Modellering av sjuksköterskors vårduppgifter i simulerade akutscenarier: insikter för klinisk utbildning och praktik

Varför denna forskning är viktig för patientvård

När någon på akutmottagningen plötsligt försämras är sjuksköterskor ofta de första som märker det och agerar. Deras snabba beslut — vad som ska kontrolleras, vem som ska kontaktas, vilken behandling som ska påbörjas — kan avgöra skillnaden mellan återhämtning och allvarlig skada. Många av dessa val görs så snabbt och intuitivt att även erfarna sjuksköterskor har svårt att förklara hur de går tillväga. Denna studie undersöker om modern artificiell intelligens kan lära sig mönstren bakom expertens handlingar i realistiska akutsimuleringar, i syfte att en dag kunna vägleda mindre erfarna sjuksköterskor i situationer med höga insatser.

Hur erfarna sjuksköterskor agerar snabbt och flexibelt

Erfarna sjuksköterskor som vårdar svårt sjuka patienter gör betydligt mer än att följa steg‑för‑steg‑listor. De kombinerar hela tiden avläsningar från monitorer, uppgifter i journalen, vad de ser och känner vid en fysisk undersökning samt vad patienten beskriver om sitt tillstånd. Mycket av detta beslutsfattande är snabbt, intuitivt och svårt att formulera i ord. Noviser tenderar däremot att hålla sig nära skriftliga protokoll och fokusera starkt på monitorns siffror, vilket kan göra dem mindre anpassningsbara när patientens tillstånd förändras på oväntade sätt. Forskarna menade att om vi kan fånga sekvensen av synliga handlingar som sjuksköterskor utför — till exempel att kontrollera vitala parametrar, prata med patienten eller kontakta läkare — kan vi kanske modellera detta beslutsfattande tillräckligt väl för att stödja utbildning och klinisk praktik.

Simulerade akutfall i en säker miljö

För att studera dessa mönster utan att utsätta verkliga patienter för risk använde teamet detaljerade simuleringar med livslika dockor. Elva erfarna sjuksköterskor och tretton tredjeårsstudenter i sjuksköterskeutbildningen genomförde akutscenarier som involverade en patient som plötsligt fick en ischemisk stroke och, för experterna, ett ytterligare scenario med patienter med svåra Covid‑19‑komplikationer. Varje handling sjuksköterskorna utförde — totalt 19 distinkta beteenden — fångades på video, tidsstämplades och kodades noggrant av kliniska experter och experter på människans prestation. Dessa många specifika handlingar grupperades sedan i åtta bredare kategorier, såsom kontroll av vitala parametrar, fokuserade fysiska undersökningar, samtal med patienten, genomgång av journalen, administrering av mediciner, kontakt med läkare, beställning av ytterligare tester eller igångsättande av snabbinsatsteam.

Vad datan avslöjade om omvårdnadsmönster

I de 33 simulationsfallen utförde sjuksköterskorna och studenterna 1 024 handlingar, i genomsnitt cirka 31 handlingar per scenario. Att kontrollera vitala parametrar var långt den vanligaste åtgärden, följt av fokuserade fysiska undersökningar och samtal med patienten. En övergångskarta visade att oavsett vad som just gjorts var nästa steg oftast att kontrollera monitorn — vilket tyder på att de regelbundet använde siffror för att bekräfta vad de såg och hörde. Det fanns också tydliga skillnader mellan experter och studenter: experterna balanserade tid mellan monitorer och hands‑on‑undersökningar, och de beställde oftare ytterligare tester och gav mediciner, medan studenterna i högre grad förlitade sig enbart på monitorn. Dessa skillnader skapade ett varierat set av beteendemönster som kan hjälpa en modell att lära sig mer generella regler för patientvård.

Att lära en modell förutsäga nästa vårdåtgärd

Huvudfrågan var om en modern AI‑metod känd som en attention‑baserad transformer kunde lära sig att förutsäga vilken åtgärd en sjuksköterska skulle vidta härnäst, enbart baserat på sekvensen av tidigare handlingar. Teamet tränade denna modell på de kodade simulationsdata och jämförde den med två mer traditionella sekvensinlärningsmetoder: ett grundläggande återkommande neuralt nätverk och ett long short‑term memory (LSTM)‑nätverk. Alla tre modeller presterade bättre än att helt enkelt gissa den vanligaste nästa åtgärden. Den attention‑baserade modellen uppnådde ungefär 73 procent korrekthet totalt och gav generellt den mest balanserade prestandan över olika typer av åtgärder, särskilt när det gällde att återkalla mindre frekventa men viktiga beteenden. LSTM‑modellen uppnådde något högre precision — vilket innebär att när den förutsade en viss åtgärd var den något mer sannolikt korrekt — men dess prestanda varierade mer mellan åtgärdstyper.

Vad detta kan innebära för utbildning och vård i verkliga miljöer

För en lekmann är huvudresultatet att ett datorsystem kan lära sig meningsfulla mönster från hur sjuksköterskor faktiskt arbetar i akutsituationer och kan göra relativt precisa förutsägelser om vad en expert sannolikt gör härnäst. På kort sikt skulle ett sådant system kunna integreras i simulationsutbildning: när studenter arbetar igenom ett strokescenario, till exempel, skulle modellen kunna övervaka deras handlingar och försiktigt föreslå nästa hjälpsamma steg när de kör fast, och därigenom bevara den mänskliga sjuksköterskans helhetssyn snarare än att ersätta den. Författarna betonar att mer data, fler tillstånd utöver stroke och Covid‑19 och noggrann hänsyn till integritet krävs innan liknande verktyg kan användas i riktiga sjukhus. Ändå ger denna studie en tidig bild av hur AI en dag kan stödja, snarare än ersätta, sjuksköterskors snabba och livsavgörande beslut.

Citering: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Nyckelord: sjuksköterskors beslutsfattande, klinisk simulering, maskininlärning, attention‑modeller, akutvård