Konstruksjon og anvendelse av prediksjonsmodell for trykkskaderisiko for kritisk syke pasienter

1.1 Epidemiologiske kjennetegn ved sykehuservervede trykkskader hos kritisk syke pasienter Som et av de globale helseproblemene er belastningsskader et vanlig problem for medisinske og helseinstitusjoner, og det anses som den mest alvorlige sykehuservervede bivirkningen. Hospital Acquired Pressure Injury (HAPI) refererer til hud- og (eller) dypvevsskader hos pasienter 24 timer etter innleggelse. PI kan forårsake smerte og forverre prognosen for sykdommen, og i alvorlige tilfeller kan det forårsake sekundær infeksjon og død. Samtidig vil det forlenge sykehusinnleggelsestiden, oppta mye medisinske ressurser og øke familiens økonomiske byrde. Kritisk syke pasienter har alltid høy risiko for PI i medisinske institusjoner, og forekomsten er 3,8 ganger høyere enn for ikke-kritisk syke pasienter. Mange risikofaktorer øker kritisk syke pasienters mottakelighet for PI, slik som utilstrekkelig blodperfusjon, lav oksygenmetning i blodet, bruk av vasoaktive legemidler, mekanisk ventilasjon eller nyreerstatningsterapi. Prevalensen av PI hos kritiske pasienter i utlandet er 16,9%~23,8%; Prevalensen av PI hos kritisk syke pasienter i Kina er 5,58 % ~ 11,09 %; I 2021, Sonia et al. gjennomførte en internasjonal multisenter stor utvalgsundersøkelse (fra 1117 intensivavdelinger og 90 land/regioner), og prevalensen av PI hos kritisk syke pasienter var 16,2 %. Som vi alle vet, er PI et vanlig kronisk refraktært sår i klinikken, med lav kurrate og høye behandlingskostnader. Sun Xiaofang fulgte opp 59 PI-pasienter og fant at sårhelingstiden for stadium 3 og over PI var omtrent 37 måneder, og bare 5,1 % av pasientenes sår var fullstendig leget, med en gjennomsnittlig kostnad på omtrent 6600 yuan. I 2019 brukte USA så mye som 2,08 milliarder dollar på PI for kritisk syke pasienter. PI er også en viktig årsak til økt dødelighet hos kritisk syke pasienter. Siden noen kritisk syke pasienter er kompliserte med multippel organsvikt, er det lettere å utsette infeksjon og forårsake sepsis når PI oppstår, noe som fører til pasientens død. Derfor er hvordan man unngår PI hos kritisk syke pasienter det primære problemet for medisinske arbeidere.

1.2 PI risikovurderingsverktøy for kritisk syke pasienter Gjennom årene har det blitt en global konsensus at forebygging av PI er viktigere enn behandling. Risikovurdering er det første trinnet for å forhindre PI, og nøyaktigheten av resultatene vil direkte påvirke valg av forebyggende tiltak og forebyggende effekter. For tiden er det Braden-skala, Norton-skala og Waterlow-skala, som er mye brukt i klinisk praksis. Norton-skala og Waterlow-skala har vist seg å ha den beste prediksjonseffekten ved evaluering av eldre pasienter og kirurgiske pasienter. Men når Braden-skalaen brukes på PI-risikovurdering av kritisk syke pasienter, er dens prediksjonsevne moderat (god sensitivitet og lav spesifisitet), noe som fører til implementering av mange ikke-målrettede forebyggende tiltak i klinikken og sløser med medisinske ressurser. Så tidlig som på 1990-tallet samlet utenlandske forskere skjemaer for risikovurdering av PI for kritiske pasienter, inkludert Cubbin & Jackson, SunderLand, SS(Suriadi og Sanada Scale) og EVARUCI. Ye Tong et al. analysert årsakene til at disse skalaene ikke kan brukes mye. De er kompilert i henhold til egenskapene til utenlandske kritiske pasienter, og noen elementer er ikke aktuelt for kinesisk befolkning. For det andre må noen elementer beregnes før de fylles ut (for eksempel rekkevidden for blodtrykksfall), og trinnene er kompliserte, noe som øker arbeidsmengden til medisinsk personell. Noen elementer er subjektive indikatorer, og poengsummen til samme pasient er ganske forskjellige, så evnekravene til evaluatorer er strenge. For tiden er det ingen spesiell PI-evalueringsskala for kritisk syke pasienter basert på egenskapene til den kinesiske befolkningen. Generelt sett bruker de tradisjonelle evalueringsverktøyene, evalueringsprosessen mye arbeidskraft, og skalaelementene påvirker også i stor grad nøyaktigheten av evalueringen.

I 2019, Sheng Han et al. samlet inn data fra 278 ICU-pasienter ved retrospektiv case-kontrollmetode, og oppnådde uavhengige risikofaktorer for belastningsskade ved multivariat analyse: alder, ødem, hemiplegi, diabetes, akutt fysiologisk og kronisk helseskår II, inkontinens, og etablerte en nomogrammodell av belastningsskade. Arealet under ROC-kurven til denne modellen er 0,83, som har god stabilitet og diskriminering. Imidlertid har denne modellen en liten prøvestørrelse, mangler ekstern verifisering og har en høy prediksjonsytelsesskjevhet. Dessuten er diabetes, ødem, hemiplegi, inkontinens, etc. alle klassifiserte variabler, som egentlig ikke kan kvantifisere forholdet mellom risikofaktorer og belastningsskader.

Den patologiske mekanismen for belastningsskade er kompleks og dynamisk, inkludert interne og eksterne faktorer. Dana mener at vevstoleranse er en mellomvariabel mellom interne og eksterne faktorer, som reflekterer vevets toleranse for trykk og oksygen, og legger videre frem det teoretiske rammeverket for stressskadeprediksjonsmodell-pasientens egne faktorer (alder, komorbiditet, kjønn, kropp). indeks, etc.) og mekaniske faktorer (friksjon/skjærkraft, mobilitet, mobilitet osv.). I 2019 ble Prevention and Treatment of Stress Injury: A Clinical Practice Guide (heretter referert til som "2019-utgaven av Clinical Guide for Stress Injury") utgitt av European Stress Injury Advisory Committee, American Stress Injury Advisory Committee og Pan-Pacific Stress Injury Alliance foreslo at risikovurderingen av pasienter bør vurdere effektene av grunnleggende sykdommer, som blodperfusjonsendringer forårsaket av diabetes og nevropati, som vil påvirke hudens følsomhet og toleranse. Derfor, når de vurderer risikoen for pasienters PI, bør medisinske arbeidere grundig vurdere pasientenes grunnleggende sykdommer og ulike risikofaktorer, og analysere dem individuelt. Ved å analysere de uønskede hendelsene ved sykehusbelastningsskader på et tidlig stadium, er det funnet at når tilstanden til kritiske pasienter endres, er medisinske arbeideres bevissthet om PI risikovurdering utilstrekkelig, noe som kan være en annen viktig grunn til at kritiske pasienter er mer utsatt for PI. Hvordan man kan vurdere alle typer risikofaktorer som kritisk syke pasienter står overfor og evaluere risikoer i sanntid, gir PI-risikoprediksjonsmodellen nytt håp for å løse et vanskelig problem.

1.3 utviklingsstatusen til pi risikoprediksjonsmodellen Sykdomsrisikoprediksjonsmodellen har alltid vært et hot spot innen medisin. PI risikoprediksjonsmodell refererer til en matematisk modell med stressskaderisikofaktorer som variabler og maskinlæringsalgoritme for å forutsi sannsynligheten for PI. Den kan raskt, omfattende og nøyaktig sile ut høyrisikopasienter med PI, og samtidig gi kontrollerbare indikatorer for medisinske arbeidere, ytterligere fremme implementering av målrettede behandlings- og sykepleietiltak, redusere forekomsten av PI, og redusere medisinske utgifter.

De kliniske dataene til 486 ICU-pasienter i Deng Xiaohong ble samlet inn, og PI-risikoprediksjonsmodellen ble konstruert ved å bruke klassifiseringsregresjonstrealgoritmen. Beslutningstremodellen besto av 4 lag og 11 noder, og tre høyrisikogrupper ble valgt: (1) Alder > 81 år gammel; (2) Alder ≤8l, med fekal inkontinens; (3) Pasienter med alder ≤81 år, ingen fekal inkontinens, Braden-score ≤13 og diastolisk blodtrykk < 60 mmHg, området under ROC-kurven til denne modellen er 0,82. Det er ingen intern verifikasjon i denne studien, og prediksjonsytelsen til modellen kan være for høy. Utvalget av PI-risikofaktorer i denne studien er basert på litteraturgjennomgang snarere enn evidensbasert, og det kan ikke fastslås at risikofaktorer er sterkt korrelert med belastningsskade.

Yu et al. samlet inn kliniske data fra innlagte pasienter i 2014-2016, tok resultatene av multifaktoranalyse som modellprediksjonsvariabler, og brukte beslutningstre, logistisk regresjon og tilfeldig skogmaskinlæringsalgoritme for å bygge prediksjonsmodeller for å evaluere risikoen for PI blant innlagte pasienter. Resultatene viste at den tilfeldige skogmodellen hadde best prediksjonsytelse, og arealet under ROC-kurven var 0,84.

I begge studiene brukes en enkelt maskinlæringsalgoritme for å bygge en prediksjonsmodell for stressskaderisiko. Livssyklusen til maskinlæring er en prosess med selvlæring og bruk av kjente datasett for å bygge en modell for å forutsi forekomsten av ukjente datahendelser. For det første kan den beste prediksjonseffekten oppnås ved å velge en passende maskinlæringsalgoritme i henhold til forskningsmål, variabelklassifisering og datasettattributter. For det andre vil hvorvidt de manglende dataene kan håndteres riktig også påvirke prediksjonsytelsen til modellen, fordi den endelige effekten av modellen avhenger av mengden data og mengden nyttig informasjon som finnes i dataene. Til slutt er verifiseringen av modellen den mest kritiske. Intern verifisering kan forhindre at modellen passer for mye, for å oppnå en mer pålitelig og nøyaktig evalueringsverdi. Ekstern verifikasjon evaluerer i hovedsak modellens prediksjonsytelse gjennom klinisk anvendelse, og analyserer og optimerer modellen ved å bruke nyinnsamlede data, slik at modellen kontinuerlig kan oppdateres dynamisk, noe som gir grunnlag for fremtidig bred bruk av modellen. . I denne studien brukes de ledende intelligente modellene for kunstig energi i verden til å danne et algoritmebibliotek. Basert på standarddata etablert i tidlig fase av prosjektet, trenes flere modeller i modellbiblioteket ved tilfeldig og gjentatt prøvetaking, og den beste integrerte prediksjonsmodellen utvinnes. Kunstig intelligensmodell er en integrert læringsmodell (det er en stor kategori av maskinlæring, som er forskjellig fra enkelt maskinlæringsmodell). Den fullfører læringsoppgaver ved å bygge flere elever, hovedsakelig inkludert enkeltmodellopplæring og multimodellfusjon. Ensemblelæring kan fullt ut kompensere for mangelen på en enkelt maskinlæringsalgoritme, og dens viktigste fordeler er som følger: (1) Det er ingen grense for typene underelever, og de integrerte totale elevene kan være homogene (samme type underlærere) eller heterogene (ulike typer underlærere), som forbedrer ytelsen og kompatibiliteten til ensemblelæring; (2) Generelt kan generaliseringsytelsen være betydelig bedre enn en enkelt elev gjennom integrering. Hvis underlæreren er svak, vil denne overlegenheten være enda tydeligere. PI kunstig intelligens-modell transformerer hovedsakelig kliniske data gjennom seks trinn: datautvinning og -rensing, datasettdannelse, modelltrening, modellevaluering og verifisering, modelltolkning og dannelse av klinisk beslutningsinformasjon, som vil gjøre full bruk av den nyttige informasjonen i dataene . Denne studien vil oppsummere risikofaktorene for stressskader hos kritiske pasienter gjennom evidensbasert medisin og ekspertkorrespondanse, og benytte fordelene med integrert læringsmodell for å etablere en PI kunstig intelligens prediksjonsmodell for å sikre dens høye prediksjonsytelse.

1.4 PI kunstig intelligens-modellens kliniske anvendelsesutsikter I 2020 påpekte varselet om ytterligere styrking av sykepleiearbeidet i medisinske institusjoner utstedt av National Health and Health Commission at det er nødvendig å fremme utviklingen av sykepleieinformatisering, fremme dyp integrering av informasjon teknologi og sykepleiearbeid, og etablere en sykepleiestyringsplattform med ulike funksjoner. Med den kontinuerlige utviklingen av informasjonsteknologi har bruken av maskinlæringsalgoritmer for å samle inn og utnytte big data blitt en utviklingstrend. Maskinlæringsalgoritme er kjernen i kunstig intelligens. I PI-håndtering, ved å bygge en PI-risikoprediksjonsmodell, kan den ikke bare evaluere PI-risikoen for kritisk syke pasienter, realisere automatisk dataanalyse og fremme utviklingen av PI elektronisk informasjonshåndtering. Park et al. brukte retrospektiv forskningsmetode for å samle inn kliniske data fra 14 907 innlagte pasienter med elektronisk journaldatabase, og etablerte cox-risikoregresjonsmodell for å forutsi pasientenes PI-risiko. Arealet under ROC-kurven til denne modellen er 0,95, og dens prediksjonseffekt er mye bedre enn Braden-skalaen (arealet under ROC-kurven er 0,82). Det elektroniske journalsystemet inneholder mye pasientinformasjon (personopplysninger om pasienter, journaler, prøvesvar, legemiddelinformasjon, etc.). PI kunstig intelligens prediksjonsmodellen er innebygd i det elektroniske journalsystemet, som kan transformere pasientens journaler og data til verdifull medisinsk informasjon. Det forventes å gi en ny retning for tidlig forebygging, kontinuerlig overvåke risikoen for pasienters belastningsskade, og fremme medisinske arbeidere til å introdusere effektiv behandling og omsorg. Det kan gi passende medisinske råd til pasienter og deres familier, lette implementeringen av kliniske beslutninger basert på bevis, og til slutt redusere forekomsten av belastningsskader hos kritisk syke pasienter, forbedre sykepleiekvaliteten og redusere medisinske utgifter. Den kan evaluere PI risiko for kritisk syke pasienter, realisere automatisk dataanalyse og fremme utviklingen av PI elektronisk informasjonshåndtering. Park et al. brukte retrospektiv forskningsmetode for å samle inn kliniske data fra 14 907 innlagte pasienter med elektronisk journaldatabase, og etablerte cox-risikoregresjonsmodell for å forutsi pasientenes PI-risiko. Arealet under ROC-kurven til denne modellen er 0,95, og dens prediksjonseffekt er mye bedre enn Braden-skalaen (arealet under ROC-kurven er 0,82). Det elektroniske journalsystemet inneholder mye pasientinformasjon (personopplysninger om pasienter, journaler, prøvesvar, legemiddelinformasjon, etc.). PI kunstig intelligens prediksjonsmodellen er innebygd i det elektroniske journalsystemet, som kan transformere pasientens journaler og data til verdifull medisinsk informasjon. Det forventes å gi en ny retning for tidlig forebygging, kontinuerlig overvåke risikoen for pasienters belastningsskader, og fremme medisinske arbeidere til å introdusere effektiv behandling og omsorg. Det kan gi passende medisinske råd til pasienter og deres familier, lette implementeringen av klinisk beslutningstaking basert på bevis, og til slutt redusere forekomsten av belastningsskader hos kritisk syke pasienter, forbedre sykepleiekvaliteten og redusere medisinske utgifter.