verpleegkundige ratio berekent, komt men

aan een Spearman’s Rho van 0,974 die ook hier weer significant is op het 0,01 niveau. Men kan dus

de nulhypothese dat de reeksen niet gecorreleerd waren verwerpen.

Tabel 17: Spearman's Rho ratio's

0

10

20

30

40

50

60

1.5 2.0 2.5 3.0 3.5 4.0

Series: DATA

Sample 1 500

Observations 445

Mean 2.756478

Median 2.666667

Maximum 4.333333

Minimum 1.500000

Std. Dev. 0.522989

Skewness 0.828512

Kurtosis 3.499703

Jarque-Bera 55.54023

Probability 0.000000

54

Hieruit kan als dusdanig besloten worden dat het in rekening nemen van de triage-categorie bij het

meten van de werklast, geen toegevoegde waarde geeft. Men heeft er dus meer baat bij een meer

simpele methode zoals de eenvoudige patiënt-verpleegkundige ratio te gebruiken om de

werkbelasting te meten. In het verdere verloop van het onderzoek zal dan ook met de patiënt-

verpleegkundige ratio gewerkt worden en niet met de Ernst patiënt-verpleegkundige ratio.

Wel kan de vraag gesteld worden of, zoals reeds eerder gesuggereerd, de triage-zwaarte ’s

nachts wel hoger is dan overdag? De hoge correlatie tussen beide reeksen zou dat in twijfel kunnen

trekken.

Is de pathologie ‘s nachts zwaarder dan overdag?

Op zich is het gemakkelijk te testen of deze hypothese klopt. Wanneer men de gemiddelde triage-

zwaarte berekent van alle patiënten in de spoedafdeling tussen 22u en 07u (= de nachtshift), komt

men op 3,17. Het gemiddelde van de ochtend- en namiddagshift daarentegen is 2,53. Als we ervan

uitgaan dat dit verschil niet enkel berust op het verschil in triëren tussen de auteur en de

medewerker, dan zou kunnen worden gesteld dat er inderdaad een significant verschil is tussen de

zwaarte van de pathologie ’s nachts en overdag. Hier wordt evenwel een grote fout gemaakt.

Volgend voorbeeld tracht deze fout eenvoudig uit te leggen:

Stel dat volgende situatie zich voordoet:

Tabel 18: voorbeeld triage-zwaarte

Het gemiddelde van de ‘gemiddelde triage-zwaarte’ tussen 1u en 7u is 4, terwijl dit voor de

tweede periode (van 8u tot 14u) 2,8 is. Dit grote verschil is voornamelijk te wijten aan de

55

patiënt met triage-categorie 5 die om 1u is binnengekomen en om 6u is vertrokken. Wanneer

men kijkt naar de gemiddelde zwaarte van de patiënten die tussen 1u en 7u op de

spoedafdeling waren, komt men aan 3 (= 5+2+3+3+2+4+3+2/8). Voor de patiënten tussen 8u

en 14u is dit 2,909 (4+2+3+2+3+5+2+1+3+3+4/11). Het verschil is hierbij (2,909 - 3 = 0,0909)

veel minder groot dan wanneer men louter naar het verschil in gemiddelde triage-zwaarte

kijkt (4 - 2,8 = 1,2).

Uit het voorbeeld blijkt dat het belangrijker is om het gemiddelde van de triage-categorieën van de

patiënten te vergelijken dan het gemiddelde van de triage-zwaarte op bepaalde momenten. ’s

Nachts zijn er minder patiënten op de spoedafdeling, maar bij het gebruiken van de triage-zwaarte

zal bijvoorbeeld de ene patiënt om 4u even zwaar worden gewogen dan alle patiënten om 12u

tezamen. Hieruit blijkt dat men onmogelijk kan uitgaan van het verschil tussen 3,17 (= de gemiddelde

triage-zwaarte ’s nachts) en 2,53 (= de gemiddelde triage-zwaarte overdag) op basis van figuur 18 (cf.

supra p. 51). Jammer genoeg wordt niet onfrequent tegen deze fout gezondigd.

Als men berekent wat de gemiddelde triage-categorie is van de patiënten gedurende de

nacht en deze vervolgens vergelijkt met patiënten overdag komt men aan volgende cijfers:

Onderverdeling volgens het aankomsttijd van de patiënten:

Patiënten die tijdens de nachtshift aankomen: 37 patiënten met een gemiddelde triage van

2,891

Patiënten die tijdens ochtend en middag aankomen: 231 patiënten met een gemiddelde van

2,459

Onderverdeling volgens de vertrektijd van de patiënten:

Patiënten die tijdens de nachtshift vertrekken: 64 patiënten met een gemiddelde triage van

2,796

Patiënten die tijdens ochtend en middag vertrekken: 204 patiënten met een gemiddelde van

2,431

Onderverdeling volgens de verblijfstijd van de patiënten:

Patiënten die gedurende de nachtshift op spoed verbleven: 73 patiënten met een

gemiddelde triage van 2,781

Patiënten die gedurende ochtend en/of middag op spoed verbleven: 240 patiënten met een

gemiddelde van 2,467

56

Volgende tabel geeft een samenvatting:

Tabel 19: verschil in gemiddelde triage tussen overdag en 's nachts

Merk op dat de kolommen op basis van aankomsten vertrektijden in aantal optellen tot 268

patiënten (= het totaal aantal patiënten dat werd getrieërd). Dit is niet het geval bij de kolom op

basis van verblijfstijd, omdat patiënten die bijvoorbeeld in de nachtshift toekwamen en pas overdag

ontslagen werden uit de spoedafdeling, voorkomen in beide kolommen.

Misschien is het eerst en vooral interessant te kijken of er een verschil is in gemiddelde

triage-categorie van de patiënten die tijdens de nachtshift toekomen (2,892) versus degene die

overdag toekomen (2,459). Hier is het verschil in triage-zwaarte tussen nacht en dag namelijk het

grootst. Door middel van de t-test op SPSS kan besloten worden dat deze gemiddelden wel degelijk

van elkaar verschillen.

Tabel 20: t-test triage o.b.v. aankomsttijd

De 0,180 onder de levene’s test vertelt dat men met 95% zekerheid kan zeggen dat men

gelijke varianties mag veronderstellen waardoor we naar de bovenste rij moeten kijken (want Sig.

0,180 > 0,05 => H0 dat varianties gelijk zijn niet verwerpen). Deze toont aan dat de nulhypothese dat

57

de gemiddelden gelijk zijn aan elkaar met 95% zekerheid kan verworpen worden (aangezien Sig.

0,008 < 0,05 => H0 dat de gemiddeldes gelijk zijn mag men verwerpen). Men kan als dusdanig

besluiten dat de gemiddelde triage-categorie van patiënten die tijdens de nachtshift toekomen,

zwaarder is dan die van de patiënten die overdag toekomen op de spoedafdeling.

De laatste kolom in tabel 19 waarbij men kijkt naar het verschil in triage-zwaarte op basis van

de verblijfstijd is het meest waardevol om een zwaardere pathologie aan te tonen aangezien men

hier alle patiënten die ’s nachts op de spoedafdeling hebben gelegen, vergelijkt met alle patiënten

die er overdag hebben gelegen. Het verschil tussen een gemiddelde triage-categorie van 2,781 ’s

nachts t.o.v. 2,467 overdag is significant volgens de t-test op SPSS (Sig. 0,009 < 0,05 => nulhypothese

van gelijke gemiddeldes wordt verworpen). Dit wilt zeggen dat de patiënten die ’s nachts op de

spoedafdeling verblijven gemiddeld een zwaardere pathologie hebben dan de patiënten die overdag

op de spoedafdeling verblijven.

Tabel 21: t-test triage o.b.v. verblijfstijd

3.4.2. De optimale grens van werkbelasting

Tot slot wordt gekeken naar de drempel die zou moeten gehanteerd worden bij het analyseren van

de werkbelasting. Er is een optimale patiënt-verpleegkundige ratio waar men zou moeten naar

streven. In De Ridder & Gemmel (2010) is er gekozen om 3:1 als optimale patiënt-verpleegkundige

ratio te nemen. Zo werd in hun literatuurstudie, die de oorzaken van overbevolking beschreef,

vermeld dat de optimale patiënt-verpleegkundige ratio 1:1 zou zijn voor kritieke patiënten en 4:1

voor niet-kritieke patiënten (Society for academic emergency medicine). De California Nurses

Association opteerde voor volgende ratio’s: 4:1 voor niet kritieke patiënten, 2:1 voor patiënten die

naar IZ moeten worden verplaatst, en 1:1 voor trauma patiënten. De American Academy of

Emergency Medicine (AAEM) opteerde daarentegen voor een minimale patiënt-verpleegkundige

58

ratio van 3:1, zonder rekening te houden met de coach verpleegkundige die alles in goede banen

leidt en de triageverpleegkundige.

Wanneer men een spoedafdeling in zijn geheel bekijkt, met alle verpleegkundigen en

patiënten tezamen, zou men kunnen stellen dat men ernaar moet streven de ratio in een bepaald

interval te laten doen schommelen. Eenmaal erboven zou de werkbelasting te hoog zijn, en eenmaal

de ratio onder het interval valt zou de werkbelasting te laag zijn wat een inefficiënte inzetting van de

resources zou betekenen. Rekening houdend met de literatuur zou men kunnen stellen dat een

gemiddelde patiënt-verpleegkundige ratio over de hele spoedafdeling tussen 2 en 4 binnen het

aanvaardbare interval zit, met 3 als optimale ratio.

Het is in principe ook mogelijk om een drempel voorop te stellen bij de Ernst patiënt-

verpleegkundige ratio. Zo zou men bijvoorbeeld kunnen stellen dat patiënten met een code rood

volgens de MTS een patiënt-verpleegkundige ratio van 0,5:1 zou moeten hebben, wat zou betekenen

dat deze patiënten 2 full-time verpleegkundigen nodig hebben. Een min of meer logische tabel zou

de volgende kunnen zijn:

Tabel 22: voorbeeld aantal verpleegkundige per patiënt

Als er in een spoedafdeling 3 patiënten aanwezig zouden zijn: 2 met code rood en één met code

oranje, en men houdt rekening met deze tabel, dan zou de spoedafdeling op dat moment vijf

verpleegkundigen nodig hebben om aan de behoeften te voldoen. Indien er op dat moment in

werkelijkheid slechts 4 verpleegkundigen aanwezig zouden zijn, dan zou dit een te hoge werklast

betekenen. Zo een tabel zou ons als dusdanig in staat stellen om gemakkelijk de werkbelasting te

meten. Hierbij moet men opletten dat men ook met de indirecte verpleegkundige zorg rekening

houdt om tot de werkbelasting te komen. Deze tabel zal, bij wijze van voorbeeld, verder in deze tekst

nog gebruikt worden.

Een tabel zoals tabel 22 kan opgesteld worden d.m.v. een observationeel onderzoek. Jammer

genoeg heeft de auteur hieromtrent geen literatuur gevonden waardoor het onmogelijk is de tabel,

die louter willekeurig is, te staven. Daarom wordt hier ook niet verder op ingegaan. Wel wordt nog

59

vermeld dat men, mits aanwezigheid van zo een tabel, men er ook kan voor proberen zorgen dat de

Ernst patiënt-verpleegkundige ratio binnen een aanvaardbaar interval valt.

3.4.3. Het probleem met Ernst patiënt-verpleegkundige ratio

De enige manier om via de Ernst patiënt-verpleegkundige ratio een goede inschatting te maken van

de werkbelasting is door middel van een tabel zoals hiervoor (tabel 22). Met het gebruik van de Ernst

patiënt-verpleegkundige ratio zijn weliswaar enkele nadelen verbonden: (1) Het verschil in stappen

bij de triage-categorie reflecteert niet het verschil in werk aan deze verschillende categorieën. (2)

Men neemt vaak enkel de directe zorg-tijd als maat voor de hoeveelheid werk nodig aan een patiënt.

(1) een tabel die de werklast per triage-categorie weergeeft, wordt nooit opgesteld zodat ze

bruikbaar zou zijn voor real-time werklastmeting. En (4) indien men gebruik wenst te maken van zo’n

tabel is het noodzakelijk dat alle patiënten hun triage-categorie om de zoveel tijd worden geüpdatet.

(5) In een studie kwam Gabolinscy (2005) tot de conclusie dat triage-categorie slechts 20% van de

variatie in verpleegkundige tijd tussen patiënten kon verklaren.

In hobgood et al (2005) en in het onderzoek van deze thesis, maakt men gebruik van de

patiëntenaanwezigheid x triage / aantal verpleegkundigen (= Ernst patiënt-verpleegkundige ratio).

Een groot probleem hierbij is dat de triage-zwaarte (= 1, 2, 3, 4 of 5) niet evenredig verloopt met de

hoeveelheid werk die in elk van de patiënten moet worden gestoken. Stel dat men de hoeveelheid

zorg bekijkt die een patiënt nodig heeft in 50 minuten. Wanneer een patiënt met triage-categorie

blauw 10 minuten zorg nodig heeft op deze 50 minuten, dan zou volgens de triage-zwaarte een

patiënt met code rood 5 keer zoveel zorg nodig hebben (= 50 minuten). Volgens de auteur is dit in

werkelijkheid niet het geval. Een patiënt met code blauwe zal veel minder tijd vragen van een

verpleegkundige dan 10 minuten, terwijl een patiënt met code rood meer dan 50 minuten

verpleegkundige zorg zal nodig hebben. Deze stelling is reeds bewezen in de literatuur (zie tabel 4)

waar men voor triage-categorie rood (of 5) meer tijd nodig heeft voor een patiënt met triage-

categorie blauw (of 1). Zo merkte Gabolinscy (2005) bijvoorbeeld op dat een patiënt met triage-

categorie 1 slechts gemiddeld 11 minuten aan verpleegkundige zorg vereist, terwijl dit voor triage-

categorie 5 194 minuten is. Daarnaast is het verschil tussen code rood en oranje veel groter dan het

verschil tussen code groen en blauw. Daarom meent de auteur dat de stappen in triage-zwaarte bij

het gebruik van deze Ernst patiënt-verpleegkundige ratio minstens moet worden aangepast aan de

reële werkbelasting.

Een tweede probleem is dat bij het gebruik van gegevens zoals in tabel 4, men bij het meten

van de hoeveelheid werk die een patiënt uit een bepaalde triage-categorie in beslag neemt, meestal

60

enkel rekening houdt met directe verpleegkundige zorg. Dit wilt zeggen de zorg die bij de patiënt zelf

gebeurd. Dit is uiteraard nonsens aangezien reeds is aangetoond dat verpleegkundigen meer met

indirecte activiteiten bezig zijn dan met directe activiteiten (cf. supra p. 5). Daarom is het belangrijk

dat ook met deze indirecte tijd wordt rekening gehouden wanneer men een schatting probeert te

maken van hoeveel verpleegkundig werk een patiënt vraagt.

Het derde probleem is dat tabellen zoals tabel 4 niet voor real-time metingen van

werkbelasting kunnen gebruikt worden. De manier waarop men in deze tabellen de werkbelasting

aan een bepaalde triage-categorie toewijst is door middel van de tijd aan verpleegkundige zorg die

nodig is om een patiënt met een bepaalde triage-zwaarte te behandelen (Fullam, 2002; Helmer,

Freitas, Onaha, 1988; Tolbert & Sutton, 1981). Zo komt men bijvoorbeeld tot de conclusie dat een

patiënt met code rood gemiddeld 120 minuten verpleegkundige zorg nodig heeft. Zulke gegevens zijn

weliswaar niet bruikbaar indien men in real-time de Ernst patiënt-verpleegkundige ratio wenst te

gebruiken. Wanneer bijvoorbeeld een patiënt met code rood opgenomen wordt en deze persoon ligt

er al een uur, dan moet men eigenlijk weten of er op dat moment nog een verpleegkundige met

hem/haar bezig is. Dit staat volledig los van de zorg die deze patiënt al heeft gekregen of van de zorg

die hij/zij nog zal krijgen. Stel dat een patiënt met traige-categorie rood in het totaal 4 uur blijft

liggen op spoed. Men weet bijvoorbeeld uit Gabolinscy (2005) dat er gemiddeld 194 minuten

verpleegkundige zorg nodig is. Maar hoeveel verpleegkundigen er met deze patiënt bezig zijn na 2

uur na zijn aankomst kan men onmogelijk uit deze gegevens opmaken. Daarom dient men een tabel

te creëren die weergeeft hoeveel verpleegkundigen er op een gegeven moment bezig zijn met een

patiënt (zoals tabel 22).

Hieruit volgt natuurlijk het laatste probleem. Bij het gebruik van de Ernst patiënt-

verpleegkundige ratio zou men in feite elke patiënt bij elke update van het werklastmeetinstrument

opnieuw moeten triëren. Laat ons terug het voorbeeld nemen van de patiënt die een hartstilstand

kreeg door een overdosis methadon. Op het moment dat deze patiënt wordt binnengebracht heeft

hij code rood. Op zo een moment zijn er dan bijvoorbeeld continu twee verpleegkundigen full-time

bezig aan zijn verzorging (kan men uit de tabel halen). Indien deze patiënt na een uur volledig terug

bij bewustzijn is, heeft hij misschien maar code geel. Op dat moment heeft hij dus volgens

bovenstaande tabel (tabel 22) maar 0,5 verpleegkundigen nodig. Het staat buiten kijf dat deze

manier van werken zeer omslachtig zou zijn aangezien men continu patiënten zou moeten triëren.

Wat de auteur hier tracht duidelijk te maken, is dat het praktisch onmogelijk is om de echte

werkbelasting te meten. De enige manier om dit echt te doen is door bijvoorbeeld een subjectieve

mening te vragen van de verpleegkundige verantwoordelijk voor de opnamezaal. Deze heeft namelijk

de taak om patiënten aan een bed toe te wijzen en om taken aan verpleegkundigen toe te wijzen.

Deze verpleegkundige weet dan ook perfect welke patiënten met welke pathologieën aanwezig zijn

61

op de spoedafdeling. Hij/zij wordt tevens direct op de hoogte gebracht indien een patiënt naar huis

gaat of wanneer die wordt doorverwezen naar een opnameafdeling. Het grote nadeel is weliswaar

dat het een subjectieve mening betreft waardoor andere afdeling minder zullen geneigd zijn gehoor

te geven aan zijn/haar mening. Een mogelijke oplossing daarvoor is om een instrument te

ontwikkelen dat perfect de subjectieve mening van deze verpleegkundige kan kwantificeren. Uit de

literatuur blijkt dat de doodgewone patiënt-verpleegkundige ratio deze waarde bezit. Daarom wordt

hier een pleidooi gehouden om, in afwezigheid van een beter alternatief, de patiënt-verpleegkundige

ratio te gebruiken om de werkbelasting te meten. Dit zal dan ook in de rest van het onderzoek zo

gebeuren.

62

3.5. Het verband tussen overbevolking en werkbelasting

De tweede grote vraag waaraan het onderzoek aandacht besteed, is of er een verband bestaat

tussen overbevolking en werkbelasting. Voor een leek is het vanzelfsprekend dat overbevolking ook

automatisch aanleiding zal geven tot een hoge werkdruk. Desondanks kwam men in Epstein en Tian

(2006) tot de conclusie dat er slechts een zeer zwak verband bestond tussen overbevolking en

throughput factor, die werd gemeten als de Ernst patiënt-verpleegkundige ratio (cf. supra p. 22).

Maar in het Belgische systeem kan men zich ook een andere vraag stellen: is een hoge werklast

mogelijk zonder dat er van overbevolking sprake is? Laat ons een voorbeeld uit de spoedafdeling

nemen:

Stel dat op een bepaald moment zowel de 100, de MUG en het secundair transport uitrijden,

en dat daarnaast ook de verpleegkundige die instaat voor het intern transport wordt

weggehouden van de spoedafdeling. In dit geval verliest de spoedafdeling 4

verpleegkundigen tegelijk. Stel nu dat het aantal patiënten aanwezig op dat moment 18

bedraagt, en men een normale bestaffing heeft van 7 verpleegkundigen, dan zou de patiënt-

verpleegkundige ratio 2,57 bedragen. Als in dit geval 4 van de 7 verpleegkundigen worden

weggehouden, dan stijgt de patiënt-verpleegkundige ratio naar 6 (=18/3) wat zwaar over de

optimale grens is van 3. Als men, zoals de literatuurstudie stelt, de overbevolking van de

spoedafdeling best meet door middel van de bezettingsgraad, dan kan men besluiten dat de

spoedafdeling in dit voorbeeld niet met een overbevolking kampt, aangezien de

bezettingsgraad slechts 0,9 (= 18/20) bedraagt indien de capaciteit van de spoedafdeling 20

patiënten bedraagt. Desalniettemin heeft men toch te kampen met een zeer hoge werklast.

Dit voorbeeld maakt al één en ander duidelijk, maar de grote vraag blijft natuurlijk hoe dit verband in

werkelijkheid is. Ondanks het feit dat dit voorbeeld voornamelijk van toepassing is op het Belgische

urgentiesysteem, is de auteur ervan overtuigd dat het hierna besproken relatie tussen overbevolking

en werkbelasting eveneens van toepassing kan zijn in andere gezondheidszorgsystemen, en m.a.w. in

andere spoedafdelingen over de hele wereld.

Hierna wordt eerst kort besproken hoe men de drempel van overbevolking bepaald. Daarna

wordt een situering gegeven van het bestaffingsmodel waarna dieper in gegaan op de relatie tussen

werkbelasting en overbevolking met als doel het bestaffingsmodel te creëren.

63

3.5.1. Wanneer is er sprake van overbevolking?

Het mag dan reeds in de literatuur zijn aangetoond dat de bezettingsgraad van de spoedafdeling een

zeer goede benadering is voor de overbevolking. Toch blijft het moeilijk om de drempel te bepalen

die aanduidt vanaf welke bezetting de spoedafdeling overbevolkt is. In Amerikaanse spoedafdelingen

gebruikt men daarvoor verschillende methodes:

Men kan kijken vanaf welk punt de spoedafdeling beslist om ambulances om te leiden. Dit

gebeurt in de meeste ziekenhuizen elke keer dat een bepaalde bezettingsgraad wordt

bereikt.

Men kan de grens op basis van andere overbevolkingsmeetschalen zoals bijvoorbeeld

NEDOCS of EDWIN bepalen. Wanneer deze een overbevolking aangeven, kan men zien hoe

hoog de bezettingsgraad is en deze bezettingsgraad kan dan als grens genomen worden.

Een gemakkelijkere methode is om bezettingsgraad 1 of 100% als grens te nemen.

Het is duidelijk dat de bezettingsgraad waarbij de spoedafdeling overbevolkt is, overal anders is.

Specifiek voor het UZ Gent vallen de eerste twee methodes weg aangezien ambulances in

België bijna nooit in omleiding gaan en omdat de database van het UZ niet over alle parameters

beschikt om NEDOCS of EDWIN of een andere overbevolkingsmeetschalen te berekenen. Ook de

laatste methode is niet correct aangezien de spoedafdeling van het UZ over een kleine wachtzaal

beschikt waarin patiënten met minder ernstige pathologieën kunnen worden opgevangen. Deze

wachtzaal kan weliswaar niet bij de capaciteit worden opgeteld omwille van diverse redenen (vb. de

capaciteit van de wachtzaal staat niet vast, vaak verblijven patiënten er in afwachting van een

verdere behandeling zoals bijvoorbeeld het aanleggen van een gips, wat dan weer in de gipszaal

dient te gebeuren, …). Het staat wel vast dat overbevolking pas zal voorkomen als de bezettingsgraad

> 100%.

3.5.2. Situering van het bestaffingsmodel

De auteur heeft gemerkt dat in de literatuur bitter weinig gerept wordt over de manier waarop een

ideale bestaffing wordt bekomen. In veel studies wordt de jaarlijkse werkbelasting gemeten en op

basis daarvan wordt beslist hoeveel verpleegkundigen het jaar erna nodig zullen zijn. Voor een

voorbeeld wordt verwezen naar Fullam (2002). Aan de andere kant van het spectrum zijn er veel

studies die in detail gaan kijken hoe men de shiften moet organiseren indien men gegeven krijgt

hoeveel verpleegkundigen er op een bepaald moment van de dag aanwezig moeten zijn. De auteur

heeft nagenoeg nog geen artikels in de literatuur gevonden die bestuderen hoe hoog de bestaffing

zou moeten zijn op een bepaald moment van de dag. Meestal zijn deze min of meer met de losse

64

hand bepaald, rekening houdend met bepaalde beperkingen. De auteur van deze thesis denkt dat

een theoretisch model, dat aangeeft in welke richting men moet zoeken bij het opstellen van een

wekelijkse bestaffing, in bepaalde spoedafdelingen nuttig kan zijn. Het blijft weliswaar een basis waar

eventueel op voortgebouwd kan worden. Maar een klare kijk op de probleemstelling, namelijk de

bestaffing van een spoedafdeling, kan volgens de auteur nieuwe perspectieven openen in de

zoektocht naar een optimale bestaffing (voor zover die bestaat).

Er wordt op gewezen dat het bestaffingsmodel niet werkt op het operationele niveau van de

planning, maar evenmin op het strategische niveau. Het onderscheid wordt weergegeven in het

model van Khoong (1996):

Figuur 20: Model van Khoong, 1996

Deze tabel wordt gebruikt in het human resources management. Ook in een spoedafdeling is het

belangrijk dat de beschikbare resources zoals verpleegkundigen en artsen zo efficiënt mogelijk

worden tewerk gesteld. Daarom moet het personeelsbeleid reeds lang op voorhand worden

vastgelegd.

1. Bij manpower planning wordt gekeken naar de strategie van de spoedafdeling voor de

volgende jaren. Wil men de capaciteit uitbreiden, dan zal dit moeten samengaan met een

hogere bestaffing in de volgende jaren.

2. Daarenboven worden jaarlijks nog veranderingen uitgevoerd op het manpower plan. Deze

veranderingen noemt men workforce staffing en neemt een voorspelling van de bestaffing

vereisten in rekening.

3. De workforce scheduling specificeert wanneer welk personeelslid zal werken. Hier wordt

bijvoorbeeld beslist welke verpleegkundige in welke shift zal staan de komende weken.

4. Tot slot is er ook nog de dagelijkse toewijzing van bepaalde taken. Wie zal bijvoorbeeld de

taken uitvoeren van een ziek personeelslid? Op zulke vragen worden in de daily

reassignment antwoord gegeven.

Voor meer informatie hierover wordt verwezen naar Khoong (1996) en Van Looy et al. (2003). Het

bestaffingsmodel dat in dit onderzoek zal worden opgesteld, situeert zich tussen het niveau van

workforce staffing en workforce scheduling en zal dus de bestaffing op middelkorte termijn bekijken.

65

Het zou kunnen gebruikt worden eenmaal men weet hoe de vraag naar zorg zich in grote lijnen

tijdens een bepaalde periode zal gedragen.

Het model zal slechts tot een inleiding van het probleem beperkt worden, aangezien verdere

uitbreiding van het model niet meer binnen het bestek van deze thesis zou vallen.

Vanaf hier geldt het volgende:

De werkbelasting zal gemeten worden door de patiënt-verpleegkundige ratio vermits in het

vorige deel tot uiting is gekomen dat het incorporeren van de triage-categorie geen

bijkomende informatie oplevert m.b.t. werkbelasting (cf. supra p. 53).

De overbevolking zal gemeten worden door de bezettingsgraad of m.a.w. het aantal

aanwezige patiënten op de spoedafdeling, aangezien deze volgens de literatuur als beste en

gemakkelijkste indicator van de overbevolking kan worden gebruikt (cf. supra p. 25-26).

Aangezien het in deze thesis gevoerde onderzoek veel te weinig gegevens bevat, werd besloten om

met de gegevens te werken van de vorige thesis. Deze gegevens beslaan de volledige maand april

2009. In plaats van metingen uit te voeren om de tien minuten, zoals nu het geval was, werden de

metingen uit de vorige thesis pas uitgevoerd om het half uur. In het totaal kwamen er 2.469

patiënten over de vloer. Er werden in het totaal 1439 metingen uitgevoerd (= (24 uren x 2 halve

uren/uur x 30 dagen) – 1 (want 24u00 op 30 april werd er niet bijgeteld)). Voor een gedetailleerdere

beschrijving van de data, en hoe men aan deze gegevens komt, wordt verwezen naar De Ridder &

Gemmel (2010).

3.5.3. De relatie tussen de bezettingsgraad en de patiënt-verpleegkundige ratio

De bezettingraad zal hier berekend worden als het aantal patiënten aanwezig op de spoedafdeling

gedeeld door een capaciteit van 14. Men komt aan dit getal door de observatie-eenheid weg te

laten. Het is de auteur namelijk opgevallen dat de spoedafdeling eigenlijk al in de problemen komt

eenmaal dat alle spoedbedden, exclusief de observatie-eenheid, bezet zijn. De beschikbare bedden

zijn: 3 reanimatiezalen, 7 observatiekamers, 2 wondhechting-kamers, 1 kinderkamer en 1 ORL-

kamer. Eenmaal deze bedden bezet zijn heeft men enkel nog de kleine wachtzaal om patiënten in op

te vangen. Er wordt nogmaals op gewezen dat de capaciteit weinig of niets aan de besluiten

veranderd.

Wanneer men de patiënt-verpleegkundige ratio linked aan de bezettingsgraad komt men aan

volgende figuur:

66

Figuur 21: patiënt-verpleegkundige ratio tov bezettingsgraad

67

In de figuur kan men verschillende rechten zien die elk over een andere richtingscoëfficiënt

(RICO) beschikken. Elke week heeft punten op elke rechte waardoor het onmogelijk is om een goed

passende correlatie te vinden door middel van één lijn. Onderstaande figuur geeft dit bijvoorbeeld

weer voor week 4 van april:

Figuur 22: Week 4 patiënt-verpleegkundige ratio tov bezettingsgraad

De vergelijking van de best passende rechte staat op de figuur samen met de R². De R² bedraagt

slechts 0,744, wat een behoorlijk lage correlatie is.

Verklaring van de grafiek

De verschillende rechten met hun RICO stellen het aantal verpleegkundigen voor. Neem bijvoorbeeld

de onderste rechte met de laagste RICO: bij nader onderzoek blijkt dat deze situatie zich enkel

voordoet tussen 14u00 en 15u00. Op dat moment is er een overlap is tussen de ochtendshift en de

namiddagshift waardoor er namelijk 11 verpleegkundigen aanwezig zijn.

Hoe groter de RICO, hoe minder verpleegkundigen. Dit wordt voorgesteld in onderstaande

figuur. Men kan opmerken dat de rechte met de laagste RICO toch enkele afwijkingen bevat. Dit

komt omdat tijdens de middag soms één of meer verpleegkundigen worden weggehouden van de

spoedafdeling. Hierdoor daalt het personeelbestand naar 10 of zelfs 9, wat een grotere RICO

voorstelt. Hier kan reeds vermeld worden dat het effect van 1 verpleegkundige op de patiënt-

verpleegkundige ratio alsmaar groter wordt naarmate er minder verpleegkundigen aanwezig zijn.

y = 2,450x0,797

R² = 0,744

0

1

2

3

4

5

6

7

0 0,5 1 1,5 2 2,5

pat

ien

t-ve

rple

egk

un

dig

e r

atio

bezettingsgraad

WEEK 4

WEEK 4

Macht (WEEK 4)

68

Wanneer men bijvoorbeeld met vier verpleegkundigen een ratio van 4 bereikt, bij een

bezettingsgraad van ongeveer 1,15, en er valt één verpleegkundige weg, dan stijgt de ratio direct

boven de 5,2 (als er namelijk niets verandert in de patiëntenaanwezigheid dan blijft de x-coördinaat

gelijk en verschuift het punt recht naar boven tot de volgende rechte met het aantal

verpleegkundigen = 3). Het effect van één verpleegkundige minder als men er 8 heeft, heeft ceteris

paribus slechts een zeer klein effect op de ratio. Daarnaast daalt ook het effect van 1

verpleegkundige minder of meer naargelang men met een lagere bezettingsgraad te maken heeft.

69

Figuur 23: patiënt-verpleegkundige ratio tov bezettingsgraad + uitleg

70

Wanneer men kijkt naar de momenten waarop deze verschillende RICO’s voorkomen, komt men aan

de volgende tabel:

Tabel 23: RICO per uur

De verschillende kolommen stellen de verschillende RICO’s voor. Men kan onderaan de tabel zien dat

de som van alle getallen 1439 betreft, wat overeen komt met het aantal metingen tijdens april 2009.

Uit de tabel blijkt dat de lagere RICO’s bijna enkel voorkomen tijdens de ochtend- en de

namiddagshift. De rechten met als RICO 3,5 of 4,666 komen nagenoeg enkel voor tijdens de

nachtshift. Neem bijvoorbeeld het cijfer ‘1’ dat omstreeks 7u30 (7,5 in de kolom ‘uur’) voorkwam en

dat op de rechte met RICO 4,666 staat. Dit is niet meer tijdens de nachtshift waardoor de

spoedafdeling dan normaal gezien een bestaffing van 5 verpleegkundigen heeft en dus het punt op

de rechte met RICO 2,8 valt. Waarschijnlijk zijn er één keer gedurende de volledige maand april

71

omstreeks 7u30 twee verpleegkundigen tegelijkertijd weggehouden van de spoedafdeling waardoor

het aantal verpleegkundigen terugviel op 3 waardoor men een RICO van 4,666 kreeg.

Naast het verspringen van de ene rechte naar de andere rechte, is ook een verschuiving

mogelijk langs dezelfde rechte. Dit komt voor wanneer ceteris paribus meer of minder patiënten op

de spoedafdeling aanwezig zijn. Volgende figuur geeft dit theoretisch weer.

Figuur 24: verschuiving vs. verplaatsing

3.5.4. Het distilleren van het bestaffingsmodel uit de gegevens

De vraag is nu hoe we dit allemaal kunnen gebruiken voor praktisch gebruik in de spoedafdeling.

Aangezien men het verpleegkundig personeel zo efficiënt mogelijk dient in te zetten, tracht men een

zo goed mogelijke patiënt-verpleegkundige ratio na te streven. Deze mag niet te groot zijn, zodat de

kwaliteit van de zorg niet achteruit gaat, maar de ratio mag ook niet te laag zijn aangezien dit zou

betekenen dat het personeel niet efficiënt ingezet wordt.

De optimale bestaffing kan je praktisch waarmaken door een optimaal ratio-interval te

beschrijven. Zoals reeds in het vorige deel uitgelegd zal hier uitgegaan worden van een optimaal

ratio-interval tussen 2 en 4 (cf. supra p. 58). Volgende figuur geeft dit optimale interval tussen de

twee groene lijnen weer.

72

Figuur 25: patiënt-verpleegkundige ratio tov bezettingsgraad + grenzen

Dit betekent dat alle punten die onder het optimale interval zitten in principe het inefficiënt gebruik

van het verpleegkundig personeel impliceren. Alle punten erboven kunnen een gevaar betekenen

voor de kwaliteit van de zorg aan patiënten.

Stel dat het men in de spoedafdeling van het UZ Gent zou weten vanaf welke bezettingsgraad

de spoedafdeling overbevolkt is, dan kan men dit kunnen gebruiken in de grafiek waardoor het

model een belangrijke functie krijgt in het oplossen van problemen m.b.t. overbevolking of van

problemen m.b.t. hoge werkbelasting. Stel puur hypothetisch dat de grens van overbevolking op 1,2

of 120% zou liggen, dan kan de figuur worden ingedeeld in 4 kwadranten zoals in volgende figuur

aangegeven.

73

Figuur 26:patiënt-verpleegkundige ratio tov bezettingsgraad + kwadranten

Wanneer de spoedafdeling zich in één van de kwadranten bevindt, dan impliceert dit dat specifieke

acties moeten ondernomen worden:

1. Dit wijst op het inefficiënt gebruik van de human resources. Dit is soms onvermijdelijk als er

bijvoorbeeld op een bepaald moment, tegen alle verwachtingen in, geen nieuwe patiënten

meer toekomen en/of de patiënten die in de spoedafdeling lagen worden ontslagen.

Hierdoor krijgt men een lage bezettingsgraad tezamen met een lage werklast.

2. Hierbij is de spoedafdeling niet overbevolkt maar ervaren de verpleegkundigen wel een hoge

werklast. Dit komt bijvoorbeeld voor wanneer verpleegkundigen worden weggehouden door

een oproep voor de MUG of 100. De remedie is zeer simpel: extra verpleegkundigen

aantrekken. Hier zou bijvoorbeeld een multi-inzetbaar team van verpleegkundigen van pas

komen. Aan de hand van deze grafiek kan aan de andere afdelingen duidelijk gemaakt

worden dat de problemen kunnen opgelost worden door extra verpleegkundigen ter

beschikking te stellen. Een mogelijkheid om deze informatie over te brengen is bijvoorbeeld

het intranet van het ziekenhuis. Uiteraard moet de grafiek dan in tekstvorm worden

omgezet.

3. Hierbij is de spoedafdeling in overbevolking waardoor bijgevolg ook de verpleegkundigen een

hoge werklast ondervinden. Oplossingen moeten zich hier focussen op het verminderen van

de overbevolking zoals bijvoorbeeld de doorstroom van patiënten naar opname-afdelingen

74

bevorderen, of ambulances omleiden. Ook hier kan op basis van de grafiek de rest van het

ziekenhuis gewaarschuwd worden dat patiënten zo snel mogelijk moeten kunnen

doorstromen naar de opname-afdelingen.

4. Hier is de spoedafdeling overbevolkt maar is er toch een te lage werkbelasting. Deze

paradoxale situatie moet ten alle tijden vermeden worden aangezien deze wijst op ernstig

inefficiënt gebruik van de verpleegkundigen.

Hieruit blijkt dus dat de spoedafdeling enkel goed gemanaged is wanneer zij zich in een situatie

bevindt die in geen van de kwadranten thuis hoort, of m.a.w. de situatie waarbij de patiënt-

verpleegkundige ratio zich onder elke mogelijke bezettingsgraad in het optimaal interval bevindt. Al

dient te worden vermeld dat de situatie in kwadrant 1 onvermijdelijk zal voorkomen op een

spoedafdeling. Op basis van deze kennis kunnen we een bestaffingsmodel gaan creëren.

3.5.5. Het bestaffingsmodel

Om het voorbeeld zo eenvoudig mogelijk te houden en om didactische redenen wordt hier van het

praktijkvoorbeeld afgestapt en wordt hier een eigen voorbeeld gecreëerd. Desalniettemin kan het

perfect toegepast worden in de praktijk. Dat zal het praktijkvoorbeeld op het einde aantonen.

Het doel is om voor elke bezettingsgraad een bestaffing te bepalen waardoor de patiënt-

verpleegkundige ratio binnen het optimale interval blijft. Stel dat het optimale interval tussen 2 en 3

ligt (versus 2 en 4 in het onderzoek), dan kan men volgende tabel opstellen:

75

Tabel 24: Stappenplan

Het aantal patiënten neemt af en de capaciteit is gegeven voor een bepaalde spoedafdeling. Het is de

bedoeling om de verpleegkundige bezetting zo op te stellen dat de patiënt-verpleegkundige ratio

niet buiten het optimale interval komt. Daarvoor dient men enkel volgend stappenplan te doorlopen:

1. Pmax/3 = Vpk1

2. Vpk1 * 2 = Pgrens1

3. Pgrens1/3 = Vpk2

4. Vpk2 * 2 = Pgrens2

5. Herhaal stap 3 en 4 totdat Pmin > PgrensX

Waarbij:

Pmax = het aantal patiënten dat men maximaal verwacht

Pmin = het aantal patiënten dat men minimaal verwacht

Pgrens = Het aantal patiënten waarbij de bestaffing moet wijzigen

VpkX = het aantal verpleegkundigen die nodig zijn in stap X

76

2 en 3 = respectievelijk de ondergrens en de bovengrens van het optimale interval

Toegepast op het voorbeeld geeft dit:

1. 30 / 3 = 10 (Vpk1)

2. 10 * 2 = 20 (Pgrens1)

3. 20 / 3 = 6.6666 of afgerond 7 (Vpk2)

4. 7 * 2 = 14 (Pgrens2)

5. 14 / 3 = 4.6666 of afgerond 4.5 (Vpk3)

6. 4.5 * 2 = 9 (Pgrens3)

7. 9 / 3 = 3 (Vpk4)

8. 3 * 2 = 6 = Pmin

Op basis hiervan komt men aan de verpleegkundige bezetting zoals die in tabel 24 wordt

weergegeven. De andere parameters die in de drie laatste kolommen worden bekomen zijn

gemakkelijk te berekenen. De bezettingsgraad is het aantal patiënten gedeeld door de capaciteit van

20, de patiënt-verpleegkundige ratio is het aantal patiënten gedeeld door de verpleegkundige

bezetting, en de RICO tenslotte is de patiënt-verpleegkundige ratio gedeeld door de bezettingsgraad.

Wanneer men deze gegevens in een grafiek voorstelt bekomt men het volgende:

Figuur 27: Het bestaffingsmodel

Op basis van dit stappenplan kan men theoretisch tot een optimale bestaffing komen die in de

praktijk kan worden toegepast. Volgens Flottemesch en collega’s (Flottemesch, Gordon, Jones, 2007)

kan het aantal patiënten dat zich op een bepaald moment op de spoedafdeling bevindt, voorgesteld

worden door volgende formule:

0,00

0,50

1,00

1,50

2,00

2,50

3,00

3,50

0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6

pat

ien

t-vp

k ra

tio

Bezettingsgraad

Patiënt-vpk Ratio t.o.v. bezettingsgraad

patiënt-vpk Ratio

77

Censust = A(∙) + B(∙)cos(vT + є) + a(et)

Waarbij:

A(∙) = het gemiddeld aantal patiënten dat zich continu op de spoedafdeling bevindt

B(∙) = de grootte van de schommelingen rond dit gemiddelde die zich theoretisch voordoen

a(et) = een storingsfactor die normaal verdeeld is met gemiddelde 0. Deze storingsfactor stelt de

onverwachte schokken voor die zich in de instroom van patiënten voordoen.

Als men de patiëntenaanwezigheid van de vorige thesis bekijkt (zie figuur 28), lijkt deze

formule inderdaad te kloppen. In dit geval kan een cosinusfunctie een goede benadering zijn voor de

theoretische patiëntenaanwezigheid.

Figuur 28: patiëntenaanwezigheid april 2009 (De Ridder & Gemmel, 2010)

De parameters van de formule zullen wel, voor elke dag van de week en hoogst waarschijnlijk

ook naargelang de tijd van het jaar, verschillend zijn. Voor meer informatie hoe men aan deze

formule komt, wordt doorverwezen naar Flottemesch et al. (2007).

Stel dat men op basis van historische gegevens tot volgende parameters kan komen voor een

welbepaalde spoedafdeling:

A(∙) = 18

B(∙) = 8

V = 0,265

Є = -3

78

Dan bekomt men volgend vloeiend patroon (voorgesteld voor 2 dagen) waarbij geen rekening wordt

gehouden met de storingsfactor. Er wordt hierbij ook geen rekening gehouden met een eventueel

verschillend verloop tijdens verschillende dagen van de week.

Figuur 29: Het bestaffingsmodel 2

De groene lijn stelt het aantal patiënten voor dat volgens de formule zou moeten

voorkomen. Op basis van het hiervoor reeds uitgelegde stappenplan is het mogelijk om een optimale

verpleegkundige staffing uit te stippelen. Dit wordt weergegeven door de blauwe lijn. Men kan

opmerken dat tijdens de momenten van lage patiëntenaanwezigheid de theoretische bestaffing

idealiter 4,5 zou bedragen. Eenmaal het aantal patiënten meer dan 14 zou bedragen, wordt

overgeschakeld op 7 verpleegkundigen. En eenmaal het aantal patiënten groter wordt dan 21, dan is

de optimale hoeveelheid verpleegkundigen 10. De volledige tabel waarop de figuur gebaseerd is

samen met de gebruikte formules zijn in appendix 3 terug te vinden.

Wanneer men de patiënt-verpleegkundige ratio bekijkt, wordt duidelijk waarom dit systeem

geschikt kan zijn voor een spoedafdeling. In figuur 30 wordt de grafiek voorgesteld in functie van de

tijd. Op geen enkel moment wordt het optimale interval van [2,3] overschreden. In figuur 31 wordt

de ratio dan weer voorgesteld in functie van de welbekende bezettingsgraad.

0

5

10

15

20

25

30

0 2 4 6 8

10

12

14

16

18

20

22 0 2 4 6 8

10

12

14

16

18

20

22

Pat

iën

ten

aan

we

zigh

eid

Tijd

Theoretische bestaffing

Patienten

VPK

79

Figuur 30: patiënt-vpk ratio ifv tijd

Figuur 31: patiënt-verpleegkundige ratio tov bezettingsgraad

Het interessante van dit model is dat het aantoont dat er een theoretische optimalisatie van het

verpleegkundig personeel kan gebeuren louter op basis van de schatting van de parameters van de

formule zoals die door Flottemesh (2007) worden gegeven. Voor deze schatting is enkel een

uitgebreide database nodig waarbij gedurende lange periode de patiëntenaanwezigheid werd

bijgehouden. Zo kan zelfs de standaarddeviatie van de a(et) worden bepaald op basis van historische

data.

Tot hier werd enkel met een theoretische benadering gewerkt van de patiëntenaanwezigheid. Het

spreekt voor zich dat, wanneer de storingsfactor zou worden geïncorporeerd, men met

veiligheidsmarges moet werken om ervoor te zorgen dat de maximale patiënt-verpleegkundige ratio

van 3 niet zou worden overschreden. Dit zal dan onvermijdelijk gepaard gaan met periodes van

0

0,5

1

1,5

2

2,5

3

3,5

0 20 40 60 80 100 120

Pat

iën

t-vp

k ra

tio

Tijd

Patiënt-verpleegkundige ratio i.f.v. de tijd

ratio

0

0,5

1

1,5

2

2,5

3

3,5

0 0,2 0,4 0,6 0,8 1 1,2 1,4

Pat

iën

t-vp

k ra

tio

Bezettingsgraad

Patiënt-verpleegkundige ratio t.o.v. bezettingsgraad

ratio

80

inefficiëntie waarbij de patiënt-verpleegkundige ratio onder de 2 zal dalen. De uitleg over hoe deze

veiligheidsmarges best worden ingebouwd zou ons te ver leiden en wordt daarom hier niet

besproken. Verder kan er ook rekening worden gehouden met verpleegkundigen die van de

spoedafdeling worden weggehouden. Door te berekenen hoe groot de kans is dat een ambulance of

een MUG of secundair transfer wordt opgeroepen, kan men een voorspelling doen van de

toekomstige werkbelasting aan de hand van Monte Carlo simulaties.

81

3.6. Het bestaffingsmodel in praktijk

Na de theoretische bespreking van het bestaffingsmodel wordt hier een praktische toepassing

beschreven om zo het doel en het nut van het model aan te tonen. Ook hier werd het

praktijkvoorbeeld opgebouwd aan de hand van de gegevens van april 2009. De bedoeling van dit

voorbeeld is echter niet het model te vergelijken met de werkelijke bestaffing, maar veeleer

aangeven waar men bij het opstellen van een bestaffing naar zou moeten kijken. Hier wordt

opgemerkt dat het onmogelijk is om een perfecte bestaffing te vinden waarbij er geen overschrijding

zou kunnen voorkomen van het aanvaardbare patiënt-verpleegkundige ratio interval. Dit is enerzijds

te wijten aan de onvoorspelbaarheid van de vraag en de zeldzame pieken in de vraag waarvoor

onmogelijk een voldoende grote bestaffing kan worden gepland. Anderzijds dient men een bij wet

verplichte basisbestaffing aan te houden waardoor de ratio onder het optimale interval kan zakken.

Het is onmogelijk om louter op basis van één maand een cosinusfunctie op te stellen die de

gemiddelde dagelijkse patiëntenaanwezigheid kan benaderen. Daarom wordt hier op een andere

manier gewerkt dan het theoretisch stuk hiervoor. Maar zo kan toch het nut van het

bestaffingsmodel worden aangetoond.

3.6.1. Assumpties

Alvorens met het voorbeeld van start te gaan dient men eerst enkele assumpties te maken. Laat ons

ervan uit gaan dat men in de spoedafdeling een patiënt-verpleegkundige ratio nastreeft tussen 2 en

4. Hierbij zou 3 de optimale patiënt-verpleegkundige ratio zijn. Dit komt overeen met wat in het

onderzoek is vooropgesteld (cf. supra p. 58).

Men neemt ook aan dat de wettelijke minimale bestaffing 3 verpleegkundigen bedraagt.

Hierdoor zal de patiënt-verpleegkundige ratio onvermijdelijk onder 2 zakken indien er minder dan 6

patiënten aanwezig zijn op spoed.

Er wordt eveneens verondersteld dat een degelijke analyse is gemaakt van de

patiëntenaanwezigheid. Voor de analyse van de hier gebruikte gegevens wordt verwezen naar De

Ridder & Gemmel (2010).

3.6.2. Invullen van het stappenplan

Op basis van het hiervoor uitgelegde stappenplan kan men het aantal verpleegkundigen berekenen

dat men per aantal patiënten nodig heeft. Daarvoor heeft men eerst het maximumgetal nodig

82

waarmee men het maximum aantal benodigde verpleegkundigen zal berekenen. Aangezien reeds

meerdere malen is aangetoond dat de dagelijkse vraag naar zorg kan verschillen (Flottemesch et al,

2007; De Ridder & Gemmel, 2010) wordt ervoor geopteerd om elke dag apart te bekijken.

Het geschikte maximum vinden

De Pmax die hier wordt gezocht is van groot belang voor de bestaffing. Dit getal zal immers bepalen

hoeveel verpleegkundigen er maximaal dagelijks zullen aanwezig zijn op een bepaald moment. Indien

de Pmax hoger is dan de normale patiëntenaanwezigheid, dan zal de patient-verpleegkundige ratio

steeds onder de gewenste waarde liggen. Dit is geen efficiente bestaffing. Indien de Pmax lager is dan

de normale patiëntenaanwezigheid, dan krijgt men een te hoge werkbelasting.

Zoals hiervoor reeds gesteld berekent men dagelijks een maximum. Daarvoor maakt men

hier gebruik van de gemiddelde patiëntenaanwezigheid gedurende april 2009. Zo kan men per dag

zien wat de gemiddelde vraag is en het maximum daarop richten. Volgende grafiek geeft weer welke

vraag men dagelijks kan verwachten. Deze gegevens zijn weliswaar slechts een gemiddelde van 4 of 5

dagen, maar het volstaat om het punt aan te tonen.

Figuur 32: Gemiddelde patiëntenaanwezigheid april 2009

Op basis van deze grafiek en de kennis die werd opgedaan in de vorige thesis, kan men een beeld

schetsen van de dagelijkse patiëntenaanwezigheid. De maximale dagelijkse bestaffing (Vpk1) wordt

als volgt berekend (zie tabel 25): Men neemt het dagelijkse maximum (de zogenaamde Pmax) van de

gemiddelde patiëntenaanwezigheid en delen dit door 3,5. Men neemt hierbij expres niet de

bovengrens van het aanvaardbare ratio-interval aangezien dit zou betekenen dat er sowieso een

overschrijding zou zijn van het aanvaardbare interval. De 3,5 moet ervoor zorgen dat men toch nog

een grotere toeloop van patiënten kan opvangen. Indien het maximum (de Pmax) en de

83

veiligheidsratio door elkaar worden gedeeld, bekomt men kolom 4 (tabel 25). Deze kolom stelt het

aantal nodige verpleegkundigen voor en op basis hiervan wordt het werkelijk aantal

verpleegkundigen bepaald (laatste kolom van tabel 25). Daarvoor wordt alles naar boven afgerond

zodat ook hier weer een veiligheidsmarge wordt ingebouwd. Een uitzondering daarop is vrijdag, die

namelijk ook over de grens van 5 komt en dus in principe 6 verpleegkundigen nodig heeft. Maar

aangezien de patiëntenaanwezigheid alle vrijdagen zeer dicht bij elkaar lag en dus een zeer lage

standaardafwijking heeft (zie figuur 28 en De Ridder & Gemmel, 2010), wordt er toch voor gekozen

om maar 5 verpleegkundigen in te zetten op die dag.

Tabel 25: aantal verpleegkundigen nodig

Het stappenplan

Eenmaal de Pmax en bijgevolg ook de Vpk1 gevonden is, kan men het stappenplan verder afwerken.

Uiteraard dient dit ook per dag te gebeuren. Hieronder wordt het stappenplan weergegeven voor

maandag en donderdag.

Maandag:

1. 19,25 / 3,5 = 5,5 of 6 (Vpk1)

2. 6 * 2 = 12 (Pgrens1)

3. 12 / 4 = 3 (Vpk2)

Donderdag:

1. 16,8 / 3,5 = 4,8 of 5 (Vpk1)

2. 5 * 2 = 10 (Pgrens1)

3. 10 / 4 = 2,5 of afgerond 3 (Vpk2)

In onderstaande tabel wordt voor maandag weergegeven hoeveel verpleegkundigen er idealiter bij

een gegeven aantal patiënten zijn. Bij wijze van voorbeeld wordt de capaciteit van de spoedafdeling

84

op 14 patiënten gezet, maar zoals reeds uitgelegd heeft dit geen effect op de bevindingen. De

formule die wordt gebruikt om het aantal verpleegkundigen te bepalen is:

=ALS(patiëntenaanwezigheid<12;3;6)

Figuur 33: stappenplan voorbeeld

Daarbij krijgt men volgende grafiek:

Figuur 34: stappenplan voorbeeld

0

0,5

1

1,5

2

2,5

3

3,5

4

0 0,5 1 1,5

Pat

iën

t-ve

rple

egk

un

dig

e r

atio

Bezettingsgraad

Patiënt-vpk ratio

Patiënt-vpk ratio

85

Vanaf het moment dat de patiënt-verpleegkundige ratio, door een daling van de

bezettingsgraad, onder 2 zakt, dient er overgeschakeld te worden op een lager aantal

verpleegkundigen. Hetzelfde kan toegepast worden op donderdag. In principe zijn de berekeningen

voor dinsdag en woensdag hetzelfde als de berekening voor maandag. Voor vrijdag, zaterdag en

zondag kan dan weer dezelfde berekening gebruikt worden als donderdag.

3.6.3. De toepassing op de werkelijke vraag

Ondanks het feit dat het onmogelijk is om de onbekenden van de formule van Flottemesh in

te vullen, wordt hier getracht om toch de dagelijkse nood aan verpleegkundigen te weten te komen.

Met behulp van de hiervoor gegeven formule:


voor maandag, dinsdag en woensdag of


voor donderdag, vrijdag, zaterdag en zondag, wordt gekeken hoeveel verpleegkundigen er

gedurende de hele maand nodig waren om zo weinig mogelijk overschrijdingen van de patiënt-

verpleegkundige ratio te bekomen. Ook dit gebeurt uiteraard retrospectief aangezien het aantal

aanwezige patiënten dan gegeven is. De uitkomst wordt weergegeven in onderstaande tabel.

Tabel 26: Praktijkvoorbeeld

Uit deze tabel kan men bijvoorbeeld afleiden dat het aantal benodigde verpleegkundigen op

maandag rond 0u00 (= rij 3) meestal 3 is (zie kolom J, L en M). Op week 3 daarentegen, had men 6

verpleegkundigen nodig om het patiënt-verpleegkundige ratio interval niet te overschrijden (zie

kolom K). Wanneer men dit toepast op de volledige maand, dan komt men aan grafiek 35. Hierbij kan

86

men opmerken dat de patiënt-verpleegkundige ratio zeer weinig 4 overschrijdt omdat het aantal

patiënten gedurende april amper 24 (= 6 x 4) overschreed maandag, dinsdag of woensdag en amper

20 (= 5 x 4) overschreed de andere dagen van de week (zie figuur 28). Wel wordt af en toe de

minimale ratio van 2 overschreden. Het is opmerkelijk, doch niet verwonderlijk, dat dit enkel ‘s

nachts voorkomt. Zoals hiervoor reeds uitgelegd zal, eenmaal de patiëntenaanwezigheid lager is dan

6, zal de patiënt-verpleegkundige ratio lager zijn dan 2 (want 5 patiënten / 3 wettelijke

verpleegkundigen < 2).

Het aantal benodigde verpleegkundigen op elk moment wordt eveneens in de onderstaande

grafiek getoond. Er is veel verschil van week tot week over hoeveel verpleegkundigen er nu op een

bepaald moment in de week nodig zijn.

87

Figuur 35: theoretische bestaffing en patiënt-vpk ratio

0

1

2

3

4

5

6

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR ZA ZA ZA ZA ZA ZA ZA ZA ZO ZO ZO ZO ZO ZO ZO ZO

Patiënt-verpleegkundige ratio

week 1 week 2 week 3 week 4 week 5

0

1

2

3

4

5

6

7

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR


Theoretische bestaffing

WEEK 1 WEEK 2 WEEK 3 WEEK 4 WEEK 5

88

3.6.4. Een vaste wekelijkse bestaffing vinden

Uiteraard wensen we elke week dezelfde bestaffing te gebruiken. Om deze wekelijkse vaste

bestaffing van verpleegkundigen vast te stellen, wordt gekeken hoeveel verpleegkundigen men

volgens de formule meestal nodig heeft. Aangezien men maandag om 0u00 drie keer 3

verpleegkundigen nodig heeft (week 2, 4 en 5), en slechts één keer 6 verpleegkundigen (week 3),

wordt voor gemiddeld 3 verpleegkundigen gekozen (zie tabel 25). Donderdag om 1u00 ‘s nachts

daarentegen, heeft men drie keer 5 verpleegkundigen nodig (week 2, 4 en 5) en twee keer 3

verpleegkundigen (week 1 en 3) dus hier neemt men gemiddeld 5 verpleegkundigen (wordt niet

getoond). Indien men op een bepaald moment bijvoorbeeld 2 keer 6 verpleegkundigen nodig had, en

2 keer 3 verpleegkundigen, dan wordt het hoogste aantal verpleegkundigen genomen (in dit geval 6).

Wanneer men dit voor een volledige week doet, komt men aan de blauwe lijn van de onderstaande

grafiek.

Figuur 36: Wekelijkse bestaffing volgens bestaffingsmodel (met en zonder afvlakking)

Door de variatie in het aantal verpleegkundigen is het uiteraard onmogelijk om deze blauwe

lijn als wekelijkse bestaffing te gebruiken. Daarom wordt deze afgevlakt waardoor men de rode lijn

bekomt. Deze afvlakking gebeurde weliswaar volledig willekeurig en er werd geen formule voor

gebruikt. Hierdoor bestaat er voor spoedafdelingen de vrijheid om deze rode lijn in te vullen

naargelang het operationele aspect van de verpleegkundige planning. Bij wijze van voorbeeld wordt

hier toch een rode afgevlakte lijn gecreëerd met in figuur 37 de bijhorende grafiek met de patiënt-

verpleegkundige ratio die gedurende de ganse maand zou voorkomen indien men deze theoretische

bestaffing in werkelijk zou gebruiken. Let op dat hier geen rekening wordt gehouden met

verpleegkundigen die door de ambulance, de MUG enzovoort worden weggehouden van de

spoedafdeling.

89

Figuur 37: Patiënt-verpleegkundige ratio bij afgevlakte wekelijkse bestaffing

90

Indien men de voorgestelde afgevlakte gemiddelde bestaffing zou gebruiken wordt de maximale

patiënt-verpleegkundige ratio van 4 soms overschreden, maar zeker niet vaak. Wel kan men

opmerken dat dankzij de minimale bestaffing van 3 verpleegkundigen, de patiënt-verpleegkundige

ratio redelijk wat onder 2 komt ’s nachts. Dit is een probleem dat in de vorige thesis ook reeds werd

opgemerkt en dat onmogelijk kan opgelost worden zonder een multi-inzetbaar verpleegkundig team

dat kan worden opgeroepen wanneer een bepaalde patiënt-verpleegkundige ratio wordt

overschreden. Indien men wel zou beschikken over een dergelijk team, zou men de normale

verpleegkundige basisbestaffing lager kunnen zetten waardoor de ratio minder vaak onder de 2 zou

dalen wat zou betekenen dat de resources efficiënt worden ingezet.

Ter illustratie wordt in de figuur hieronder de patiënt-verpleegkundige ratio van het

bestaffingsmodel vergeleken met de originele bestaffing van het UZ Gent momenteel. Men kan

opmerken dat de bestaffing volgens het model zich veel beter binnen het ratio-interval houdt dan de

originele bestaffing aangezien de originele bestaffing ook niet als hoofddoel had de patiënt-

verpleegkundige ratio binnen het optimale interval van 2 en 4 te houden. Merk op dat ook hier geen

rekening gehouden wordt met verpleegkundigen die worden weggehouden van de spoedafdeling. Zo

is ook de grafiek met de originele bestaffing opgesteld d.m.v. de theoretische bestaffing van het UZ

Gent. Een kwantitatieve vergelijking tussen beide grafieken zou mogelijk zijn maar wordt hier niet

uitgevoerd aangezien het niet de bedoeling is de originele bestaffing met het bestaffingsmodel te

vergelijken.

Uit het praktijkvoorbeeld kan worden onthouden dat het loont om de bestaffing per dag te

optimaliseren en geen zelfde bestaffing elke dag van de week te gebruiken. Zo is in het voorbeeld op

maandag, dinsdag en woensdag een hogere bestaffing nodig dan de andere dagen. Er werd ook een

voorbeeld gemaakt waarbij men over de volledige week hetzelfde maximum aanhield. Dit voorbeeld

wordt in appendix 4 weergegeven. Men kan zien dat de patient-verpleegkundige ratio volgens het

bestaffingsmodel daar veel minder tussen het aanvaardbare ratio-interval verloopt.

Tot slot wordt vermeld dat dit praktische voorbeeld tracht alle wegen open te laten zodat de

spoedafdeling zelf voldoende over de bestaffing kan beslissen. Men kan de grenzen van het optimale

ratio interval gemakkelijk aanpassen alsook de manier van berekenen. Ook de manier hoe men de

bestaffing operationeel gaat organiseren valt buiten het bestek van deze thesis. Het hoofddoel was

namelijk een theoretisch framework op te stellen dat, mits verdere uitwerking, eventueel zou

kunnen gebruikt worden om de lange termijn bestaffing van een spoedafdeling op punt te stellen.

91

Figuur 38: Patiënt-verpleegkundige ratio origineel vs. bestaffingsmodel

0

1

2

3

4

5

6

7

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR

ZA ZA ZA ZA ZA ZA ZA ZA ZO ZO ZO ZO ZO ZO ZO ZO

Patiënt-verpleegkundige ratio volgens bestaffingsmodel

week 1 week 2 week 3 week 4 week 5 Ondergrens Bovengrens

0

1

2

3

4

5

6

7

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR


Patiënt-verpleegkundige ratio volgens originele bestaffing

week 1 week 2 week 3 week 4 week 5 Ondergrens Bovengrens

92

4. Beperkingen

Bij het lezen van deze thesis zijn er enkele beperkingen die men in rekening moet houden.

De besproken literatuur bestaat enkel uit Engelstalige en Nederlandstalige literatuur.

Daarnaast werden voornamelijk artikels geciteerd die gepubliceerd zijn en die bijgevolg te vinden zijn

op Web of science en/of PubMed. Dit kan voornamelijk zijn impact hebben op de instrumenten die

zijn besproken om werkbelasting of overbevolking te meten. Daarnaast zijn er ook talloze

overheidsinstanties die richtlijnen hebben uitgevaardigd. De meesten konden door de grote

hoeveelheid ook niet verwerkt worden.

Het onderzoek dat in 2011 is uitgevoerd beslaat slechts 4 dagen. Dit is in feite zeer weinig om

conclusies te trekken m.b.t. het incorporeren van triage in het meten van de werkbelasting. Idealiter

zou het onderzoek meerdere weken moeten bedragen. Desalniettemin zijn de conclusies m.b.t. het

meten van de werkbelasting dezelfde als degene in Hobgood et al (2005) waarbij het onderzoek 3

jaren besloeg. Aangezien het triëren overal op dezelfde manier gebeurt, apart van de gebruikte

triage-schaal, gelooft de auteur dat de conclusies van Hobgood et al (2005) veralgemeenbaar zijn

naar Belgische spoedafdelingen.

De triage gebeurde tijdens de nachtshift door een verpleegkundige, getraind in de MTS,

terwijl dit overdag gebeurde door de auteur van deze thesis. Het is mogelijk dat de gegevens

daardoor aan een bias konden vrijgesteld staan. Zeker betreffende het verschil in triage-zwaarte zou

dit een invloed kunnen hebben op de uiteindelijke vaststellingen. Dit probleem zou kunnen opgelost

worden door de shiften om te wisselen. Hierdoor zou een langere onderzoeksperiode nodig zijn,

maar dit was praktisch gezien niet haalbaar door het tijdsgebrek en ander schoolwerk.

Bij de berekening van de Ernst patiënt-verpleegkundige ratio werd geen rekening gehouden

met het soms dalen van de triage-categorie bij bepaalde patiënten. Dit is evenwel bijna nooit het

geval aangezien dit zeer arbeidsintensief zou zijn. Desalniettemin heeft een daling in de triage-

categorie een groot effect op de werkbelasting.

Het was onmogelijk om de bezettingsgraad te vergelijken met andere

overbevolkingsmeetschalen aangezien de benodigde gegevens hiervoor ontbraken. Hierdoor werd in

deze thesis voortgegaan volgens wat in de literatuurstudie werd vastgesteld. De bezettingsgraad kon

daarenboven ook niet worden vergeleken met duidelijke tekenen van een overbevolkte

spoedafdeling (overbevolkingsindicatoren). Hierdoor kon geen drempel worden vastgesteld vanaf

welke bezettingsgraad de spoedafdeling het UZ van Gent overbevolkt is. Gelukkig zijn deze

93

uitkomsten niet van belang bij de ontwikkeling van het model waardoor het bestaffingsmodel

volgens de auteur toch een potentiële waarde heeft.

In het berekenen van de bezettingsgraad werd geen rekening gehouden met de observatie-

eenheid terwijl de patiënten die daar verblijven toch worden weergegeven. Dit geeft een verkeerd

beeld naar de belanghebbenden toe wanneer de spoedafdeling overbevolkt is. Dit probleem werd

weliswaar gecounterd door geen drempel vast te stellen waarbij de spoedafdeling overbevolkt is.

Het bestaffingsmodel hield geen rekening met de mogelijkheid dat verpleegkundigen worden

weggehouden van de spoedafdeling. Hiervoor zou men veiligheidsmarges moeten incorporeren in de

grenzen die men hanteert. Dit is gemakkelijk te bekomen maar werd niet in deze thesis behandeld.

Het bestaffingsmodel hield evenmin rekening met de financiële aspecten van een

verpleegkundige bestaffing. Dit is langs de andere kant ook niet het doel van het model.

Met betrekking tot de gegevens die gebruikt werden van de vorige thesis dienen ook de

beperkingen van de vorige thesis in rekening genomen worden. Zo was de periode van één maand te

kort om de parameters te vinden die nodig waren om het bestaffingsmodel te gebruiken.

Desalniettemin werd door middel van een andere methode toch de relevantie van het model

aangetoond.

94

5. Conclusie

Deze thesis begon met een uiteenzetting van de literatuur betreffende de werkbelasting en de

overbevolking op een spoedafdeling. Voor de beide parameters werd voornamelijk aandacht besteed

aan hoe men ze het best in real-time meet. Uit het deel van de werkbelasting kon geconcludeerd

worden dat de patiënt-verpleegkundige ratio door zijn gemakkelijke toepassing nog steeds een zeer

goede indicator is voor de real-time werkbelasting van het verpleegkundig personeel en bijgevolg

wordt hij zeer vaak toegepast. Af en toe werd ook gebruik gemaakt van de Ernst patiënt-

verpleegkundige ratio. Tot nog toe is er maar één artikel dat het effect van het incorporeren van een

triage-categorie in het meten van de werkbelasting analyseerde en waarbij men tot de vaststelling

kwam dat deze geen duidelijk verschil maakten. De andere manieren om de werkbelasting te meten

bleken te complex of waren niet toepasbaar in real-time.

In het deel m.b.t. overbevolkingsmeetschalen werd een antwoord gezocht op de vraag welke

meetschaal het best en het gemakkelijkste de overbevolking kon aangeven. De literatuur was

hierover eensgezind en stelt dat de bezettingsgraad van de spoedafdeling, ondanks zijn simpele

opzet, beter scoort dan andere, meer complexe meetschalen.

In het onderzoek van deze masterproef werden twee grote vragen beantwoord: (1) geeft de

Ernst patiënt-verpleegkundige ratio een surplus in de meting van de werkbelasting voor

verpleegkundigen ten opzichte van de gewone patiënt-verpleegkundige ratio? En (2) wat is het

verband tussen de werkbelasting en overbevolking? Beide vragen konden het best beantwoord

worden d.m.v. een computerprogramma dat alle benodigde parameters zou meten. De ontwikkeling

van dit programma werd in het eerste deel van het onderzoek uitgewerkt. Het programma zou ook

kunnen toegepast worden in de spoedafdeling om aan te duiden hoe hoog de werklast op een

bepaald moment is. Daarnaast zou het ook kunnen dienen om andere afdelingen op de hoogte te

brengen van de drukte op spoed waardoor ze een aansporing zouden krijgen om de doorstroom van

patiënten naar andere afdelingen eventueel te versnellen.

In de zoektocht naar het antwoord op de eerste vraag werd gedurende 4 dagen een

observationeel onderzoek uitgevoerd waarbij elke patiënt die binnenkwam op spoed werd getrieërd.

Desondanks het feit dat er werd bewezen dat de gemiddelde triage-categorie van de patiënten

significant hoger is tijdens de nachtshift dan overdag, bleek een vergelijking van de patiënt-

verpleegkundige ratio met de Ernst patiënt-verpleegkundige ratio geen significant verschil in het

meten van de werkbelasting aan te geven. Hierdoor kon geconcludeerd worden dat de patiënt-

verpleegkundige ratio de werkbelasting het makkelijkst meet. Dit komt overeen met Hobgood et al

95

(2005). Daarnaast werden ook enkele kritische bemerkingen gegeven omtrent het gebruik van de

Ernst patiënt-verpleegkundige ratio.

De tweede vraag van het onderzoek kon beantwoord worden door de patiënt-

verpleegkundige ratio uit te zetten tegenover de bezettingsgraad. Hierdoor kon een theoretisch

model ontwikkeld worden waarbij men kan zien, afhankelijk van de plaats op de grafiek waar de

spoedafdeling zich op een bepaald moment bevindt, welke maatregelen kunnen genomen worden

om de overbevolking of een hoge werklast te verminderen. Vertrekkende daarvan kon ook een

theoretisch bestaffingsmodel worden opgesteld dat een spoedafdeling in staat zou kunnen stellen

om, op basis van de afgevlakte patiëntenaanwezigheid per dag, een gepaste bestaffing te vinden. Dit

bestaffingsmodel is weliswaar slechts een theoretische benadering en zal daarom verder moeten

uitgewerkt worden alvorens ze in praktijk toepasbaar zou zijn. Het doel van het bestaffingsmodel was

dan ook hoofdzakelijk een klare kijk te scheppen op de probleemstelling, namelijk de bestaffing van

een spoedafdeling, zodat eventueel nieuwe perspectieven kunnen worden geopend in de zoektocht

naar een optimale bestaffing.

Het onderzoek werd afgesloten met een praktische toepassing van het bestaffingsmodel om

zijn toepasbaarheid en waarde aan te tonen. Hier werd duidelijk dat men best een bestaffing van dag

tot dag bekijkt, zodat op gekende drukkere dagen meer verpleegkundig personeel kan ingezet

worden om aan de vraag naar zorg te voldoen. Dankzij het simpele karakter van het model is de

auteur ervan overtuigd dat, mits verdere uitwerking, het als basis kan dienen voor pogingen om tot

een optimale bestaffing te komen op een complexe spoedafdeling.

Als een aanzet naar verder onderzoek, tot slot, zou het interessant zijn om het

bestaffingsmodel d.m.v. kwantificeerbare maatstaven te vergelijken met een reële bestaffing zodat

de waarde van het model objectief kan gemeten worden. Daarnaast kan het ontwikkelen van een

tabel die per triage-categorie de benodigde patient-verpleegkundige ratio aanduidt, ook opportuun

zijn voor het meten van de werkbelasting.

96

6. Referenties

Advisory Board Company. True North Essay, preparing for an era of heightened transparancy.

2006. Beschikbaar op

http://www.healthit.org.nz/download/files/Single_Sign_On_Overview.pdf (20/07/2011)

Afilalo J, Marinovich A, Afilalo M, Colacone A, Léger R, Unger B, Giguère C; Nonurgent

Emergency Department Patient Characteristics and Barriers to Primary Care; ACAD

EMERGENCY MEDICINE 2004;11:1302-1310

Agouridakis P, Hatzakis K, Chatzimichali K, et al. Workload and case-mix in a Greek

emergency department. EUR J EMERG MED. 2004;11:81-5.

Aiken LH, Clarke SP, Sloane DM, et al. Hospital nurse staffing and patient mortality, nurse

burnout, and job dissatisfaction. J APPL NURS RES. 2002;288:1987-1993

American Academy of Emergency Medicine. Position statements. Toegankelijk op

http://www.aaem.org/positionstatements/statements201.php (17/07/2011)

American College of Emergency Physicians (2007), Emergency department waiting times.

Opgehaald 7 april 2011, van http://www.acep.org/content.aspx?id=25908

Ardagh M. Emergency nurse resource calculation based on case number and acuity. 1999

Christchurch hospital

Arthur T, James N. Determining nurse staffing levels: a critical review of the literature. J ADV

NURS. 1994;19:558-565.

Artsenkrant. ‘Wij willen één soort spoedarts’. Artsenkrant 5 april 2011; 2152:26-27

Ashman T. Right care, right time, right place: the role of minor injury units, nurse

practitioners and guidelines in providing a patient-centred service. Clin. Governance Bull.

2004; 5 (3): 5– 6.

Asplin B, Magid D, Rhodes K, Solberg L, Lurie N, Camargo C; A Conceptual Model of

Emergency Department Crowding; ANNALS OF EMERGENCY MEDICINE 2003;42(2):173-180

Asplin BR, Rhodes KV, Crain L, Camargo CA. Measuring emergency department crowding and

hospital capacity. ACAD EMERG MED. 2002; 9:366-367

Asplin BR, Rhodes KV, Flottemesch TJ, et al. Is this emergency department crowded? A

multicenter derivation and evaluation of an emergency department crowding scale (EDCS).

ACAD EMERG MED. 2004;11:484-485

Australian Health Workforce Advisory Committee. Health Workforce Planning and Models of

Care in Emergency Departments. Sydney: AHWAC, 2006.

http://www.healthit.org.nz/download/files/Single_Sign_On_Overview.pdf

http://www.aaem.org/positionstatements/statements201.php

http://www.acep.org/content.aspx?id=25908

97

Beales J. Innovation in Accident and Emergency management: establishing a nurse

practitioner-run minor injuries/primary care unit. Accid. Emerg. Nurs. 1997; 5 (2): 71–5.

Bernstein SL, Verghese V, Leung W, et al. Development and validation of a new index to

measure emergency department crowding. ACAD EMERG MED. 2003;9:938-942.

Blegen MA, Goode CJ, Reed L. Nurse staffing and patient outcomes. NURS RES. 1998;47:43-

50

Bucheli B, Martina B. Reduced length of stay in medical emergency department patients: a

prospective controlled study on emergency physician staffing. EUR J EMERG MED.

2004;11:29-34

C.M. Khoong; An integrated system framework and analysis methodology for manpower

planning; International Journal of Manpower. 1996 Vol. 17 Iss: 1, pp.26 – 46

California Nurses Association. The ratio solution. Toegankelijk op http://www.calnurses.org/

(17/07/2011)

Canadian association of emergency physicians. Implementation guidelines for the Canadian

ED Triage and acuity scale (CTAS). Ottawa (ON): The Association; 2005. Te vinden op

http://www.caep.ca/template.asp?id=b795164082374289bbd9c1c2bf4b8d32 (bezocht

25/04/2011)

Center for health professionals, University of Califoria san Francisco. Minimum nurse staffing

ratios in Califoria acute care hospitals. Te vinden op

http://www.chcf.org/~/media/Files/PDF/M/PDF%20MinNurseStaffingRatios.pdf bezocht op

27/04/2011

Champion R, Kinsman LD, Lee GA, et al. Forecasting emergency department presentations.

AUST HEALTH REV. 2007;31:83-90

Cherill Scott. Setting safe nurse staffing levels: an exploration of the issues. 2003.

Toegankelijk op http://www.rcn.org.uk/__data/assets/pdf_file/0008/78551/001934.pdf

Chisholm CD, Dornfeld AM, Nelson DR, et al. Work interrupted: a comparison of workplace

interruptions in emergency departments and primary care offices. ANN EMERG MED.

2001;38:146-151.

Cinahl Information Systems. Ipswich: EBSCO Industries, Inc.; 2005

Coats TJ, Michalis S. Mathematical modelling of patient flow through an accident and

emergency department. Emerg Med J. 2001;18:190-192.

Connelly LG, Bair AE. Discrete event simulation of emergency department activity: a platform

for system-level operations research. Acad Emerg Med. 2004;11:1177-1185.

http://www.calnurses.org/

http://www.caep.ca/template.asp?id=b795164082374289bbd9c1c2bf4b8d32

http://www.chcf.org/~/media/Files/PDF/M/PDF%20MinNurseStaffingRatios.pdf

http://www.rcn.org.uk/__data/assets/pdf_file/0008/78551/001934.pdf

98

De Ridder T, Gemmel P. De workload en bestaffing van het medisch personeel op een

spoedgevallendienst. UGent 2010

De Jong A, Leeman J, Middelkoop E. Development of a nursin workload measurement

instrument in burn care. J BURNS 2009 (35):942-948

De Standaard. 1400 verpleegkundigen tekort. 26/02/2011

De Standaard. 70 procent spoedgevallen zijn geen spoedgevallen. De Standaard 12/13 maart

2011: p19

Dent AW, Phillips GA, Chenhall AJ, McGregor LR; The heaviest users of an inner city

emergency department are not general practice patients; EMERGENCY MEDICINE 2003;

15:322-329

Derlet RW, Richards JR, Kravitz RL; Frequent Overcrowding in U.S. Emergency Departments;

ACADEMIC EMERGENCY MEDICINE 2001; 8:151-155

Derlet RW, Richards JR. Emergency department overcrowding in Florida, New York and

Texas. SOUTH MED ASSOC J. 2002;95:846-849

Derlet RW, Richards JR; Overcrowding in the nation’s Emergency Departments: Complex

causes and Disturbing Effects; ANNALS OF EMERGENCY MEDICINE 2000; 35:63-68

Dreyer JF, McLeod SL, Anderson CK, Carter MW, et al. Physician workload and the Canadian

Emergency Department Triage and Acuity Scale: the Predictors of Workload in the

Emergency Room (POWER) Study. CJEM 2009;11(4): 321-9

Driscoll DM. Burn dressings: a critical indicator for patient care classification in burn units.

MIL MED 1991;156(12):654-657

Edmonds MI, O’Connor HM. The use of computer simulation as a strategic decision-making

tool: a case study of an emergency department application. Healthc Manage Forum.

1999;12:32-38.

Edwardson SR, Giovannetti PB. Nursing workload measurement systems. In: Fitzpatrick JF,

ed. ANNUAL REVIEW OF NURSING RESEARCH, vol. 12. New York, NY: Springer Publishing;

1995: 95-123

Emergency Nurses Association. ENA guidelines for emergency department nurse staffing.

2003

Epstein SK, Tian L. Development of an emergency department work score to predict

ambulance diversion. ACAD EMERG MED. 2006; 13:421-426

Fatovich DM, Hirsch RL; Entry overload, Emergency Department overcrowding, and

ambulance bypass; EMERGENCY MEDICINE 2003; 20:406-409

99

Fernandes CMB, Wuerz R, Clark S, et al. How reliable is emergency department triage? ANN

EMERG MED. 1999;34:141-147.

Flottemesch TJ, Gordon BD, Jones SS. Advanced statistics: developing a formal model of

emergency department census and defining operational efficiency. ACAD EMERG MED. 2007;

14:799-809

Forster AJ. An agenda for reducing emergency department crowding. ANN EMERG MED.

2005;45:479-481

Fullam C. Acuity-based ED Nurse staffing: a successful 5-year experience. J EMERG NURS.

2002;28:138-140.

Gabolinscy B. Triage code: a predictor of nurse care time in the emergency department. 2005

Gedmintas A, Bost N, Keijzer G, Green D, et al. Emergency care workload units; a novel tool

to compare emergency department activity. EMERG MED AUSTR. 2010;22:442-448

Gemmel P, De Raedt L. Access Blocking at Ghent University Hospital.

Graff LG, Radford MJ. Formula for emergency physician staffing. AM J EMERG MED.

1990;8:194-9.

Graff LG, Wolf S, Dinwoodie R, et al. Emergency physician workload: a time study. ANN

EMERG MED. 1993;22:1156-63.

Gran-Moravec MB, Hughes CM. Nursing time allocation and other considerations for staffing.

NURS HEALTH SCI 2005;7(2):126-133

Grumbach K, Keane D, Bindman A; Primary Care and Public Emergency Department

Overcrowding; AMERICAN JOURNAL OF PUBLIC HEALTH 1993;83(3):372-378

Guerrero RM, Nickman NA, Jorgenson JA. Work activities before and after implementation of

an automated dispensing system. AM J HEALTH SYST PHARM. 1996;53:548-554.

Heckerson E. An accurate tool for measuring ED saturation levels in an urban EMS system:

Phoenix’s year-long experience. J EMERG NURS. 2002;28:427-432.

Helmer FT, Freitas CA, Onaha B; Determining the required nurse staffing of an emergency

department. 1988; 14(6), 352-358

Helmer FT, Rieg L, Winkler J, Gilstrop H. Development of a patient classification system for

burn units – a case study. J BURN CARE REHABIL 1987;8(2):117-123

Helmer FT. Patient classification systems in burn care. J BURN CARE REHABIL 1986;7(6):511-

520

Hobbs D, Kunzman SC, Tandberg D, et al. Hospital factors associated with emergency center

patients leaving without being seen. Am J Emerg Med. 2000; 18:767-72

100

Hobgood C, Villani J, Quattlebaum R. Impact of emergency department volume on registered

nurse time at the bedside. ANN EMERG MED 2005;46(6):481-489

Holliman CJ, Wuerz RC, Kimak MJ et al. Attending supervision of nonemergency medicine

residents in a university hospital ED. Am. J. Emerg. Med. 1995; 13: 259–61.

Hollingsworth JC, Chisholm CD, Giles BK, et al. How do physicians and nurses spend their

time in the emergency department? ANN EMERG MED. 1998;31:87-91.

Hoot NR, Aronsky D; Systematic review of emergency department crowding : causes, effects,

and solutions; ANN EMERG MED. 2008;52:126-136

Hoot NR, Epstein SK, Allen TL, Jones SS, et al. Forecasting emergency department crowding:

an external multicenter evaluation. ANN EMERG MED. 2009; 54:514-522

Hoot NR, LeBlanc LJ, Jones I, et al. Forecasting emergency department crowding: a

prospective, real-time evaluation. J AM MED INFORM ASSOC. 2009;16:338-345

Hoot NR, Zhou C, Jones I, Aronsky D. Measuring and forecasting emergency department

crowding in real-time. ANN EMERG MED. 2007;49:747-755

Huddy J, McKay J, Culp K. Computer simulation: making better operational and architectural

ED design decisions. J Emerg Nurs 1999;25:307-310.

Hung GR, Whitehouse SR, O’Neill C, et al. Computer modeling of patient flow in a pediatric

emergency department using discrete event simulation. Pediatr Emerg Care. 2007;23:5-10.

Hwang U, Concato J; Care in the Emergency Department: How crowded is overcrowded?;

ACADEMIC EMERGENCY MEDICINE 2004; 11:1097-1101

Innes GD, Stenstrom R, Grafstein E, et al. Prospective time study derivation of emergency

physician workload predictors. CJEM 2005;7:299-308.

Itinera. Toekomst van de gezondheidszorg: diagnose en remedies.2008. Beschikbaar op

http://www.itinerainstitute.org/upl/1/default/doc/SWOT%20NL%20Final.pdf (20/07/2011)

James C. patient classification systems. 1998 Hamilton: Waikato Hospital

Jones SS, Allen TL, Flottemesch TJ, Welch SJ. An independent evaluation of four quantitative

emergency department crowding scales. ACAD EMERG MED. 2006;13:1204-1211

Keeling B. How to allocate the right staff mix across shifts: part 1. NURS MANAGE.

1999;30:16-17.

Kelen GD, Scheulen JJ, Hill PM. Effect of an emergency department managed acute care unit

on ED overcrowding and emergency medical services diversion. ACAD EMERG MED.

2001;8:1095-1100

Kilmer RA, Smith AE, Shuman LJ. An emergency department simulation and a neural network

metamodel. J Soc Health Syst. 1997;5:63-79

http://www.itinerainstitute.org/upl/1/default/doc/SWOT%20NL%20Final.pdf

101

Kim H, Harris MR, Savova GK, Speedie SM, Chute CG. Toward near real-time acuity

estimation: a feasibility study. NURS RES 2007;56(4): 288-294

Kulstad EB, Hart MK, Waghchoure S. Occupancy rates and emergency department work

index scores correlate with leaving without being seen. WEST J EMERG MED. 2010;11(4):324-

328

Kyriakou DN, Ricketts V, Dyne P, McCollough M, Talan D; A 5-Year Study Analysis of

Emergency Department Patient Care Efficiency; ANNALS OF EMERGENCY MEDICINE 1999;

34(3):326-335

Lang TA, Hodge M, Olson V, et al. Nurse-patient ratios: a systematic review on the effects of

nursing staffing on patient, nurse employee, and hospital outcomes. J Nurs Admin.

2004;34:326-337.

Levin S, France D, Hemphill R, Jones I et al. tracking workload in the emergency department.

HUMAN FACTORS 2006; 48(3):526-539

Mackway Jones K. Manchester Triage group. Emergency triage. BMJ 1997.

Mackway Jones K. Manchester Triage group. Emergency triage. BMJ 2006

McCarthy ML, Aronsky D, Jones ID, et al. The emergency department occupancy rate: a

simple measure of emergency department crowding? ANN EMERG MED. 2008;51:15-24

McGuire F. Using simulation to reduce length of stay in emergency departments. J Soc Health

Syst. 1997;5:81-90.

Millar KR, Tough S, Steward B, et al. Estimating physician workload in the pediatric

emergency department. CJEM 2008;10:257

Minda S, Brundage DJ. Time differences in handwritten and computer documentation of

nursing assessment. COMPUT NURS. 1994;12:277-279.

Miro O, Antonio MT, Jimenez S, et al. Decreased health care quality associated with

emergency department crowding. EUR J EMERG MED. 1999; 6:105-107

Molter NC. Workload management system for nurses: application to the burn unit. J BURN

CARE REHABIL 1990;11(3):267-274

O’Brien A, Benger J. Patient dependency in emergency care: do we have the nurses we need?

J CLINIC NURS 2007; 16:2081-2087

Pabst MK, Scherubel JC, Minnick AF. The impact of computerized documentation on nurses’

use of time. COMPUT NURS. 1996;14:25-30.

Polevoi SK, Quinn JV, Kramer NR. Factors associated with patients who leave without being

seen. Acad Emerg Med. 2005; 12:232-6

102

Raj K, Baker K, Bierley S, Murray D. national emergency department overcrowding study tool

is not useful in an Australian emergency department. EMERGENCY MEDICINE AUSTRALASIA

2006; 18:282-288

Ream RS; Mackey K, Lee T, Green MC, Andeone TL, Loftis LL, et al. association of nursing

workload and unplanned extubations in a pediatric intensive care unit. PEDIATR CRIT CARE

MED 2007;8(4):366-371

Reeder T, Garrison HG. When the safety net is unsafe: real-time assessment of the

overcrowded emergency department. ACAD EMERG MED. 2001;8:1070-1074.

Reeder TJ, Burleson DL, Garrison HG. The overcrowded emergency department: a

comparison of staff perceptions. ACAD EMERG MED. 2003; 10:1059-1064

Rowe BH, Channan P, Bullard M, et al. Characteristics of patients who leave emergency

departments without being seen. Acad Emerg Med. 2006; 13:848-52

Saunders CE, Makens PK, LeBlanc LJ. Modeling emergency department operations using

advanced computer simulation systems. Ann Emerg Med. 1989;18:134-140.

Schull MJ, Szalai JP, Schwartz B, Redelmeier DA; Emergency Department Overcrowding

Following Systematic Hospital Restructuring: Trends at Twenty Hospitals over Ten Years;

ACADEMIC EMERGENCY MEDICINE 2001;8(11):1037-1043

Society for Academic Emergency Medicine. Emergency center categorization. Toegankelijk op

www.saem.org (25/07/2011)

The Java Tutorials http://download.oracle.com/javase/tutorial/jdbc/ (bezocht op

12/07/2011)

Thorton V, Hazell W. Junior doctor strike model of care: reduced access block and

predominant fellow of the Australasian College for Emergency Medicine staffing improve

emergency department performance. Emerg. Med. Australas. 2008; 20: 425– 30.

Tolbert SH & Sutton J; Emergency services and nurse staffing: trauma center vs. suburban

emergency department. J EMERG NURS 1981; 7(2), 92-96

U.S. News & World report; U.S. News Best Hospitals 2011-12; 2011. Beschikbaar op

http://health.usnews.com/best-hospitals/rankings (20/07/2011)

Van Looy B, Gemmel P, Van Dierdonck R. Services Management An integrated approach.

Prentice Hall, 2003

Washington DL, Stevens CD, Shekelle PG, et al. next-day care for emergency department

users with nonacute conditions. A randomized controlled trial. ANN INTERN MED.

2002;137:707-714

http://www.saem.org/

http://download.oracle.com/javase/tutorial/jdbc/

http://health.usnews.com/best-hospitals/rankings

103

Weiss SJ, Derlet R, Arndahl J, Ernst AA, Richards J, Fernandez-Frackelton M, et al. Estimating

the degree of emergency department overcrowding in academic medical centers: results of

the National ED Overcrowding study (NEDOCS). ACAD EMERG MED. 2004;11:38-50

Weiss SJ, Ernst AA, Derlet R, King R, Bair A, et al. Relationship between the national ED

overcrowding Scale and the number of patients who leave without being seen in an

academic ED. AM J EMERG MED. 2005; 23:288-294

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;13:513-518

White CR, Best JB, Sage CK. Simulation of emergency medical service scheduling. Hosp Top.

1992;70:34-37

i

7. Appendices

7.1. Appendix 1 Tabel uit hobgood, Villani & Quatlebaum (2005)

i

7.2. Appendix 2 JAVA-code voor het computerprogramma /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package thesis2_manueel; import javax.swing.*; import java.awt.event.*; import java.awt.*; import javax.swing.JTextArea; import javax.swing.JFrame; import java.awt.Font; /** * * @author Thomas De Ridder */ public class GUI extends JFrame { private JButton ptnaankomst; private JButton ptnvertrek; private JButton mug; private JButton ambu; private JButton secundair; private JButton intern; private JButton extravpk; private JButton mugweg; private JButton ambuweg; private JButton secundairweg; private JButton extraweg; private JButton internweg; private JTextArea code; public JTextField triagegetal; public JTextField triagegetal2; private String naam = " "; private double aantalvpk = 0.0; private int triage = 0; private String mugtext = " "; private String ambutext = " "; private String interntext = " ";

ii

private String secundairtext = " "; private String extratext = " "; private double aantalpatienten = 0; private double ratio = 0.0; private double triagepatienten = 0; private double triageratio = 0; private boolean mugbool; private boolean ambubool; private boolean secundairbool; private boolean internbool; private JTextArea areapatient; private JTextArea areavpk; private JTextArea arearatio; private JTextArea mugarea; private JTextArea ambuarea; private JTextArea internarea; private JTextArea extraarea; private JTextArea secundairarea; private JTextArea areapatient3; private JTextArea areavpk3; private JTextArea arearatio3; public GUI(String title){ super(title); Container container = getContentPane(); container.setLayout(null); container.setBackground(Color.blue); ptnaankomst = new JButton("Patient komt aan"); ptnvertrek = new JButton("patient gaat weg"); mug = new JButton("MUG aanwezig"); ambu = new JButton("100 aanwezig"); secundair = new JButton("secundair transport aanwezig"); intern = new JButton("Intern transportvpk aanwezig"); extravpk = new JButton("extra vpk"); mugweg = new JButton("MUG afwezig"); ambuweg = new JButton("100 afwezig"); internweg = new JButton("intern transportvpk afwezig"); extraweg = new JButton("extra vpk afwezig"); secundairweg = new JButton("secundair transport afwezig");

iii

code = new JTextArea(); triagegetal = new JTextField(5); triagegetal2 = new JTextField(5); areapatient = new JTextArea(); areapatient.setText(" " + aantalpatienten); areavpk = new JTextArea(); areavpk.setText(" " + aantalvpk); arearatio = new JTextArea(); arearatio.setText(" " + ratio); mugarea = new JTextArea(); //mugarea.setText( mugtext ); ambuarea = new JTextArea(); //ambuarea.setText( ambutext ); internarea = new JTextArea(); //internarea.setText( interntext ); secundairarea = new JTextArea(); //secundairarea.setText( secundairtext ); extraarea = new JTextArea(); //extraarea.setText( extratext ); areapatient3 = new JTextArea(); areapatient3.setText(" " + triagepatienten); areavpk3 = new JTextArea(); areavpk3.setText(" " + aantalvpk); arearatio3 = new JTextArea(); arearatio3.setText(" " + triageratio); JLabel triagecat = new JLabel("triage categorie"); JLabel patientLabel = new JLabel("Aantal patiënten: "); JLabel vpkLabel = new JLabel("Aantal verpleegkundigen: "); JLabel ratioLabel = new JLabel("Patiënt-verpleegkundige ratio: "); JLabel patientLabel2 = new JLabel("Aantal patiënten x triage: "); JLabel vpkLabel2 = new JLabel("Aantal verpleegkundigen: "); JLabel ratioLabel2 = new JLabel("Ernst Patiënt-verpleegkundige ratio: "); ptnaankomst.setLocation(10, 30); ptnaankomst.setSize(200, 50); ptnvertrek.setLocation(10, 100);

iv

ptnvertrek.setSize(200, 50); triagegetal.setLocation(220, 30); triagegetal.setSize(50, 50); triagegetal.setFont(new Font("Tacoma",20,20)); triagegetal2.setLocation(220, 100); triagegetal2.setSize(50, 50); triagegetal2.setFont(new Font("Tacoma",20,20)); mug.setLocation(10, 200); mug.setSize(200, 50); ambu.setLocation(10, 270); ambu.setSize(200, 50); secundair.setLocation(10, 340); secundair.setSize(200, 50); intern.setLocation(10, 410); intern.setSize(200, 50); extravpk.setLocation(10, 480); extravpk.setSize(200, 50); areapatient.setLocation(1050, 30); areapatient.setSize(50, 25); areapatient.setBackground(Color.blue); areapatient.setForeground(Color.white); areavpk.setLocation(1050, 75); areavpk.setSize(50, 25); areavpk.setBackground(Color.blue); areavpk.setForeground(Color.white); arearatio.setLocation(1050, 120); arearatio.setSize(50, 25); arearatio.setBackground(Color.blue); arearatio.setForeground(Color.white); mugarea.setLocation(220, 200); mugarea.setSize(100, 50); ambuarea.setLocation(220, 270); ambuarea.setSize(100, 50); secundairarea.setLocation(220, 340); secundairarea.setSize(100, 50); internarea.setLocation(220, 410); internarea.setSize(100, 50); extraarea.setLocation(220, 480); extraarea.setSize(100, 50); mugweg.setLocation(330, 200); mugweg.setSize(200, 50); ambuweg.setLocation(330, 270); ambuweg.setSize(200, 50); secundairweg.setLocation(330, 340); secundairweg.setSize(200, 50); internweg.setLocation(330, 410); internweg.setSize(200, 50); extraweg.setLocation(330, 480); extraweg.setSize(200, 50); triagecat.setLocation(220,10); triagecat.setSize(200,20); triagecat.setFont(new Font("Tacoma",10,13));

v

triagecat.setForeground(Color.white); patientLabel.setLocation(900,30); patientLabel.setSize(200,25); patientLabel.setFont(new Font("Tacoma",20,20)); patientLabel.setForeground(Color.white); vpkLabel.setLocation(828,75); vpkLabel.setSize(250,25); vpkLabel.setFont(new Font("Tacoma",20,20)); vpkLabel.setForeground(Color.white); ratioLabel.setLocation(785,120); ratioLabel.setSize(350,25); ratioLabel.setFont(new Font("Tacoma",20,20)); ratioLabel.setForeground(Color.white); code.setLocation(900, 200); code.setSize(200, 100); patientLabel2.setLocation(828,430); patientLabel2.setSize(300,25); patientLabel2.setFont(new Font("Tacoma",20,20)); patientLabel2.setForeground(Color.white); vpkLabel2.setLocation(828,475); vpkLabel2.setSize(250,25); vpkLabel2.setFont(new Font("Tacoma",20,20)); vpkLabel2.setForeground(Color.white); ratioLabel2.setLocation(735,520); ratioLabel2.setSize(400,25); ratioLabel2.setFont(new Font("Tacoma",20,20)); ratioLabel2.setForeground(Color.white); areapatient3.setLocation(1050, 430); areapatient3.setSize(50, 25); areapatient3.setBackground(Color.blue); areapatient3.setForeground(Color.white); areavpk3.setLocation(1050, 475); areavpk3.setSize(50, 25); areavpk3.setBackground(Color.blue); areavpk3.setForeground(Color.white); arearatio3.setLocation(1050, 520); arearatio3.setSize(50, 25); arearatio3.setBackground(Color.blue); arearatio3.setForeground(Color.white); container.add(ptnaankomst); container.add(ptnvertrek); container.add(mug); container.add(ambu); container.add(secundair); container.add(intern); container.add(extravpk); container.add(areapatient); container.add(areavpk);

vi

container.add(arearatio); container.add(mugarea); container.add(ambuarea); container.add(secundairarea); container.add(internarea); container.add(extraarea); container.add(mugweg); container.add(ambuweg); container.add(secundairweg); container.add(internweg); container.add(extraweg); container.add(triagecat); container.add(patientLabel); container.add(vpkLabel); container.add(ratioLabel); container.add(code); container.add(triagegetal); container.add(triagegetal2); container.add(patientLabel2); container.add(vpkLabel2); container.add(ratioLabel2); container.add(areapatient3); container.add(areavpk3); container.add(arearatio3); ButtonHandler bHandler = new ButtonHandler(); ptnaankomst.addActionListener(bHandler); ptnvertrek.addActionListener(bHandler); mugweg.addActionListener(bHandler); mug.addActionListener(bHandler); ambu.addActionListener(bHandler); ambuweg.addActionListener(bHandler); secundair.addActionListener(bHandler); secundairweg.addActionListener(bHandler); intern.addActionListener(bHandler); internweg.addActionListener(bHandler); extravpk.addActionListener(bHandler); extraweg.addActionListener(bHandler); addWindowListener(new WindowHandler()); } private class WindowHandler extends WindowAdapter{ public void windowClosing(WindowEvent e){ System.exit(0);

vii

} } private class ButtonHandler implements ActionListener{ public void actionPerformed(ActionEvent e){ mugarea.setLineWrap(true); Font newTextAreaFont=new Font(mugarea.getFont().getName(),mugarea.getFont().getStyle(),18); mugarea.setBackground(Color.blue); ambuarea.setBackground(Color.blue); secundairarea.setBackground(Color.blue); internarea.setBackground(Color.blue); extraarea.setBackground(Color.blue); areapatient.setFont(newTextAreaFont); areavpk.setFont(newTextAreaFont); arearatio.setFont(newTextAreaFont); areapatient3.setFont(newTextAreaFont); areavpk3.setFont(newTextAreaFont); arearatio3.setFont(newTextAreaFont); if (e.getSource() == ptnaankomst){ if ( triagegetal.getText().length() != 0 ){ Double g = new Double(triagegetal.getText().trim()); double getal2 = g.doubleValue(); aantalpatienten = ++aantalpatienten; areapatient.setText(" " + aantalpatienten); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triagepatienten = triagepatienten + getal2; areapatient3.setText(" " + triagepatienten); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); triagegetal.setText("");

viii

} else{ Label triagevergeten = new Label("gelieve eerst een triagecategorie in te geven"); JFrame frame=new JFrame("Set JTextArea text color"); frame.setLayout(new FlowLayout(FlowLayout.LEFT)); frame.add(triagevergeten); frame.setSize(500,300); frame.setVisible(true); } } if (e.getSource() == ptnvertrek){ if ( triagegetal2.getText().length() != 0 ){ Double g = new Double(triagegetal2.getText().trim()); double getal2 = g.doubleValue(); aantalpatienten = --aantalpatienten; areapatient.setText(" " + aantalpatienten); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triagepatienten = triagepatienten - getal2; areapatient3.setText(" " + triagepatienten); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); triagegetal2.setText(""); } else{ Label triagevergeten = new Label("gelieve eerst een triagecategorie in te geven"); JFrame frame=new JFrame("Set JTextArea text color"); frame.setLayout(new FlowLayout(FlowLayout.LEFT));

ix

frame.add(triagevergeten); frame.setSize(500,300); frame.setVisible(true); } } if (e.getSource() == mug){ if (mugbool == false){ mugbool = true; aantalvpk = aantalvpk + 1; mugarea.setText("AANWEZIG"); mugarea.setForeground(Color.green); mugarea.setFont(newTextAreaFont); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == mugweg){ if (mugbool == true){ mugbool = false; aantalvpk = aantalvpk - 1; mugarea.setText("AFWEZIG"); mugarea.setFont(newTextAreaFont); mugarea.setForeground(Color.red); areavpk.setText(" " + aantalvpk);

x

ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == ambu){ if (ambubool == false){ ambubool = true; aantalvpk = aantalvpk + 1; ambuarea.setText("AANWEZIG"); ambuarea.setFont(newTextAreaFont); ambuarea.setForeground(Color.green); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == ambuweg){ if (ambubool == true){ ambubool = false; aantalvpk = aantalvpk - 1;

xi

ambuarea.setText("AFWEZIG"); ambuarea.setFont(newTextAreaFont); ambuarea.setForeground(Color.red); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == intern){ if (internbool == false){ internbool = true; aantalvpk = aantalvpk + 1; internarea.setText("AANWEZIG"); internarea.setForeground(Color.green); internarea.setFont(newTextAreaFont); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == internweg){

xii

if (internbool == true){ internbool = false; aantalvpk = aantalvpk - 1; internarea.setText("AFWEZIG"); internarea.setFont(newTextAreaFont); internarea.setForeground(Color.red); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == secundair){ if (secundairbool == false){ secundairbool = true; aantalvpk = aantalvpk + 1; secundairarea.setText("AANWEZIG"); secundairarea.setForeground(Color.green); secundairarea.setFont(newTextAreaFont); areavpk.setText(" " +aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); }

xiii

} if (e.getSource() == secundairweg){ if (secundairbool == true){ secundairbool = false; aantalvpk = aantalvpk - 1; secundairarea.setText("AFWEZIG"); secundairarea.setFont(newTextAreaFont); secundairarea.setForeground(Color.red); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } if (e.getSource() == extravpk){ aantalvpk = aantalvpk + 1; //extraarea.setText("AANWEZIG"); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); }

xiv

if (e.getSource() == extraweg){ aantalvpk = aantalvpk - 1; //extraarea.setText("AFWEZIG"); areavpk.setText(" " + aantalvpk); ratio = aantalpatienten / aantalvpk; arearatio.setText(" " + ratio); if (ratio < 2.5){ code.setBackground(Color.green); } else if (ratio < 3){ code.setBackground(Color.orange); } else code.setBackground(Color.red); triageratio = triagepatienten / aantalvpk; arearatio3.setText(" " + triageratio); areavpk3.setText(" " + aantalvpk); } } } }

i

7.3. Appendix 3 tabel voorspelling werkbelasting op basis van formule Formule aantal patiënten = A(∙) + B(∙)cos(vT + є) + a(et) Met :

A(∙) = 18 B(∙) = 8 V = 0,265 Є = -3 a(et) = 0

Formule voor VPK : =ALS(Patiënten <9;3;ALS(Patiënten <14;4,5;ALS(Patiënten <21;7;10))) Formule voor Ratio : = Patiënten / VPK

Tijd (UUR) Patiënten VPK Ratio

0 10,08 4,5 2,24

0,5 10,30 4,5 2,29

1 10,65 4,5 2,37

1,5 11,13 4,5 2,47

2 11,74 4,5 2,61

2,5 12,45 4,5 2,77

3 13,26 4,5 2,95

3,5 14,15 7 2,02

4 15,11 7 2,16

4,5 16,12 7 2,30

5 17,17 7 2,45

5,5 18,23 7 2,60

6 19,28 7 2,75

6,5 20,31 7 2,90

7 21,30 10 2,13

7,5 22,24 10 2,22

8 23,10 10 2,31

8,5 23,87 10 2,39

9 24,53 10 2,45

9,5 25,09 10 2,51

10 25,51 10 2,55

10,5 25,81 10 2,58

11 25,97 10 2,60

11,5 25,99 10 2,60

12 25,87 10 2,59

12,5 25,61 10 2,56

13 25,22 10 2,52

13,5 24,70 10 2,47

14 24,07 10 2,41

14,5 23,32 10 2,33

ii

15 22,49 10 2,25

15,5 21,58 10 2,16

16 20,60 7 2,94

16,5 19,58 7 2,80

17 18,53 7 2,65

17,5 17,47 7 2,50

18 16,42 7 2,35

18,5 15,39 7 2,20

19 14,42 7 2,06

19,5 13,50 4,5 3,00

20 12,67 4,5 2,82

20,5 11,93 4,5 2,65

21 11,29 4,5 2,51

21,5 10,78 4,5 2,39

22 10,39 4,5 2,31

22,5 10,13 4,5 2,25

23 10,01 4,5 2,22

23,5 10,03 4,5 2,23

0 10,08 4,5 2,24

0,5 10,30 4,5 2,29

1 10,65 4,5 2,37

1,5 11,13 4,5 2,47

2 11,74 4,5 2,61

2,5 12,45 4,5 2,77

3 13,26 4,5 2,95

3,5 14,15 7 2,02

4 15,11 7 2,16

4,5 16,12 7 2,30

5 17,17 7 2,45

5,5 18,23 7 2,60

6 19,28 7 2,75

6,5 20,31 7 2,90

7 21,30 10 2,13

7,5 22,24 10 2,22

8 23,10 10 2,31

8,5 23,87 10 2,39

9 24,53 10 2,45

9,5 25,09 10 2,51

10 25,51 10 2,55

10,5 25,81 10 2,58

11 25,97 10 2,60

11,5 25,99 10 2,60

12 25,87 10 2,59

12,5 25,61 10 2,56

13 25,22 10 2,52

13,5 24,70 10 2,47

iii

14 24,07 10 2,41

14,5 23,32 10 2,33

15 22,49 10 2,25

15,5 21,58 10 2,16

16 20,60 7 2,94

16,5 19,58 7 2,80

17 18,53 7 2,65

17,5 17,47 7 2,50

18 16,42 7 2,35

18,5 15,39 7 2,20

19 14,42 7 2,06

19,5 13,50 4,5 3,00

20 12,67 4,5 2,82

20,5 11,93 4,5 2,65

21 11,29 4,5 2,51

21,5 10,78 4,5 2,39

22 10,39 4,5 2,31

22,5 10,13 4,5 2,25

23 10,01 4,5 2,22

23,5 10,03 4,5 2,23

i

7.4. Appendix 4

Praktijkvoorbeeld van het bestaffingsmodel met een vast maximum gedurende een ganse week.

Ook hier streeft men in de spoedafdeling een patiënt-verpleegkundige ratio na tussen 2 en 4. Indien

men kommagetallen uitkomt, worden deze altijd naar boven afgerond aangezien men liever iets

onder de patiënt-verpleegkundige ratio van 4 zit dan net erboven. Als maximale

patiëntenaanwezigheid op een gegeven moment op de spoedafdeling wordt 35 genomen. Met deze

gegevens kan het stappenplan worden uitgewerkt.

1. 35 / 4 = 8,75 of 9 (Vpk1)

2. 9 * 2 = 18 (Pgrens1)

3. 18 / 4 = 4,5 of afgerond 5 (Vpk2)

4. 5 * 2 = 10 (Pgrens2)

5. 10 / 4 = 2,5 of afgerond 3 (Vpk3)

6. 3 * 2 = 6 (Pgrens3)

7. 6 / 4 = 1.5 of afgerond 2 (Vpk4)

8. 2 * 2 = 4 = Pmin

In onderstaande tabel wordt weergegeven hoeveel verpleegkundigen er idealiter bij een gegeven

aantal patiënten zijn. Bij wijze van voorbeeld wordt de opvangcapaciteit van de spoedafdeling op 20

patiënten gezet, maar zoals reeds uitgelegd heeft dit geen effect op de bevindingen en kan in

principe elk cijfer genomen worden. De formule die wordt gebruikt om het aantal verpleegkundigen

te bepalen is:

=ALS(patiënten<6;2;ALS(patiënten<10;3;ALS(patiënten<18;5;9)))

ii

Daarbij krijgt men volgende grafiek:

0,00

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

4,50

0 0,5 1 1,5 2

Pat

iën

t-ve

rple

egk

un

dig

e r

atio

Bezettingsgraad

Patiënt-vpk Ratio t.o.v. bezettingsgraad

Ratio

iii

Door de afrondingen komt men bij de rechte van 5 verpleegkundigen met een maximum

ratio van 3,5 en bij de rechte van 3 verpleegkundigen is de maximum ratio slechts 3. Vanaf het

moment dat de patiënt-verpleegkundige ratio, door een daling van de bezettingsgraad, onder 2 zakt,

dient er overgeschakeld te worden op een lager aantal verpleegkundigen.

Dezelfde werkwijze wordt gebruikt als in het onderzoek: men zoekt het aantal

verpleegkundigen elke dag van de maand door middel van volgende formule:

=ALS(patiënten<6;2;ALS(patiënten<10;3;ALS(patiënten<18;5;9)))

Er wordt gekeken hoeveel verpleegkundigen er gedurende de hele maand nodig waren om zo weinig

mogelijk overschrijdingen van de patiënt-verpleegkundige ratio te bekomen. Laat ons ook hier

veronderstellen dat de wettelijke minimale verpleegkundige bestaffing 3 bedraagt.

Op dezelfde manier wordt hier een wekelijkse bestaffing opgezet. Het aantal benodigde

verpleegkundigen op elk moment wordt in de volgende grafiek getoond. Er is veel verschil van week

tot week over hoeveel verpleegkundigen er nu op een bepaald moment in de week nodig zijn. Zo ziet

men bijvoorbeeld dat woensdagnamiddag (zie zwarte rechthoek) in week 3 slechts drie

verpleegkundigen nodig waren, terwijl dit voor week 5 vijf verpleegkundigen waren en voor week 2

negen verpleegkundigen.

iv

0

0,5

1

1,5

2

2,5

3

3,5

4

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR


Patiënt-verpleegkundige ratio

Ratio week 1 Ratio week 2 Ratio week 3 Ratio week 4 Ratio week 5

0

1

2

3

4

5

6

7

8

9

10

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR


Aantal benodigde verpleegkundigen

WEEK 1 WEEK 2 WEEK 3 WEEK 4 WEEK 5

v

Om deze wekelijkse vaste bestaffing van verpleegkundigen vast te stellen, wordt gekeken

hoeveel verpleegkundigen men volgens de formule meestal nodig heeft. Aangezien men maandag

om 0u00 drie keer 5 verpleegkundigen nodig heeft (week 2, 3 en 4), en slechts één keer 3

verpleegkundigen (week 5), wordt voor gemiddeld 5 verpleegkundigen gekozen. Maandag om 0u30

daarentegen, heeft men drie keer 3 verpleegkundigen nodig (week 2, 4 en 5) en één keer 5

verpleegkundigen (week 3) dus hier neemt men gemiddeld 3 verpleegkundigen. Wanneer men dit

voor een volledige week doet, komt men aan de blauwe lijn van de onderstaande grafiek. De

afgevlakte curve wordt eveneens weergegeven.

Tot slot wordt de patiënt-verpleegkundige ratio getoond indien men een wekelijkse

bestaffing volgens de rode curve zou nemen. Men merkt op dat de ratio hier vaak onder 2 zit. Dit

maakt heel duidelijk wat het belang is van een goede maximumgrens (die hier hypothetisch op 35

werd gelegd).

vi

0

1

2

3

4

5

6

7

8

9

10

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR


De gemiddelde wekelijkse bestaffing

Gemiddelde Gemiddelde afgevlakt

0

1

2

3

4

5

6

MA

MA

MA

MA

MA

MA

MA

MA DI

DI

DI

DI

DI

DI

DI

DI

WO

WO

WO

WO

WO

WO

WO

WO

DO

DO

DO

DO

DO

DO

DO

DO VR

VR

VR

VR

VR

VR

VR

VR


Patiënt-verpleegkundige ratio volgens afgevlakte bestaffing

week 1 week 2 week 3 week 4 week 5

Het Belang van Triage in de Werklastmeting en de Vergelijking … · 2012. 3. 14. · Dit bewees...

Documents

Transcript of Het Belang van Triage in de Werklastmeting en de Vergelijking … · 2012. 3. 14. · Dit bewees...