Painevamman riskin ennustusmallin rakentaminen ja soveltaminen kriittisesti sairaille potilaille

1.1 Kriittisesti sairaiden potilaiden sairaalassa saatujen painevammojen epidemiologiset ominaisuudet Yhtenä maailmanlaajuisista terveysongelmista stressivammat ovat yleinen hoito- ja terveyslaitosten ongelma, ja sitä pidetään vakavimpana sairaalassa saatuna haittatapahtumana. Hospital Acquired Pressure Injury (HAPI) tarkoittaa potilaiden iho- ja (tai) syväkudosvammoja 24 tunnin kuluttua vastaanotosta. PI voi aiheuttaa kipua ja huonontaa taudin ennustetta, ja vaikeissa tapauksissa se voi aiheuttaa sekundäärisen infektion ja kuoleman. Samalla se pidentää sairaalahoitoa, vie paljon lääketieteellisiä resursseja ja lisää perheen taloudellista taakkaa. Kriittisesti sairailla potilailla on aina korkea PI-riski hoitolaitoksissa, ja sen ilmaantuvuus on 3,8 kertaa ei-kriittisesti sairaiden potilaiden riski. Monet riskitekijät lisäävät kriittisesti sairaiden potilaiden alttiutta PI:lle, kuten riittämätön verenkierto, alhainen veren happisaturaatio, vasoaktiivisten lääkkeiden käyttö, koneellinen ventilaatio tai munuaiskorvaushoito. PI:n esiintyvyys kriittisillä potilailla ulkomailla on 16,9–23,8 %; PI:n esiintyvyys kriittisesti sairailla potilailla Kiinassa on 5,58 % ~ 11,09 %; Vuonna 2021 Sonia et al. suoritti kansainvälisen monikeskustutkimuksen laajan otantatutkimuksen (1117 tehohoitoyksiköstä ja 90 maasta/alueelta), ja PI:n esiintyvyys kriittisesti sairailla potilailla oli 16,2 %. Kuten me kaikki tiedämme, PI on yleinen krooninen tulenkestävä haava klinikalla, jonka paranemisnopeus on alhainen ja hoitokustannukset korkeat. Sun Xiaofang seurasi 59 PI-potilasta ja havaitsi, että vaiheen 3 ja sitä korkeamman PI:n haavan paranemisaika oli noin 37 kuukautta, ja vain 5,1 % potilaiden haavoista oli täysin parantuneet, ja keskimääräiset kustannukset olivat noin 6 600 yuania. Vuonna 2019 Yhdysvallat käytti jopa 2,08 miljardia dollaria kriittisesti sairaiden potilaiden PI-hoitoon. PI on myös tärkeä syy kriittisesti sairaiden potilaiden kuolleisuuden kasvuun. Koska joillakin kriittisesti sairailla potilailla on monielinten vajaatoiminta monimutkaisia, PI:n esiintymisen jälkeen on helpompi viivyttää infektiota ja aiheuttaa sepsiksen, joka johtaa potilaiden kuolemaan. Siksi PI:n välttäminen kriittisesti sairailla potilailla on lääketieteen työntekijöiden ensisijainen ongelma.

1.2 PI-riskinarviointityökalu kriittisesti sairaille potilaille Vuosien mittaan on tullut maailmanlaajuinen yksimielisyys, että PI:n ehkäisy on tärkeämpää kuin hoito. Riskinarviointi on ensimmäinen askel PI:n estämisessä, ja sen tulosten tarkkuus vaikuttaa suoraan ennaltaehkäisevien toimenpiteiden ja ehkäisevien vaikutusten valintaan. Tällä hetkellä on olemassa Braden-asteikko, Norton-asteikko ja Waterlow-asteikko, joita käytetään laajalti kliinisessä käytännössä. Norton-asteikolla ja Waterlow'n asteikolla on todettu olevan paras ennustevaikutus iäkkäiden potilaiden ja kirurgisten potilaiden arvioinnissa. Kuitenkin, kun Braden-asteikkoa sovelletaan kriittisesti sairaiden potilaiden PI-riskin arviointiin, sen ennustekyky on kohtalainen (hyvä herkkyys ja alhainen spesifisyys), mikä johtaa monien ei-kohdennettujen ehkäisevien toimenpiteiden toteuttamiseen klinikalla ja tuhlaa lääketieteellisiä resursseja. Jo 1990-luvulla ulkomaiset tutkijat laativat PI-riskinarviointilomakkeita kriittisille potilaille, mukaan lukien Cubbin & Jackson, SunderLand, SS (Suriadi ja Sanada Scale) ja EVARUCI. Ye Tong et ai. analysoinut syitä, miksi näitä asteikkoja ei voida käyttää laajasti. Ne on koottu ulkomaisten kriittisten potilaiden ominaisuuksien mukaan, ja jotkin kohteet eivät sovellu Kiinan väestöön. Toiseksi jotkut kohteet on laskettava ennen täyttämistä (kuten verenpaineen laskun alue), ja vaiheet ovat monimutkaisia, mikä lisää hoitohenkilökunnan työtaakkaa. Jotkut kohteet ovat subjektiivisia indikaattoreita, ja saman potilaan pisteet ovat melko erilaisia, joten arvioijien kykyvaatimukset ovat tiukat. Tällä hetkellä ei ole olemassa erityistä PI-arviointiasteikkoa kriittisesti sairaille potilaille, joka perustuisi Kiinan väestön ominaisuuksiin. Yleisesti ottaen perinteiset arviointityökalut, arviointiprosessi kuluttaa paljon työvoimaa, ja myös asteikon kohteet vaikuttavat suuresti arvioinnin tarkkuuteen.

Vuonna 2019 Sheng Han et al. keräsi 278 teho-osastopotilaan tiedot retrospektiivisellä tapauskontrollimenetelmällä ja sai riippumattomia stressivamman riskitekijöitä monimuuttujaanalyysillä: ikä, turvotus, hemiplegia, diabetes, akuutti fysiologinen ja krooninen terveyspistemäärä II, inkontinenssi ja loi nomogrammimallin stressivamma. Tämän mallin ROC-käyrän alla oleva pinta-ala on 0,83, jolla on hyvä vakaus ja erottelukyky. Tällä mallilla on kuitenkin pieni otoskoko, siitä puuttuu ulkoinen vahvistus ja sillä on korkea ennusteen suorituskyvyn harha. Lisäksi diabetes, turvotus, hemiplegia, inkontinenssi jne. ovat kaikki luokiteltuja muuttujia, jotka eivät todellakaan voi määrittää riskitekijöiden ja stressivammojen välistä suhdetta.

Stressivamman patologinen mekanismi on monimutkainen ja dynaaminen, sisältäen sisäiset ja ulkoiset tekijät. Danan mielestä kudosten sietokyky on välimuuttuja sisäisten ja ulkoisten tekijöiden välillä, mikä heijastaa kudoksen paine- ja hapensietokykyä ja esittää edelleen teoreettisen viitekehyksen stressivamman ennustemallille - potilaan omat tekijät (ikä, komorbiditeetti, sukupuoli, keho indeksi jne.) ja mekaaniset tekijät (kitka/leikkausvoima, liikkuvuus, liikkuvuus jne.). Vuonna 2019 Euroopan stressivammojen neuvoa-antavan komitean, amerikkalaisen stressivamman neuvoa-antavan komitean ja amerikkalaisen stressivamman neuvoa-antavan komitean julkaisijat Prevention and Treatment of Stressivammoja: Kliininen käytännön opas (jäljempänä "2019 painos stressivamman kliinisestä oppaasta"). Pan-Pacific Stress Injury Alliance ehdotti, että potilaiden riskinarvioinnissa tulisi ottaa huomioon perussairauksien, kuten diabeteksen ja neuropatian aiheuttamien verenkiertomuutosten, vaikutuksia, jotka vaikuttavat ihon herkkyyteen ja sietokykyyn. Siksi lääkintätyöntekijöiden tulee potilaiden PI-riskiä arvioidessaan ottaa kokonaisvaltaisesti huomioon potilaan perussairaudet ja erilaiset riskitekijät ja analysoida ne yksilöllisesti. Analysoimalla sairaalan stressivamman haittatapahtumia varhaisessa vaiheessa havaitaan, että kriittisten potilaiden tilan muuttuessa lääkintätyöntekijöiden tietoisuus PI:n riskinarvioinnista on riittämätön, mikä voi olla toinen tärkeä syy, miksi kriittiset potilaat ovat alttiimpia PI. Kuinka kokonaisvaltaisesti ottaa huomioon kaikenlaiset kriittisesti sairaiden potilaiden kohtaamat riskitekijät ja arvioida riskejä reaaliajassa, PI-riskien ennustemalli tuo uutta toivoa vaikean ongelman ratkaisemiseen.

1.3 Pi-riskin ennustemallin kehitystila Sairausriskien ennustemalli on aina ollut lääketieteen kuuma paikka. PI-riskin ennustemalli viittaa matemaattiseen malliin, jossa muuttujina ovat stressivamman riskitekijät ja koneoppimisalgoritmi ennustamaan PI:n todennäköisyyttä. Sillä voidaan nopeasti, kattavasti ja tarkasti seuloa korkean riskin PI-potilaat ja samalla tarjota kontrolloitavia indikaattoreita lääkintätyöntekijöille, edistää kohdennettujen hoito- ja hoitotoimenpiteiden toteuttamista, vähentää PI:n ilmaantuvuutta ja alentaa hoitokuluja.

Kliiniset tiedot 486 teho-osastopotilaasta Deng Xiaohongissa kerättiin ja PI-riskin ennustemalli rakennettiin käyttämällä luokitteluregressiopuualgoritmia. Päätöspuumalli koostui 4 tasosta ja 11 solmusta, ja valittiin kolme korkean riskin ryhmää: (1) Ikä > 81 vuotta vanha; (2) Ikä ≤8l, ulosteen pidätyskyvyttömyys; (3) Potilaat, joiden ikä on ≤81 vuotta, ei ulosteen pidätyskyvyttömyyttä, Braden-pistemäärä ≤13 ja diastolinen verenpaine < 60 mmHg, tämän mallin ROC-käyrän alla oleva pinta-ala on 0,82. Tässä tutkimuksessa ei ole sisäistä varmennusta, ja mallin ennustekyky voi olla liian korkea. PI:n riskitekijöiden valinta tässä tutkimuksessa perustuu kirjallisuuskatsaukseen eikä näyttöön perustuvaan, eikä riskitekijöiden voida päätellä korreloivat voimakkaasti stressivamman kanssa.

Yu et ai. keräsi vuodepotilaiden kliinistä dataa vuosina 2014-2016, käytti monitekijäanalyysin tuloksia malliennustemuuttujiksi ja käytti päätöspuuta, logistista regressiota ja satunnaista metsäkoneoppimisalgoritmia ennustemalleja arvioidakseen PI-riskiä laitospotilaiden keskuudessa. Tulokset osoittivat, että satunnaisella metsämallilla oli paras ennustekyky ja ROC-käyrän alle jäänyt pinta-ala oli 0,84.

Molemmissa tutkimuksissa yhtä koneoppimisalgoritmia käytetään stressivamman riskin ennustemallin rakentamiseen. Koneoppimisen elinkaari on itseoppimisprosessi, jossa käytetään tunnettuja tietojoukkoja mallin rakentamiseen tuntemattomien datatapahtumien esiintymisen ennustamiseksi. Ensinnäkin paras ennustevaikutus voidaan saavuttaa valitsemalla sopiva koneoppimisalgoritmi tutkimustavoitteen, muuttujien luokituksen ja tietojoukon attribuuttien mukaan. Toiseksi se, voidaanko puuttuvat tiedot käsitellä oikein, vaikuttaa myös mallin ennustekykyyn, koska mallin lopullinen vaikutus riippuu datan määrästä ja datan sisältämän hyödyllisen tiedon määrästä. Lopuksi mallin todentaminen on kriittisintä. Sisäinen todentaminen voi estää mallin liiallisen sovittamisen, jotta saadaan luotettavampi ja tarkempi arviointiarvo. Ulkoinen verifiointi arvioi pääasiassa mallin ennustekykyä kliinisen sovelluksen avulla sekä analysoi ja optimoi mallin käyttämällä uutta kerättyä dataa, jotta mallia voidaan jatkuvasti päivittää dynaamisesti, mikä luo pohjan mallin tulevalle laaja-alaiselle käytölle. . Tässä tutkimuksessa algoritmikirjaston muodostamiseen käytetään maailman johtavia keinotekoisen energian älykkäitä malleja. Projektin alkuvaiheessa laaditun vakiodatan perusteella mallikirjastossa harjoitellaan useita malleja satunnaisella ja toistuvalla otannalla ja louhitaan paras integroitu ennustemalli. Tekoälymalli on integroitu oppimismalli (se on suuri koneoppimisen luokka, joka eroaa yksittäisestä koneoppimismallista). Se suorittaa oppimistehtävät rakentamalla useita oppijoita, mukaan lukien pääasiassa yhden mallin koulutus ja usean mallin yhdistäminen. Ensemble-oppiminen voi täysin korvata yksittäisen koneoppimisalgoritmin puutteen, ja sen tärkeimmät edut ovat seuraavat: (1) Alihankinta-opiskelijoiden tyyppejä ei ole rajoitettu, ja integroitujen oppijoiden kokonaismäärä voi olla homogeeninen (samantyyppinen osa-oppijat) tai heterogeeniset (erityyppiset osa-oppijat), mikä parantaa ryhmäoppimisen suorituskykyä ja yhteensopivuutta; (2) Yleistyssuorituskyky voi yleensä olla merkittävästi parempi kuin yhden oppijan integroinnin ansiosta. Jos alihankkija on heikko, tämä ylivoima on vieläkin ilmeisempi. PI-tekoälymalli muuntaa pääasiassa kliinistä dataa kuuden vaiheen kautta: tiedon poiminta ja puhdistus, tietojoukon muodostus, mallikoulutus, mallin arviointi ja verifiointi, mallin tulkinta ja kliinisen päätösinformaation muodostaminen, mikä hyödyntää datassa olevaa hyödyllistä tietoa täysimääräisesti. . Tässä tutkimuksessa tehdään yhteenveto stressivamman riskitekijöistä kriittisillä potilailla näyttöön perustuvan lääketieteen ja asiantuntijakirjeenvaihdon avulla ja hyödynnetään integroidun oppimismallin etuja PI-tekoälyn ennustemallin luomiseksi sen korkean ennustuskyvyn varmistamiseksi.

1.4 PI-tekoälymallin kliininen sovellusnäkymä Terveys- ja terveystoimikunnan antamassa ilmoituksessa hoitotyön edelleen vahvistamisesta hoitolaitoksissa vuonna 2020 todettiin, että hoitotyön informatisoinnin kehittämistä on edelleen edistettävä, edistettävä tiedon syvällistä integraatiota. teknologiaa ja hoitotyötä sekä perustaa hoitotyön johtamisalustan eri toiminnoineen. Tietotekniikan jatkuvan kehityksen myötä koneoppimisalgoritmien soveltamisesta big datan keräämiseen ja hyödyntämiseen on tullut kehitystrendi. Koneoppimisalgoritmi on tekoälyn ydin. PI:n hallinnassa rakentamalla PI-riskien ennustemallia, se voi paitsi arvioida kriittisesti sairaiden potilaiden PI-riskiä, ​​toteuttaa automaattisen data-analyysin ja edistää PI-sähköisen tiedonhallinnan kehitystä. Park et ai. käytti retrospektiivistä tutkimusmenetelmää kliinisten tietojen keräämiseen 14 907 sairaalapotilaasta sähköisen sairauskertomustietokannan avulla ja perusti cox-riskin regressiomallin ennustamaan potilaiden PI-riskiä. Tämän mallin ROC-käyrän alla oleva pinta-ala on 0,95, ja sen ennustevaikutus on paljon parempi kuin Bradenin asteikolla (ROC-käyrän alainen pinta-ala on 0,82). Sähköinen sairauskertomusjärjestelmä sisältää paljon potilastietoja (potilaiden henkilötiedot, potilastiedot, testitulokset, lääketiedot jne.). PI:n tekoälyn ennustemalli on upotettu sähköiseen sairauskertomusjärjestelmään, joka voi muuttaa potilaan tallenteet ja tiedot arvokkaaksi lääketieteelliseksi tiedoksi. Sen odotetaan antavan uuden suunnan varhaiseen ennaltaehkäisyyn, seuraavan jatkuvasti potilaiden stressivammojen riskiä ja kannustavan lääketieteen työntekijöitä ottamaan käyttöön tehokasta hoitoa ja hoitoa. Se voi tarjota asianmukaista lääketieteellistä neuvontaa potilaille ja heidän perheilleen, helpottaa näyttöön perustuvan kliinisen päätöksenteon toteuttamista ja viime kädessä vähentää stressivammojen esiintymistä kriittisesti sairailla potilailla, parantaa hoitotyön laatua ja vähentää sairaanhoitokuluja.Se voi arvioida PI:n kriittisesti sairaiden potilaiden riski, toteuttaa automaattinen tiedon analysointi ja edistää PI sähköisen tiedonhallinnan kehittämistä. Park et ai. käytti retrospektiivistä tutkimusmenetelmää kliinisten tietojen keräämiseen 14 907 sairaalapotilaasta sähköisen sairauskertomustietokannan avulla ja perusti cox-riskin regressiomallin ennustamaan potilaiden PI-riskiä. Tämän mallin ROC-käyrän alla oleva pinta-ala on 0,95, ja sen ennustevaikutus on paljon parempi kuin Bradenin asteikolla (ROC-käyrän alainen pinta-ala on 0,82). Sähköinen sairauskertomusjärjestelmä sisältää paljon potilastietoja (potilaiden henkilötiedot, potilastiedot, testitulokset, lääketiedot jne.). PI:n tekoälyn ennustemalli on upotettu sähköiseen sairauskertomusjärjestelmään, joka voi muuttaa potilaan tallenteet ja tiedot arvokkaaksi lääketieteelliseksi tiedoksi. Sen odotetaan antavan uuden suunnan varhaiseen ennaltaehkäisyyn, seuraavan jatkuvasti potilaiden stressivammojen riskiä ja kannustavan lääketieteen työntekijöitä ottamaan käyttöön tehokasta hoitoa ja hoitoa. Se voi tarjota asianmukaista lääketieteellistä neuvontaa potilaille ja heidän perheilleen, helpottaa näyttöön perustuvan kliinisen päätöksenteon toteuttamista ja viime kädessä vähentää stressivammojen esiintymistä kriittisesti sairailla potilailla, parantaa hoitotyön laatua ja vähentää hoitokuluja.