Construção e Aplicação do Modelo de Previsão de Risco de Lesão por Pressão para Pacientes Críticos

1.1 Características epidemiológicas das lesões por pressão adquiridas no hospital em pacientes críticos Como um dos problemas de saúde global, a lesão por estresse é um problema comum enfrentado por instituições médicas e de saúde, sendo considerado o evento adverso hospitalar mais grave. Lesão por Pressão Adquirida Hospitalar (HAPI) refere-se a lesões na pele e (ou) tecidos profundos de pacientes 24 horas após a admissão. A IP pode causar dor e piorar o prognóstico da doença e, em casos graves, pode causar infecção secundária e morte. Ao mesmo tempo, prolongará o tempo de hospitalização, ocupará muitos recursos médicos e aumentará a carga financeira da família. Pacientes críticos sempre apresentam alto risco de LP em instituições médicas, e sua taxa de incidência é 3,8 vezes maior que a de pacientes não críticos. Muitos fatores de risco aumentam a suscetibilidade de pacientes críticos a IP, como perfusão sanguínea insuficiente, baixa saturação de oxigênio no sangue, uso de drogas vasoativas, ventilação mecânica ou terapia renal substitutiva. A prevalência de IP em pacientes críticos no exterior é de 16,9%~23,8%; A prevalência de PI em pacientes críticos na China é de 5,58% ~ 11,09%; Em 2021, Sonia et al. conduziram uma pesquisa multicêntrica internacional com grande amostra (de 1.117 unidades de terapia intensiva e 90 países/regiões), e a prevalência de IP em pacientes gravemente enfermos foi de 16,2%. Como todos sabemos, a IP é uma ferida crônica refratária comum na clínica, com baixa taxa de cura e alto custo de tratamento. Sun Xiaofang acompanhou 59 pacientes com IP e descobriu que o tempo de cicatrização da ferida do estágio 3 e acima da PI era de cerca de 37 meses, e apenas 5,1% das feridas dos pacientes estavam completamente curadas, com um custo médio de cerca de 6.600 yuans. Em 2019, os EUA gastaram até US$ 2,08 bilhões em PI para pacientes gravemente enfermos. A IP também é uma razão importante para o aumento da mortalidade em pacientes críticos. Como alguns pacientes gravemente enfermos são complicados com falência de múltiplos órgãos, uma vez que a IP ocorre, é mais fácil retardar a infecção e causar sepse, levando à morte dos pacientes. Portanto, como evitar IP em pacientes críticos é o principal problema enfrentado pelos trabalhadores médicos.

1.2 Ferramenta de avaliação de risco de IP para pacientes críticos Ao longo dos anos, tornou-se um consenso global que a prevenção de IP é mais importante do que o tratamento. A avaliação de risco é o primeiro passo para prevenir a LP, e a precisão de seus resultados afetará diretamente a seleção de medidas preventivas e efeitos preventivos. Atualmente, existem as escalas de Braden, Norton e Waterlow, amplamente utilizadas na prática clínica. A escala de Norton e a escala de Waterlow provaram ter o melhor efeito preditivo na avaliação de pacientes idosos e pacientes cirúrgicos. No entanto, quando a escala de Braden é aplicada à avaliação do risco de IP de pacientes críticos, sua capacidade preditiva é moderada (boa sensibilidade e baixa especificidade), o que leva à implementação de muitas medidas preventivas não direcionadas na clínica e desperdiça recursos médicos. Já na década de 1990, estudiosos estrangeiros compilaram formulários de avaliação de risco de IP para pacientes críticos, incluindo Cubbin & Jackson, SunderLand, SS (Suriadi e Sanada Scale) e EVARUCI. Ye Tong e outros. analisaram as razões pelas quais essas escalas não podem ser amplamente utilizadas. Eles são compilados de acordo com as características dos pacientes críticos estrangeiros, e alguns itens não são aplicáveis ​​à população chinesa. Em segundo lugar, alguns itens precisam ser calculados antes do preenchimento (como o intervalo de queda da pressão arterial), e as etapas são complicadas, o que aumenta a carga de trabalho da equipe médica. Alguns itens são indicadores subjetivos e os escores de um mesmo paciente são bastante diferentes, portanto, os requisitos de habilidade dos avaliadores são rígidos. Atualmente, não existe uma escala especial de avaliação de IP para pacientes críticos com base nas características da população chinesa. De um modo geral, nas ferramentas de avaliação tradicionais, o processo de avaliação consome muita mão de obra e os itens da escala também afetam muito a precisão da avaliação.

Em 2019, Sheng Han et al. coletou os dados de 278 pacientes de UTI pelo método de caso-controle retrospectivo e obteve fatores de risco independentes de lesão por estresse por análise multivariada: idade, edema, hemiplegia, diabetes, escore fisiológico agudo e crônico de saúde II, incontinência e estabeleceu um modelo de nomograma de lesão por estresse. A área sob a curva ROC deste modelo é de 0,83, que apresenta boa estabilidade e discriminação. No entanto, esse modelo tem um tamanho de amostra pequeno, carece de verificação externa e tem um alto viés de desempenho de previsão. Além disso, diabetes, edema, hemiplegia, incontinência, etc. são variáveis ​​classificadas, que não podem realmente quantificar a relação entre fatores de risco e lesões por estresse.

O mecanismo patológico da lesão por estresse é complexo e dinâmico, incluindo fatores internos e externos. Dana acredita que a tolerância tecidual é uma variável intermediária entre fatores internos e externos, que reflete a tolerância do tecido à pressão e ao oxigênio, além de apresentar a estrutura teórica do modelo de previsão de lesão por estresse - fatores do próprio paciente (idade, comorbidade, sexo, corpo índice, etc.) e fatores mecânicos (fricção/força de cisalhamento, mobilidade, mobilidade, etc.). Em 2019, o Prevention and Treatment of Stress Injury: A Clinical Practice Guide (doravante referido como a "edição de 2019 do Clinical Guide for Stress Injury") publicado pelo European Stress Injury Advisory Committee, pelo American Stress Injury Advisory Committee e pelo A Pan-Pacific Stress Injury Alliance propôs que a avaliação de risco dos pacientes deveria ser considerada os efeitos de doenças básicas, como alterações na perfusão sanguínea causadas por diabetes e neuropatia, que afetarão a sensibilidade e a tolerância da pele. Portanto, ao avaliar o risco de IP dos pacientes, os profissionais médicos devem considerar de forma abrangente as doenças básicas dos pacientes e vários fatores de risco e analisá-los individualmente. Ao analisar os eventos adversos da lesão por estresse hospitalar no estágio inicial, descobriu-se que, quando a condição dos pacientes críticos muda, a conscientização dos profissionais médicos sobre a avaliação do risco de IP é insuficiente, o que pode ser outra razão importante pela qual os pacientes críticos são mais propensos a PI. Como considerar de forma abrangente todos os tipos de fatores de risco enfrentados por pacientes gravemente doentes e avaliar os riscos em tempo real, o modelo de previsão de risco PI traz uma nova esperança para resolver um problema difícil.

1.3 o estado de desenvolvimento do modelo de previsão de risco pi Modelo de previsão de risco de doença sempre foi um ponto quente na medicina. O modelo de previsão de risco de PI refere-se a um modelo matemático com fatores de risco de lesão por estresse como variáveis ​​e algoritmo de aprendizado de máquina para prever a probabilidade de PI. Ele pode rastrear de forma rápida, abrangente e precisa pacientes de alto risco com IP e, ao mesmo tempo, fornecer indicadores controláveis ​​para trabalhadores médicos, promover ainda mais a implementação de tratamento direcionado e medidas de enfermagem, reduzir a incidência de IP e reduzir despesas médicas.

Os dados clínicos de 486 pacientes de UTI em Deng Xiaohong foram coletados e o modelo de predição de risco de PI foi construído usando o algoritmo de árvore de regressão de classificação. O modelo da árvore de decisão consistia em 4 camadas e 11 nós, e três grupos de alto risco foram selecionados: (1) Idade > 81 anos; (2) Idade ≤8l, com incontinência fecal; (3) Pacientes com idade ≤81 anos, sem incontinência fecal, escore de Braden ≤13 e pressão arterial diastólica < 60 mmHg, a área sob a curva ROC deste modelo é 0,82. Não há verificação interna neste estudo, e o desempenho de previsão do modelo pode ser muito alto. A seleção de fatores de risco de PI neste estudo é baseada na revisão da literatura e não baseada em evidências, e não pode ser determinado que os fatores de risco estejam altamente correlacionados com lesões por estresse.

Yu et ai. coletou os dados clínicos de pacientes internados em 2014-2016, tomou os resultados da análise multifatorial como variáveis ​​de previsão do modelo e usou árvore de decisão, regressão logística e algoritmo de aprendizado de máquina de floresta aleatória para construir modelos de previsão para avaliar o risco de IP entre pacientes internados. Os resultados mostraram que o modelo random forest teve o melhor desempenho de predição, e a área sob a curva ROC foi de 0,84.

Em ambos os estudos, um único algoritmo de aprendizado de máquina é usado para construir um modelo de previsão de risco de lesão por estresse. O ciclo de vida do aprendizado de máquina é um processo de autoaprendizagem e uso de conjuntos de dados conhecidos para construir um modelo para prever a ocorrência de eventos de dados desconhecidos. Primeiro, o melhor efeito de previsão pode ser alcançado selecionando um algoritmo de aprendizado de máquina apropriado de acordo com o objetivo da pesquisa, classificação variável e atributos do conjunto de dados. Em segundo lugar, se os dados ausentes podem ser tratados corretamente também afetará o desempenho da previsão do modelo, porque o efeito final do modelo depende da quantidade de dados e da quantidade de informações úteis contidas nos dados. Finalmente, a verificação do modelo é a mais crítica. A verificação interna pode evitar o sobreajuste do modelo, de modo a obter um valor de avaliação mais confiável e preciso. A verificação externa avalia principalmente o desempenho de previsão do modelo por meio da aplicação clínica e analisa e otimiza o modelo usando dados recém-coletados, para que o modelo possa ser atualizado continuamente de forma dinâmica, o que fornece uma base para o futuro uso amplo do modelo . Neste estudo, os principais modelos inteligentes de energia artificial do mundo são usados ​​para formar uma biblioteca de algoritmos. Com base nos dados padrão estabelecidos no estágio inicial do projeto, vários modelos na biblioteca de modelos são treinados por amostragem aleatória e repetida, e o melhor modelo de previsão integrado é extraído. O modelo de inteligência artificial é um modelo de aprendizado integrado (é uma grande categoria de aprendizado de máquina, que é diferente do modelo de aprendizado de máquina único). Ele conclui as tarefas de aprendizado construindo vários alunos, incluindo principalmente treinamento de modelo único e fusão de vários modelos. O aprendizado conjunto pode compensar totalmente a deficiência do algoritmo de aprendizado de máquina único e suas principais vantagens são as seguintes: (1) Não há limite para os tipos de subalunos, e o total de alunos integrados pode ser homogêneo (mesmo tipo de subalunos) ou heterogêneos (diferentes tipos de subalunos), o que melhora o desempenho e a compatibilidade do aprendizado conjunto; (2) Geralmente, o desempenho da generalização pode ser significativamente superior ao de um único aluno por meio da integração. Se o subaluno for fraco, essa superioridade será ainda mais evidente. O modelo de inteligência artificial PI transforma principalmente os dados clínicos por meio de seis etapas: extração e limpeza de dados, formação do conjunto de dados, treinamento do modelo, avaliação e verificação do modelo, interpretação do modelo e formação de informações de decisão clínica, que farão pleno uso das informações úteis nos dados . Este estudo irá resumir os fatores de risco de lesão por estresse em pacientes críticos por meio de medicina baseada em evidências e correspondência de especialistas, e fazer uso das vantagens do modelo de aprendizado integrado para estabelecer um modelo de previsão de inteligência artificial PI para garantir seu alto desempenho de previsão.

1.4 Perspectiva de aplicação clínica do modelo de inteligência artificial PI Em 2020, o Aviso de Fortalecimento do Trabalho de Enfermagem em Instituições Médicas emitido pela Comissão Nacional de Saúde e Saúde apontou que é necessário promover ainda mais o desenvolvimento da informatização da enfermagem, promover a integração profunda de informações tecnologia e trabalho de enfermagem, e estabelecer uma plataforma de gerenciamento de enfermagem com diferentes funções. Com o desenvolvimento contínuo da tecnologia da informação, a aplicação de algoritmos de aprendizado de máquina para coletar e utilizar big data tornou-se uma tendência de desenvolvimento. O algoritmo de aprendizado de máquina é o núcleo da inteligência artificial. No gerenciamento de IP, ao construir um modelo de previsão de risco de PI, ele não apenas pode avaliar o risco de PI de pacientes gravemente enfermos, realizar a análise automática de dados e promover o desenvolvimento do gerenciamento de informações eletrônicas de PI. Park e cols. usou o método de pesquisa retrospectiva para coletar dados clínicos de 14.907 pacientes internados com banco de dados de registros médicos eletrônicos e estabeleceu o modelo de regressão de risco de Cox para prever o risco de IP dos pacientes. A área sob a curva ROC deste modelo é de 0,95 e seu efeito de previsão é muito melhor do que a escala de Braden (a área sob a curva ROC é de 0,82). O sistema de registro médico eletrônico contém muitas informações do paciente (informações pessoais dos pacientes, registros médicos, resultados de exames, informações sobre medicamentos, etc.). O modelo de previsão de inteligência artificial PI está incorporado no sistema de registro médico eletrônico, que pode transformar os registros e dados do paciente em informações médicas valiosas. Espera-se que forneça uma nova direção para a prevenção precoce, monitore continuamente o risco de lesões por estresse dos pacientes e promova os profissionais médicos a introduzir tratamentos e cuidados eficazes. Pode fornecer aconselhamento médico adequado para pacientes e suas famílias, facilitar a implementação da tomada de decisão clínica baseada em evidências e, finalmente, reduzir a ocorrência de lesões por estresse em pacientes críticos, melhorar a qualidade da enfermagem e reduzir despesas médicas. risco de pacientes gravemente doentes, realizar análise automática de dados e promover o desenvolvimento do gerenciamento eletrônico de informações PI. Park e cols. usou o método de pesquisa retrospectiva para coletar dados clínicos de 14.907 pacientes internados com banco de dados de registros médicos eletrônicos e estabeleceu o modelo de regressão de risco de Cox para prever o risco de IP dos pacientes. A área sob a curva ROC deste modelo é de 0,95 e seu efeito de previsão é muito melhor do que a escala de Braden (a área sob a curva ROC é de 0,82). O sistema de registro médico eletrônico contém muitas informações do paciente (informações pessoais dos pacientes, registros médicos, resultados de exames, informações sobre medicamentos, etc.). O modelo de previsão de inteligência artificial PI está incorporado no sistema de registro médico eletrônico, que pode transformar os registros e dados do paciente em informações médicas valiosas. Espera-se que forneça uma nova direção para a prevenção precoce, monitore continuamente o risco de lesões por estresse dos pacientes e promova os profissionais médicos a introduzir tratamentos e cuidados eficazes. Ele pode fornecer aconselhamento médico adequado para pacientes e suas famílias, facilitar a implementação da tomada de decisão clínica baseada em evidências e, finalmente, reduzir a ocorrência de lesões por estresse em pacientes gravemente enfermos, melhorar a qualidade da enfermagem e reduzir despesas médicas.