一种新型筛选压力性损伤危险因素的模型构建评价方法及其应用技术

本发明专利技术公开了一种新型筛选压力性损伤危险因素的模型构建评价方法及其应用，1)采集病患基础信息；2)分类处理；3)构建模型；4)比较检验；5)评价比较。本发明专利技术通过比较Logistic回归、决策树和随机森林三种预测模型的预测性能，从而确定预测性能最优的预测模型，为之后压力性损伤预测软件开发选择合适的模型提供依据，以提高临床预测成人患者压力性损伤发生的准确性和便捷性，从而降低成人患者的压力性损伤发生率，减轻患者痛苦和医疗负担。减轻患者痛苦和医疗负担。减轻患者痛苦和医疗负担。

【技术实现步骤摘要】
一种新型筛选压力性损伤危险因素的模型构建评价方法及其应用


[0001]本专利技术涉及医疗
，尤其涉及一种新型筛选压力性损伤危险因素的模型构建评价方法及其应用。

技术介绍

[0002]压力性损伤(Pressure Injury,PI)曾被称为褥疮、压疮或压力性溃疡(Pressure Ulcer,PU)，2016年美国压力性损伤委员会正式更名为压力性损伤,是指发生在皮肤和(或)皮下组织的局限性损伤，通常发生在骨隆突部位或皮肤与医疗器械接触的部位，可表现为完整的皮肤或开放性的溃疡，同时可伴有疼痛感，压力性损伤已被认为是严重的医院不良事件，其发生不但与许多不良结果相关，如感染、慢性炎症状态引起的系统性淀粉样变性、长期压力和缺血引起的横纹肌溶解等，还降低了患者生活质量、延长患者住院时长，增加医疗系统的费用负担。
[0003]医院获得性压力性损伤(Hospital Acquired Pressure Injury,HAPI)是指在医院获得的压力性损伤。压力性损伤一直以来都是全球医疗卫生机构所面临的重大健康问题，全球压力性损伤患病率为12.8％，医院获得性压力性损伤患病率为8.4％，占压力性损伤的62％，北美地区医院获得性压力性损伤发生率为12.6％
‑
14.5％，欧洲为12.6％
‑
16.5％，澳大利亚为3％
‑
50％，亚洲地区为2.1％
‑
31.3％，我国住院患者压力性损伤现患率为1.67％，医院获得性压力性损伤现患率为0.68％，发病率为1.26％。压力性损伤的发生不仅增加患者痛苦，降低其生活质量，延长住院时间，还增加了护理人员额外的护理工作量，提高了医疗费用,增加了医疗卫生系统的负担。英国某研究显示，随着压力性损伤严重程度增加，治疗费用亦随着增加，第1期的压力性损伤约为1214英镑，第4期的费用为14108英镑。美国每年治疗医院获得性压力性损伤的费用十年前为110亿美元，现今预计约要268亿美元，3期和4期患者的治疗费用占全部费用的56％，每位患者治疗医院获得性压力性损伤的费用约为10708美元。
[0004]重症监护室(Intensive Care Unit,ICU)患者常因病情危重，长期卧床及处于镇静状态，营养状况较差，并可能伴有糖尿病、感染、心血管疾病等多种合并症，使其压力性损伤的发生率远高于其他科室的普通住院患者。Chaboyer等对ICU患者发生率和患病率进行meta分析，结果显示ICU患者发生压力性损伤的患病率为10.0％
‑
25.9％，发生率为16.9％
‑
23.8％。Coyer等利用二级数据分析发现，除压力性损伤第一阶段外，2012年至2014年，重症监护室患者的医院获得性压力性损伤患病率为11％，非重症监护患者为3％，重症监护室患者住院期间发生压力性损伤的概率是非重症监护患者的3.8倍。蒋琪霞等的一项多中心调查研究结果显示，内科病房的压力性损伤现患率为1.4％，外科病房的压力性损伤现患率为0.8％，老年科的压力性损伤现患率为3.3％，重症监护室患者压力性损伤的现患率(11.9％)在所有科室中最高。对患者进行压力性损伤发生的风险进行评估和预测，及时采取措施进行早期干预不仅可以预防压力性损伤的发生，从而减少患者的伤害，降低患者的
住院费用，减轻医疗系统费用负担，因为预防压力性损伤的费用比治疗压力性损伤的费用低。因此，使用压力性损伤预测工具至关重要。
[0005]目前国内外重症监护室患者广泛使用的压力性损伤风险评估工具为Braden量表，由美国的Braden博士和Bergs博士于1987年研制，但是有研究者提出Braden量表缺少了对ICU患者特有的重要危险因素的评估内容，例如镇静镇痛药的使用、医疗器械的使用等，而使其用于ICU患者时预测效能不足，准确性较低，并不适用于ICU患者。也有研究者对Braden量表进行修改、或者与其他量表联合使用以及研制ICU患者压力性损伤风险评估量表等研究，但这些研究在我国只进行小样本研究，信效度有待进一步验证，仍需进行大样本检验，联合其他量表使用起来也较繁杂。随着科技的进步和发展，全球进入大数据时代，人工智能和数据挖掘技术在医学领域得到广泛应用，如预防、保健、诊疗、影像及手术机器人等。机器学习作为人工智能的一个重要分支，在医学领域也应用广泛，如图像识别、遗传学和基因组学、智能诊疗、预测预后等方面。利用机器学习技术构建的模型在医学领域的预测预后方面展现出强大的预测性能。Google Brain回顾性收集了128175张视网膜图像构建了深度卷积神经网络模型，然后将该模型用于识别新的图像，结果显示该模型在识别糖尿病视网膜病变具有90.3％的灵敏度和98.1％的特异度，ROC曲线下面积为0.991。Kim等利用构建的机器学习模型以区分外科肺活检样本中常见的间质性肺炎与其他间质性肺疾病，结果显示在48个样品的训练集中，模型的特异度为92％，灵敏度为82％，在36个样本的测试集中，模型的特异度为95％，敏感度为59％。数据挖掘和机器学习技术已经成为现代医学发展的方向之一，其在医学领域对提高疾病诊断的准确性和护理不良事件管理中具有重大作用。
[0006]识别压力性损伤的危险因素并进行早期风险评估已被广泛应用，对压力性损伤的预防至关重要，本申请将对重症监护室患者发生压力性损伤的相关因素研究进展进行归纳总结，旨在帮助临床医护人员进一步识别重症监护室患者发生压力性损伤的影响因素，以及为临床护理实践和压力性损伤预测模型的构建研究提供依据。

技术实现思路

[0007]本专利技术的提供一种新型筛选压力性损伤危险因素的模型构建评价方法及其应用。
[0008]本专利技术的方案是：
[0009]一种新型筛选压力性损伤危险因素的模型构建评价方法，包括下列步骤：
[0010]1)收集资料，采集病患基础信息，病患基础信息包括自变量信息与因变量信息，将若干患者的基础信息通过录入设备输入到处理端的Epidata作为数据集；
[0011]2)分类处理，处理端利用软件将数据集随机分为训练集与测试集，其中训练集占数据集资料的70％，剩余的为验证集；
[0012]3)构建模型，将所述训练集用于构建模型，处理端中的三个构建模块分别通过训练集构建Logistic回归模型、决策树模型与随机森林模型；
[0013]4)比较检验，将测试集分别对构建Logistic回归模型、决策树模型与随机森林模型进行性能比较测试；
[0014]5)评价比较，通过测试集将各模块进行评估，得到各模型的评价指标，然后将各模型的评价指标进行比较，提供比较后的各项优异评价指标数据。
[0015]所述步骤5)中评估模型的评价方法为交叉测试法，是指在一个数据集样本中，将
大部分的数据集样本用于构建模型，然后将建立好的模型用于剩余的小部分数据集样本进行预测，并求出小部分数据集样本的预报误差，记录它们的平方加和；交叉测试法的作用在于预防过拟合和欠拟合现象，得到可靠稳定的模型。常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型筛选压力性损伤危险因素的模型构建评价方法，其特征在于，包括下列步骤：1)收集资料，采集病患基础信息，病患基础信息包括自变量信息与因变量信息，将若干患者的基础信息通过录入设备输入到处理端的Epidata作为数据集；2)分类处理，处理端利用软件将数据集随机分为训练集与测试集，其中训练集占数据集资料的70％，剩余的为验证集；3)构建模型，将所述训练集用于构建模型，处理端中的三个构建模块分别通过训练集构建Logistic回归模型、决策树模型与随机森林模型；4)比较检验，将测试集分别对构建Logistic回归模型、决策树模型与随机森林模型进行性能比较测试；5)评价比较，通过测试集将各模块进行评估，得到各模型的评价指标，然后将各模型的评价指标进行比较，提供比较后的各项优异评价指标数据。2.如权利要求1所述新型筛选压力性损伤危险因素的模型构建评价方法，其特征在于：所述自变量信息为Y，Y为是否发生压力性损伤，将因变量的取值定为0与1，0代表否，1代表是；还包括m个自变量X,其中m≥1，所述自变量包括性别、糖尿病史、高血压史、脑卒中史、意识状态、机械通气、镇静药、镇痛药、血管升压药、年龄、Braden量表评分、ICU住院天数、血红蛋白、尿素氮、肌酐、乳酸与血清白蛋白，其中年龄、Braden量表评分、ICU住院天数、血红蛋白、尿素氮、肌酐、乳酸和血清白蛋白为连续型自变量。3.如权利要求1中所述的新型筛选压力性损伤危险因素的模型构建评价方法，其特征在于：所述构建模块构建Logistic回归模型为利用软件将经过单因素分析有统计学意义的自变量进行多因素Logistic回归分析，再将多因素Logistic回归分析结果有统计学意义的变量纳入Logistic回归方程构建Logistic回归模型，最后...

【专利技术属性】
技术研发人员：徐洁，孙彩霞，邓晓芳，潘晓云，陈瑜，许玲玲，舒美春，
申请(专利权)人：温州医科大学附属第一医院，
类型：发明
国别省市：