老年危重症患者预后预测模型的研究进展
- 格式:pdf
- 大小:414.03 KB
- 文档页数:5
·临床论著·老年肺腺癌脑转移预后预测模型的构建雷震* 王仕强 漆新伟 龙强友 刘国栋 张燕华 罗翰生 王德全△(成都市第七人民医院天府医院(成都市肿瘤医院•成都医学院附属肿瘤医院•成都市癌症防治中心)神经外科,四川 成都 610213)摘要 目的:构建老年肺腺癌脑转移预后的预测模型。
方法:选择2013年1月至2016年12月成都市第七人民医院接诊的195例肺癌患者进行研究。
模型建立前入组的142例患者为A 组,模型建立后入组的53例患者为B 组。
采用COX 风险回归模型、随机生存森林、改良递归分区分析和风险预后评估指数对患者进行预后模型的建立。
结果:COX 风险回归模型、随机生存森林、改良递归分区分析和风险预后评估指数验证结果显示在A 组中,KSE125模型的C-指数最高(77.4%),最低的OOB 和AIC 值(25.7%和28.6)。
与其他模型相比,A 组开发的KSE125模型在B 组中表现良好,并且该模型具有更高的预测能力和更低的过度配合可能性。
结论:本研究所构建的KSE125模型可准确预测老年肺腺癌脑转移患者预后,且其操作简便、易行,值得推广。
关键词:CA125;肺腺癌;脑转移;预后预测Construction of a predictive model for the prognosis of brain metastases fromlung adenocarcinoma in the elderlyLei Zhen*, Wang Shi-qiang, Qi Xin-wei, Long Qiang-you, Liu Guo-dong, ZhangYan-hua, Luo Han-sheng, Wang De-quan △(Department of Neurosurgery, Tianfu Hospital, Chengdu Seventh People's Hospital (Chengdu Cancer Hospital,Chengdu Cancer Center Affiliated to Chengdu Medical College), Chengdu 610213, China)Abstract Objective: To explore the construction of a prognostic model for brain metastasis of lung adenocarcinoma in the elderly. Methods: 195 patients with lung cancer in Chengdu Seventh People's Hospitalfrom January 2013 to December 2016 were selected for the study. All patients were divided into two groups according to the model before and after the establishment. 142 patients before the establishment of the model were group A. 53 patients after the establishment of the model were group B. COX risk regression model, random survival forest, improved recursive partition analysis and risk prognosis evaluation index were used to establish the prognosis model of group A. Results: COX risk regression model, random survival forest, modified recursive partition analysis, and risk prognosis assessment index verification results show that the C-index of the KSE125 model is the highest (77.4%), and the OOB and AIC values are the lowest (25.7% and 28.6%) in group A. Compared with other models, the KSE125 model developed by group A performs well in group B, and the model had higher predictive ability and lower possibility of over-fitting. Conclusion: The KSE125 model constructed in this study can accurately predict the prognosis of elderly patients with lung adenocarcinoma and brain metastasis, and its operation is simple and easy to implement, and it is worthy of promotion.Key words: CA125; Lung Adenocarcinoma; Brain Metastasis; Prognosis Prediction*作者简介:雷震,男,主治医师,主要从事神经外科疾病诊治及研究,Email :**************;Δ通讯作者:王德全,男,副主任医师,主要从事神经外科疾病诊治及研究,Email :135****************。
重症心肺复苏患者预后相关因素分析【摘要】本研究旨在分析重症心肺复苏患者的预后相关因素,为临床治疗提供依据。
通过对患者临床特征和危险因素的分析,建立了预后预测模型,并进行了预后评估。
结果显示,患者的年龄、病史、并发症等因素与预后密切相关。
基于这些因素,我们成功建立了一套可靠的预后预测模型,有助于提高患者的治疗效果和生存率。
从中我们可以得出重要的结论,并指出这些研究结果对于临床应用具有重要意义。
未来研究可以进一步探讨其他可能影响预后的因素,以完善预后预测模型。
这项研究对于提高重症心肺复苏患者的治疗水平和生存率具有重要的指导意义。
【关键词】重症心肺复苏、预后、相关因素、临床特征、危险因素、预测模型、重要性、临床应用、未来研究1. 引言1.1 背景重症心肺复苏是一种在急救中常见的治疗手段,用于挽救病人的生命。
随着医疗技术的不断进步,重症心肺复苏的成功率也在逐渐提高。
对于部分患者来说,其预后仍然堪忧。
对重症心肺复苏患者预后相关因素进行分析,可以帮助医务人员更好地评估患者的预后,并及时采取有效的治疗措施,提高患者的存活率和生存质量。
重症心肺复苏患者的预后受多种因素的影响,包括患者的临床特征、患病时的危险因素以及在治疗过程中的各种因素等。
通过深入分析这些因素,可以更全面地了解重症心肺复苏患者的疾病状况,从而为临床医疗工作提供科学依据,指导临床实践,提高治疗效果。
本研究旨在对重症心肺复苏患者的预后相关因素进行系统分析,尝试建立预后预测模型,旨在为临床医生提供更准确的预后评估工具,为患者提供更好的治疗和护理措施。
本研究也将对重症心肺复苏患者的长期生存情况进行跟踪观察和分析,为未来临床研究提供借鉴和参考。
1.2 目的本研究的目的是通过分析重症心肺复苏患者的临床特征、危险因素和预后相关因素,探讨其预后评估及预后预测模型的建立,以期为临床医生提供更好的决策依据。
重症心肺复苏是一种临床常见且危重的疾病,预后的不同对患者及其家属具有重要意义。
疾病预后预测模型的构建及应用近年来,疾病预后预测模型的构建及应用备受关注。
疾病预后预测模型利用数学、统计学和人工智能等方法处理大量的临床数据和分析病人病程,评估病情的严重程度、预测病情的发展趋势、预测疗效和预后等方面的信息。
疾病预后预测模型不仅能指导临床医生制定更科学的治疗方案,还能帮助病人做最为恰当的选择,减轻病人和家庭的负担,提高医疗服务的效果和质量。
一、疾病预后预测模型的构建方法疾病预后预测模型的构建是基于数据的。
构建疾病预后预测模型,首先需要确定研究对象,并收集相关数据。
数据来源可以是临床医疗记录、医院信息系统、病例报告、医学文献等。
在收集数据之前,需要对疾病的诊断标准、起病时间、病程及治疗方法等作出明确的定义和描述。
然后,要进行数据的预处理和清洗。
通常预处理和清洗的内容包括异常值检测和补充、缺失值处理、噪声处理、变量选择等。
接下来,选择合适的数据建模方法。
常用的数据建模方法包括Logistic回归、Cox比例风险模型、神经网络、支持向量机等。
数据建模的方法选择应该与研究对象和研究问题相关,要根据具体的情况进行选择。
在数据建模之后,需要对模型进行评价。
评价的方法包括样本内预测精度、交叉验证、留一法等。
评价模型的主要目的是检验模型的准确性和可靠性,并得到模型的预测能力。
在评价模型之后,就可以用模型来进行预测了。
二、疾病预后预测模型的应用现状疾病预后预测模型的应用已经在许多领域得到了充分的证明。
例如,在癌症、心脏病、糖尿病等疾病领域,疾病预后预测模型发挥了重要的作用。
它可以帮助医生更好地了解病人的疾病状况,预测治疗效果和预后情况。
在癌症领域,疾病预后预测模型可用于预测患者的生存期和治疗效果。
例如,对口腔癌的疾病预后预测研究表明,口腔癌患者的存活率可以通过外周血细胞比例、治疗方案、肿瘤方位和临床分期等疾病特征进行预测。
在医疗实践中,疾病预后预测模型的应用可以帮助患者更好地了解治疗的可能效果,选择最适合自己的治疗方案。
CHINESE JOURNAL OF EVIDENCE-BASED MEDICINE, Jan. 2021, Vol. 21, No.l •述评.终末期癌症患者生存预后模型及其应用杨君婷〃,戴伟3,尹世全4,刘跃华U51. 国家卫生健康委卫生发展研究中心(北京100191)2. 北京大学公共卫生学院流行病与卫生统计学系(北京100191)3. 湖北省医疗保险管理局(武汉430070)4.国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院(北京100191)5. 国家卫生健康委国家药物和卫生技术综合评估中心(北京100191)【摘要】终末期癌症患者的生存预后判断在临床决策、政策制定、患者和亲属的计划安排中具有重要地位。
迄今为止,国外研究者已根据患者的临床表现、生物标志物等指标开发了多个生存期预测模型,并进行外部验证,包括姑息行为功能评分、姑息预后评分、姑息预后指数等。
中国对终末期癌症患者生存预后的研究尚处于起步阶段,本文介绍癌症终末期预后因素、生存期预测模型及应用方面的相关进展,以期为后续构建符合中国特点的终末期癌症患者生存期预测模型提供参考。
【关键词】终末期癌症患者;生存期预测;生存预后因素Advance and the status quo of the research on applications of prognostic tools in patients with advanced cancerYANG Junting1,2,DAI Wei3,YIN Shiquan4,LlUYuehua1,51. China National Health Development Research Center, Beijing 100191, P.R.China2. Department of E pidemiology and Biostatistics, Peking University School of P ublic Health, Beijing 100191, P.R.China3. Health Insurance Administration Bureau of H ubei Province, Wuhan 430070, P.R.China4. Medical Service Department, National Cancer Center; National Clinical Research Center f or Cancer; Cancer Hospital, Chinese Academyof M edical Sciences and Peking Union Medical College, Beijing 100191, P.R.China5. National Center f or Drug and Technology Assessment, Beijing 100191, P.R.ChinaCorrespondingauthor:LIUYuehua,Email:******************;YINShiquan,Email:***********************.cn【Abstract 】Survival prognosis in patients with terminal cancer plays an important role in clinical decision-making,policy formulation, and end-stage patient with relatives. To date, foreign researchers have developed multiple survival prediction models based on patient clinical performance, biomarkers and other indicators, along with a large number ofstudies which have been externally verified, including Palliative Performance Scale (PPS), Palliative Prognostic Score (PaP), Delirium-Palliative Prognostic Score (D-PaP), and Palliative Prognostic Index (PPI), etc. China's research on thistopic remains in the primary stage. Therefore, this article reviews the prognostic factors of terminal cancer and survival prediction models as well as applications, in order to provide references for the subsequent construction of survival prediction models for patients with terminal cancer in line with Chinese characteristics.【Key words 】Advanced cancer; Survival prediction; Prognostic factor终末期癌症患者的生存预后判断在临床决策、政策制定和患者及亲属的计划安排中具有重要地 位叭医护人员需要根据患者疾病进展和预后情况 进行临床治疗决策,制定相应的治疗目标及护理计 划,如是否采取激进治疗策略或尝试更新的尚未验D O I:10.7507/1672-2531.202004004基金项目:国家自然科学基金项目(编号:71804032 )通信作者:刘跃华,E m a il: liu_y u e h u a@163.c o m;尹世全,Email:***********************.cn 证疗效的治疗方案;是否需要转入姑息治疗或临 终关怀、终末期护理计划来更多关注症状控制和生 命质量。
生!苎垒型‘医必筮圭垫盟生王月蔓蔓誊疆!搠!!・!』垦塑!翌!t,血l!!!盟:!巫!:盟!:!两种危重症评分法对老年危重预后的评价乔青周伟炜宋以信患者【摘要】目的探泔急性生理和慢性健康汁价Ⅱ(^PAcⅢEⅡ)评分和序贯器官衰竭估计(soFA)评分对老年危重患者的预后pF价作用。
方法选取2005年1月至12月收治年龄≥65岁、至少有2个系统功能障碍的患者106侧,计算人住Icu当日的APAcHEⅡ评分和sOFA评分,并且每隔48h计算sOFA评分直到离开Icu。
按转归分为存活组(72例)和死亡组(34例),比较嘣组患者APAcHEⅡ评分和sOFA评分;观察患者人院2周内som评分的动态变化;判断APAcHEⅡ和s0FA评分系统的预测分辨力及校准力。
结果存活组的APAcHEⅡ分值和sOFA分值均低于死亡组,差异有统计学意义(P<o01):存活组在进入Icu2周内s0FA分值逐渐下降,而死亡组则逐渐增高,曲组的变化有统计学意义(P<O.01)APAcHEⅡ和sOFA”*评分绎丰}j关分析,r值为o.551,P值为o【】o。
^P^ClmⅡ弹分预测死亡率的上作特征曲线下而积为O.77,sOFA自措、s0FA;8h、s0FA….、△soFA、son*女预测死L率的丁作特征晰线下面积分别为O73、O.90、0.95、0.98、0.99。
APAcHEⅡ评分的Lemeshow-H咖er值为722,差异尤统计学意义(P>O.05)。
结论APAcHEⅡ评分及连续应用s0FA评分能够准确判断老年内科危重患者疾病的严重程度和预后,片中soFA默评分和△sOFA评分的预测能力最佧。
联合应用APAcHEⅡ评分和s0FA评分对老年危重患者进行辅情评价,可提高预测的准确忡。
【关键词】急性病生理学和长期健康评价;危重病人;多器官功能衰竭Thepr0印os杜cval眦ofAPAc珊Ⅱa】ldsoFAsc叫器iⅡtlleemerlyc一血mpa廿删拓QMDQi昭,z日0u阢㈨西,sO~GM—z梳&^。
危重症病人压力性损伤风险预测模型的构建与研究进展李萌萌1,魏花萍2*,靳修2,王冕11.甘肃中医药大学护理学院,甘肃730000;2.兰州大学第一医院C o n s t r u c t i o na n d r e s e a r c h p r o g r e s s o f p r e s s u r e i n j u r y r i s k p r e d i c t i o nm o d e l i n c r i t i c a l l y i l l p a t i e n t s L IM e n g m e n g,W E IH u a p i n g,J I NX i u,W A N G M i a nS c h o o l o fN u r s i n g,G a n s uU n i v e r s i t y o fC h i n e s eM e d i c i n e,G a n s u730000C h i n aC o r r e s p o n d i n g A u t h o r W E IH u a p i n g,E-m a i l:1521583371@q q.c o mK e y w o r d s c r i t i c a l l y i l l p a t i e n t s;p r e s s u r e i n j u r y;p r e d i c t i o nm o d e l;r e v i e w;n u r s i n g摘要通过综述危重症病人发生压力性损伤预测模型的构建与研究进展,从不同的影响因素分析以及不同的模型构建过程㊁不同量表的使用为出发点,阐述了其对预测结果的影响㊂以期为危重症病人压力性损伤危险因素的探讨和预测模型的构建提供参考,进而减少危重症病人压力性损伤的恶化,减轻病人的住院压力㊂关键词危重症病人;压力性损伤;预测模型;综述;护理d o i:10.12102/j.i s s n.2095-8668.2023.15.011压力性损伤影响因素较多㊁发生原因复杂,也是对重症病人影响较大的皮肤损伤[1],压力性损伤的预防护理在最近几年也被列为护理工作中的重点[2]㊂而压力性损伤的影响因素较多,且不同疾病的病人都有不同的致病因素[3]㊂因此,在预测模型的构建中,会有针对不同科室的病人及不同疾病病人的预测[4-6]㊂在单因素的研究中,有针对肥胖㊁组织压力㊁蛋白水平等的相关研究[7-9]㊂在多因素的研究中,有通过提取基础资料,通过逻辑回归分析,再纳入相关危险因素的研究[10]㊂在重症监护室(i n t e n s i v ec a r eu n i t,I C U)中, B r a d e n量表作为常被使用的评估工具,在压力性损伤危险因素的探讨中提供了很重要的危险因子,因此,有很多预测模型将B r a d e n量表与实际危险因素相结合,通过构建列线图模型来进行风险预测[11]㊂当危险因素与B r a d e n量表相结合时,会有更准确㊁更个性化的预测[12]㊂风险预测模型的构建作为压力性损伤预防基金项目甘肃省卫生行业科研计划,编号:G S W S K Y2018-65作者简介李萌萌,护士,硕士研究生在读*通讯作者魏花萍,E-m a i l:1521583371@q q.c o m引用信息李萌萌,魏花萍,靳修,等.危重症病人压力性损伤风险预测模型的构建与研究进展[J].循证护理,2023,9(15): 2734-2738.和护理中的重要步骤,对危重症病人压力性损伤的预防和护理有极大的作用,体现了比量表评分更具有特异性㊁更详细的危险因素[13]㊂本研究通过查阅国内外相关文献,从压力性损伤预测模型的构建及危险因素的探讨进行综述,为压力性损伤进一步的研究及预测模型的构建提供依据[14-16]㊂1I C U病人压力性损伤的影响因素1.1单因素分析研究表明,不同人群压力性损伤发生的影响因素不同,而一些重要因素舒张压㊁组织压力㊁体质指数等均有较高的影响[17]㊂H y u n等[8]探讨了肥胖和压力性损伤之间的发生关系,得出I C U病人的压力性损伤发生和体质指数有较大关联,但体质指数的增加对B r a d e n量表预测的准确性并没有显著影响㊂G r a p 等[9]持续评估病人在入住I C U后72d内及前7d或直到出院的皮肤状况,研究发现,除了组织界面压力外,其他因素比如舒张压㊁收缩力㊁剪切力㊁病人年龄㊁营养作用㊁新陈代谢都会影响病人压力性损伤的发生[16,18-19]㊂而在有关I C U老年病人压力性损伤发生的研究中表明,使用血管加压剂治疗的I C U老年病人发生压力性损伤的风险是未使用血管加压剂治疗的2.84倍[20]㊂综上,体质指数㊁组织界面压力㊁药物的使用等都会影响I C U病人压力性损伤的发生,而在重症㊃4372㊃C H I N E S EE V I D E N C E-B A S E D N U R S I N G A u g u s t,2023V o l.9N o.15Copyright©博看网. All Rights Reserved.病人的护理过程中,这些数据都可以从病人的临床资料中获取㊂在病人入住I C U时,护理人员在评估病人的基本情况时,就应多加注意对体重㊁血压㊁既往用药史等的采集,在发现与常规值不同的病人时,就应及时采取预防措施,关注病人皮肤变化,警惕压力性损伤的发生㊂1.2多因素分析有研究表明,年龄㊁I C U住院时间㊁心血管疾病和肾脏疾病史㊁翻身检查次数㊁手术时间㊁急诊入院㊁机械通气和较低的B r a d e n量表评分是导致压疮发生的重要因素[21]㊂也有研究表明,40岁以上的病人中发生风险也同样很高[22]㊂在I C U病人不同部位黏膜压力性损伤的特征研究中发现,黏膜压力性损伤多见于口腔和鼻部,而且在不同的I C U人群和部位都显示出不同的特征,其预防和护理也都不相同[23]㊂因此,未来需完善各部位黏膜压力性损伤的监测方案,建立针对性的黏膜压力性损伤风险预测模型㊂王爱鹏等[24]在探讨经皮氧分压(T c P O2)和经皮二氧化碳分压(T c P C O2)监测在急诊留观病人压力性损伤早期预警中的应用价值得出,T c P O2变异率及P O2分别是病人B r a d e n评分为高危组的独立危险因素,其受试者操作特征曲线(R O C)下面积(A U C)显示,T c P O2变异率对于B r a d e n评分为高危组具有较好的预测价值,T c P O2变异率ȡ20%的病人具有压力性损伤发生率更高的可能㊂宋思平[25]通过将收集危重症病人的基础资料,与B r a d e n量表相结合,构建列线图模型得出年龄㊁I C U 住院天数㊁血清白蛋白水平㊁血红蛋白水平㊁皮肤撕裂伤㊁失禁性皮肤炎㊁感觉能力和移动能力都会影响压力性损伤的发生㊂B e n o i t等[26]在有关I C U压力性损伤的影响因素分析中得出,不同年龄㊁部位㊁人群㊁住院时长及不同的干预方式等都会影响压力性损伤的发生㊂综上,在多因素的影响下,压力性损伤发生危险因素的分析需要更具个性化的分析,在面对不同的病人时,应注意不同疾病带来的差异,注重病人资料的全面收集㊂以病人为中心,全方位地分析可能会导致压力性损伤发生的危险因素,及早建立针对性的预测模型㊂2预测模型的构建与评估量表的应用2.1预测模型的构建2.1.1基于紧急护理电子健康记录(E H R)的风险预测模型在多因素的动态模型预测中,S h u i等[27]在紧急护理(E H R)中提取变量(诊断㊁药物㊁实验室结局㊁图表),通过回归分析分别构建住院过程中24㊁72㊁168h 后的各动态预测模型对压力性损伤的各风险值进行较好的预测,且预测模型可以在入住I C U7d内做出很好的判断,比B r a d e n量表的使用会更久一些㊂同时也发现,在纳入风险因素的时候,如果医护人员在病人进入I C U之前就进行干预,也会减少医院获得性压力性损伤的发生[16,28-29]㊂在探讨急性皮肤衰竭(A S F)与压力性损伤的联系中,得出压力性损伤与A S F之间有众多的相互影响因素[30]㊂也提醒了临床医生在识别到相关因素时,应尽快制定预防措施,以防A S F的发生㊂但也存在一定的局限性,比如过度依赖于文档的准确性,而且E H R文档中数据的复杂性及护理病人流程的不一致性都可能导致差异的发生[31]㊂并且在记录过程中,会出现护理人员记录主观性的差异,以及所处的环境与其他I C U的差异性[32]㊂因此,在往后风险预测模型的构建中,应尽量减少差异,确定样本量的可比性,更应注意不同环境不同病人带来的基础数据的差异[17,20,33]㊂2.1.2基于危险因素的预测模型在危重症病人压力性损伤风险预测模型的构建中,有研究使用23个预测因素来探讨对压力性损伤的影响[34]㊂研究结果表明,其中年龄㊁男性㊁糖尿病史㊁机械通气㊁I C U住院时间是I C U病人压力性损伤的高危因素[35]㊂其中对预测因素的纳入也都不尽相同,根据不同的研究,所采用的建模方法也不相同㊂D e n g 等[36]在主要纳入的预测因素中,有年龄㊁I C U住院时间㊁舒张压㊁B r a d e n量表得分㊁机械通气等㊂C h o等[37]纳入年龄㊁男性㊁入院途径㊁I C U住院时间㊁疾病诊断㊁肠瘘㊁留置导尿等危险因素㊂K o m i c i等[38]纳入年龄㊁简易营养评估量表得分㊁N o r t o n量表得分㊁左心射血分数等影响因素㊂C r a m e r等[39]在纳入影响因素时,将Ⅰ期压力性损伤㊁格拉斯哥昏迷量表得分㊁血尿素氮浓度㊁动脉血氧分压㊁白蛋白浓度㊁I C U住院时间㊁糖尿病史等纳入研究㊂在以上以及更多的预测模型构建中可以得出,研究方法㊁预测因素的纳入㊁验模方法㊁样本特征以及研究医院科室的不同等都会影响研究结果[40]㊂综上,在危重症病人压力性损伤预测模型的构建中,应对模型构建的数据库有根据性的选择,对危险因素的纳入以及基础资料的收集要全面准确㊂在基于E H R数据的预测下,要确保数据的真实有效,剔除重复数据,保证数据输入及输出阶段的严格审查㊂在纳入危险因素时,要根据不同科室及医院的差异性,纳入具有统计学意义及不同疾病病人特殊价值的预测因素㊂在建立预测模型时,能运用多种建模方法,对同一数据下的模型进行比较,最后选取具有最佳预测效果的模型㊂㊃5372㊃循证护理2023年8月第9卷第15期(总第107期)Copyright©博看网. All Rights Reserved.2.2风险评估量表的使用2.2.1 B r a d e n量表的使用有研究表明,B r a d e n量表在预测I C U病人压力性损伤的风险有较大作用[12],但假阳性率较高,评分集中在9~12分,尚不能有效筛选I C U病人发生压力性损伤的高危人群,在M e t a分析的结果中,B r a d e n量表的合并敏感度高达0.90,A U C为0.88,则表明该量表的预测有效性较高,分析也存在较大异质性㊂更有研究表明,在将预测模型与B r a d e n量表相结合后,会有比单独使用量表预测持续时间更长,能帮助护理人员做出更好地判断[41]㊂J a n s e n等[42]在一项横断面研究中得出B r a d e n量表在预测I C U病人压力性损伤的发生方面的敏感性和特异性较平衡,是行动不障碍病人预测压力性损伤较好的工具㊂W e i等[43]在有关B r a d e n量表预测I C U成年病人压力性损伤的M e t a 分析中表明,B r a d e n量表在成人重症病人中具有中等预测效度,具有良好的敏感性和低特异性㊂所以有必要进一步开发和修改该工具或生成具有更高预测能力的新工具,以用于I C U人群[44]㊂宋思平等[12]的研究得出B r a d e n量表对于评估I C U病人压力性损伤发生风险具有等的预测性能,其特异度较低,可能存在过度预测而浪费有限医疗资源的情况㊂因此,在I C U病人压力性损伤发生的风险评估中,应结合实际情况和病人自身病情状态,开发适合I C U不同病人的压力性损伤风险评估工具[26]㊂2.2.2 N o r t o n量表N o r t o n量表[45]也是压力性损伤风险评估工具中使用最早的工具,N o r t o n量表的评分项目包括活动能力㊁移动能力㊁身体状况㊁精神状况㊁失禁情况5个因素,其中活动能力㊁移动能力是前期I C U病人压力性损伤风险预测模型构建中的独立危险因素㊂每个项目14分,总分为5~20分,诊断界值是16分㊂总分越高则说明住院病人压力性损伤发生的可能性就越高㊂但是N o r t o n量表也存在一定的局限性,因为目前的评估项目暂未对压力㊁摩擦力㊁剪切力进行评估,而且参数缺乏操作性定义,因此该量表存在可靠的信度㊂相比于B r a d e n量表,N o r t o n量表的使用更低一些,因此N o r t o n量表适用于作为压力性损伤风险因素的初步筛查工具㊂2.2.3 W a t e r l o w量表W a t e r l o w量表[46]的项目内容较为全面,包括病人的一般资料(性别㊁年龄㊁身高㊁体重㊁体型)㊁组织营养㊁特殊用药等11个条目,总分为45分,得分越高则住院病人发生压力性损伤的风险就越大,W a t e r l o w量表共分为3个等级,0~9分为无危险㊁10~14分为轻度危险㊁15~19分为高度危险㊂W a t e r l o w量表与B r a d e n量表和N o r t o n量表相比较,其包含的条目较多,对压力性损伤的发生相关危险因素纳入更全面一些㊂有相关研究表明,W a t e r l o w量表虽然具有较高的内部一致性,但其特异度相对较低[47-49],因此,在使用W a t e r l o w量表评估时可能会存在假阳性的结果㊂综上所述,压力性损伤风险评估工具已在国内外有较高的使用率,也有较多针对压力性损伤评估工具的相关研究,然而在使用过程中,其预测准确性还未能统一验证,在使用年龄段不同㊁适用疾病类型不一㊁所包含的项目均有差异性的情况下,量表评分的侧重点也不尽相同,评估结果也受影响较大,导致同一量表在不同患病人群中使用效果具有差异性㊂因此,在以后进行针对性的预测时,应选择合适的量表,在不断改进预测模型的同时也改善量表的预测性能,使量表的评估结果更加准确有效㊂3小结压力性损伤的发生和预防在众多危险因素的影响下,需要较早地识别和干预才能有效降低发生率㊂临床常用的量表等较侧重于压力性损伤的预防及风险评分方面的使用,量表的使用存在一定的主观性,而且一致性较差,对于压力性损伤风险因素的预测也存在不同时期和研究人群的差异㊂危重病人在长期卧床㊁使用药物频繁㊁疾病危重且并发症严重及预后较差㊁组织蛋白含量较低㊁身体抵抗力下降㊁意识状态较差等多种因素共存的情况下,对于其皮肤的护理,需要更及时地预警,并需要针对不同病人的情况,准确判断压力性损伤各分期的颜色㊁深度及在短时间内进行有效危险因素的预测㊂及早地干预不仅可以降低压力性损伤的发生率,提高病人及家属的满意度,更能及时对护理人员给出预警,提高护理人员对压力性损伤的关注度并及时进行评估干预,减少不必要的操作,节省时间和人力资源㊂在构建危重症病人压力性损伤预测模型时,应注意不同病人的差异性,注重病人危险因素的识别,要全面㊁准确㊁及时地做出判断㊂在预测模型的构建中,以变量的处理为中心点,力求构建的模型具有高解释度㊁可适用性,可以更好地指导临床预测㊂参考文献:[1]H Y U N S,MO F F A T T-B R U C E S,C O O P E R C,e ta l.P r e d i c t i o nm o d e l f o r h o s p i t a l-a c q u i r e d p r e s s u r e u l c e r d e v e l o p m e n t: r e t r o s p e c t i v e c o h o r t s t u d y[J].J M I R M e d i c a l I n f o r m a t i c s,2019,7(3):e13785.[2] S UMA R N O AS.P r e s s u r e u l c e r s:t h e c o r e,c a r e a n d c u r e a p p r o a c h㊃6372㊃C H I N E S EE V I D E N C E-B A S E D N U R S I N G A u g u s t,2023V o l.9N o.15Copyright©博看网. All Rights Reserved.[J].B r i t i s h J o u r n a l o f C o mm u n i t y N u r s i n g,2019,24(S u p12):S38-S42.[3] T U Z M A,M I T C H E L L A.T h e i n f l u e n c eo f a n a e m i ao n p r e s s u r eu l c e rh e a l i n g i ne l d e r l yp a t i e n t s[J].B r i t i s hJ o u r n a lo f N u r s i n g (M a r kA l l e nP u b l i s h i n g),2021,30(15):S32-S38.[4]马佩. 三驾马车 预防无创通气患者面部压力性损伤早期干预的效果观察[J].齐齐哈尔医学院学报,2016,37(31):3974-3976.[5]U R R U T I A-B A S T A R D O R,T U R I N T C.C o m p l e xi n t e r a c t i o n sb e t w e e n p r o v i d e r,o r g a n i s a t i o n a n d p a t i e n tl e v e lc h a r a c t e r i s t i c si n f l u e n c e t h e e f f e c t o f p r e s s u r e u l c e r p r e v e n t i v e c a r e i n t e r v e n t i o n s[J].E v i d e n c e-B a s e dN u r s i n g,2021,24(2):42.[6] B A V U S O K M,MA RPL,R O C HA R A,e t a l.G a p a n a l y s i s a n dr e f i n e m e n t r e c o mm e n d a t i o n s o f s k i na l t e r a t i o na n d p r e s s u r eu l c e re n t e r p r i s e r ef e r e n c e m o d e l s ag a i n s t n u r s i n g f l o w sh e e t d a t ae l e m e n t s[J].AM I A A n n u a l S y m p o s i u m P r o c e e d i n g s AM I AS y m p o s i u m,2017,2017:421-429.[7]石佳佳,李贤,许文清,等.血清白蛋白与肌红蛋白对I C U患者早期压力性损伤的预测价值[J].护士进修杂志,2021,36(23):2198-2200.[8]H Y U N S,L IX,V E R M I L L I O N B,e ta l.B o d y m a s s i n d e xa n dp r e s s u r e u l c e r s:i m p r o v e d p r e d i c t a b i l i t y o f p r e s s u r e u l c e r si ni n t e n s i v ec a r e p a t i e n t s[J].A m e r i c a nJ o u r n a lo f C r i t i c a lC a r e,2014,23(6):494-501.[9] G R A P M J,MU N R O CL,W E T Z E LP A,e ta l.T i s s u e i n t e r f a c ep r e s s u r e a n d s k i n i n t e g r i t y i nc r i t i c a l l y i l l,m e c h a n i c a l l y v e n t i l a t e d p a t i e n t s[J].I n t e n s i v e&C r i t i c a l C a r eN u r s i n g,2017,38:1-9. [10] A R A U J O S M,S O U S A P,D U T R AI.C l i n i c a l d e c i s i o ns u p p o r ts y s t e m s f o r p r e s s u r eu l c e r m a n a g e m e n t:s y s t e m a t i cr e v i e w[J].J M I R M e d i c a l I n f o r m a t i c s,2020,8(10):e21621. [11]吴光英,陈劼.中文版B r a d e nQ D量表在预测N I C U患儿压力性损伤中的应用研究[J].护士进修杂志,2021,36(7):596-599.[12]宋思平,汤雨佳,蒋琪霞,等.B r a d e n量表预测I C U患者压疮发生风险有效性的系统评价[J].东南国防医药,2020,22(4):420-424.[13] T S C H A N N E N D,A N D E R S O NC.T h e p r e s s u r e i n j u r yp r e d i c t i v em o d e l:af r a m e w o r kf o rh o s p i t a l-a c q u i r e d p r e s s u r ei n j u r i e s[J].J o u r n a l o fC l i n i c a lN u r s i n g,2020,29(7/8):1398-1421. [14] S A L E H M Y N,P A P A N I K O L A O U P,N A S S A R O S,e ta l.N u r s e s'k n o w l e d g e a n d p r a c t i c eo f p r e s s u r eu l c e r p r e v e n t i o na n dt r e a t m e n t:a n o b s e r v a t i o n a l s t u d y[J].J o u r n a l o f T i s s u eV i a b i l i t y,2019,28(4):210-217.[15] M E E S T E R B E R E N D SE,H A L F E N SR,L O H R MA N N C,e ta l.P r e s s u r e u l c e r g u i d e l i n e d e v e l o p m e n t a n d d i s s e m i n a t i o n i nE u r o p e[J].J o u r n a lo fC l i n i c a lN u r s i n g,2010,19(11/12):1495-1503.[16] G R O A HSL,S C H L A D E N M,P I N E D ACG,e t a l.P r e v e n t i o n o fp r e s s u r e u l c e r s a m o n g p e o p l e w i t h s p i n a l c o r d i n j u r y:as y s t e m a t i c r e v i e w[J].P M&R:t h eJ o u r n a l o f I n j u r y,F u n c t i o n,a n dR e h ab i l i t a t i o n,2015,7(6):613-636.[17]A R A IK,Y AMAMO T O K H,S U Z U K IT,e ta l.R i s kf a c t o r sa f f e c t i n g p r e s s u r e u l c e r h e a l i n g:i m p a c t o f p r e s c r i p t i o nm e d i c a t i o n s[J].W o u n dR e p a i rR e g e n,2020,28(3):409-415.[18] N I E A M.P r e s s u r e i n j u r yp r e v e n t i o na n dt r e a t m e n t i nc r i t i c a l l yi l l c h i l d r e n[J].C r i t i c a lC a r eN u r s i n g C l i n i c so fN o r t h A m e r i c a,2020,32(4):521-531.[19] P A C HÁH H P,F A R I AJ IL,O L I V E I R A K A,e ta l.P r e s s u r eu l c e r i ni n t e n s i v ec a r eu n i t s:ac a s e-c o n t r o ls t u d y[J].R e v i s t aB r a s i l e i r aD eE n f e r m a g e m,2018,71(6):3027-3034.[20] F R A N K E L H,S P E R R YJ,K A P L A NL.R i s k f a c t o r s f o r p r e s s u r eu l c e r d e v e l o p m e n t i nab e s t p r a c t i c es u r g i c a l i n t e n s i v ec a r eu n i t[J].T h eA m e r i c a nS u r g e o n,2007,73(12):1215-1217.[21] T A Y Y I BN,C O Y E RF,L E W I SP.S a u d iA r a b i a na d u l t i n t e n s i v ec a r e u n i t p r e s s u r eu l c e r i n c ide n c ea n dr i s kf a c t o r s:a p r o s p e c t i v ec o h o r t s t ud y[J].I n te r n a t i o n a lW o u n dJ o u r n a l,2016,13(5):912-919.[22] B A UM G A R T E N M,MA R G O L I S DJ,L O C A L I O A R,e ta l.E x t r i n s i c r i s kf a c t o r sf o r p r e s s u r eu l c e r se a r l y i nt h eh o s p i t a ls t a y:a n e s t e d c a s e-c o n t r o l s t u d y[J].T h e J o u r n a l s o fG e r o n t o l o g yS e r i e sA,B i o l o g i c a l S c i e n c e s a n d M e d i c a l S c i e n c e s,2008,63(4): 408-413.[23]刘天贶,龙玉娟,刘欢,等.I C U患者不同部位黏膜压力性损伤的特征及护理研究进展[J].护理学报,2022,29(8):35-39. [24]王爱鹏,柳莹,高春平,等.经皮氧分压及二氧化碳分压在I C U压力性损伤风险评估中的应用[J].中华急危重症护理杂志,2021,2(1):74-78.[25]宋思平.I C U患者压力性损伤风险预测模型的构建与验证[D].南京:南京大学,2021.[26] B E N O I T R A,WA T T S C.T h e e f f e c t o f a p r e s s u r e u l c e rp r e v e n t i o n p r o g r a m a n d t h e b o w e l m a n a g e m e n t s y s t e m i nr e d u c i n gp r e s s u r eu l c e r p r e v a l e n c e i na nI C Us e t t i n g[J].J o u r n a lo fW o u n d,O s t o m y&C o n t i n e n c eN u r s i n g,2007,34(2):176-177.[27]S HU IA M,K I M P,A R I B I N D IV,e t a l.D y n a m i c r i s k p r e d i c t i o nf o rh o s p i t a l-a c q u i r e d p r e s s u r e i n j u r y i n a d u l t c r i t i c a l c a r e p a t i e n t s[J].C r i t i c a l C a r eE x p l o r a t i o n s,2021,3(11):e0580.[28] R A N Z A N I O T,S I M P S O N E S,J A P I A S S U A M,e ta l.T h ec h a l l e n g e o f p r ed i c t i n gp re s s u r eu l c e r s i nc r i t i c a l l y i l l p a t i e n t s:am u l t i c e n t e r c o h o r ts t u d y[J].A n n a l so f t h e A m e r i c a n T h o r a c i cS o c i e t y,2016,13(10):1775-1783.[29] D E L MO R E B,C O XJ,R O L N I T Z K Y L,e ta l.D i f f e r e n t i a t i n g ap r e s s u r eu l c e r f r o m a c u t es k i nf a i l u r e i nt h ea d u l tc r i t i c a l c a r ep a t i e n t[J].A d v a n c e s i nS k i n&W o u n dC a r e,2015,28(11):514-524.[30] A L D E R D E N J,D R A K E K P,W I L S O N A,e t a l.H o s p i t a la c q u i r e d p r e s s u r e i n j u r y p r e d i c t i o n i n s u r g i c a l c r i t i c a l c a r ep a t i e n t s[J].B M C M e d i c a lI n f o r m a t i c sa n d D e c i s i o n M a k i n g, 2021,21(1):12.[31] C O L E MA N S,G O R E C K IC,N E L S O N E A,e ta l.P a t i e n tr i s kf a c t o r s f o r p r e s s u r eu l c e rd e v e l o p m e n t:s y s t e m a t i cr e v i e w[J].I n t e r n a t i o n a l J o u r n a l o fN u r s i n g S t u d i e s,2013,50(7):974-1003.[32] P A D U L A W V,B L A C K S H AW L,B R I N D L E C T,e ta l.A na p p r o a c ht o a c q u i r i n g,n o r m a l i z i n g,a n d m a n a g i n g E H R d a t af r o m a c l i n i c a l d a t a r e p o s i t o r y f o r s t u d y i ng p r e s s u r e u l c e ro u t c o m e s[J].J o u r n a l o f W o u n d,O s t o m y,a n d C o n t i n e n c eN u r s i n g:O f f i c i a l P u b l i c a t i o n o f t h e W o u n d,O s t o m y a n dC o n t i n e n c eN u r s e s S o c i e t y,2016,43(1):39-45.[33]L I H,L I U H.T h ei n f l u e n c eo fC h i n e s eh e r b a l m e d i c i n e so nc a n c e r-r e l a t ed p re s s u r eu l c e r w o u n d,f a t ig u e,c o n s t i p a t i o n,a n da n o r e x i a:a M e t a-a n a l y s i s[J].I n t e r n a t i o n a l W o u n d J o u r n a l,2023,20(1):28-37.[34] L A D I O S-M A R T I N M,F E R NÁN D E Z-D E-M A Y AJ,B A L L E S T A-LÓP E ZFJ,e ta l.P r e d i c t i v e m o d e l i n g o f p r e s s u r ei n j u r y r i s ki np a t i e n t s a d m i t t e d t oa n i n t e n s i v ec a r eu n i t[J].A m e r i c a nJ o u r n a l o fC r i t i c a l C a r e,2020,29(4):e70-e80.[35]贾盈盈,张红燕,马媛媛,等.I C U患者压力性损伤风险预测模型的系统评价[J].中华护理杂志,2021,56(8):1242-1248.㊃7372㊃循证护理2023年8月第9卷第15期(总第107期)Copyright©博看网. All Rights Reserved.[36] D E N G X H,Y U T,HU A L.P r e d i c t i n g t h er i s kf o rh o s p i t a l-a c q u i r e d p r e s s u r e u l c e r s i nc r i t i c a l c a r e p a t i e n t s[J].C r i t i c a lC a r eN u r s e,2017,37(4):e1-e11.[37] C HOIS,C HU N G E.P r e d i c t i v eB a y e s i a nn e t w o r k m o d e lu s i n ge l e c t r o n i c p a t i e n t r e c o r d sf o r p r e v e n t i o n o f h o s p i t a l-a c q u i r e dp r e s s u r e u l c e r s[J].J o u r n a l o f K o r e a nA c a d e m y o fN u r s i n g,2011, 41(3):423.[38] K OM I C IK,V I T A L EDF,L E O S C OD,e t a l.P r e s s u r e i n j u r i e s i ne l d e r l y w i t ha c u t em y o c a r d i a l i nf a r c t i o n[J].C l i n i c a l I n t e r v e n t i o n si nA g i n g,2017,12:1495-1501.[39] C R AM E R E M,S E N E V I R A T N E M G,S HA R I F I H,e ta l.P r e d i c t i n g t h e i n c i d e n c eo f p r e s s u r eu l c e r s i nt h e i n t e n s i v ec a r eu n i tu s i n g m a c h i n el e a r n i n g[J].E G E M S(W a s h i n g t o n,D C), 2019,7(1):49.[40] P A D U L A W V,P R O N O V O S TPJ,MA K I C M BF,e t a l.V a l u eo fh o s p i t a l r e s o u r c e sf o re f f e c t i v e p r e s s u r e i n j u r yp r e v e n t i o n:ac o s t-e f f e c t i v e n e s s a n a l y s i s[J].B M J Q u a l i t y&S a f e t y,2019,28(2):132-141.[41] L A V A L LÉEJF,G R A Y T A,D UMV I L L EJ,e t a l.B a r r i e r s a n df a c i l i t a t o r s t o p r e v e n t i ng p r e s s u r e u l c e r s i n n u r s i n gh o m er e s i d e n t s:a q u a l i t a t i v e a n a l y s i s i n f o r m e d b y t h e t h e o r e t i c a ld o m a i n s f r a me w o r k[J].I n t e r n a t i o n a l J o u r n a l o fN u r s i n g S t u d i e s,2018,82:79-89.[42]J A N S E N RCS,D E A L M E I D A S I L V A K B,MO U R A M ES.B r a d e nS c a l ei n p r e s s u r e u l c e r r i s k a s s e s s m e n t[J].R e v i s t aB r a s i l e i r aD eE n f e r m a g e m,2020,73(6):e20190413.[43] W E IM,WU L,C H E N Y,e t a l.P r e d i c t i v ev a l i d i t y o f t h eB r a d e nS c a l e f o r p r e s s u r eu l c e r r i s k i nc r i t i c a l c a r e:a M e t a-a n a l y s i s[J].N u r s i n g i nC r i t i c a l C a r e,2020,25(3):165-170.[44]黄晓霞,陈昊天,毛越,等.B r a d e n评分联合微循环评价指标构建创伤重症患者压力性损伤风险可视化预后模型[J].中华急诊医学杂志,2021,30(8):997-1001.[45] N O R T O ND.C a l c u l a t i n g t h e r i s k:r e f l e c t i o n s o n t h eN o r t o nS c a l e[J].D e c u b i t u s,1989,2(3):24-31.[46]C HA R A L AM B O U S C,K O U L O R I A,V A S I L O P O U L O S A,e t a l.E v a l u a t i o nof t h ev a l i d i t y a n dr e l i a b i l i t y o f t h e W a t e r l o wP r e s s u r e U l c e r R i s k A s s e s s m e n tS c a l e[J].M e d i c a l A r c h i v e s(S a r a j e v o,B o s n i a a n dH e r z e g o v i n a),2018,72(2):141-144. [47]A N T HO N Y D,P A R B O T E E A H S,S A L E H M,e ta l.N o r t o n,W a t e r l o wa n d B r a d e nS c o r e s:ar e v i e w o ft h el i t e r a t u r ea n dac o m p a r i s o n b e t w e e n t h e s c o r e s a nd c l i n i c a l j u d ge m e n t[J].J o u r n a lo fC l i n i c a lN u r s i n g,2008,17(5):646-653.[48] B R O T H E R T O N A,E V I S O N F,G A L L I E R S,e t a l.P r e-o p e r a t i v e W a t e r l o w S c o r e a n d o u t c o m e s a f t e r k i d n e yt r a n s p l a n t a t i o n[J].B M CN e p h r o l o g y,2022,23(1):273.[49] WA T E R L OWJ.W a t e r l o wc a r d[J].P r o f e s s i o n a l n u r s e(L o n d o n,E n g l a n d),1993,8(12):792.(收稿日期:2022-12-19;修回日期:2023-07-10)(本文编辑薛佳)临终病人尊严感的研究进展洪梦霞,蔡倩,周云仙*浙江中医药大学护理学院,浙江310053R e s e a r c h p r o g r e s s o n t h e s e n s e o f d i g n i t y i n t e r m i n a l l y i l l p a t i e n t sH O N G M e n g x i a,C A I Q i a n,Z H O UY u n x i a nN u r s i n g C o l l e g e,Z h e j i a n g C h i n e s eM e d i c a lU n i v e r s i t y,Z h e j i a n g310053C h i n aC o r r e s p o n d i n g A u t h o r Z H O UY u n x i a n,E-m a i l:y u n x i a n z h o u@z c m u.e d u.c nK e y w o r d s t e r m i n a l l y i l l p a t i e n t s;d i g n i t y;a s s e s s m e n t t o o l s;i n f l u e n c e f a c t o r s;i n t e r v e n t i o nm e a s u r e s;r e v i e w摘要检索国内外相关文献,对尊严的概念㊁评估工具㊁现状㊁影响因素以及干预措施进行综述,以期增进临床医护人员对尊严感的认知,为更好地维护临终病人尊严提供参考㊂关键词临终病人;尊严;评估工具;影响因素;干预措施;综述d o i:10.12102/j.i s s n.2095-8668.2023.15.012基金项目国家级大学生创新创业训练计划项目,编号:202210344040;浙江省哲学社会科学规划年度课题项目,编号: 22N D J C185Y B作者简介洪梦霞,本科在读*通讯作者周云仙,E-m a i l:y u n x i a n z h o u@z c m u.e d u.c n引用信息洪梦霞,蔡倩,周云仙.临终病人尊严感的研究进展[J].循证护理,2023,9(15):2738-2743.㊃8372㊃C H I N E S EE V I D E N C E-B A S E D N U R S I N G A u g u s t,2023V o l.9N o.15Copyright©博看网. All Rights Reserved.。
基于机器学习算法构建术后谵妄风险预测模型的研究进展
高升润;李芸;李雨衡;王艳庆;高成杰
【期刊名称】《武警医学》
【年(卷),期】2024(35)2
【摘要】术后谵妄(POD)是老年患者术后常见的严重并发症,表现为注意力及认知
功能急性障碍,可导致住院时间延长、死亡率增高,并且增加个人与社会的经济负担。
术前早期预测POD有助于减少或逆转其发生,对改善患者预后及减轻社会负担具有重要意义。
近年来机器学习的深度发展促使更加高效可靠的POD预测模型不断发展完善,极大提高了POD风险的预防及临床诊疗水平,笔者对基于机器学习构建术
后谵妄预测风险模型进展作一综述。
【总页数】4页(P181-184)
【作者】高升润;李芸;李雨衡;王艳庆;高成杰
【作者单位】联勤保障部队第960医院麻醉科;山东第一医科大学附属省立医院疼
痛科
【正文语种】中文
【中图分类】R614
【相关文献】
1.构建及验证基于Logistic回归的Stanford A型主动脉夹层术后谵妄风险预测模型效果
2.基于机器学习算法术后急性肾损伤风险预测模型建立
3.基于机器学习算
法建立非心脏手术术后认知功能障碍风险预测模型4.基于机器学习算法构建心脏
手术患者术后早期谵妄风险预测模型5.基于3种机器学习算法构建宫颈癌术后尿潴留风险预测模型
因版权原因,仅展示原文概要,查看原文内容请购买。
China &Foreign Medical Treatment中外医疗各种原因引起的缺血、缺氧及中毒等均可造成心肌损害,肌钙蛋白I(cTnI)是心肌特异性抗原,作为心肌肌钙蛋白的亚基单位是诊断心肌损伤的特异性指标,常用于急性心肌梗死的早期诊断及预后的评估[1]。
重症监护室(ICU)入住患者具有多器官损伤,尤其是重症患者,病情复杂,病死率高,容易发生多器官衰竭。
如果重症患者合并心肌损伤,则患者病死率会大大提高。
目前有研究[2]表明,非心源性损害的重症患者,cTnI 也会有所升高,表明cTnI 不仅是判断心肌损害和预后的指标,同时也提示对危重症患者预后的评估可能具有较大的临床意义。
及时准确地对患者病情进行判断及预测严重程度,有效采取抢救干预措施,对提高患者抢救成功率及减少病死率意义重大。
该研究通过对该院2014年1月—2015年12月收治的综合ICU 126例多发伤患者血清cTnⅠ的测定,探讨其在ICU 危重症患者预后评估的临床应用价值,以期能为危重症患者的病情判断及预后预测提供参考,现报道如下。
DOI:10.16662/ki.1674-0742.2021.01.075肌钙蛋白I 对危重症患者预后评估价值的探讨何飞,柴珍峰,尤伟宾,叶剑鸿厦门医学院附属第二医院重症医学科,福建厦门361021[摘要]目的探讨肌钙蛋白I 对危重症患者预后的评估价值。
方法方便选取2014年1月—2015年12月该院收治的126例综合ICU 患者,根据肌钙蛋白I(cTnI)阳性和阴性将患者分为两组,对两组患者的临床指标进行单因素和多变量Logistic 分析。
结果126例患者中cTnI 阳性组患者50例(A 组),阴性者76例(B 组),单因素分析A、B 两组患者的年龄≥65岁、APACHEⅡ评分≥15分、血液净化治疗、机械通气治疗、低蛋白血症、MODS 所占比例显著高于B 组,两组差异有统计学意义(χ2=5.305、6.603、18.582、6.172、4.919、8.020,P<0.05)。
老年脓毒症病人28 d死亡的危险因素及预测模型建立简万均;蒋昌华;符宜龙;舒艾娅;郑春【期刊名称】《实用老年医学》【年(卷),期】2022(36)9【摘要】目的探讨老年脓毒症病人28 d死亡的危险因素,并进一步构建预后预测模型。
方法回顾性分析2016年10月至2020年12月我院ICU诊治的637例老年脓毒症病人的临床资料。
通过电子病历系统采集病人入院时临床资料,并记录28 d预后。
采用多因素Logistic回归分析脓毒症病人28 d死亡的危险因素,并进一步构建预测模型,采用ROC曲线对模型进行验证。
结果637例老年脓毒症病人,28 d 死亡130例,病死率为20.41%。
多因素Logistic回归分析结果显示,入院时中性粒细胞/淋巴细胞(NLR)>17.50、APACHEⅡ评分>22.75、中性粒细胞明胶酶相关脂质运载蛋白(NGAL)>535.29 ng/mL、活化部分凝血活酶时间(APTT)>39.05 s是老年脓毒症病人28 d死亡的危险因素,乳酸清除率(LCR)>25.36%是其保护因素。
根据Logistic回归分析结果,构建脓毒症病人28 d死亡的预测模型,ROC曲线分析显示,内部验证预测模型预测脓毒症病人死亡的AUC为0.878(95%CI:0.802~0.935),准确率为80.85%,外部验证时,AUC为0.856(95%CI:0.793~0.921),准确率为80.22%。
结论NLR、APACHEⅡ评分、NGAL水平升高,APTT延长是老年脓毒症28 d死亡的危险因素,LCR升高是其保护因素,据此构建的风险模型可能预测病人的短期死亡风险。
【总页数】5页(P892-896)【作者】简万均;蒋昌华;符宜龙;舒艾娅;郑春【作者单位】重庆大学附属涪陵医院重症医学科;内江市第一人民医院重症医学科【正文语种】中文【中图分类】R631.2【相关文献】1.脓毒症患者28d死亡率的相关因素分析2.重症监护室免疫抑制和免疫健全脓毒症患儿28天内死亡因素的病例对照研究3.脓毒症合并急性肾损伤并接受连续肾脏替代治疗患者28d死亡预测模型构建与验证4.脓毒症患者住院死亡的危险因素及预测模型的可视化呈现5.脓毒症急性胃肠损伤28 d死亡风险列线图模型的建立与验证因版权原因,仅展示原文概要,查看原文内容请购买。
重症肺炎患者预后模型的建立与应用重症肺炎是一种严重威胁人类健康的疾病,具有较高的发病率和死亡率。
建立准确可靠的预后模型对于评估患者的病情、制定合理的治疗方案以及预测患者的生存情况具有重要意义。
一、重症肺炎的危害与挑战重症肺炎患者通常病情危急,肺部炎症迅速蔓延,导致呼吸功能严重受损,甚至引发多器官功能衰竭。
由于病情的复杂性和个体差异,准确评估患者的预后情况成为临床治疗中的一大难题。
传统的评估方法往往依赖于医生的经验和一些临床指标,但这些方法存在一定的局限性,难以全面、准确地预测患者的病情发展和预后。
二、预后模型的建立基础要建立有效的预后模型,首先需要深入了解重症肺炎的发病机制和病理生理过程。
这包括病原体的侵袭、炎症反应的激活、免疫系统的调节以及器官之间的相互作用等多个方面。
同时,大量的临床数据也是构建预后模型的关键。
这些数据涵盖了患者的基本信息(如年龄、性别、基础疾病等)、临床症状(如发热、咳嗽、呼吸困难等)、实验室检查结果(如血常规、生化指标、炎症标志物等)、影像学表现以及治疗措施等。
三、常用的预后指标在众多的临床指标中,一些指标被证明对于重症肺炎患者的预后评估具有重要意义。
例如,患者的年龄越大,预后往往越差;存在慢性基础疾病(如糖尿病、心血管疾病、慢性阻塞性肺疾病等)也会增加不良预后的风险。
炎症标志物如 C 反应蛋白、降钙素原等的升高通常提示炎症反应的严重程度,与预后不良相关。
此外,氧合指数(动脉血氧分压/吸入氧浓度)的降低反映了呼吸功能的受损程度,也是评估预后的重要指标之一。
四、模型建立的方法在收集和分析了大量临床数据后,可以采用多种方法来建立预后模型。
常见的方法包括统计学方法(如 Logistic 回归分析、Cox 比例风险回归模型等)和机器学习算法(如决策树、随机森林、支持向量机等)。
Logistic 回归分析是一种常用的方法,它可以通过建立线性回归方程来预测患者发生不良预后的概率。
Cox 比例风险回归模型则适用于生存分析,能够评估各种因素对患者生存时间的影响。
《老年髋部骨折术后30天发生并发症风险预测模型的构建及验证》篇一一、引言随着人口老龄化趋势的加剧,老年髋部骨折的发病率逐年上升。
术后并发症是影响老年髋部骨折患者康复和预后的重要因素。
为了更好地预测术后30天内并发症发生的风险,本文构建了一个基于临床数据的预测模型,并进行了验证。
该模型旨在为临床医生提供更为精确的预后评估,以及个性化的康复治疗方案。
二、材料与方法1. 研究对象本研究选取了某大型医院近一年内接受髋部骨折手术的老年患者作为研究对象。
2. 数据收集收集患者的临床数据,包括年龄、性别、骨折类型、手术方式、术前合并症、术后护理情况等。
3. 预测模型构建基于临床数据,采用统计分析和机器学习算法,构建术后30天并发症风险预测模型。
模型包括患者的基本信息、手术情况和术后恢复情况等多个维度的数据。
4. 模型验证采用交叉验证和独立样本验证的方法,对预测模型进行验证。
通过比较模型的预测结果与实际发生并发症的情况,评估模型的准确性和可靠性。
三、结果1. 模型构建经过统计分析,我们确定了影响术后30天并发症发生风险的主要因素,包括年龄、性别、骨折类型、手术方式、术前合并症等。
基于这些因素,我们构建了预测模型。
2. 模型验证(1)交叉验证:通过将数据集划分为训练集和测试集,进行多次交叉验证。
结果显示,模型的预测准确率较高,能够较好地预测术后30天并发症的发生风险。
(2)独立样本验证:我们使用独立样本对模型进行验证。
结果显示,模型的预测结果与实际发生并发症的情况相符,具有较高的准确性和可靠性。
四、讨论本研究所构建的老年髋部骨折术后30天发生并发症风险预测模型,能够为临床医生提供更为精确的预后评估和个性化的康复治疗方案。
通过模型预测,医生可以提前发现可能发生并发症的高危患者,并采取相应的预防措施,以降低并发症的发生率。
此外,该模型还可以为医院管理者提供决策支持,优化资源配置,提高患者的治疗效果和满意度。
然而,本研究仍存在一定局限性。
·综述·基金项目:北京协和医院中央高水平医院临床科研专项(2022 PUMCH B 132)作者简介:李园园,住院医师,Email:17812090503@163.com通信作者:刘晓红,主任医师,Email:xhliu41@sina.com老年人群全因死亡预测模型综述李园园,刘晓红中国医学科学院北京协和医学院北京协和医院老年医学科,北京100730[摘要] 优化老年人的医护照料方案是复杂的,必须考虑个人的预后。
有效的死亡风险预测模型可以评估预后,为治疗决策提供重要信息,确定获益最大的诊疗方案,并为医患共同决策提供基础,是帮助临床决策的重要工具。
国外学者研发了多种老年人死亡预测模型,包括社区、住院以及长期照护机构人群,部分工具已经进行了验证及推广,但是在中国大陆尚缺乏相关研究。
该文将对老年人死亡预测模型的内容、准确度和适用性等进行综述,为开发适合我国老年人群的死亡预测模型,制定最优临床决策提供依据。
[关键词] 死亡;模型,理论;临终医护;老年人;综述DOI:10.3969/J.issn.1672 6790.2023.04.030Areviewofall causemortalitypredictionmodelsintheolderadultsLiYuanyuan,LiuXiaohongDepartmentofGeriatrics,PekingUnionMedicalCollege,ChineseAcademyofMedicalSciences,PekingUnionMedicalCol legeHospital,Beijing100730,ChinaCorrespondingauthor:LiuXiaohong,Email:xhliu41@sina.com[Abstract] Optimizinghealthcareinolderadultsiscomplexandmusttakeintoaccounttheirprognosis.Predic tionmodelscanprovidedeterminantsforshared decisionmakingandestablishthemostbeneficialcareoptions.Severalmortalitypredictionmodelshavebeendevelopedfordifferentsettingsofolderadults,includingthecommunity,inpatient,andlong termcare.Andsomemodelshavebeenvalidatedandgeneralized.ButthereisalackofrelevantresearchinChineseMainland.Inthispaper,wereviewthecontent,accuracy,andapplicabilityofmortalitypredictionmodels,topro videthefoundationfordevelopingamortalitypredictionmodelapplicabletotheChineseelderlypopulation.[Keywords] Death;Models,theoretical;Terminalcare;Aged;Review 老年人群因衰老、患多种慢性疾病、功能减退等原因,利用医疗保健资源远高于成年人[1]。
基于SEER数据库相关数据构建老年女性卵巢癌不良预后预测模型丁琨1,赵蕾1,程亚玉2,赵淑萍11 青岛大学附属妇女儿童医院妇科中心,山东青岛 266000;2 青岛市中心医院妇科摘要:目的 构建老年女性卵巢癌不良预后的预测模型。
方法 通过SEER数据库收集2010—2015年老年(≥65岁)卵巢癌的临床数据资料,共筛选3 556例,随机分为建模组(2 511例)与验证组(1 045例),对建模组的临床资料数据进行单因素COX回归分析,将所得与不良预后相关的危险因素纳入多因素COX回归分析,筛选出卵巢癌不良预后的独立危险因素。
以独立危险因素为主要预测指标,以生存结局为预测结局,利用R4.2.2软件“rms”包将其可视化为预测6个月、1年、3年生存率的Nomogram图;建模组及验证组分别应用“rms”、“ggDCA”、“survival”软件包进行计算,得出两组数据的应用C指数(C-index)、受试者工作特征曲线下面积(AUC)、临床校准曲线、决策曲线分析(DCA),以评估Nomogram图的预测性能、区分度、一致性、临床效能。
结果 年龄、种族、病理学分型、肿瘤分化程度、T分期、M分期、CA125水平、是否行手术、化疗是影响老年女性卵巢癌不良预后的独立危险因素(P均<0.05)。
成功建立Nomogram图,建模组、验证组的C-index分别为0.686、0.681,6个月、1年、3年的AUC提示模型图具有较好的区分度,3年校准曲线显示预测值与实际值具有较高的一致性,决策性曲线表明预测模型具有较好的临床效能。
结论 成功构建了老年女性卵巢癌不良预后Nomogram图,可指导患者不良预后及临床决策,C-index、AUC、3年校准曲线、DCA均提示Nomogram图具有较好的预测准确性。
关键词:卵巢癌;不良预后预测模型;C指数;受试者工作特征曲线;临床校准曲线;决策曲线doi:10.3969/j.issn.1002-266X.2024.12.015中图分类号:R737 文献标志码:A 文章编号:1002-266X(2024)12-0060-05卵巢癌是致死率最高的女性恶性肿瘤,2020年全球新发卵巢癌病例313 959例、死亡207 252例[1],2022年国内新发病例57 090例、死亡39 306例[2]。
《中国脑卒中防治报告2019》概要[1]中指出,脑卒中已是我国成人致死、致残的首位病因,严重威胁着公众健康,其中缺血性脑卒中是最常见的卒中类型,占全部脑卒中的60%~80%。
缺血性脑卒中预后较差,患者发病后1年致死/致残率可达33.4%~33.8%[2]。
准确预测缺血性脑卒中患者一年期结局,能尽早识别具有高死亡风险的缺血性脑卒中患者[3]。
此外,通过预测模型探索预后危险因素,指导医生采取适当的治疗措施,可使医疗资源有效利用。
近年来,机器学习(ML )模型在疾病诊断或预后预测方面表现出良好的性能[4]。
在海量与复杂结构的数据情境下,与传统的统计方法相比,ML 模型可以捕捉到复杂的非线性关系,并在大数据中识别出未知的关联性,从而获得更深层次的洞察力[5]。
由于缺血性脑卒中患者结局涉及复杂的临床指标,存在较强的非线性关联,适合采用机器学习模型进行分析[6]。
尽管ML 方法有很好的预测准确性,但由于缺乏可解释性,因此其表现和应用饱受质疑[7,8],正如Stinear 等[9]指出,构建具有可操作和可解释性ML 模型对临床应用至关重要。
可解释性被定义为人类能够理解MLAn interpretable machine learning-based prediction model for risk of death for patients with ischemic stroke in intensive care unitLUO Xiao,CHENG Yi,WU Cheng,HE JiaDepartment of Military Health Statistics,Naval Medical University,Shanghai 200433,China摘要:目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。
方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。
预后营养指数对老年重症COPD病人预后的预测价值杨君红;梁兰玉;单清【期刊名称】《实用老年医学》【年(卷),期】2022(36)9【摘要】目的探讨预后营养指数(PNI)预测老年重症COPD病人预后的价值。
方法回顾性分析2016年1月至2019年12月扬州大学附属医院收治的132例老年重症COPD病人的临床资料,采用ROC曲线判断PNI与病人预后相关性并计算最佳截断值,通过电话回访病人入院6个月后是否生存,分为死亡组和存活组,比较2组病人临床指标。
采用COX回归模型和Kalan-Meier曲线探究PNI与老年COPD 重症病人生存不良预后的关系。
结果最终纳入132例病人,死亡组72例,存活组60例,PNI的最佳截断值为37.32。
多因素COX回归分析提示,年龄、PNI<37.32、住院总时间是老年重症COPD病人死亡的独立影响因素,当PNI<37.32时,老年重症COPD病人死亡风险为对照组的2.281倍。
结论PNI对老年重症COPD病人预后有预测价值,PNI<37.32预示预后不良。
【总页数】5页(P911-915)【作者】杨君红;梁兰玉;单清【作者单位】扬州大学医学院;扬州大学附属医院老年科【正文语种】中文【中图分类】R563.3;R592【相关文献】1.预后营养指数对结直肠癌病人预后预测价值的临床研究2.预后营养指数评估食管癌病人术后并发症及预后的临床价值3.营养风险指数评估老年重症社区获得性肺炎患者预后的临床价值4.系统免疫炎症指数、预后营养指数对Ⅲ~Ⅳ期非小细胞肺癌一线化疗患者预后的预测价值5.老年营养风险指数联合血尿酸对老年急性呼吸窘迫综合征患者预后的预测价值因版权原因,仅展示原文概要,查看原文内容请购买。
心电图联合早期预警评分对心内科危重症患者预后的评估效果岳燕凤;常瑾瑾【期刊名称】《中国医药指南》【年(卷),期】2024(22)15【摘要】目的探讨动态心电图联合早期预警评分在心血管内科危重症患者病情及预后评估中的运用效果。
方法选取2022年1月至2023年12月期间山东省公共卫生临床中心心血管内科的90例危重症患者中,以患者入院编号的尾号先后的顺序进行平均分组,分为观察组和对照组。
两组危重症患者均接受抢救措施,在此基础上对照组采取常规心电图检查和常规抢救护理干预来确保患者得到全面的医疗监测和及时的抢救支持。
观察组采取动态心电图和早期预警评分的综合护理策略,以更全面地监测患者病情变化并实施及时的护理干预。
对两组进行预检准确率、抢救成功率、护患纠纷率、心电图异常检出率以及早期预警评分、平均急诊时间、平均分诊时间和护理满意度等方面的观察和比较。
结果观察组在预检准确率、抢救成功率、护患纠纷率和心电图异常检出率方面均优于对照组(P<0.05)。
在干预前,两组的早期预警评分相比较,差异无统计学意义(P>0.05)。
干预后,观察组的早期预警评分低于对照组(P<0.05)。
观察组的平均急诊时间和平均分诊时间均短于对照组(P<0.05)。
观察组的护理满意度高于对照组(P<0.05)。
结论在心血管内科重症患者治疗管理中,结合动态心电图监测与早期预警评分系统的应用,优化了患者的预诊效率和急救效果。
这种综合干预措施不仅提升了心电图异常的识别能力,增加了抢救成功的可能性,还提高了患者及其家属的护理满意度。
【总页数】4页(P8-11)【作者】岳燕凤;常瑾瑾【作者单位】山东省公共卫生临床中心心血管内科心电图室【正文语种】中文【中图分类】R54;R540.41【相关文献】1.早期预警评分联合Braden评分对急诊老年危重症病人预后的评估效果2.急救系统风险预测模型评分联合改良早期预警评分在多发伤危重症患者预后评估中的应用价值3.改良的国家早期预警评分对危重症病人预后评估的价值4.改良早期预警评分对危重症院前急救患者病情程度及预后的评估价值5.血清sICAM-1水平联合国家早期预警评分对重症肺炎所致ARDS患者预后的评估价值因版权原因,仅展示原文概要,查看原文内容请购买。