Constructie en toepassing van een risicovoorspellingsmodel voor decubitus voor ernstig zieke patiënten

1.1 Epidemiologische kenmerken van in het ziekenhuis opgelopen decubitus bij ernstig zieke patiënten Als een van de wereldwijde gezondheidsproblemen is stressletsel een veelvoorkomend probleem waarmee medische en gezondheidsinstellingen worden geconfronteerd, en het wordt beschouwd als de ernstigste in het ziekenhuis opgelopen bijwerking. Hospital Acquired Pressure Injury (HAPI) verwijst naar huid- en (of) diepe weefselverwondingen van patiënten 24 uur na opname. PI kan pijn veroorzaken en de prognose van de ziekte verslechteren, en in ernstige gevallen kan het secundaire infectie en overlijden veroorzaken. Tegelijkertijd zal het de ziekenhuisopname verlengen, veel medische middelen in beslag nemen en de financiële last van het gezin verhogen. Kritiek zieke patiënten lopen altijd een hoog risico op PI in medische instellingen, en de incidentie is 3,8 keer hoger dan die van niet-kritiek zieke patiënten. Veel risicofactoren verhogen de gevoeligheid van ernstig zieke patiënten voor PI, zoals onvoldoende bloedperfusie, lage zuurstofverzadiging in het bloed, gebruik van vasoactieve geneesmiddelen, mechanische beademing of nierfunctievervangende therapie. De prevalentie van PI bij kritieke patiënten in het buitenland is 16,9%~23,8%; De prevalentie van PI bij ernstig zieke patiënten in China is 5,58% ~ 11,09%; In 2021 hebben Sonia et al. voerde een internationale multi-center grote steekproef uit (van 1117 intensive care-afdelingen en 90 landen/regio's), en de prevalentie van PI bij ernstig zieke patiënten was 16,2%. Zoals we allemaal weten, is PI een veel voorkomende chronische refractaire wond in de kliniek, met een laag genezingspercentage en hoge behandelingskosten. Sun Xiaofang volgde 59 PI-patiënten op en ontdekte dat de wondgenezingstijd van fase 3 en hoger PI ongeveer 37 maanden was, en dat slechts 5,1% van de wonden van de patiënten volledig genezen was, met een gemiddelde kostprijs van ongeveer 6.600 yuan. In 2019 gaven de VS maar liefst 2,08 miljard dollar uit aan PI voor ernstig zieke patiënten. PI is ook een belangrijke reden voor de toename van de mortaliteit bij ernstig zieke patiënten. Aangezien sommige ernstig zieke patiënten worden gecompliceerd door meervoudig orgaanfalen, is het gemakkelijker om infectie uit te stellen en sepsis te veroorzaken, wat leidt tot de dood van patiënten als PI eenmaal optreedt. Daarom is het voorkomen van PI bij ernstig zieke patiënten het belangrijkste probleem waarmee medisch personeel wordt geconfronteerd.

1.2 Risicobeoordelingsinstrument voor PI voor ernstig zieke patiënten Door de jaren heen is er een wereldwijde consensus ontstaan ​​dat preventie van PI belangrijker is dan behandeling. Risicobeoordeling is de eerste stap om PI te voorkomen, en de nauwkeurigheid van de resultaten zal rechtstreeks van invloed zijn op de selectie van preventieve maatregelen en preventieve effecten. Momenteel zijn er Braden-schaal, Norton-schaal en Waterlow-schaal, die veel worden gebruikt in de klinische praktijk. Norton-schaal en Waterlow-schaal hebben bewezen het beste voorspellende effect te hebben bij het evalueren van oudere patiënten en chirurgische patiënten. Wanneer de Braden-schaal echter wordt toegepast op PI-risicobeoordeling van ernstig zieke patiënten, is het voorspellende vermogen ervan matig (goede gevoeligheid en lage specificiteit), wat leidt tot de implementatie van veel niet-gerichte preventieve maatregelen in de kliniek en verspilt medische middelen. Al in de jaren negentig stelden buitenlandse wetenschappers PI-risicobeoordelingsformulieren samen voor kritieke patiënten, waaronder Cubbin & Jackson, SunderLand, SS (Suriadi en Sanada Scale) en EVARUCI. Ye Tong et al. analyseerde de redenen waarom deze schalen niet op grote schaal kunnen worden gebruikt. Ze zijn samengesteld op basis van de kenmerken van buitenlandse kritieke patiënten en sommige items zijn niet van toepassing op de Chinese bevolking. Ten tweede moeten sommige items worden berekend voordat ze worden ingevuld (zoals het bereik van de bloeddrukdaling), en zijn de stappen ingewikkeld, wat de werkdruk van medisch personeel verhoogt. Sommige items zijn subjectieve indicatoren en de scores van dezelfde patiënt zijn behoorlijk verschillend, dus de vaardigheidseisen van beoordelaars zijn streng. Op dit moment is er geen speciale PI-evaluatieschaal voor ernstig zieke patiënten op basis van de kenmerken van de Chinese bevolking. Over het algemeen nemen de traditionele evaluatietools, het evaluatieproces veel mankracht in beslag, en de schaalitems hebben ook een grote invloed op de nauwkeurigheid van de evaluatie.

In 2019 hebben Sheng Han et al. verzamelde de gegevens van 278 IC-patiënten door middel van retrospectieve case-control-methode en verkreeg onafhankelijke risicofactoren van stressletsel door multivariate analyse: leeftijd, oedeem, hemiplegie, diabetes, acute fysiologische en chronische gezondheidsscore II, incontinentie, en stelde een nomogrammodel op van stress letsel. Het gebied onder de ROC-curve van dit model is 0,83, wat een goede stabiliteit en discriminatie heeft. Dit model heeft echter een kleine steekproefomvang, geen externe verificatie en een hoge voorspellingsprestatiebias. Bovendien zijn diabetes, oedeem, hemiplegie, incontinentie, enz. allemaal geclassificeerde variabelen, die de relatie tussen risicofactoren en stressletsel niet echt kunnen kwantificeren.

Het pathologische mechanisme van stressletsel is complex en dynamisch, inclusief interne en externe factoren. Dana denkt dat weefseltolerantie een intermediaire variabele is tussen interne en externe factoren, die de tolerantie van weefsel voor druk en zuurstof weerspiegelt, en brengt verder het theoretische raamwerk naar voren van het voorspellingsmodel voor stressletsel: de eigen factoren van de patiënt (leeftijd, comorbiditeit, geslacht, lichaam index, enz.) en mechanische factoren (wrijving/schuifkracht, mobiliteit, mobiliteit, enz.). In 2019, Preventie en behandeling van stressletsel: een gids voor klinische praktijken (hierna de "2019-editie van de klinische gids voor stressletsel" genoemd), gepubliceerd door het European Stress Injury Advisory Committee, het American Stress Injury Advisory Committee en de Pan-Pacific Stress Injury Alliance stelde voor om bij de risicobeoordeling van patiënten rekening te houden met de effecten van basisziekten, zoals veranderingen in de bloeddoorstroming veroorzaakt door diabetes en neuropathie, die de gevoeligheid en tolerantie van de huid zullen beïnvloeden. Daarom moeten medische hulpverleners bij het evalueren van het risico van de PI van de patiënt de basisziekten van de patiënt en verschillende risicofactoren uitgebreid in overweging nemen en deze afzonderlijk analyseren. Door de bijwerkingen van stressletsel in het ziekenhuis in een vroeg stadium te analyseren, is gebleken dat wanneer de toestand van kritieke patiënten verandert, medische hulpverleners onvoldoende op de hoogte zijn van de risicobeoordeling van PI, wat een andere belangrijke reden kan zijn waarom kritieke patiënten vatbaarder zijn voor PI. Hoe alle soorten risicofactoren waarmee ernstig zieke patiënten worden geconfronteerd, uitvoerig kunnen worden overwogen en risico's in realtime kunnen worden geëvalueerd, het PI-risicovoorspellingsmodel biedt nieuwe hoop om een ​​moeilijk probleem op te lossen.

1.3 de ontwikkelingsstatus van het pi-risicovoorspellingsmodel Het ziekterisicovoorspellingsmodel is altijd een hotspot geweest in de geneeskunde. PI-risicovoorspellingsmodel verwijst naar een wiskundig model met risicofactoren voor stressletsel als variabelen en een algoritme voor machine learning om de waarschijnlijkheid van PI te voorspellen. Het kan risicovolle patiënten met PI snel, volledig en nauwkeurig screenen en tegelijkertijd controleerbare indicatoren bieden voor medisch personeel, de implementatie van gerichte behandelings- en verpleegkundige maatregelen verder bevorderen, de incidentie van PI verminderen en medische kosten verlagen.

De klinische gegevens van 486 IC-patiënten in Deng Xiaohong werden verzameld en het PI-risicovoorspellingsmodel werd geconstrueerd met behulp van het classificatie-regressieboomalgoritme. Het beslisboommodel bestond uit 4 lagen en 11 knooppunten en er werden drie risicogroepen geselecteerd: (1) Leeftijd > 81 jaar; (2) Leeftijd ≤8l, met fecale incontinentie; (3) Patiënten met een leeftijd ≤81 jaar oud, geen fecale incontinentie, Braden-score ≤13 en diastolische bloeddruk <60 mmHg, het gebied onder de ROC-curve van dit model is 0,82. Er is geen interne verificatie in dit onderzoek en de voorspellingsprestaties van het model zijn mogelijk te hoog. De selectie van PI-risicofactoren in deze studie is gebaseerd op literatuuronderzoek in plaats van evidence-based, en er kan niet worden vastgesteld dat risicofactoren sterk gecorreleerd zijn met stressletsel.

Yu et al. verzamelde de klinische gegevens van intramurale patiënten in 2014-2016, nam de resultaten van multi-factoranalyse als modelvoorspellingsvariabelen en gebruikte beslissingsboom, logistische regressie en willekeurig bosmachine-learningalgoritme om voorspellingsmodellen te bouwen om het risico op PI bij intramurale patiënten te evalueren. De resultaten toonden aan dat het willekeurige bosmodel de beste voorspellingsprestaties had en dat het gebied onder de ROC-curve 0,84 was.

In beide onderzoeken wordt een enkel algoritme voor machine learning gebruikt om een ​​voorspellingsmodel voor het risico op stressletsel te bouwen. De levenscyclus van machine learning is een proces van zelfleren en het gebruiken van bekende datasets om een ​​model te bouwen om het optreden van onbekende datagebeurtenissen te voorspellen. Ten eerste kan het beste voorspellingseffect worden bereikt door een geschikt algoritme voor machine learning te selecteren op basis van het onderzoeksdoel, de variabele classificatie en de attributen van de dataset. Ten tweede, of de ontbrekende gegevens correct kunnen worden verwerkt, heeft ook invloed op de voorspellingsprestaties van het model, omdat het uiteindelijke effect van het model afhangt van de hoeveelheid gegevens en de hoeveelheid nuttige informatie in de gegevens. Ten slotte is de verificatie van het model het meest kritisch. Interne verificatie kan voorkomen dat het model te veel past, om zo een betrouwbaardere en nauwkeurigere evaluatiewaarde te verkrijgen. Externe verificatie evalueert voornamelijk de voorspellingsprestaties van het model door klinische toepassing, en analyseert en optimaliseert het model door nieuw verzamelde gegevens te gebruiken, zodat het model continu dynamisch kan worden bijgewerkt, wat een basis vormt voor toekomstig breed gebruik van het model . In deze studie worden de leidende kunstmatige energie-intelligente modellen ter wereld gebruikt om een ​​algoritmebibliotheek te vormen. Op basis van de standaardgegevens die in de vroege fase van het project zijn vastgesteld, worden meerdere modellen in de modelbibliotheek getraind door middel van willekeurige en herhaalde steekproeven, en wordt het beste geïntegreerde voorspellingsmodel gedolven. Het kunstmatige-intelligentiemodel is een geïntegreerd leermodel (het is een grote categorie machine learning, die verschilt van een enkelvoudig machine learning-model). Het voltooit leertaken door meerdere leerlingen te bouwen, voornamelijk inclusief training met één model en fusie met meerdere modellen. Het leren van een ensemble kan de tekortkoming van een algoritme voor het leren van een enkele machine volledig compenseren, en de belangrijkste voordelen zijn als volgt: (1) Er is geen limiet aan de soorten subleerlingen en de geïntegreerde totale leerders kunnen homogeen zijn (hetzelfde type subleerlingen) of heterogeen (verschillende soorten subleerlingen), wat de prestaties en compatibiliteit van ensembleleren verbetert; (2) Over het algemeen kunnen de generalisatieprestaties door integratie aanzienlijk beter zijn dan die van een enkele leerling. Als de onderleerling zwak is, zal deze superioriteit nog duidelijker zijn. Het kunstmatige-intelligentiemodel van PI transformeert voornamelijk klinische gegevens in zes stappen: gegevensextractie en -opschoning, vorming van gegevenssets, modeltraining, modelevaluatie en -verificatie, modelinterpretatie en vorming van klinische beslissingsinformatie, die volledig gebruik zal maken van de nuttige informatie in de gegevens . Deze studie zal de risicofactoren van stressletsel bij kritieke patiënten samenvatten door middel van evidence-based geneeskunde en correspondentie met experts, en gebruik maken van de voordelen van een geïntegreerd leermodel om een ​​PI-voorspellingsmodel voor kunstmatige intelligentie op te zetten om de hoge voorspellingsprestaties te garanderen.

1.4 Het klinische toepassingsperspectief van het PI-model voor kunstmatige intelligentie In 2020 wees de door de National Health and Health Commission uitgegeven mededeling van verdere versterking van verpleegkundig werk in medische instellingen erop dat het noodzakelijk is om de ontwikkeling van verpleegkundige informatisering verder te bevorderen, de diepe integratie van informatie te bevorderen technologie en verpleegkundig werk, en een verpleegkundig managementplatform opzetten met verschillende functies. Met de voortdurende ontwikkeling van informatietechnologie is de toepassing van machine learning-algoritmen voor het verzamelen en gebruiken van big data een ontwikkelingstrend geworden. Machine learning-algoritmen vormen de kern van kunstmatige intelligentie. In PI-beheer kan, door een PI-risicovoorspellingsmodel te bouwen, niet alleen het PI-risico van ernstig zieke patiënten worden geëvalueerd, automatische gegevensanalyse worden gerealiseerd en de ontwikkeling van elektronisch PI-informatiebeheer worden bevorderd. Park et al. gebruikte een retrospectieve onderzoeksmethode om klinische gegevens te verzamelen van 14.907 opgenomen patiënten met een elektronische medische dossierdatabase, en stelde een cox-risicoregressiemodel op om het PI-risico van patiënten te voorspellen. Het gebied onder de ROC-curve van dit model is 0,95 en het voorspellingseffect is veel beter dan dat van de Braden-schaal (het gebied onder de ROC-curve is 0,82). Het elektronisch patiëntendossier bevat veel patiëntgegevens (persoonlijke gegevens van patiënten, medische dossiers, testresultaten, medicatiegegevens, etc.). Het voorspellingsmodel voor kunstmatige intelligentie van PI is ingebed in het elektronische medische dossiersysteem, dat de dossiers en gegevens van de patiënt kan omzetten in waardevolle medische informatie. Het zal naar verwachting een nieuwe richting geven voor vroege preventie, het continu monitoren van het risico op stressletsel bij patiënten en medisch personeel stimuleren om effectieve behandeling en zorg in te voeren. Het kan passend medisch advies geven aan patiënten en hun families, de implementatie van klinische besluitvorming op basis van bewijs vergemakkelijken en uiteindelijk het optreden van stressverwondingen bij ernstig zieke patiënten verminderen, de verpleegkundige kwaliteit verbeteren en de medische kosten verlagen. Het kan de PI evalueren risico van ernstig zieke patiënten, realiseer automatische data-analyse en bevorder de ontwikkeling van PI elektronisch informatiebeheer. Park et al. gebruikte een retrospectieve onderzoeksmethode om klinische gegevens te verzamelen van 14.907 opgenomen patiënten met een elektronische medische dossierdatabase, en stelde een cox-risicoregressiemodel op om het PI-risico van patiënten te voorspellen. Het gebied onder de ROC-curve van dit model is 0,95 en het voorspellingseffect is veel beter dan dat van de Braden-schaal (het gebied onder de ROC-curve is 0,82). Het elektronisch patiëntendossier bevat veel patiëntgegevens (persoonlijke gegevens van patiënten, medische dossiers, testresultaten, medicatiegegevens, etc.). Het voorspellingsmodel voor kunstmatige intelligentie van PI is ingebed in het elektronische medische dossiersysteem, dat de dossiers en gegevens van de patiënt kan omzetten in waardevolle medische informatie. Het zal naar verwachting een nieuwe richting geven voor vroege preventie, het continu monitoren van het risico op stressletsel bij patiënten en medisch personeel stimuleren om effectieve behandeling en zorg in te voeren. Het kan passend medisch advies geven aan patiënten en hun families, de implementatie van klinische besluitvorming op basis van bewijs vergemakkelijken en uiteindelijk het optreden van stressverwondingen bij ernstig zieke patiënten verminderen, de verpleegkundige kwaliteit verbeteren en de medische kosten verlagen.