重症患者の褥瘡リスク予測モデルの構築と応用

1.1 重症患者の院内圧損傷の疫学的特徴 ストレス損傷は、世界的な健康問題の 1 つとして、医療機関や医療機関が直面する共通の問題であり、最も深刻な院内有害事象と見なされています。 院内圧力損傷 (HAPI) は、入院後 24 時間の患者の皮膚および (または) 深部組織の損傷を指します。 PIは痛みを引き起こし、病気の予後を悪化させる可能性があり、重症の場合、二次感染と死を引き起こす可能性があります. 同時に、入院期間を延長し、多くの医療資源を占有し、家族の経済的負担を増大させます。 重症患者は常に医療機関で PI のリスクが高く、その発生率は非重症患者の 3.8 倍です。 不十分な血液灌流、低血中酸素飽和度、血管作用薬の使用、人工呼吸器または腎代替療法など、多くの危険因子が重症患者の PI に対する感受性を高めます。 海外の重症患者のPIの有病率は16.9%~23.8%です。 中国の重症患者における PI の有病率は 5.58% ~ 11.09% です。 2021年、ソニアら。国際的な多施設大規模サンプル調査（1117 の集中治療室と 90 の国/地域から）を実施し、重症患者における PI の有病率は 16.2% でした。 ご存知のように、PI はクリニックで一般的な慢性難治性創傷であり、治癒率が低く、治療費が高額です。 Sun Xiaofang は 59 人の PI 患者を追跡し、ステージ 3 以上の PI の創傷治癒時間は約 37 か月であり、患者の創傷の 5.1% のみが完全に治癒し、平均費用は約 6,600 元であることがわかりました。 2019 年、米国は重症患者の PI に 20 億 8000 万ドルを費やしました。 PI は、重症患者の死亡率の増加の重要な理由でもあります。 一部の重症患者は多臓器不全を合併しているため、PIが発生すると、感染を遅らせて敗血症を引き起こし、患者の死亡につながりやすくなります。 したがって、重症患者の PI を回避する方法は、医療従事者が直面する主要な問題です。

1.2 重症患者のための PI リスク評価ツール ここ数年、PI の予防は治療よりも重要であるということが世界的なコンセンサスになってきました。 リスクアセスメントは PI を予防するための最初のステップであり、その結果の正確性は予防策の選択と予防効果に直接影響します。 現在、臨床現場で広く使用されているブレーデンスケール、ノートンスケール、ウォーターロースケールがあります。 Norton スケールと Waterlow スケールは、高齢患者や外科患者の評価において、最も優れた予測効果があることが証明されています。 ただし、ブレーデン尺度を重症患者の PI リスク評価に適用すると、その予測能力は中程度 (感度が高く、特異度が低い) であり、クリニックでの多くの非標的予防措置の実施につながり、医療リソースを無駄にします。 早くも 1990 年代に、海外の学者が Cubbin & Jackson、SunderLand、SS (Suriadi and Sanada Scale)、EVARUCI などの重症患者向けの PI リスク評価フォームをまとめました。 イェ・トンら。これらのスケールが広く使用されない理由を分析しました。 それらは外国人重症患者の特性に応じて編集されており、一部の項目は中国人には当てはまりません。 第二に、記入前に計算が必要な項目（血圧降下の範囲など）があり、手順が煩雑で医療スタッフの負担が大きくなります。 一部の項目は主観的な指標であり、同じ患者でもスコアが大きく異なるため、評価者の能力要件は厳しいものです。 現在、中国人集団の特性に基づいた重症患者向けの特別な PI 評価尺度はありません。 一般的に言えば、従来の評価ツール、評価プロセスは多くの人手を消費し、スケールの項目も評価の精度に大きく影響します。

2019年、Sheng Hanら。遡及的症例対照法により 278 人の ICU 患者のデータを収集し、多変量解析によりストレス傷害の独立した危険因子を取得しました: 年齢、浮腫、片麻痺、糖尿病、急性生理的および慢性健康スコア II、失禁、およびノモグラム モデルを確立しました。ストレス傷害。 このモデルの ROC 曲線下面積は 0.83 で、安定性と識別性に優れています。 ただし、このモデルはサンプル サイズが小さく、外部検証がなく、予測パフォーマンス バイアスが高くなります。 さらに、糖尿病、浮腫、片麻痺、失禁などはすべて分類された変数であり、危険因子とストレス障害との関係を実際に定量化することはできません.

ストレス傷害の病理学的メカニズムは、内的および外的要因を含めて複雑かつ動的です。 Dana は、組織耐性は内部要因と外部要因の間の中間変数であり、圧力と酸素に対する組織の耐性を反映していると考えており、さらにストレス傷害予測モデルの理論的枠組み - 患者自身の要因 (年齢、併存症、性別、体型) を提唱しています。指数など）と機械的要因（摩擦/せん断力、可動性、可動性など）。 2019 年に、ヨーロッパのストレス傷害諮問委員会、アメリカのストレス傷害諮問委員会およびPan-Pacific Stress Injury Alliance は、患者のリスク評価は、皮膚の感受性と耐性に影響を与える、糖尿病や神経障害によって引き起こされる血液灌流の変化などの基本的な疾患の影響を考慮する必要があると提案しました。 したがって、患者の PI のリスクを評価する場合、医療従事者は、患者の基礎疾患とさまざまな危険因子を総合的に考慮し、個別に分析する必要があります。 院内ストレス障害の初期段階の有害事象を分析することで、重症患者の状態が変化すると、医療従事者のPIリスクアセスメントに対する意識が不十分であることが判明しました。 PI。 重症患者が直面するあらゆる種類のリスク要因を包括的に考慮し、リアルタイムでリスクを評価する方法、PI リスク予測モデルは、困難な問題を解決するための新たな希望をもたらします。

1.3 pi リスク予測モデルの開発状況 疾患リスク予測モデルは、常に医学のホット スポットでした。 PI リスク予測モデルとは、ストレス傷害の危険因子を変数とし、PI の確率を予測するための機械学習アルゴリズムを使用した数学的モデルを指します。 リスクの高い PI 患者を迅速かつ包括的かつ正確にスクリーニングすると同時に、医療従事者に制御可能な指標を提供し、標的治療と看護対策の実施をさらに促進し、PI の発生率を減らし、医療費を削減することができます。

Deng Xiaohongの486人のICU患者の臨床データを収集し,分類回帰ツリーアルゴリズムを用いてPIリスク予測モデルを構築した。 デシジョン ツリー モデルは 4 つのレイヤーと 11 のノードで構成され、3 つの高リスク グループが選択されました。(1) 年齢 > 81 歳。 (2) 年齢が 8 歳以下で、便失禁がある。 (3) 年齢が 81 歳以下で、便失禁がなく、ブレーデンスコアが 13 以下で、拡張期血圧が 60 mmHg 未満の患者。このモデルの ROC 曲線下の面積は 0.82 です。 この研究では内部検証は行われておらず、モデルの予測性能が高すぎる可能性があります。 この研究における PI 危険因子の選択は、エビデンスに基づくものではなく文献レビューに基づいており、危険因子がストレス障害と高度に相関しているとは判断できません。

ゆうら。は、2014 年から 2016 年に入院患者の臨床データを収集し、多因子分析の結果をモデル予測変数として使用し、決定木、ロジスティック回帰、およびランダム フォレスト機械学習アルゴリズムを使用して、入院患者の PI のリスクを評価する予測モデルを構築しました。 結果は、ランダム フォレスト モデルが最良の予測性能を持ち、ROC 曲線下の面積が 0.84 であることを示しました。

どちらの研究でも、単一の機械学習アルゴリズムを使用して、ストレス障害のリスク予測モデルを構築しています。 機械学習のライフ サイクルは、自己学習のプロセスであり、既知のデータ セットを使用してモデルを構築し、未知のデータ イベントの発生を予測します。 まず、研究目的、変数の分類、データセットの属性に応じて適切な機械学習アルゴリズムを選択することで、最良の予測効果を得ることができます。 次に、モデルの最終的な効果はデータの量とデータに含まれる有用な情報の量に依存するため、欠損データを正しく処理できるかどうかもモデルの予測パフォーマンスに影響します。 最後に、モデルの検証が最も重要です。 内部検証により、モデルの過適合を防ぎ、より信頼性の高い正確な評価値を得ることができます。 外部検証は、主に臨床応用を通じてモデルの予測性能を評価し、新しく収集されたデータを使用してモデルを分析および最適化することで、モデルを動的に継続的に更新できるようにし、将来のモデルの幅広い使用の基礎を提供します。 . この研究では、世界をリードする人工エネルギー インテリジェント モデルを使用して、アルゴリズム ライブラリを形成します。 プロジェクトの初期段階で確立された標準データに基づいて、モデル ライブラリ内の複数のモデルがランダムおよび反復サンプリングによってトレーニングされ、最適な統合予測モデルがマイニングされます。 人工知能モデルは統合学習モデルです (機械学習の大きなカテゴリであり、単一の機械学習モデルとは異なります)。 主に単一モデルのトレーニングとマルチモデルの融合を含む、複数の学習器を構築することで学習タスクを完了します。 アンサンブル学習は、単一の機械学習アルゴリズムの欠点を完全に補うことができ、その主な利点は次のとおりです。アンサンブル学習のパフォーマンスと互換性を向上させます。 (2) 一般的に、一般化のパフォーマンスは、統合による単一の学習者のパフォーマンスよりも大幅に優れている可能性があります。 サブ学習者が弱い場合、この優位性はさらに顕著になります。 PI人工知能モデルは、主に6つのステップを通じて臨床データを変換します。データの抽出とクリーニング、データセットの形成、モデルのトレーニング、モデルの評価と検証、モデルの解釈と臨床決定情報の形成です。これにより、データ内の有用な情報が最大限に活用されます。 . この研究では、エビデンスに基づく医療と専門家の対応を通じて、重篤な患者のストレス傷害の危険因子を要約し、統合学習モデルの利点を利用して、PI人工知能予測モデルを確立し、その高い予測性能を保証します。

1.4 PI 人工知能モデルの臨床応用の見通し 2020 年に、国家衛生健康委員会によって発行された医療機関における看護業務のさらなる強化に関する通知は、看護情報化の開発をさらに促進し、情報の深い統合を促進する必要があると指摘しました。技術と介護の仕事を融合させ、異なる機能を持つ介護管理プラットフォームを確立します。 情報技術の継続的な発展に伴い、ビッグデータを収集して利用するための機械学習アルゴリズムの適用が開発トレンドになっています。 機械学習アルゴリズムは人工知能の中核です。 PI管理では、PIリスク予測モデルを構築することにより、重症患者のPIリスクを評価するだけでなく、自動データ分析を実現し、PI電子情報管理の発展を促進します。 パーク等。遡及的研究方法を使用して、電子医療記録データベースを使用して 14,907 人の入院患者の臨床データを収集し、患者の PI リスクを予測するための cox リスク回帰モデルを確立しました。 このモデルの ROC 曲線下の面積は 0.95 であり、その予測効果はブレーデン スケールのそれよりもはるかに優れています (ROC 曲線下の面積は 0.82)。 電子カルテシステムには多くの患者情報（患者の個人情報、カルテ、検査結果、服薬情報など）が含まれています。 PI 人工知能予測モデルは電子医療記録システムに組み込まれており、患者の記録とデータを貴重な医療情報に変換できます。 早期予防のための新しい方向性を提供し、患者のストレス傷害のリスクを継続的に監視し、医療従事者が効果的な治療とケアを導入することを促進することが期待されています。 患者とその家族に適切な医学的アドバイスを提供し、エビデンスに基づいた臨床的意思決定の実施を促進し、最終的に重症患者のストレス障害の発生を減らし、看護の質を向上させ、医療費を削減することができます.PIを評価できます.重症患者のリスクを軽減し、自動データ分析を実現し、PI電子情報管理の開発を促進します。 パーク等。遡及的研究方法を使用して、電子医療記録データベースを使用して 14,907 人の入院患者の臨床データを収集し、患者の PI リスクを予測するための cox リスク回帰モデルを確立しました。 このモデルの ROC 曲線下の面積は 0.95 であり、その予測効果はブレーデン スケールのそれよりもはるかに優れています (ROC 曲線下の面積は 0.82)。 電子カルテシステムには多くの患者情報（患者の個人情報、カルテ、検査結果、服薬情報など）が含まれています。 PI 人工知能予測モデルは電子医療記録システムに組み込まれており、患者の記録とデータを貴重な医療情報に変換できます。 早期予防のための新しい方向性を提供し、患者のストレス傷害のリスクを継続的に監視し、医療従事者が効果的な治療とケアを導入することを促進することが期待されています。 患者とその家族に適切な医学的アドバイスを提供し、エビデンスに基づいた臨床的意思決定の実施を促進し、最終的に重症患者のストレス障害の発生を減らし、看護の質を向上させ、医療費を削減することができます。