早期预测住院患者的压力损伤风险,使用基于护理记录的监督机器学习模型

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的机器学习
• 护理研究 护理研究

背景情况:

• 压力损伤 (PI) 是住院患者的一个重大问题,导致发病率和医疗费用增加.
• 早期识别和预防PI对于改善患者的治疗结果和减少医疗负担至关重要.

研究的目的:

• 开发和评估监督机器学习模型,用于在入院前八小时内预测压力损伤.
• 确定与住院患者压力损伤发展相关的关键风险因素.

主要方法:

• 利用了来自智利圣地亚哥的446名住院患者的数据集 (2022年1月至12月).
• 应用数据预处理技术,包括归算和特征选择.
• 评估了五种机器学习模型:决策树,物流回归,随机森林,极端梯度增强和使用交叉验证的支持矢量机器.
• 使用准确度,精度,回忆和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 压力损伤的总体发生率为18.8%.
• 确定的关键预测因素包括患者体型,体重,总风险评分,病房,依赖风险,使用抗床,身体束,失禁和医院前压力损伤 (p < 0.01).
• 随机森林模型实现了最高的性能,AUC为82.4%,准确度为82.5%,特异性为86.9%,调整精度为93.3%.

结论:

• 监督机器学习模型,特别是随机森林,可以有效地利用早期护理数据预测压力损伤.
• 这些预测模型提供了一个有价值的工具,以支持临床决策,及时预防住院患者的压力损伤.