Vi fulgte 209 borgere ved udskrivelse fra OUH til Lysningen, et MIDO i Odense, og kortlagde udfordringer omkring medicin. Vi fandt bl.a. at der for 4/10 var fejl, uoverensstemmelser el. manglende dokumentation for deres medicin og i gns. måtte sygeplejerskerne ringe 3 gange og sende 2 beskeder for hver borger om medicin etc. i løbet af de 5 første dage på MIDO. Læs studiet.

Gennem interviews med ledere og medarbejdere på 14 midlertidige døgnophold kortlægger vi den unikke organisatoriske struktur og arbejdsopgave for MIDO. Vi fokuserer på lokale forskelle i kommunal praksis og bidrager til forståelsen af de sundhedsfaglige rammer, som er nødvendige for at opnå de nationale mål i vores sundhedsvæsen.

Vi vil udvikle fortolkelige overlevelsesmodeller, der kan beskrive og forudsige tid til død og tid til genindlæggelse efter indlæggelse på MIDO baseret på medicinsk historie og ved hjælp af maskinlæringsteknikker. Dette gør vi ved hjælp af data fra patienter, der blev indlagt på MIDO i perioden 2014-2023 beriget med data fra de danske sundhedsregistre.

Ud fra 11.424 patienters ophold på MIDO i 14 danske kommuner i 2016-2013 undersøger vi ved hjælp af registerdata, hvad der kendetegner patienter på MIDO i Danmark og deres forløb, herunder køn, alder, sygelighed, opholdsvarighed, opholdssted før og efter indflytning på midlertidigt døgnophold, dødelighed og risikofaktorer for død. Læs foreløbige resultater.

Ud fra 11.424 patienters ophold på MIDO i 14 danske kommuner i 2016-2013 undersøger vi ved hjælp af registerdata, hvor mange og hvilke typer af medicin, herunder risikosituationslægemidler, patienterne bruger, hvor mange patienter, der starter på ny medicin, samt hvilke typer af receptudstedere, der ordinerer den nye medicin. Læs foreløbige resultater.

Gennem interviews med ledere og medarbejdere på 14 midlertidige døgnophold kortlægger vi den unikke organisatoriske struktur og arbejdsopgave for MIDO. Vi fokuserer på lokale forskelle i kommunal praksis og bidrager til forståelsen af de sundhedsfaglige rammer, som er nødvendige for at opnå de nationale mål i vores sundhedsvæsen.

Vi forsøger at udvikle deep learning-modeller for at forbedre forudsigelsen af patientudfald, såsom længden af ophold på MIDO og tidlig dødelighed efter indlæggelse på MIDO. Vi anvender AI-teknikker på data fra patienter, der blev indlagt på MIDO i perioden 2014-2023 beriget med data fra de danske sundhedsregistre.

Givet de meget heterogene karakteristika hos MIDO-patienter, ønsker vi at identificere skjulte undergrupper ved hjælp af Latent Klasse Analyse og kortlægge patientforløbene på tværs af de identificerede undergrupper. Dette gør vi ved hjælp af data fra patienter, der blev indlagt på MIDO i perioden 2014-2023 beriget med data fra de danske sundhedsregistre.

Vi vil undersøge, hvilke faktorer der medvirker til god overdragelse af medicinopgaver og -ansvar, når patienter rykker fra hospital til MIDO. Vi vil også undersøge forskellige sundhedsprofessionelles holdninger til at lade medicinopgaver overgå fra fx læger og sygeplejersker på hospital til farmaceuter og/eller farmakonomer på MIDO.