Construction et application d'un modèle de prédiction du risque d'escarre pour les patients gravement malades

1.1 Caractéristiques épidémiologiques des lésions de pression nosocomiales chez les patients gravement malades En tant que l'un des problèmes de santé mondiaux, les lésions de stress sont un problème courant auquel sont confrontés les établissements médicaux et de santé, et elles sont considérées comme l'événement indésirable nosocomial le plus grave. Les lésions de pression acquises à l'hôpital (HAPI) font référence aux lésions de la peau et (ou) des tissus profonds des patients 24 heures après leur admission. L'IP peut provoquer des douleurs et aggraver le pronostic de la maladie, et dans les cas graves, il peut entraîner une infection secondaire et la mort. En même temps, cela prolongera la durée d'hospitalisation, occupera beaucoup de ressources médicales et augmentera le fardeau financier de la famille. Les patients gravement malades sont toujours à haut risque d'IP dans les établissements médicaux, et son taux d'incidence est de 3,8 fois celui des patients non gravement malades. De nombreux facteurs de risque augmentent la sensibilité des patients gravement malades aux IP, tels qu'une perfusion sanguine insuffisante, une faible saturation en oxygène du sang, l'utilisation de médicaments vasoactifs, une ventilation mécanique ou une thérapie de remplacement rénal. La prévalence de l'IP chez les patients critiques à l'étranger est de 16,9 % ~ 23,8 % ; La prévalence de l'IP chez les patients gravement malades en Chine est de 5,58 % ~ 11,09 % ; En 2021, Sonia et al. ont mené une enquête internationale multicentrique sur un grand échantillon (de 1117 unités de soins intensifs et de 90 pays/régions), et la prévalence des IP chez les patients gravement malades était de 16,2 %. Comme nous le savons tous, l'IP est une plaie réfractaire chronique courante en clinique, avec un faible taux de guérison et un coût de traitement élevé. Sun Xiaofang a suivi 59 patients atteints d'IP et a constaté que le temps de cicatrisation des plaies de stade 3 et au-dessus de l'IP était d'environ 37 mois, et que seulement 5,1 % des plaies des patients étaient complètement cicatrisées, avec un coût moyen d'environ 6 600 yuans. En 2019, les États-Unis ont dépensé jusqu'à 2,08 milliards de dollars en IP pour les patients gravement malades. IP est également une raison importante de l'augmentation de la mortalité chez les patients gravement malades. Comme certains patients gravement malades sont compliqués d'une défaillance multiviscérale, une fois l'IP survenu, il est plus facile de retarder l'infection et de provoquer une septicémie, entraînant la mort des patients. Par conséquent, comment éviter les IP chez les patients gravement malades est le principal problème auquel sont confrontés les travailleurs médicaux.

1.2 Outil d'évaluation du risque d'IP pour les patients gravement malades Au fil des ans, il est devenu un consensus mondial que la prévention des IP est plus importante que le traitement. L'évaluation des risques est la première étape pour prévenir les PI, et la précision de ses résultats affectera directement la sélection des mesures préventives et des effets préventifs. À l'heure actuelle, il existe l'échelle de Braden, l'échelle de Norton et l'échelle de Waterlow, qui sont largement utilisées dans la pratique clinique. L'échelle de Norton et l'échelle de Waterlow se sont avérées avoir le meilleur effet de prédiction dans l'évaluation des patients âgés et des patients chirurgicaux. Cependant, lorsque l'échelle de Braden est appliquée à l'évaluation du risque IP des patients gravement malades, sa capacité prédictive est modérée (bonne sensibilité et faible spécificité), ce qui conduit à la mise en œuvre de nombreuses mesures préventives non ciblées en clinique et gaspille les ressources médicales. Dès les années 1990, des chercheurs étrangers ont compilé des formulaires d'évaluation des risques d'IP pour les patients critiques, notamment Cubbin & Jackson, SunderLand, SS (Suriadi et Sanada Scale) et EVARUCI. Ye Tong et al. analysé les raisons pour lesquelles ces échelles ne peuvent pas être largement utilisées. Ils sont compilés en fonction des caractéristiques des patients critiques étrangers, et certains items ne sont pas applicables à la population chinoise. Deuxièmement, certains éléments doivent être calculés avant de les remplir (comme la plage de chute de tension artérielle), et les étapes sont compliquées, ce qui augmente la charge de travail du personnel médical. Certains items sont des indicateurs subjectifs et les scores d'un même patient sont très différents, de sorte que les exigences de capacité des évaluateurs sont strictes. À l'heure actuelle, il n'existe pas d'échelle d'évaluation IP spéciale pour les patients gravement malades basée sur les caractéristiques de la population chinoise. D'une manière générale, les outils d'évaluation traditionnels, le processus d'évaluation consomme beaucoup de main-d'œuvre, et les éléments de l'échelle affectent également grandement la précision de l'évaluation.

En 2019, Sheng Han et al. a collecté les données de 278 patients en réanimation par méthode cas-témoin rétrospective, et obtenu des facteurs de risque indépendants de traumatismes liés au stress par analyse multivariée : âge, œdème, hémiplégie, diabète, score de santé physiologique aigu et chronique II, incontinence, et établi un modèle de nomogramme de blessure de stress. L'aire sous la courbe ROC de ce modèle est de 0,83, ce qui a une bonne stabilité et discrimination. Cependant, ce modèle a une petite taille d'échantillon, manque de vérification externe et présente un biais de performance de prédiction élevé. De plus, le diabète, l'œdème, l'hémiplégie, l'incontinence, etc. sont autant de variables classifiées, qui ne peuvent pas vraiment quantifier la relation entre les facteurs de risque et les blessures de stress.

Le mécanisme pathologique des lésions de stress est complexe et dynamique, incluant des facteurs internes et externes. Dana pense que la tolérance tissulaire est une variable intermédiaire entre les facteurs internes et externes, qui reflète la tolérance des tissus à la pression et à l'oxygène, et propose en outre le cadre théorique du modèle de prédiction des lésions de stress - les facteurs propres au patient (âge, comorbidité, sexe, corps indice, etc.) et mécaniques (frottement/effort tranchant, mobilité, mobilité, etc.). En 2019, le Prevention and Treatment of Stress Injury: A Clinical Practice Guide (ci-après dénommé "l'édition 2019 du Clinical Guide for Stress Injury") publié par l'European Stress Injury Advisory Committee, l'American Stress Injury Advisory Committee et le La Pan-Pacific Stress Injury Alliance a proposé que l'évaluation des risques des patients soit prise en compte des effets des maladies de base, telles que les modifications de la perfusion sanguine causées par le diabète et la neuropathie, qui affecteront la sensibilité et la tolérance de la peau. Par conséquent, lors de l'évaluation du risque d'IP des patients, le personnel médical doit tenir compte de manière globale des maladies de base des patients et des divers facteurs de risque, et les analyser individuellement. En analysant les événements indésirables des traumatismes liés au stress à l'hôpital au stade précoce, on constate que lorsque l'état des patients critiques change, la sensibilisation des travailleurs médicaux à l'évaluation des risques d'IP est insuffisante, ce qui peut être une autre raison importante pour laquelle les patients critiques sont plus enclins à PI. Comment considérer de manière exhaustive toutes sortes de facteurs de risque auxquels sont confrontés les patients gravement malades et évaluer les risques en temps réel, le modèle de prédiction des risques PI apporte un nouvel espoir pour résoudre un problème difficile.

1.3 l'état de développement du modèle de prédiction du risque pi Le modèle de prédiction du risque de maladie a toujours été un point chaud en médecine. Le modèle de prédiction du risque PI fait référence à un modèle mathématique avec des facteurs de risque de blessure de stress comme variables et un algorithme d'apprentissage automatique pour prédire la probabilité de PI. Il peut dépister rapidement, de manière complète et précise les patients à haut risque atteints d'IP et, en même temps, fournir des indicateurs contrôlables au personnel médical, promouvoir davantage la mise en œuvre de mesures ciblées de traitement et de soins infirmiers, réduire l'incidence des IP et réduire les dépenses médicales.

Les données cliniques de 486 patients en soins intensifs à Deng Xiaohong ont été recueillies et le modèle de prédiction du risque d'IP a été construit en utilisant l'algorithme d'arbre de régression de classification. Le modèle d'arbre de décision se composait de 4 couches et 11 nœuds, et trois groupes à haut risque ont été sélectionnés : (1) Âge > 81 ans ; (2) Âge ≤8l, avec incontinence fécale ; (3) Patients âgés de ≤ 81 ans, sans incontinence fécale, score de Braden ≤ 13 et tension artérielle diastolique < 60 mmHg, l'aire sous la courbe ROC de ce modèle est de 0,82. Il n'y a pas de vérification interne dans cette étude, et les performances de prédiction du modèle peuvent être trop élevées. La sélection des facteurs de risque IP dans cette étude est basée sur une revue de la littérature plutôt que sur des preuves, et il ne peut être déterminé que les facteurs de risque sont fortement corrélés avec les blessures de stress.

Yu et al. a recueilli les données cliniques des patients hospitalisés en 2014-2016, a pris les résultats de l'analyse multifactorielle comme variables de prédiction du modèle et a utilisé l'arbre de décision, la régression logistique et l'algorithme d'apprentissage automatique de la forêt aléatoire pour construire des modèles de prédiction pour évaluer le risque d'IP chez les patients hospitalisés. Les résultats ont montré que le modèle de forêt aléatoire avait les meilleures performances de prédiction et que l'aire sous la courbe ROC était de 0,84.

Dans les deux études, un seul algorithme d'apprentissage automatique est utilisé pour créer un modèle de prédiction du risque de blessure liée au stress. Le cycle de vie de l'apprentissage automatique est un processus d'auto-apprentissage et d'utilisation d'ensembles de données connus pour créer un modèle permettant de prédire l'occurrence d'événements de données inconnus. Premièrement, le meilleur effet de prédiction peut être obtenu en sélectionnant un algorithme d'apprentissage automatique approprié en fonction de l'objectif de recherche, de la classification des variables et des attributs de l'ensemble de données. Deuxièmement, le fait que les données manquantes puissent être traitées correctement affectera également les performances de prédiction du modèle, car l'effet final du modèle dépend de la quantité de données et de la quantité d'informations utiles contenues dans les données. Enfin, la vérification du modèle est la plus critique. La vérification interne peut empêcher le modèle de sur-ajuster, afin d'obtenir une valeur d'évaluation plus fiable et plus précise. La vérification externe évalue principalement les performances de prédiction du modèle par le biais d'une application clinique, et analyse et optimise le modèle en utilisant des données nouvellement collectées, de sorte que le modèle puisse être continuellement mis à jour de manière dynamique, ce qui fournit une base pour l'utilisation future à grande échelle du modèle. . Dans cette étude, les principaux modèles intelligents d'énergie artificielle au monde sont utilisés pour former une bibliothèque d'algorithmes. Sur la base des données standard établies au début du projet, plusieurs modèles de la bibliothèque de modèles sont formés par échantillonnage aléatoire et répété, et le meilleur modèle de prédiction intégré est extrait. Le modèle d'intelligence artificielle est un modèle d'apprentissage intégré (c'est une grande catégorie d'apprentissage automatique, qui est différente du modèle d'apprentissage automatique unique). Il complète les tâches d'apprentissage en créant plusieurs apprenants, y compris principalement la formation d'un modèle unique et la fusion de plusieurs modèles. L'apprentissage d'ensemble peut entièrement compenser la déficience d'un algorithme d'apprentissage automatique unique, et ses principaux avantages sont les suivants : (1) Il n'y a pas de limite aux types de sous-apprenants, et le nombre total d'apprenants intégrés peut être homogène (même type de sous-apprenants) ou hétérogènes (différents types de sous-apprenants), ce qui améliore les performances et la compatibilité de l'apprentissage d'ensemble ; (2) Généralement, la performance de généralisation peut être significativement supérieure à celle d'un seul apprenant grâce à l'intégration. Si le sous-apprenant est faible, cette supériorité sera encore plus évidente. Le modèle d'intelligence artificielle PI transforme principalement les données cliniques en six étapes : extraction et nettoyage des données, formation d'un ensemble de données, formation de modèles, évaluation et vérification de modèles, interprétation de modèles et formation d'informations de décision clinique, qui tireront pleinement parti des informations utiles contenues dans les données. . Cette étude résumera les facteurs de risque de traumatismes liés au stress chez les patients critiques grâce à la médecine factuelle et à la correspondance d'experts, et utilisera les avantages du modèle d'apprentissage intégré pour établir un modèle de prédiction de l'intelligence artificielle PI afin d'assurer ses performances de prédiction élevées.

1.4 Perspective d'application clinique du modèle d'intelligence artificielle PI En 2020, l'avis de renforcement supplémentaire du travail infirmier dans les établissements médicaux publié par la Commission nationale de la santé et de la santé a souligné qu'il est nécessaire de promouvoir davantage le développement de l'informatisation des soins infirmiers, de promouvoir l'intégration profonde de l'information la technologie et le travail infirmier, et établir une plate-forme de gestion des soins infirmiers avec différentes fonctions. Avec le développement continu des technologies de l'information, l'application d'algorithmes d'apprentissage automatique pour collecter et utiliser les mégadonnées est devenue une tendance de développement. L'algorithme d'apprentissage automatique est au cœur de l'intelligence artificielle. Dans la gestion PI, en construisant un modèle de prédiction du risque PI, non seulement Il peut évaluer le risque PI des patients gravement malades, réaliser une analyse automatique des données et promouvoir le développement de la gestion électronique de l'information PI. Parc et al. a utilisé une méthode de recherche rétrospective pour collecter les données cliniques de 14 907 patients hospitalisés avec une base de données de dossiers médicaux électroniques et a établi un modèle de régression du risque de cox pour prédire le risque d'IP des patients. L'aire sous la courbe ROC de ce modèle est de 0,95, et son effet de prédiction est bien meilleur que celui de l'échelle de Braden (aire sous la courbe ROC est de 0,82). Le système de dossier médical électronique contient de nombreuses informations sur les patients (informations personnelles des patients, dossiers médicaux, résultats de tests, informations sur les médicaments, etc.). Le modèle de prédiction de l'intelligence artificielle PI est intégré au système de dossier médical électronique, qui peut transformer les dossiers et les données du patient en informations médicales précieuses. On s'attend à ce qu'il fournisse une nouvelle direction pour la prévention précoce, surveille en permanence le risque de blessure de stress des patients et encourage les travailleurs médicaux à introduire un traitement et des soins efficaces. Il peut fournir des conseils médicaux appropriés aux patients et à leurs familles, faciliter la mise en œuvre d'une prise de décision clinique fondée sur des preuves et, en fin de compte, réduire la survenue de lésions de stress chez les patients gravement malades, améliorer la qualité des soins infirmiers et réduire les dépenses médicales.Il peut évaluer l'IP risque de patients gravement malades, réaliser une analyse automatique des données et promouvoir le développement de la gestion électronique de l'information PI. Parc et al. a utilisé une méthode de recherche rétrospective pour collecter les données cliniques de 14 907 patients hospitalisés avec une base de données de dossiers médicaux électroniques et a établi un modèle de régression du risque de cox pour prédire le risque d'IP des patients. L'aire sous la courbe ROC de ce modèle est de 0,95, et son effet de prédiction est bien meilleur que celui de l'échelle de Braden (aire sous la courbe ROC est de 0,82). Le système de dossier médical électronique contient de nombreuses informations sur les patients (informations personnelles des patients, dossiers médicaux, résultats de tests, informations sur les médicaments, etc.). Le modèle de prédiction de l'intelligence artificielle PI est intégré au système de dossier médical électronique, qui peut transformer les dossiers et les données du patient en informations médicales précieuses. On s'attend à ce qu'il fournisse une nouvelle direction pour la prévention précoce, surveille en permanence le risque de blessure de stress des patients et encourage les travailleurs médicaux à introduire un traitement et des soins efficaces. Il peut fournir des conseils médicaux appropriés aux patients et à leurs familles, faciliter la mise en œuvre d'une prise de décision clinique fondée sur des données probantes et, en fin de compte, réduire la survenue de traumatismes liés au stress chez les patients gravement malades, améliorer la qualité des soins infirmiers et réduire les dépenses médicales.