Nyomássérülés-kockázat-előrejelző modell felépítése és alkalmazása kritikus állapotú betegek számára

1.1 Kritikus állapotú betegek kórházi nyomássérüléseinek epidemiológiai jellemzői A stresszsérülés a globális egészségügyi problémák egyikeként gyakori probléma az egészségügyi és egészségügyi intézményekben, és ez a legsúlyosabb kórházi nemkívánatos esemény. A kórházi nyomássérülés (HAPI) a betegek bőr- és (vagy) mélyszöveti sérüléseit jelenti a felvétel után 24 órával. A PI fájdalmat okozhat és ronthatja a betegség prognózisát, súlyos esetekben pedig másodlagos fertőzést és halált is okozhat. Ugyanakkor meghosszabbítja a kórházi kezelési időt, sok egészségügyi erőforrást foglal el és növeli a család anyagi terheit. Az egészségügyi intézményekben a kritikus állapotú betegek mindig nagy kockázatnak vannak kitéve a PI-re, és előfordulási aránya 3,8-szorosa a nem kritikus állapotú betegekének. Számos kockázati tényező növeli a kritikus állapotú betegek PI-re való érzékenységét, mint például az elégtelen vérperfúzió, alacsony vér oxigénszaturáció, vazoaktív gyógyszerek alkalmazása, gépi lélegeztetés vagy vesepótló kezelés. A PI prevalenciája a kritikus betegeknél külföldön 16,9%~23,8%; A PI prevalenciája a kritikus állapotú betegek körében Kínában 5,58% ~ 11,09%; 2021-ben Sonia et al. nemzetközi többközpontú nagymintás felmérést végzett (1117 intenzív osztályból és 90 országból/régióból), és a PI prevalenciája a kritikus állapotú betegeknél 16,2% volt. Mint mindannyian tudjuk, a PI egy gyakori krónikus, tűzálló seb a klinikákon, alacsony gyógyulási sebességgel és magas kezelési költséggel. Sun Xiaofang 59 PI-beteget követett nyomon, és azt találta, hogy a 3. és annál magasabb stádiumú PI sebgyógyulási ideje körülbelül 37 hónap volt, és a betegek sebeinek csak 5,1%-a gyógyult be teljesen, az átlagos költség körülbelül 6600 jüan. 2019-ben az Egyesült Államok 2,08 milliárd dollárt költött a kritikus állapotú betegek PI-jére. A PI szintén fontos oka a kritikus állapotú betegek halálozási arányának növekedésének. Mivel egyes kritikus állapotú betegek több szervi elégtelenséggel komplikálódnak, a PI előfordulása után könnyebb késleltetni a fertőzést és szepszist okozhat, ami a betegek halálához vezet. Ezért az egészségügyi dolgozók elsődleges problémája, hogyan kerüljék el a PI-t a kritikus állapotú betegeknél.

1.2 PI kockázatértékelési eszköz kritikusan beteg betegek számára Az évek során globális konszenzussá vált, hogy a PI megelőzése fontosabb, mint a kezelés. A kockázatértékelés az első lépés a PI megelőzésében, és eredményeinek pontossága közvetlenül befolyásolja a megelőző intézkedések és a megelőző hatások kiválasztását. Jelenleg a Braden-skála, a Norton-skála és a Waterlow-skála létezik, amelyeket széles körben használnak a klinikai gyakorlatban. Bebizonyosodott, hogy a Norton-skála és a Waterlow-skála rendelkezik a legjobb előrejelző hatással az idős betegek és a műtéti betegek értékelésében. Ha azonban Braden-skálát alkalmaznak a kritikus állapotú betegek PI-kockázatának felmérésére, annak előrejelző képessége mérsékelt (jó érzékenység és alacsony specificitás), ami számos nem célzott megelőző intézkedés végrehajtásához vezet a klinikán, és pazarolja az egészségügyi erőforrásokat. Már az 1990-es években külföldi tudósok PI kockázatértékelési űrlapokat állítottak össze kritikus betegek számára, köztük Cubbin & Jackson, SunderLand, SS (Suriadi és Sanada Scale) és EVARUCI. Ye Tong et al. elemezte azokat az okokat, amelyek miatt ezek a skálák nem használhatók széles körben. Ezeket a külföldi kritikus betegek jellemzői alapján állítják össze, és egyes tételek nem vonatkoznak a kínai lakosságra. Másodszor, bizonyos tételeket ki kell számolni a kitöltés előtt (például a vérnyomásesés tartományát), és a lépések bonyolultak, ami megnöveli az egészségügyi személyzet leterheltségét. Egyes tételek szubjektív indikátorok, és ugyanannak a páciensnek a pontszámai meglehetősen eltérőek, ezért az értékelők képességkövetelményei szigorúak. Jelenleg nincs speciális PI értékelési skála a kritikus állapotú betegek számára a kínai lakosság jellemzői alapján. Általánosságban elmondható, hogy a hagyományos értékelési eszközök, az értékelési folyamat sok munkaerőt emészt fel, és a skála tételei is nagyban befolyásolják az értékelés pontosságát.

2019-ben Sheng Han et al. retrospektív eset-kontroll módszerrel 278 intenzív osztályos beteg adatait gyűjtöttem össze, és többváltozós elemzéssel megkaptam a stresszsérülés független kockázati tényezőit: életkor, ödéma, hemiplegia, cukorbetegség, akut fiziológiai és krónikus egészségi pontszám II, inkontinencia, és felállítottak egy nomogram modellt stresszes sérülés. Ennek a modellnek a ROC görbe alatti területe 0,83, ami jó stabilitással és diszkriminációval rendelkezik. Ennek a modellnek azonban kicsi a mintája, hiányzik a külső ellenőrzés, és magas az előrejelzési teljesítmény torzítása. Ráadásul a cukorbetegség, az ödéma, a hemiplegia, az inkontinencia stb. mind besorolt ​​változók, amelyek nem igazán tudják számszerűsíteni a kockázati tényezők és a stresszes sérülések közötti kapcsolatot.

A stresszsérülés patológiás mechanizmusa összetett és dinamikus, beleértve a belső és külső tényezőket is. Dana szerint a szöveti tolerancia egy köztes változó a belső és a külső tényezők között, ami tükrözi a szövetek nyomás- és oxigéntűrő képességét, és tovább vázolja a stresszsérülések előrejelzésének elméleti keretét – a páciens saját tényezőit (életkor, komorbiditás, nem, test). index stb.) és mechanikai tényezők (súrlódási/nyíróerő, mobilitás, mobilitás stb.). 2019-ben a Stresszsérülések megelőzése és kezelése: Klinikai gyakorlati útmutató (a továbbiakban: a stresszsérülések klinikai útmutatójának 2019-es kiadása), amelyet az Európai Stresszsérülések Tanácsadó Bizottsága, az Amerikai Stresszsérülések Tanácsadó Bizottsága és a A Pan-Pacific Stress Injury Alliance azt javasolta, hogy a betegek kockázatértékelése során vegyék figyelembe az alapvető betegségek hatásait, mint például a cukorbetegség és a neuropátia okozta vérperfúziós változások, amelyek befolyásolják a bőr érzékenységét és toleranciáját. Ezért a betegek PI kockázatának értékelése során az egészségügyi dolgozóknak átfogóan figyelembe kell venniük a betegek alapbetegségeit és a különböző kockázati tényezőket, és azokat egyedileg kell elemezni. A korai stádiumban a kórházi stresszsérülések nemkívánatos eseményeinek elemzésével kiderült, hogy amikor a kritikus betegek állapota megváltozik, az egészségügyi dolgozók nem ismerik kellőképpen a PI kockázatértékelését, ami egy másik fontos oka lehet annak, hogy a kritikus betegek hajlamosabbak a PI. A kritikus állapotú betegek mindenféle kockázati tényezőjének átfogó mérlegelése és a kockázatok valós időben történő értékelése, a PI kockázat-előrejelzési modell új reményt ad egy nehéz probléma megoldására.

1.3. A pi kockázat-előrejelző modell fejlettségi állapota A betegségkockázat-előrejelző modell mindig is az orvostudomány egyik forró pontja volt. A PI-kockázat-előrejelzési modell olyan matematikai modellre utal, amely stressz-sérülési kockázati tényezőket tartalmaz változóként, és gépi tanulási algoritmust a PI valószínűségének előrejelzésére. Gyorsan, átfogóan és pontosan képes kiszűrni a PI-ben szenvedő magas kockázatú betegeket, ugyanakkor ellenőrizhető indikátorokat biztosít az egészségügyi dolgozók számára, tovább segíti a célzott kezelési és ápolási intézkedések megvalósítását, csökkenti a PI előfordulását, csökkenti az egészségügyi kiadásokat.

Deng Xiaohongban 486 intenzív osztályos beteg klinikai adatait gyűjtöttük össze, és osztályozási regressziós fa algoritmus segítségével állítottuk össze a PI kockázat előrejelző modelljét. A döntési fa modell 4 rétegből és 11 csomópontból állt, és három nagy kockázatú csoportot választottunk ki: (1) Életkor > 81 év; (2) Életkor ≤8l, széklet inkontinencia; (3) Azoknál a betegeknél, akiknek életkora ≤81 éves, nincs széklet-inkontinencia, Braden-pontszám ≤13, diasztolés vérnyomása < 60 Hgmm, a modell ROC-görbe alatti területe 0,82. Ebben a tanulmányban nincs belső ellenőrzés, és a modell előrejelzési teljesítménye túl magas lehet. A PI kockázati tényezők kiválasztása ebben a tanulmányban inkább irodalmi áttekintésen, nem pedig bizonyítékokon alapul, és nem állapítható meg, hogy a kockázati tényezők szorosan összefüggenek-e a stresszes sérülésekkel.

Yu és mtsai. 2014-2016-ban a fekvőbetegek klinikai adatait gyűjtötte, a többtényezős elemzés eredményeit modell-előrejelzési változóként használta, és döntési fát, logisztikus regressziót és véletlenszerű erdőgépi tanulási algoritmust használt a predikciós modellek felépítéséhez a PI kockázatának értékelésére a fekvőbetegek körében. Az eredmények azt mutatták, hogy a véletlenszerű erdőmodellnek volt a legjobb előrejelzési teljesítménye, és a ROC görbe alatti terület 0,84 volt.

Mindkét tanulmányban egyetlen gépi tanulási algoritmust használnak a stresszes sérülések kockázatának előrejelzési modelljének felépítéséhez. A gépi tanulás életciklusa egy öntanulási folyamat, amely az ismert adatkészletek felhasználásával egy olyan modell felépítésére irányul, amely megjósolja az ismeretlen adatesemények előfordulását. Először is, a legjobb előrejelzési hatás érhető el, ha kiválasztunk egy megfelelő gépi tanulási algoritmust a kutatási célnak, a változók osztályozásának és az adatkészlet-attribútumoknak megfelelően. Másodszor, hogy a hiányzó adatok helyesen kezelhetők-e, az a modell előrejelzési teljesítményét is befolyásolja, mivel a modell végső hatása az adatok mennyiségétől és az adatokban található hasznos információ mennyiségétől függ. Végül a modell ellenőrzése a legkritikusabb. A belső ellenőrzés megakadályozhatja a modell túlillesztését, így megbízhatóbb és pontosabb értékelési értéket kaphat. A külső verifikáció elsősorban a modell predikciós teljesítményét értékeli klinikai alkalmazáson keresztül, valamint az újonnan gyűjtött adatok felhasználásával elemzi és optimalizálja a modellt, így a modell folyamatosan dinamikusan frissíthető, ami alapot ad a modell jövőbeni széleskörű felhasználásához. . Ebben a tanulmányban a világ vezető mesterséges energia intelligens modelljeit használják fel egy algoritmuskönyvtár kialakítására. A projekt korai szakaszában megállapított standard adatok alapján a modellkönyvtárban több modellt képeznek ki véletlenszerű és ismételt mintavételezéssel, és kibányászják a legjobb integrált előrejelzési modellt. A mesterséges intelligencia modellje egy integrált tanulási modell (a gépi tanulás nagy kategóriája, amely különbözik az egyedi gépi tanulási modelltől). A tanulási feladatokat több tanuló felépítésével hajtja végre, beleértve az egymodell-képzést és a többmodell-fúziót. Az együttes tanulás teljes mértékben pótolni tudja az egyetlen gépi tanulási algoritmus hiányát, és fő előnyei a következők: (1) A résztanulók típusa nincs korlátozva, az integrált tanulók száma homogén lehet (ugyanaz a típus résztanulók) vagy heterogén (különböző típusú résztanulók), ami javítja az együttes tanulás teljesítményét és kompatibilitását; (2) Általánosságban elmondható, hogy az általánosítási teljesítmény az integráció révén lényegesen jobb lehet, mint egy tanulóé. Ha a résztanuló gyenge, ez a fölény még nyilvánvalóbb lesz. A PI mesterséges intelligencia modell főként hat lépésben alakítja át a klinikai adatokat: adatkinyerés és tisztítás, adatkészlet-képzés, modellképzés, modellértékelés és -ellenőrzés, modellértelmezés és klinikai döntési információk kialakítása, amely teljes mértékben kihasználja az adatokban található hasznos információkat. . Ez a tanulmány összefoglalja a kritikus betegek stresszsérülésének kockázati tényezőit bizonyítékokon alapuló orvoslás és szakértői levelezés segítségével, és az integrált tanulási modell előnyeit használja fel a PI mesterséges intelligencia előrejelzési modelljének létrehozására annak magas előrejelzési teljesítményének biztosítása érdekében.

1.4 A PI mesterséges intelligencia modell klinikai alkalmazási kilátásai 2020-ban az Országos Egészségügyi és Egészségügyi Bizottság által kiadott Értesítő az egészségügyi intézményekben folyó ápolói munka további erősítéséről kiemelte, hogy tovább kell mozdítani az ápolási informatizálás fejlesztését, elő kell segíteni az információ mélyreható integrációját. technológiai és ápolói munkát, és hozzon létre egy ápolásmenedzsment platformot különböző funkciókkal. Az információs technológia folyamatos fejlődésével fejlődési irányzattá vált a gépi tanulási algoritmusok alkalmazása a big data gyűjtésére és hasznosítására. A gépi tanulási algoritmus a mesterséges intelligencia magja. A PI-menedzsmentben a PI kockázat-előrejelző modell felépítésével nemcsak a kritikus állapotú betegek PI-kockázatát tudja értékelni, automatikus adatelemzést valósíthat meg, és elősegítheti a PI elektronikus információkezelés fejlesztését. Park et al. retrospektív kutatási módszerrel 14 907 fekvőbeteg klinikai adatait gyűjtötte össze elektronikus kórlap-adatbázissal, és létrehozta a cox kockázati regressziós modellt a betegek PI kockázatának előrejelzésére. Ennek a modellnek a ROC-görbe alatti területe 0,95, és előrejelző hatása sokkal jobb, mint a Braden-skáláé (a ROC-görbe alatti terület 0,82). Az elektronikus kórlaprendszer sok beteginformációt tartalmaz (a betegek személyes adatai, kórlapok, vizsgálati eredmények, gyógyszerinformációk stb.). A PI mesterséges intelligencia előrejelzési modellje az elektronikus kórlap-rendszerbe van beágyazva, amely a páciens feljegyzéseit és adatait értékes orvosi információvá tudja alakítani. Várhatóan új irányt ad a korai megelőzésben, folyamatosan figyelemmel kíséri a betegek stresszsérülésének kockázatát, és ösztönzi az egészségügyi dolgozókat a hatékony kezelés és gondozás bevezetésére. Megfelelő orvosi tanácsot tud nyújtani a betegek és családtagjaik számára, megkönnyíti a bizonyítékokon alapuló klinikai döntéshozatalt, és végső soron csökkenti a stresszes sérülések előfordulását kritikus állapotú betegeknél, javítja az ápolás minőségét és csökkenti az orvosi költségeket. Értékelheti a PI-t. a kritikus állapotú betegek kockázatát, valósítsák meg az automatikus adatelemzést és segítsék elő a PI elektronikus információkezelés fejlesztését. Park et al. retrospektív kutatási módszerrel 14 907 fekvőbeteg klinikai adatait gyűjtötte össze elektronikus kórlap-adatbázissal, és létrehozta a cox kockázati regressziós modellt a betegek PI kockázatának előrejelzésére. Ennek a modellnek a ROC-görbe alatti területe 0,95, és előrejelző hatása sokkal jobb, mint a Braden-skáláé (a ROC-görbe alatti terület 0,82). Az elektronikus kórlaprendszer sok beteginformációt tartalmaz (a betegek személyes adatai, kórlapok, vizsgálati eredmények, gyógyszerinformációk stb.). A PI mesterséges intelligencia előrejelzési modellje az elektronikus kórlap-rendszerbe van beágyazva, amely a páciens feljegyzéseit és adatait értékes orvosi információvá tudja alakítani. Várhatóan új irányt ad a korai megelőzésben, folyamatosan figyelemmel kíséri a betegek stresszsérülésének kockázatát, és ösztönzi az egészségügyi dolgozókat a hatékony kezelés és gondozás bevezetésére. Megfelelő orvosi tanácsot nyújthat a betegek és családtagjaik számára, megkönnyítheti a bizonyítékokon alapuló klinikai döntéshozatal végrehajtását, végső soron csökkentheti a kritikus állapotú betegek stresszes sérüléseinek előfordulását, javíthatja az ápolási minőséget és csökkentheti az egészségügyi kiadásokat.