CEDOCS-skår for overbelegg på akuttmottak

Klinisk bakgrunn

Overbelegg i akuttmottak er et strukturelt problem som forsinker behandling, øker dødeligheten og forverrer arbeidsmiljøet. Å kvantifisere belastningen i sanntid er nødvendig for å utløse beredskapsprotokoller, omdirigere ambulanser eller frigjøre sengeplasser i sykehuset. Utfordringen ligger i at overbelegg er et flerdimensjonalt begrep som omfatter pasientvolum, ventetider, innleggelsestrykk og personalets opplevde arbeidsbelastning, og at ingen enkeltvariabel fanger hele bildet.

CEDOCS (Community Emergency Department Overcrowding Scale) ble utviklet spesifikt for akuttmottak utenfor universitetssykehus, der forgjengeren NEDOCS har vist svakheter. NEDOCS ble utledet ved universitetssykehus og krever blant annet opplysning om totalt antall sengeplasser i sykehuset, en variabel som ved mindre sykehus ofte er vanskelig å definere i sanntid. CEDOCS ble kalibrert over et bredere spenn av årlige besøksvolumer og erstatter sengeplassvariabelen med akuttmottakets totale besøksvolum, noe som gjør den mer anvendelig ved mindre enheter.

Beregning av CEDOCS

CEDOCS beregnes med en multivariabel lineær regresjonsmodell basert på fem variabler som samles inn på ett og samme tidspunkt i akuttmottaket:

$$\text{CEDOCS} = -29{,}53 + 3{,}14 \times n_{\text{intensiv}} + 0{,}52 \times t_{\text{max}} + 1{,}14 \times n_{\text{venterom}} + 20{,}55 \times \frac{n_{\text{total}}}{n_{\text{plasser}}} + 0{,}00124 \times V_{\text{år}}$$

der $n_{\text{intensiv}}$ er antall intensivpasienter som for tiden befinner seg i akuttmottaket, $t_{\text{max}}$ er lengste ventetid i timer for en innlagt pasient som fortsatt er i akuttmottaket, $n_{\text{venterom}}$ er antall pasienter som for tiden er på venterommet, $n_{\text{total}}$ er totalt antall pasienter som for tiden er i akuttmottaket (samtlige plasser), $n_{\text{plasser}}$ er totalt antall godkjente og bemannede behandlingsplasser i akuttmottaket, og $V_{\text{år}}$ er akuttmottakets årlige pasientbesøksvolum.

Negative resultater rapporteres som 0, tilsvarende "ikke travelt".

Modellen ble utledet i CEDOCS-studien, der data ble samlet inn ved 13 kaliforniske sykehus utenfor universitetssykehusnivå mellom 6. april og 1. mai 2011 [1]. Til sammen 2006 datasett ble samlet inn, hvorav 1489 inngikk i den fullstendige analysen. Utfallsmålet var gjennomsnittet av legers og ansvarlige sykepleieres vurdering av overbelegg på en 100 mm visuell analog skala (VAS). Av 20 kandidatvariabler ble 7 fjernet på grunn av multikollinearitet; de gjenværende 13 forklarte 50,5 % av variansen i utfallsmålet. De fem variablene som utgjør CEDOCS, sto for 92 % av den variansen som den fullstendige modellen forklarte [1]. De inkluderte sykehusene hadde årlige akuttmottaksvolumer mellom 18 000 og 98 000 besøk.

Tolkning i praksis

CEDOCS-skåren deles inn i seks bånd med økende handlingsbehov:

Skåren er et øyeblikksbilde og bør beregnes regelmessig, ikke minst ved kjente toppbelastningstider. En enkeltstående høy skår uten trend støtter umiddelbare tiltak; en stigende trend over flere målinger gir tid til å handle forebyggende.

CEDOCS er et styringsverktøy for avdelingen og ikke et beslutningsstøtteverktøy for den enkelte pasienten: skåren sier noe om systembelastningen, ingenting om hastegrad eller risiko hos pasienten foran deg. Den praktiske verdien avhenger derfor av at hvert bånd på forhånd er koblet til konkrete, lokalt avtalte tiltak med navngitt beslutningstaker, slik at en stigende skår faktisk utløser noe. Uten en slik forhåndsavtale blir skåren en dokumentasjon av belastningen snarere enn et virkemiddel mot den.

Validering og ytelse

CEDOCS har så langt gjennomgått begrenset ekstern validering. I utledningsstudien forklarte modellen 50,5 % av variansen i personalets VAS-vurdering av overbelegg, noe som er en moderat andel og gjenspeiler at overbelegg er vanskelig å fange med objektive variabler selv i den populasjonen modellen ble laget i [1].

Den eneste publiserte eksterne sammenligningen ble gjennomført ved tre franske akuttmottak (ett universitetssykehus og to sykehus utenfor universitetssykehusnivå) i løpet av to uker i 2023 [2]. CEDOCS korrelerte moderat med personalets selvrapporterte arbeidsbelastning (Spearman ρ = 0,471, 95 % CI 0,289-0,616). Et enklere mål, Census Rate (antall pasienter dividert med antall plasser), presterte signifikant bedre (ρ = 0,744, 95 % CI 0,619-0,832; forskjell i korrelasjon 0,273, p < 0,001). Ved de to sykehusene utenfor universitetssykehusnivå presterte imidlertid CEDOCS og Census Rate likeverdig, noe som taler for at CEDOCS kan ha sin største verdi nettopp i den populasjonen den var tiltenkt [2]. Studiens omfang var begrenset med 81 observasjoner, og resultatene bør tolkes med forsiktighet.

Til sammenligning er NEDOCS, som er den mest utbredte skåren for overbelegg internasjonalt, validert i flere sammenhenger med varierende resultater. I en svensk multisenterstudie ved fire akuttmottak oppnådde NEDOCS en AuROC på 0,97 for å forutsi overbelegg definert som høy arbeidsbelastning for personalet, noe som var sammenlignbart med den svenske mSEAL-modellen (AuROC 0,91) og Occupancy Rate (AuROC 0,90) [3]. I en italiensk studie ved et universitetssykehus var samsvaret mellom NEDOCS og personalets subjektive vurdering derimot bare moderat (vektet kappa 0,381) [4]. CEDOCS er ikke validert i svenske forhold, og heller ikke i norske.

Begrensninger

CEDOCS er utviklet for akuttmottak utenfor universitetssykehusnivå med årlige volumer mellom 18 000 og 98 000 besøk. Anvendelse ved universitetssykehus eller svært små akuttmottak utenfor dette spennet mangler valideringsgrunnlag. I den franske eksterne studien presterte CEDOCS dårligere ved universitetssykehuset, noe som indikerer at modellens kalibrering ikke generaliseres uendret til større enheter [2].

Modellens utfallsmål, personalets VAS-vurdering, er subjektivt og kan variere mellom individer, skift og kulturer. Dette er en systematisk svakhet som deles med NEDOCS og de fleste skårene for overbelegg: de kalibreres mot en gullstandard som selv er upresis. I den italienske NEDOCS-studien fant man at personalet hadde en tendens til å overvurdere belastningen ved lavt belegg og undervurdere den ved høyt belegg, et mønster som sannsynligvis også gjelder for CEDOCS [4].

Variabelen "antall intensivpasienter i akuttmottaket" har den høyeste koeffisienten (3,14) og får dermed stor effekt på skåren. Dette gjenspeiler at intensivpasienter som ligger og venter i akuttmottaket (boarding), er en sterk indikator på utstrømningsproblemer. Samtidig gjør den høye koeffisienten at noen få slike pasienter kan flytte skåren et helt bånd, noe som kan gi et diskontinuerlig bilde av belastningen.

CEDOCS krever, i likhet med NEDOCS, at samtlige variabler er korrekt og oppdatert registrert. Ved høy belastning er risikoen størst for at manuell dataregistrering forsinkes eller blir feilaktig, og det er nettopp den situasjonen der skåren trengs mest. Automatisert datainnhenting fra pasientadministrativt system er derfor i praksis en forutsetning for pålitelig bruk.

En skår for overbelegg måler belastning, ikke konsekvensene av den. Skåren bør derfor følges sammen med utfallsnære driftsmål som tid til legevurdering, total oppholdstid i mottaket og antall pasienter som forlater mottaket uten å bli vurdert. Disse målene fanger opp om belastningen faktisk rammer pasientene, og de er mindre avhengige av hvordan plasser og bemanning defineres lokalt.

Erfaring fra nordiske akuttmottak

I Sverige har ingen skår for overbelegg vært etablert i praksis. Den svenske mSEAL-modellen, som er validert ved fire svenske akuttmottak, inneholder bare to variabler (pasienttimer og tid til lege) og presterer sammenlignbart med NEDOCS og Occupancy Rate [3]. mSEAL har fordelen at variablene rapporteres til nasjonale registre, noe som muliggjør både sanntidsmåling og retrospektiv analyse. CEDOCS er ikke testet i nordiske omgivelser, og variabelen "årlig besøksvolum" er statisk og bidrar marginelt til variasjonen i skåren ved en enkeltstående måling, noe som gjør merverdien fremfor enklere mål som Occupancy Rate tvilsom i nordisk sammenheng.

Kilder

1. Weiss SJ m.fl. Evaluating community ED crowding: the Community ED Overcrowding Scale study. Am J Emerg Med. 2014. PMID: 25234796
2. Paris F m.fl. Census rate as a pragmatic indicator of emergency department crowding: a multicentre prospective observational comparison with CEDOCS against frontline-perceived workload. BMC Nurs. 2026. PMID: 42337765
3. Wretborn J m.fl. Validation of the modified Skåne emergency department assessment of patient load (mSEAL) model for emergency department crowding and comparison with international models; an observational study. BMC Emerg Med. 2021. PMID: 33618658
4. Strada A m.fl. Do health care professionals' perceptions help to measure the degree of overcrowding in the emergency department? A pilot study in an Italian University hospital. BMC Emerg Med. 2019. PMID: 31455226