중환자를 위한 욕창 위험 예측 모델의 구축 및 적용

1.1 중환자의 병원 획득 욕창의 역학적 특성 스트레스 손상은 세계적인 건강 문제 중 하나로 의료 및 보건 기관에서 공통적으로 직면하는 문제이며 가장 심각한 병원 획득 부작용으로 간주됩니다. 병원 획득 압력 손상(HAPI)은 입원 후 24시간 동안 환자의 피부 및(또는) 심부 조직 손상을 말합니다. PI는 통증을 유발하고 질병의 예후를 악화시킬 수 있으며 심한 경우 2차 감염 및 사망을 유발할 수 있습니다. 동시에 입원 기간이 길어지고 많은 의료 자원을 차지하며 가족의 재정적 부담이 증가합니다. 중환자는 의료기관에서 항상 PI 위험이 높으며 발생률은 중환자보다 3.8 배 높습니다. 불충분한 혈액 관류, 낮은 혈중 산소 포화도, 혈관활성 약물 사용, 기계 환기 또는 신대체 요법과 같은 많은 위험 요인이 PI에 대한 중환자의 감수성을 증가시킵니다. 해외 위독한 환자의 PI 유병률은 16.9%~23.8%; 중국의 중환자에서 PI 유병률은 5.58% ~ 11.09%입니다. 2021년 소니아 외. 국제 다기관 대규모 표본 조사(1117개 중환자실 및 90개 국가/지역)를 실시한 결과 중환자의 PI 유병률은 16.2%였습니다. 우리 모두가 알다시피 PI는 치료율이 낮고 치료 비용이 높은 임상에서 흔한 만성 난치성 상처입니다. Sun Xiaofang은 59명의 PI 환자를 추적하여 PI 3기 이상의 상처 치유 시간이 약 37개월이고 환자의 상처 중 5.1%만이 완전히 치유되었으며 평균 비용은 약 6,600위안이라는 사실을 발견했습니다. 2019년 미국은 중환자를 위한 PI에 무려 20억 8000만 달러를 지출했습니다. PI는 또한 중환자의 사망률 증가에 대한 중요한 이유입니다. 일부 위독한 환자는 다발성 장기 부전으로 복잡해지기 때문에 일단 PI가 발생하면 감염을 지연시키고 패혈증을 일으켜 환자를 사망에 이르게 하기 쉽습니다. 따라서 중환자에서 PI를 피하는 방법은 의료 종사자가 직면하는 주요 문제입니다.

1.2 중환자를 위한 PI 위험 평가 도구 수년에 걸쳐 PI의 예방이 치료보다 더 중요하다는 것이 세계적인 합의가 되었습니다. 위험성 평가는 PI를 예방하기 위한 첫 번째 단계이며 그 결과의 정확성은 예방 조치 및 예방 효과의 선택에 직접적인 영향을 미칩니다. 현재 Braden 척도, Norton 척도 및 Waterlow 척도가 있으며 임상에서 널리 사용됩니다. Norton 척도와 Waterlow 척도는 노인 환자와 수술 환자 평가에서 가장 우수한 예측 효과가 있는 것으로 입증되었습니다. 그러나 중환자의 PI 위험 평가에 Braden 척도를 적용하면 예측 능력이 중간 정도(민감도는 좋고 특이도는 낮음)로 인해 임상에서 많은 비표적 예방 조치를 시행하고 의료 자원을 낭비하게 됩니다. 이미 1990년대에 해외 학자들은 Cubbin & Jackson, SunderLand, SS(Suriadi and Sanada Scale) 및 EVARUCI를 포함한 중환자를 위한 PI 위험 평가 양식을 작성했습니다. Ye Tonget al. 이러한 척도가 널리 사용될 수 없는 이유를 분석했습니다. 외국인 중증환자의 특성에 따라 편성하였으며, 일부 항목은 중국인에 해당되지 않는다. 둘째, 일부 항목은 작성하기 전에 계산해야 하며(예: 혈압 강하 범위) 단계가 복잡하여 의료진의 작업량이 증가합니다. 일부 항목은 주관적인 지표이며 동일한 환자의 점수가 상당히 다르기 때문에 평가자의 능력 요구 사항이 엄격합니다. 현재 중국 인구의 특성에 따른 중환자에 대한 특별한 PI 평가 척도는 없습니다. 일반적으로 전통적인 평가 도구, 평가 프로세스는 많은 인력을 소비하며 척도 항목도 평가의 정확도에 큰 영향을 미칩니다.

2019년 Sheng Han et al. 중환자실 환자 278명의 데이터를 후향적 증례-대조군 방법으로 수집하고 다변량 분석을 통해 스트레스 손상의 독립적인 위험인자(나이, 부종, 편마비, 당뇨병, 급성 생리학적 및 만성 건강 점수 II, 요실금)를 얻었고, 스트레스 부상. 이 모델의 ROC 곡선 아래 면적은 0.83으로 안정성과 식별력이 좋습니다. 그러나 이 모델은 표본 크기가 작고 외부 검증이 부족하며 예측 성능 편향이 높습니다. 게다가 당뇨병, 부종, 편마비, 요실금 등은 모두 분류된 변수로, 실제로 위험 요인과 스트레스 부상 사이의 관계를 정량화할 수 없습니다.

스트레스 손상의 병리학적 기전은 내부 및 외부 요인을 포함하여 복잡하고 역동적입니다. Dana는 조직내성이 압력과 산소에 대한 조직의 내성을 반영하는 내적 요인과 외적 요인 사이의 중간 변수라고 생각하고 스트레스 상해 예측 모델-환자 자신의 요인(나이, 동반질환, 성별, 신체 지수 등) 및 기계적 요인(마찰/전단력, 이동성, 이동성 등). 2019년에는 유럽 스트레스 상해 자문 위원회, 미국 스트레스 상해 자문 위원회 및 Pan-Pacific Stress Injury Alliance는 환자의 위험 평가가 당뇨병 및 신경 병증으로 인한 혈액 관류 변화와 같은 기본 질병의 영향을 고려하여 피부의 민감도와 내성에 영향을 주어야 한다고 제안했습니다. 따라서 의료종사자는 환자의 PI 위험도를 평가할 때 환자의 기본질환과 다양한 위험인자를 종합적으로 고려하여 개별적으로 분석해야 한다. 초기에 병원 스트레스 손상의 부작용을 분석하여 위중한 환자의 상태가 변할 때 PI 위험 평가에 대한 의료진의 인식이 부족하다는 것을 알 수 있으며, 이는 위중한 환자가 더 쉽게 발생하는 또 다른 중요한 이유가 될 수 있습니다. 파이. 중환자가 직면한 모든 종류의 위험 요소를 종합적으로 고려하고 실시간으로 위험을 평가하는 방법, PI 위험 예측 모델은 어려운 문제를 해결할 수 있는 새로운 희망을 제시합니다.

1.3 pi 위험 예측 모델의 개발 상태 질병 위험 예측 모델은 항상 의학에서 핫스팟이었습니다. PI 위험 예측 모델은 스트레스 상해 위험 요소를 변수로 하는 수학적 모델과 PI의 확률을 예측하는 기계 학습 알고리즘을 말합니다. PI가 있는 고위험 환자를 신속하고 종합적이며 정확하게 선별할 수 있으며 동시에 의료 종사자에게 제어 가능한 지표를 제공하고 표적 치료 및 간호 조치의 구현을 더욱 촉진하고 PI 발생률을 줄이고 의료비를 절감할 수 있습니다.

Deng Xiaohong의 ICU 환자 486명의 임상 데이터를 수집하고 분류 회귀 트리 알고리즘을 사용하여 PI 위험 예측 모델을 구축했습니다. 의사 결정 트리 모델은 4개의 계층과 11개의 노드로 구성되었으며 3개의 고위험 그룹이 선택되었습니다. (1) 연령 > 81세; (2) 나이 81세 이하, 대변실금; (3) 나이가 81세 이하이고 변실금이 없고 Braden 점수가 13 이하이고 확장기 혈압이 60mmHg 미만인 환자에서 이 모델의 ROC 곡선 아래 면적은 0.82입니다. 이 연구에는 내부 검증이 없으며 모델의 예측 성능이 너무 높을 수 있습니다. 본 연구에서 PI 위험 인자의 선택은 증거 기반이 아닌 문헌 검토를 기반으로 하며 위험 인자가 스트레스 손상과 높은 상관관계가 있다고 판단할 수 없습니다.

Yu et al. 2014-2016년 입원 환자의 임상 데이터를 수집하고 다요인 분석 결과를 모델 예측 변수로 삼고 결정 트리, 로지스틱 회귀 및 랜덤 포레스트 기계 학습 알고리즘을 사용하여 입원 환자의 PI 위험을 평가하기 위한 예측 모델을 구축했습니다. 그 결과 랜덤 포레스트 모델이 가장 좋은 예측 성능을 보였고 ROC 곡선 아래 면적은 0.84로 나타났습니다.

두 연구에서 단일 기계 학습 알고리즘을 사용하여 스트레스 부상 위험 예측 모델을 구축했습니다. 기계 학습의 수명 주기는 자가 학습 과정이며 알려진 데이터 세트를 사용하여 알 수 없는 데이터 이벤트의 발생을 예측하는 모델을 구축합니다. 첫째, 연구 목적, 변수 분류 및 데이터 세트 속성에 따라 적절한 기계 학습 알고리즘을 선택하여 최상의 예측 효과를 얻을 수 있습니다. 둘째, 누락된 데이터를 올바르게 처리할 수 있는지 여부도 모델의 예측 성능에 영향을 미칩니다. 모델의 최종 효과는 데이터의 양과 데이터에 포함된 유용한 정보의 양에 따라 달라지기 때문입니다. 마지막으로 모델의 검증이 가장 중요합니다. 내부 검증은 모델이 과적합되는 것을 방지하여 보다 신뢰할 수 있고 정확한 평가 값을 얻을 수 있습니다. 외부 검증은 주로 임상 적용을 통한 모델의 예측 성능을 평가하고, 새롭게 수집된 데이터를 활용하여 모델을 분석 및 최적화하여 모델이 지속적으로 동적으로 업데이트될 수 있도록 하여 향후 모델의 광범위한 활용을 위한 기반을 제공합니다. . 본 연구에서는 세계 최고의 인공 에너지 지능형 모델을 사용하여 알고리즘 라이브러리를 구성합니다. 프로젝트 초기에 구축된 표준 데이터를 기반으로 모델 라이브러리에 있는 여러 모델을 랜덤 및 반복 샘플링으로 학습하고 최적의 통합 예측 모델을 마이닝합니다. 인공 지능 모델은 통합 학습 모델입니다(단일 기계 학습 모델과 다른 기계 학습의 큰 범주임). 주로 단일 모델 교육 및 다중 모델 융합을 포함하여 여러 학습자를 구축하여 학습 작업을 완료합니다. 앙상블 학습은 단일 머신러닝 알고리즘의 단점을 충분히 보완할 수 있으며 주요 장점은 다음과 같다. 하위 학습자) 또는 이기종(서로 다른 유형의 하위 학습자) 앙상블 학습의 성능과 호환성을 향상시킵니다. (2) 일반적으로 통합을 통해 일반화 성능이 단일 학습기보다 월등히 우수할 수 있다. 하위 학습자가 약한 경우 이러한 우월성은 더욱 분명해집니다. PI 인공 지능 모델은 주로 데이터 추출 및 정리, 데이터 세트 형성, 모델 교육, 모델 평가 및 검증, 모델 해석 및 임상 결정 정보 형성의 6단계를 통해 임상 데이터를 변환하며, 이는 데이터의 유용한 정보를 최대한 활용합니다. . 본 연구는 근거 기반 의학 및 전문가 대응을 통해 중환자의 스트레스 상해 위험 요인을 요약하고, 통합 학습 모델의 장점을 활용하여 높은 예측 성능을 보장하는 PI 인공 지능 예측 모델을 구축할 것입니다.

1.4 PI 인공지능 모델의 임상적용 전망 2020년 국가위생건강위원회에서 발표한 의료기관 간호업무 추가강화 고시에서 간호정보화의 발전을 더욱 촉진하고 정보의 심도 있는 통합을 촉진할 필요가 있다고 지적 기술과 간호업무를 수행하고, 기능이 다른 간호관리 플랫폼을 구축합니다. 정보기술의 지속적인 발전과 함께 머신러닝 알고리즘을 적용하여 빅데이터를 수집하고 활용하는 것이 하나의 발전 추세가 되었습니다. 기계 학습 알고리즘은 인공 지능의 핵심입니다. PI 관리에서 PI 위험 예측 모델을 구축함으로써 중환자의 PI 위험을 평가할 수 있을 뿐만 아니라 자동 데이터 분석을 실현하고 PI 전자 정보 관리의 개발을 촉진할 수 있습니다. Parket al. 후향적 연구방법을 사용하여 전자의무기록 데이터베이스로 입원 환자 14,907명의 임상 데이터를 수집하고 환자의 PI 위험을 예측하기 위해 cox 위험 회귀 모델을 구축했습니다. 이 모델의 ROC 곡선 아래 면적은 0.95로 Braden 척도(ROC 곡선 아래 면적은 0.82)보다 예측 효과가 훨씬 좋습니다. 전자의무기록시스템에는 많은 환자정보(환자의 인적사항, 진료기록, 검사결과, 투약정보 등)가 포함되어 있다. 전자의무기록시스템에 PI 인공지능 예측모델을 탑재해 환자의 기록과 데이터를 가치 있는 의료정보로 변환할 수 있다. 조기 예방을 위한 새로운 방향을 제시하고, 환자의 스트레스 부상 위험을 지속적으로 모니터링하며, 의료 종사자들이 효과적인 치료와 관리를 도입하도록 장려할 것으로 기대된다. 환자와 그 가족에게 적절한 의학적 조언을 제공하고 증거에 기반한 임상 의사 결정을 용이하게 하며 궁극적으로 중환자의 스트레스 부상 발생을 줄이고 간호 품질을 향상시키며 의료비를 절감할 수 있습니다. PI를 평가할 수 있습니다. 위독한 환자의 위험을 방지하고 자동 데이터 분석을 실현하며 PI 전자 정보 관리의 개발을 촉진합니다. Parket al. 후향적 연구방법을 사용하여 전자의무기록 데이터베이스로 입원 환자 14,907명의 임상 데이터를 수집하고 환자의 PI 위험을 예측하기 위해 cox 위험 회귀 모델을 구축했습니다. 이 모델의 ROC 곡선 아래 면적은 0.95로 Braden 척도(ROC 곡선 아래 면적은 0.82)보다 예측 효과가 훨씬 좋습니다. 전자의무기록시스템에는 많은 환자정보(환자의 인적사항, 진료기록, 검사결과, 투약정보 등)가 포함되어 있다. 전자의무기록시스템에 PI 인공지능 예측모델을 탑재해 환자의 기록과 데이터를 가치 있는 의료정보로 변환할 수 있다. 조기 예방을 위한 새로운 방향을 제시하고, 환자의 스트레스 부상 위험을 지속적으로 모니터링하며, 의료 종사자들이 효과적인 치료와 관리를 도입하도록 장려할 것으로 기대된다. 환자와 그 가족에게 적절한 의학적 조언을 제공하고 증거에 기반한 임상 의사 결정을 용이하게 하며 궁극적으로 중환자의 스트레스 부상 발생을 줄이고 간호 품질을 개선하며 의료비를 줄일 수 있습니다.