CN110931134A - 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 - Google Patents
一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 Download PDFInfo
- Publication number
- CN110931134A CN110931134A CN201911219034.9A CN201911219034A CN110931134A CN 110931134 A CN110931134 A CN 110931134A CN 201911219034 A CN201911219034 A CN 201911219034A CN 110931134 A CN110931134 A CN 110931134A
- Authority
- CN
- China
- Prior art keywords
- pressure injury
- pressure
- value
- injury
- hospitalization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 151
- 230000006378 damage Effects 0.000 title claims abstract description 138
- 208000014674 injury Diseases 0.000 title claims abstract description 137
- 230000035876 healing Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007418 data mining Methods 0.000 title claims abstract description 14
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 210000004369 blood Anatomy 0.000 claims abstract description 16
- 239000008280 blood Substances 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 206010052428 Wound Diseases 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 12
- 102000009027 Albumins Human genes 0.000 claims description 11
- 108010088751 Albumins Proteins 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000036760 body temperature Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000001684 chronic effect Effects 0.000 claims description 7
- 208000028659 discharge Diseases 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 5
- 108010054147 Hemoglobins Proteins 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 210000003743 erythrocyte Anatomy 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 238000004820 blood count Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 3
- 208000018262 Peripheral vascular disease Diseases 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 201000011510 cancer Diseases 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000035487 diastolic blood pressure Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000010832 independent-sample T-test Methods 0.000 claims description 3
- 230000035764 nutrition Effects 0.000 claims description 3
- 235000016709 nutrition Nutrition 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000035488 systolic blood pressure Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000035882 stress Effects 0.000 description 28
- 210000003491 skin Anatomy 0.000 description 9
- 238000004393 prognosis Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000003902 lesion Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 206010011985 Decubitus ulcer Diseases 0.000 description 3
- 208000004210 Pressure Ulcer Diseases 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 206010063560 Excessive granulation tissue Diseases 0.000 description 2
- 238000010876 biochemical test Methods 0.000 description 2
- 238000004159 blood analysis Methods 0.000 description 2
- 238000011088 calibration curve Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001126 granulation tissue Anatomy 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000019612 pigmentation Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010015150 Erythema Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 231100000321 erythema Toxicity 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011119 multifactor regression analysis Methods 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,本发明预测模型通过提取住院压力性损伤患者一般特征、疾病相关特征、以及血常规和血生化检验报告结果,对临床压力性损伤的愈合风险进行预测,该方法及模型可以通过简单有效的可视化评分体系早期识别难愈性压力性损伤并判断其转归与预后,进而及早进行相关干预,也可以为后期不同愈合风险的压力性损伤患者进行个性化干预策略提供分层依据,从而促进临床压力性损伤的愈合。
Description
技术领域
本发明涉及临床压力性损伤预测技术领域,具体为一种基于大数据挖掘模型预测住院压力性损伤愈合的方法。
背景技术
压力性损伤指发生在皮肤和(或)潜在皮下软组织的局部性损伤,通常发生在骨隆突处或皮肤与医疗设备接触处。随着全球老龄化进程加快,慢病患者增多以及其带病生存时间延长,卧床患者数量持续增长,导致压力性损伤的高危人群持续增长,再加上难免性压力性损伤的存在,致使国内外压力性损伤的发生率居高不下。压力性损伤一旦发生,其临床治疗相对困难,花费高,给患者和社会都带来沉重的经济负担。压力性损伤是一种慢性难愈性创面,其愈合周期长,愈合率低,治疗相对困难。在压力性损伤预防这一过程中,压力性损伤风险评估表作为评估个体发生压力性损伤风险的工具,是压力性损伤预防程序中的重要组成部分,也是不可或缺的部分。
目前,Braden量表作为国内外最常用的压力性损伤风险评估量表之一已广泛应用于临床压力性损伤预防中。根据该量表的评分护理人员可以快速地预测压力性损伤发生风险,识别压力性损伤高危患者,并进行早期干预,从而有效降低压力性损伤的发生率,Braden等压力性损伤风险评估量表在预防压力性损伤发生中的积极作用已被广泛认可。但Braden量表并不能很好地预测已发生压力性损伤的愈合转归,其结果表明Braden量表各条目中仅有摩擦力或剪切力与压力性损伤的愈合预后有关,对于已发生压力性损伤的患者,并不推荐仅仅使用Braden量表来进行护理评估和指导其护理决策。临床上对于已发生压力性损伤患者的护理评估仍使用Braden量表是片面的。临床上对于已发生压力性损伤的患者的治疗和护理大多仅依据局部创面情况和个人经验而定,例如压力性损伤分期。但研究表明同一压力性损伤分期的病人,其压力性损伤预后也不尽相同。
目前国外常用的压疮愈合评价工具主要有压疮愈合评价量表(Pressure UlcerScale for Healing,PUSH)、Bates-Jensen伤口评价工具(Bates-Jensen WoundAssessment Tool,SWHT)、压疮愈合状态评价及分类量表(Depth,Exudate,Size,Inflammation/Infection,Granulation,Necrotic Tissue,DESIGN)等。这些量表可对压力性损伤愈合过程进行精准的测量和描述,但不适用于压力性损伤愈合的转归预测。国外有研究表明PUSH评估结果与传统的压力性损伤护理观察结果并没有很大的相关性。国内研究也表明PUSH分值变化与压力性损伤预后转归并不完全一致。
根据以上两点可知,已发压力性损伤的治疗和护理决策中尚缺乏预测压力性损伤愈合的综合评价体系,因此有必要建立预测压力性损伤愈合的综合且客观的评价体系来预测其预后转归。
发明内容
列线图,又称诺莫图。它建立在多因素回归分析的基础上,将多个预测指标进行整合,然后采用带有刻度的线段,按照一定的比例绘制在同一平面上,从而用以表达预测模型中各个变量之间的相互关系。列线图将复杂的回归方程,转变为可视化的图形,使预测模型的结果更具有可读性,方便对患者进行评估。
本发明的目的在于提供一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,具体涉及到构建压力性损伤愈合预测的线列图模型,在于构建一种简洁、客观的综合评价体系来评估压力性损伤患者创面难愈风险,通过简单有效的可视化评分体系早期识别难愈性压力性损伤并判断其转归与预后,进而及早进行相关干预,也可能为后期不同愈合风险的压力性损伤患者进行个性化干预策略提供分层依据,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,包括以下步骤:
步骤一:首先收集人口学特征资料:包括年龄、性别、入院科室、住院天数;
步骤二:收集压力性损伤相关情况:包括Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积、压力性损伤来源,同一身体部位发生多处压力性损伤计为1例压力性损伤录入分析,对于发生1例以上压力性损伤患者,压力性损伤分期以分期最高处录入分析,压力性损伤面积以总创伤面积录入分析;
步骤三:收集患者健康状况和疾病资料:包括主要诊断、合并疾病个数、有无慢性基础疾病合并征、有无恶性肿瘤、有无周围血管疾病、MAP、体温情况;
步骤四:收集血常规和血生化指标:包括红细胞计数、血红蛋白值、总蛋白值、白蛋白值;
步骤五:收集干预措施:包括伤口处理、保护性敷料的使用、床垫的使用、翻身间隔时间、营养支持;
步骤六:以压力性损伤愈合与否为因变量对可能影响压力性损伤愈合的相关因素进行单因素分析,符合正态分布或近似正态分布计量资料的组间比较采用独立样本t检验,非正态分布计量资料的组间比较采用Mann-Whitney U检验,计数资料组间比较采用卡方检验或Fisher精确检验,等级资料的组间比较采用秩和检验,将单因素分析中P<0.05的变量进一步纳入多因素二元logistic回归分析,以寻找独立危险因素,将回归分析中P<0.1的变量纳入回归方程中,建立Logistic回归模型,将最终纳入Logistic回归方程中的变量引入StataSE 15软件,建立列线图预测模型;
步骤七:对列线图预测模型进行区分度和校准度评价,预测模型的区分度可用AUCROC进行评价,预测模型的校准度可用拟合优度检验和校正曲线进行评价,采用灵敏度和特异度来确定列线图预测模型的预测截断值。
优选的,所述步骤二中Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积均取入院初次评估结果录入分析。
优选的,所述步骤三中主要诊断、合并疾病个数以及慢性基础疾病合并征情况由医疗记录单中“出院诊断”获得,MAP由入院首次血压值计算所得,其公式为:(收缩压+2×舒张压)/3,体温情况由体温单获得,均采用腋温,正常值范围为36℃~37℃。
优选的,所述步骤四中红细胞计数、血红蛋白值、总蛋白值、白蛋白值指标均取出院前最新检验值,由病历资料血常规检验报告单以及血生化检验报告单获得。
优选的,所述步骤七中预测模型的校准度可用拟合优度检验和校正曲线进行评价,拟合优度检验P>0.20即认为校准度可以接受。
优选的,所述步骤七中预测模型的区分度用AUCROC进行评价,AUCROC的数值范围为0.5~1.0,数值越大表明其预测的真实性越高,预测模型鉴别能力越强。
优选的,所述步骤七中列线图预测模型的预测截断值的确定采用ROC曲线研究中的灵敏度和特异度图判断列线图预测模型的预测截断值,预测截断值的确定,应以灵敏度和特异度都比较高为理想,即灵敏度和特异度曲线相交点所对应的概率值为截断值。
与现有技术相比,本发明的有益效果是:
本发明预测模型通过提取住院压力性损伤患者一般特征、疾病相关特征以及血常规和血生化检验报告结果,对临床压力性损伤的愈合风险进行预测,该方法及模型可以通过简单有效的可视化评分体系早期识别难愈性压力性损伤并判断其转归与预后,进而及早进行相关干预,也可以为后期不同愈合风险的压力性损伤患者进行个性化干预策略提供分层依据,从而促进临床压力性损伤的愈合。
附图说明
图1为实际愈合值和模型的预测愈合值示意图。
图2为预测模型的ROC曲线示意图。
图3为ROC曲线研究中的灵敏度和特异度示意图。
图4为可视化列线图预测模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,包括以下步骤:
步骤一:首先收集人口学特征资料:包括年龄、性别、入院科室、住院天数;
步骤二:收集压力性损伤相关情况:包括Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积、压力性损伤来源,同一身体部位发生多处压力性损伤计为1例压力性损伤录入分析,Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积均取入院初次评估结果录入分析。同一身体部位发生多处压力性损伤计为1例压力性损伤录入分析。压力性损伤分期参照NPUAP2016年最新推荐的压力性损伤分期标准,其具体分期及示意图如下:1期压力性损伤:皮肤完整,出现指压不变白的红斑,皮肤可表现为水肿、浅度色素沉着或深度色素沉着。2期压力性损伤:部分皮层缺损伴真皮层外露。3期压力性损伤:全层皮肤缺损,缺损处可见脂肪、肉芽组织或皮肤内卷。4期压力性损伤:全层皮肤和组织缺损。不可分期压力性损伤:损伤程度不明的全皮层缺损,常表现为黑痂和(或)腐肉覆盖。深部组织压力性损伤:持续指压不变的深红色、栗色或紫色损伤,对于发生1例以上压力性损伤患者,压力性损伤分期以分期最高处录入分析,压力性损伤面积以总创伤面积录入分析,以上信息均由病例资料中护理记录单或压力性损伤上报登记表获得,二者互为补充,以期获取更全面的信息,二者相互矛盾的病例予以剔除,以期获取更为准确的信息;
步骤三:收集患者健康状况和疾病资料:包括主要诊断、合并疾病个数(高血压、心脏病、糖尿病、贫血)、有无慢性基础疾病合并征、有无恶性肿瘤、有无周围血管疾病、MAP、体温情况,主要诊断、合并疾病个数以及慢性基础疾病合并征情况由医疗记录单中“出院诊断”获得,MAP由入院首次血压值计算所得,其公式为:(收缩压+2×舒张压)/3,体温情况由体温单获得,均采用腋温,正常值范围为36℃~37℃;
步骤四:收集血常规和血生化指标:包括红细胞计数、血红蛋白值、总蛋白值、白蛋白值,红细胞计数、血红蛋白值、总蛋白值、白蛋白值指标均取出院前最新检验值,由病历资料血常规检验报告单以及血生化检验报告单获得;
步骤五:收集干预措施:包括伤口处理、保护性敷料的使用、床垫的使用、翻身间隔时间、营养支持;
步骤六:以压力性损伤愈合与否为因变量对可能影响压力性损伤愈合的相关因素进行单因素分析,符合正态分布或近似正态分布计量资料的组间比较采用独立样本t检验,非正态分布计量资料的组间比较采用Mann-Whitney U检验,计数资料组间比较采用卡方检验或Fisher精确检验,等级资料的组间比较采用秩和检验,将单因素分析中P<0.05的变量进一步纳入多因素二元logistic回归分析,以寻找独立危险因素,将回归分析中P<0.1的变量纳入回归方程中,建立Logistic回归模型,将最终纳入Logistic回归方程中的变量引入StataSE 15软件,建立列线图预测模型;
步骤七:对列线图预测模型进行区分度和校准度评价,预测模型的区分度可用AUCROC进行评价,预测模型的校准度可用拟合优度检验和校正曲线进行评价,采用灵敏度和特异度来确定列线图预测模型的预测截断值。
步骤七中,预测模型的校准度可用拟合优度检验和校正曲线进行评价,拟合优度检验P>0.20即认为校准度可以接受,根据Hosmer-Lemeshow拟合优度检验(χ2=4.199,P=0.839>0.20)可知预测模型有较好的校准能力,将每个研究对象的预测概率从小到大进行排序,并按照十分位分成十组,分别列出每组的实际愈合值和模型的预测愈合值,由此计算出各组的实际愈合率(实际愈合值/总例数)和预测愈合率(预测愈合值/总例数),并绘制折线图,如图1所示,可以看出折线与参考线(y=x)拟合较好,提示模型的校准能力好。
步骤七中,预测模型的区分度可用AUCROC进行评价,AUCROC的数值范围为0.5~1.0,数值越大表明其预测的真实性越高,预测模型鉴别能力越强,本发明中AUCROC=0.7694,预测模型的ROC曲线如图2所示。
步骤七中,列线图预测模型的预测截断值的确定,如图3所示,采用ROC曲线研究中的灵敏度和特异度图判断列线图预测模型的预测截断值,预测截断值的确定,应以灵敏度和特异度都比较高为理想,即灵敏度和特异度曲线相交点所对应的概率值为截断值,因此当压力性损伤患者根据年龄、住院天数、白蛋白值、Braden评分、压力性损伤分期和压力性损伤面积六个因素计算所得的总分小于17分时,则被识别为压力性损伤不愈合高危人群。
根据Logistic回归分析的结果,压力性损伤患者根据年龄、住院天数、白蛋白值、Braden评分、压力性损伤分期和压力性损伤面积六个因素计算所得的预测压力性损伤患者愈合的概率的回归方程为:Logit(P)=-4.073-0.475(年龄>75岁)+0.027*住院天数+0.062*白蛋白值+0.186*Braden评分+[-1.326(3期),或-2.362(4期)]+[-1.124(面积=0.6~3.0cm2),或-1.188(面积>3.0cm2)]。将以上Logistic回归模型中的变量引入Stata SE统计软件中,并进行Logistic回归分析,建立同样的回归模型,在此基础上做出可视化列线图预测模型,如图4所示。
实施例1:患者小于75岁,住院天数为3天,白蛋白值最新检测为35,Braden评分为15,部分皮层缺损伴真皮层外露鉴定为二期压力性损伤患者,面积为0.4cm2;
根据预测压力性损伤患者愈合的概率的回归方程:
Logit(P)=-4.073+0.027*3+0.062*35+0.186*15
=-4.073+0.081+2.17+2.79
=96.8%
经过该模型预测,愈合的概率为96.8%,为难愈低危患者。实际出院时该患者顺利愈合。
实施例2:患者大于75岁,住院天数为90天,白蛋白值最新检测为60,Braden评分为12,全层皮肤和组织缺损鉴定为四期压力性损伤患者,面积约为4cm2;
根据预测压力性损伤患者愈合的概率的回归方程:
Logit(P)=-4.073-0.475+0.027*90+0.062*60+0.186*12-2.362-1.188
=-4.548+2.43+3.72+2.232-3.55
=28.4%
经过该模型预测,愈合的概率为28.4%,为难愈高危患者。实际该创面长期不易愈合,带疮出院。
实施例3:患者小于75岁,住院天数为80天,白蛋白值最新检测为57,Braden评分为12,全层皮肤缺损,缺损处可见脂肪、肉芽组织或皮肤内卷鉴定为三期压力性损伤患者,面积为2.1cm2;
据预测压力性损伤患者愈合的概率的回归方程:7.623
Logit(P)=-4.073+0.027*80+0.062*57+0.186*12-1.326-1.124
=-4.073+2.16+3.534+2.232-3.55
=30.3%
经过该模型预测,愈合的概率为30.3%,为难愈高危患者。实际该创面长期不易愈合,带疮出院。
本预测模型通过提取住院压力性损伤患者一般特征、疾病相关特征以及血常规和血生化检验报告结果,对临床压力性损伤的愈合风险进行预测。该模型可以通过简单有效的可视化评分体系早期识别难愈性压力性损伤并判断其转归与预后,进而及早进行相关干预,也可以为后期不同愈合风险的压力性损伤患者进行个性化干预策略提供分层依据,从而促进临床压力性损伤的愈合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:包括以下步骤:
步骤一:首先收集人口学特征资料:包括年龄、性别、入院科室、住院天数;
步骤二:收集压力性损伤相关情况:包括Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积、压力性损伤来源,同一身体部位发生多处压力性损伤计为1例压力性损伤录入分析,对于发生1例以上压力性损伤患者,压力性损伤分期以分期最高处录入分析,压力性损伤面积以总创伤面积录入分析;
步骤三:收集患者健康状况和疾病资料:包括主要诊断、合并疾病个数、有无慢性基础疾病合并征、有无恶性肿瘤、有无周围血管疾病、MAP、体温情况;
步骤四:收集血常规和血生化指标:包括红细胞计数、血红蛋白值、总蛋白值、白蛋白值;
步骤五:收集干预措施:包括伤口处理、保护性敷料的使用、床垫的使用、翻身间隔时间、营养支持;
步骤六:以压力性损伤愈合与否为因变量对可能影响压力性损伤愈合的相关因素进行单因素分析,符合正态分布或近似正态分布计量资料的组间比较采用独立样本t检验,非正态分布计量资料的组间比较采用Mann-Whitney U检验,计数资料组间比较采用卡方检验或Fisher精确检验,等级资料的组间比较采用秩和检验,将单因素分析中P<0.05的变量进一步纳入多因素二元logistic回归分析,以寻找独立危险因素,将回归分析中P<0.1的变量纳入回归方程中,建立Logistic回归模型,将最终纳入Logistic回归方程中的变量引入StataSE 15软件,建立列线图预测模型;
步骤七:对列线图预测模型进行区分度和校准度评价,预测模型的区分度可用AUCROC进行评价,预测模型的校准度可用拟合优度检验和校正曲线进行评价,采用灵敏度和特异度来确定列线图预测模型的预测截断值。
2.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤二中Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积均取入院初次评估结果录入分析。
3.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤三中主要诊断、合并疾病个数以及慢性基础疾病合并征情况由医疗记录单中“出院诊断”获得,MAP由入院首次血压值计算所得,其公式为:(收缩压+2×舒张压)/3,体温情况由体温单获得,均采用腋温,正常值范围为36℃~37℃。
4.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤四中红细胞计数、血红蛋白值、总蛋白值、白蛋白值指标均取出院前最新检验值,由病历资料血常规检验报告单以及血生化检验报告单获得。
5.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤七中预测模型的校准度可用拟合优度检验和校正曲线进行评价,拟合优度检验P>0.20即认为校准度可以接受。
6.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤七中预测模型的区分度用AUCROC进行评价,AUCROC的数值范围为0.5~1.0,数值越大表明其预测的真实性越高,预测模型鉴别能力越强。
7.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法,其特征在于:所述步骤七中列线图预测模型的预测截断值的确定采用ROC曲线研究中的灵敏度和特异度图判断列线图预测模型的预测截断值,预测截断值的确定,应以灵敏度和特异度都比较高为理想,即灵敏度和特异度曲线相交点所对应的概率值为截断值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219034.9A CN110931134A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219034.9A CN110931134A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110931134A true CN110931134A (zh) | 2020-03-27 |
Family
ID=69848577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911219034.9A Pending CN110931134A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110931134A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112259234A (zh) * | 2020-10-30 | 2021-01-22 | 南通大学 | 一种肿瘤患者自杀风险的预测模型建立方法 |
CN112289452A (zh) * | 2020-10-30 | 2021-01-29 | 甘肃省人民医院 | 一种通过测量压力数据评估压力性损伤的方法 |
CN113593703A (zh) * | 2021-07-29 | 2021-11-02 | 甘肃省人民医院 | 一种构建压力性损伤风险预测模型的装置及方法 |
CN113658696A (zh) * | 2021-07-22 | 2021-11-16 | 四川大学华西医院 | 一种基于患者年龄、营养指标、肿瘤分期和肿瘤标志物联合预测胃癌预后的预测系统 |
CN113707319A (zh) * | 2021-08-30 | 2021-11-26 | 西安交通大学医学院第一附属医院 | 一种一氧化碳中毒迟发性脑病预测模型的构建方法 |
CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
CN113744865A (zh) * | 2021-07-29 | 2021-12-03 | 甘肃省人民医院 | 基于回归分析的压力性损伤风险预测模型校正方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109952082A (zh) * | 2016-08-19 | 2019-06-28 | 科瑞亚拓股份有限公司 | 用于动态压力损害风险评估和响应的系统、方法和计算机可读介质 |
-
2019
- 2019-12-03 CN CN201911219034.9A patent/CN110931134A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109952082A (zh) * | 2016-08-19 | 2019-06-28 | 科瑞亚拓股份有限公司 | 用于动态压力损害风险评估和响应的系统、方法和计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
姚秀英 等: "ICU患者压力性损伤预测风险列线图模型的建立" * |
盛晗 等: "预测ICU患者难免性压力性损伤的列线图风险模型" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112259234A (zh) * | 2020-10-30 | 2021-01-22 | 南通大学 | 一种肿瘤患者自杀风险的预测模型建立方法 |
CN112289452A (zh) * | 2020-10-30 | 2021-01-29 | 甘肃省人民医院 | 一种通过测量压力数据评估压力性损伤的方法 |
CN112289452B (zh) * | 2020-10-30 | 2023-12-15 | 甘肃省人民医院 | 一种通过测量压力数据评估压力性损伤的方法 |
CN113658696A (zh) * | 2021-07-22 | 2021-11-16 | 四川大学华西医院 | 一种基于患者年龄、营养指标、肿瘤分期和肿瘤标志物联合预测胃癌预后的预测系统 |
CN113593703A (zh) * | 2021-07-29 | 2021-11-02 | 甘肃省人民医院 | 一种构建压力性损伤风险预测模型的装置及方法 |
CN113744865A (zh) * | 2021-07-29 | 2021-12-03 | 甘肃省人民医院 | 基于回归分析的压力性损伤风险预测模型校正方法 |
CN113744865B (zh) * | 2021-07-29 | 2023-07-18 | 甘肃省人民医院 | 基于回归分析的压力性损伤风险预测模型校正方法 |
CN113593703B (zh) * | 2021-07-29 | 2023-07-18 | 甘肃省人民医院 | 一种构建压力性损伤风险预测模型的装置及方法 |
CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
CN113707319A (zh) * | 2021-08-30 | 2021-11-26 | 西安交通大学医学院第一附属医院 | 一种一氧化碳中毒迟发性脑病预测模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110931134A (zh) | 一种基于大数据挖掘模型预测住院压力性损伤愈合的方法 | |
Khor et al. | Determinants of mortality among older adults with pressure ulcers | |
Rattanachaiwong et al. | Comparison of nutritional screening and diagnostic tools in diagnosis of severe malnutrition in critically ill patients | |
Lyder et al. | The Braden Scale for pressure ulcer risk: evaluating the predictive validity in Black and Latino/Hispanic elders | |
Leiby et al. | Discovery of morphological subgroups that correlate with severity of symptoms in interstitial cystitis: a proposed biopsy classification system | |
US20140121158A1 (en) | Methods and systems for measuring and using the oxidation-reduction potential of a biological sample | |
CN114127861A (zh) | 使用包括收缩压、血液学参数及其组合的生命体征检测败血症的方法 | |
Sardo et al. | Analyses of pressure ulcer point prevalence at the first skin assessment in a Portuguese hospital | |
August et al. | A prediction model for superimposed preeclampsia in women with chronic hypertension during pregnancy | |
McGee et al. | Are life events related to the onset of breast cancer? 1 | |
CN114842935B (zh) | 一种用于医院夜间查房的智能检测方法及系统 | |
Zisimopoulou et al. | Cerebrospinal fluid analysis after unprovoked first seizure | |
Davies | Pressure sores: aetiology, risk factors and assessment scales | |
Karakaya et al. | Prediction of atopy by skin prick tests in patients with asthma and/or persistent rhinitis | |
Amata et al. | Role of frailty in functional recovery after hip fracture, the variable impact in restoring autonomy | |
Caterino et al. | Effect of advanced age and vital signs on admission from an ED observation unit | |
Bogavac-Stanojević et al. | Economic evaluation of different screening alternatives for patients with clinically suspected acute deep vein thrombosis | |
Rasheda Begum et al. | Prevalence and associated factors of antenatal anxiety symptoms in Bangladesh: a repeated measures cluster data analysis | |
Morton et al. | The impact of prenatal diagnosis of selected central nervous system anomalies for prenatal counselling based on significant pregnancy morbidity and neonatal outcomes | |
Kang et al. | A study on the development of a Korean Metabolic Syndrome Questionnaire using blood stasis clinical data | |
Iino et al. | Blood pressure during pregnancy is a useful predictive maker for hypertension and dyslipidemia later in life, a population-based, cross-sectional study | |
CN115768359A (zh) | 血液异常预测装置、血液异常预测方法及程序 | |
Bone et al. | Moisture accumulation detection technologies for identifying pressure injuries: A literature review | |
Wynn et al. | Risk factors for the development and evolution of deep tissue injuries: A systematic review | |
Abolghasemi et al. | Evaluation of the relationship between score results of APACHE-IV scoring system and mortality rate of patients admitted to the Intensive Care Unit (ICU) of the burn section |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |