PHASE-ED: Recorded Emergency Department Stay and Temporal Prediction Across Pandemic Phases at Jordanian Public Hospitals

Wanneer een patiënt arriveert bij de spoedeisende hulp van een ziekenhuis, begint de klok te tikken. Deze tijd, bekend als de verblijfsduur, is meer dan alleen een getal op een spreadsheet; het is een maatstaf voor hoe snel een persoon zich beweegt van het moment dat hij door de deur stapt tot het moment dat hij vertrekt, of dat nu naar huis is of naar een ziekenhuisbed. Voor artsen en ziekenhuismanagers is het bijhouden van deze duur essentieel. Het helpt hen begrijpen of hun systemen soepel werken of dat patiënten vastlopen in knelpunten, waarbij ze te lang moeten wachten op zorg. In de afgelopen jaren heeft de wereldwijde pandemie deze systemen in chaos gestort, wat veranderde hoeveel mensen er kwamen opdagen, hoe ziek ze waren en hoe ziekenhuizen reageerden. Nu de onmiddellijke crisis voorbij is, blijft een cruciale vraag over: zijn de spoedeisende hulp echt teruggekeerd naar de normale situatie, of is de manier waarop we tijd meten veranderd samen met de manier waarop we patiënten behandelen?

Een nieuwe studie uit Jordanië, getiteld PHASE-ED, probeerde deze vraag te beantwoorden door te kijken naar de gegevens van bijna 400.000 bezoeken aan de spoedeisende hulp van een publiek ziekenhuis tussen 2018 en 2025. De onderzoekers wilden zien hoe de tijd die patiënten in de spoedeisende hulp doorbrachten verschoof vóór de pandemie, tijdens de piek van het virus en in de jaren na de pandemie. Ze wilden ook testen of eenvoudige computermodellen konden voorspellen hoe lang een toekomstige patiënt zou verblijven, gebaseerd op slechts basisinformatie zoals leeftijd, geslacht en het tijdstip van aankomst. Het doel was niet alleen om minuten te tellen, maar om te begrijpen of de cijfers een echt verhaal vertelden van snellere zorg, of dat ze veranderingen in de manier waarop het ziekenhuis zijn gegevens registreerde verborgen.

De studie begon met het opschonen en organiseren van een enorme digitale log van elke patiënt die de spoedeisende hulp binnenkwam. De onderzoekers concentreerden zich op één specifieke ziekenhuislocatie om ervoor te zorgen dat de gegevens consistent waren, waarbij ze naar bezoeken keken van het begin van 2018 tot het einde van 2025. Ze verdeelden deze tijdlijn in drie afzonderlijke tijdperken: de tijd vóór de pandemie, de jaren waarin het virus actief verspreidde, en de herstelperiode nadat de officiële gezondheidsnoodtoestand eindigde. Door de middelste waarden van deze groepen te vergelijken, vonden ze een duidelijke trend. Vóór de pandemie bleef de typische patiënt 63 minuten. Tijdens de pandemie daalde die tijd licht naar 60 minuten. In de herstelperiode daalde de typische verblijfsduur verder naar 51 minuten.

Echter, de gemiddelde tijd vertelt slechts een deel van het verhaal. De onderzoekers keken dieper in de gegevens om te zien wat er gebeurde met de patiënten die het langst wachtten. Vóór de pandemie duurden de langste 10 procent van de verblijven meer dan vijf uur en vijftien minuten. Tijdens de pandemie was deze hoogste wachttijd nog steeds bijna vijf uur. Maar in de herstelperiode daalden de langste wachttijden dramatisch naar net onder de drie uur. Dit suggereert dat terwijl de typische patiënt een bescheiden verbetering zag, de meest significante verandering plaatsvond voor degenen die het langst in het systeem vastzaten. Het aantal patiënten dat langer dan zes uur wachtte, daalde van meer dan 8 procent vóór de pandemie naar net boven de 1 procent in de herstelfase.

Toch waren de onderzoekers voorzichtig met de aanname dat deze kortere tijden betekenden dat het ziekenhuis plotseling veel sneller was geworden in het behandelen van mensen. Ze ontdekten een subtiele maar belangrijke verschuiving in de manier waarop het ziekenhuis de tijd registreerde. In juli 2024 veranderde de manier waarop het systeem het exacte moment waarop een patiënt vertrok logde, waardoor het nauwkeuriger werd. De onderzoekers ontdekten dat de kortere verblijfsduur al was begonnen op te treden voordat deze technische verandering plaatsvond, wat suggereert dat de trend echt was en niet slechts een foutje in het registratiesysteem. Toch merkten ze op dat de gegevens een vreemd patroon lieten zien: het aantal patiënten met een "onbekende" eindstatus daalde scherp in de herstelperiode. Dit riep de mogelijkheid op dat de manier waarop personeel patiënten als "ontslagen" of "opgenomen" markeerde, veranderd was, wat de geregistreerde tijden korter zou kunnen laten lijken, zelfs als de werkelijke medische zorg net zo lang duurde.

Om te zien of ze deze tijden in de toekomst konden voorspellen, bouwde het team verschillende computermodellen. Ze probeerden een eenvoudig historisch gemiddelde te gebruiken, dat simpelweg voorspelde dat elke nieuwe patiënt even lang zou blijven als het gemiddelde uit het verleden. Ze probeerden ook complexere methoden, inclusief geavanceerde statistische technieken en machine learning-algoritmen die patronen in leeftijd, geslacht en het tijdstip van de dag konden herkennen. De resultaten waren verrassend. De complexe modellen presteerden niet veel beter dan het eenvoudige historische gemiddelde. Het meest geavanceerde model verminderde de voorspellingsfout met minder dan twee minuten vergeleken met de eenvoudige gok. Dit suggereert dat het voor dit specifieke ziekenhuis niet veel hielp om de leeftijd of het geslacht van een patiënt te weten bij het voorspellen van hoe lang zij zouden verblijven. Het tijdstip van de dag en de dag van de week deden er toe, maar de basisgeschiedenis van de prestaties van het ziekenhuis was een verrassend sterke voorspeller.

De studie keek ook naar hoe goed deze modellen de reikwijdte van de tijd konden inschatten die een patiënt zou kunnen verblijven, in plaats van slechts één enkel getal. Ze wilden weten of ze een tijdsvenster konden geven, zoals "de meeste patiënten zullen tussen de 20 en 100 minuten verblijven", en er zeker van konden zijn dat dit venster accuraat was. Het eenvoudige historische model was hierin over het algemeen goed in en dekte de juiste tijdsperiode voor ongeveer 91 procent van de patiënten. Echter, wanneer de onderzoekers naar specifieke groepen keken, werd het beeld ongelijkmatig. Voor patiënten die gemarkeerd waren als behoefend aan "Reanimatie" — de meest kritieke categorie — was het model slechts in ongeveer 69 procent van de gevallen correct. Dit betekent dat voor de ziekste patiënten de voorspellingen vaak te breed waren of de plank volledig misslaan, wat benadrukt dat het systeem moeite heeft met het voorspellen van de behoeften van de meest urgente gevallen.

De onderzoekers concludeerden dat hoewel de geregistreerde tijd in de spoedeisende hulp zeker korter is geworden, vooral voor degenen die het langst wachtten, de redenen hiervoor niet volledig duidelijk zijn. De gegevens tonen een echte verandering in de cijfers, maar kunnen niet bewijzen of dit komt doordat artsen sneller werken, omdat het type patiënten dat arriveert is veranderd, of omdat de manier waarop de tijd wordt genoteerd is verschoven. De studie dient als een herinnering dat in een complex systeem zoals een ziekenhuis, een lager getal op een scherm niet automatisch betere zorg betekent. Het suggereert dat ziekenhuismanagers verder moeten kijken dan de totale tijd en de specifieke stappen van het proces moeten onderzoeken, zoals hoe lang het duurt om een arts te zien of hoe snel een bed wordt gevonden. Totdat die details begrepen zijn, blijven de kortere verblijven een veelbelovend teken dat verder onderzoek vereist in plaats van een opgelost probleem.