通过预测模型增加布雷登得分,以减少医院获得的压力损伤:一项临床试点研究

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的机器学习
• 患者安全 患者安全

背景情况:

• 医院获得的压力损伤 (HAPI) 是一个重要的患者安全问题.
• 目前的风险评估工具,如布拉登度量表,可能无法捕捉到所有促成因素.
• 需要增强预测模型,以更准确地识别有风险的患者.

研究的目的:

• 评估一种机器学习 (ML) 模型,用于预测医院获得的压力损伤 (HAPI).
• 评估该模型将布拉登尺度与人口和护理数据的整合.
• 确定ML模型是否有助于针对性HAPI预防策略.

主要方法:

• 美国地区医疗中心的一项试点研究利用了梯度增强树木算法.
• 该ML模型是根据历史数据进行训练,并集成到电子健康记录中.
• 在两个医疗楼进行了为期6个月的试点,将被确定为高风险患者的结果与标准护理进行了比较.

主要成果:

• 在飞行员楼层 (OR,0.09;P=.03) 观察到从深层组织损伤到全厚压力损伤 (PI) 的统计学上显著的转变.
• 报告指出,HAPI事件的几率有所降低,但在试点期间没有达到统计学意义 (OR,0.69;P=.38).

结论:

• 整合临床数据的预测建模显示了改善HAPI风险识别的潜力.
• 在临床环境中,ML方法可以指导针对性的干预措施,以预防压力损伤.
• 需要进一步的研究来验证在不同医疗保健系统中的通用性.