DOI: https://doi.org/10.1038/s41598-026-35709-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41606067
تاريخ النشر: 2026-01-28
المؤلف: Fredy Barriga-Gallegos وآخرون
الموضوع الرئيسي: الوقاية من قرح الضغط وإدارتها
نظرة عامة
تستقصي هذه الدراسة استخدام نماذج التعلم الآلي الخاضعة للإشراف للتنبؤ بإصابات الضغط (PIs) لدى المرضى المقيمين في المستشفى استنادًا إلى البيانات المجمعة خلال الساعات الثماني الأولى من القبول. تتكون مجموعة البيانات من 446 مريضًا من مستشفى الخدمة السريرية في فيليكس بولنيس في سانتياغو، تشيلي، مع معدل إصابة PI المبلغ عنه بنسبة 18.8%. تشمل عوامل الخطر الرئيسية المحددة حجم المريض، الوزن، درجة الخطر الكلية، جناح المستشفى، خطر الاعتماد، استخدام المراتب المضادة للضغط، القيود البدنية، السلس، وإصابات الضغط السابقة للمستشفى، جميعها تظهر دلالة إحصائية (قيمة p < 0.01). تم تقييم خمسة نماذج للتعلم الآلي، حيث أظهر نموذج الغابة العشوائية أعلى أداء، محققًا منطقة تحت المنحنى (AUC) بنسبة 82.4%، دقة بنسبة 82.5%، خصوصية بنسبة 86.9%، ودقة معدلة بنسبة 93.3%. تسلط النتائج الضوء على الإمكانية لتطوير نماذج تعلم آلي قابلة للتفسير تستخدم سجلات التمريض الروتينية للتنبؤ المبكر بإصابات الضغط، مما يتناقض مع الدراسات السابقة التي تعتمد غالبًا على بيانات سريرية واسعة. تشير منهجية الدراسة المبسطة، التي تستخدم 13 ميزة مختارة إحصائيًا، إلى أن مثل هذه الأدوات التنبؤية يمكن أن تعزز اتخاذ القرارات السريرية وتسهيل التدخلات في الوقت المناسب للمرضى المعرضين للخطر عبر مختلف أجنحة المستشفى. ومع ذلك، يؤكد المؤلفون على أن التحقق الخارجي الإضافي ضروري قبل أن يمكن تنفيذ هذه النماذج كحلول نهائية في الممارسة السريرية.
مقدمة
**مقدمة**
إصابات الضغط (PIs)، المعروفة أيضًا باسم قرحات الضغط، هي أضرار موضعية للجلد أو الأنسجة الأساسية تحدث عادةً فوق البروزات العظمية بسبب الضغط المطول، وغالبًا ما تتفاقم بفعل قوى القص. هذه الإصابات شائعة بين البالغين المقيمين في المستشفى، حيث تؤثر على أكثر من 10% من هذه الفئة، مع كون جروح المرحلة الأولى هي الأكثر شيوعًا وقابلة للتجنب. المرضى الذين يعانون من حالات حرجة أو مقيدون، خاصة في وحدات الطوارئ والرعاية المركزة، معرضون لخطر متزايد بسبب محدودية الحركة وعدم الاستقرار الفسيولوجي، مما يؤدي إلى زيادة المراضة، وإطالة فترات الإقامة في المستشفى، وتكاليف الرعاية الصحية الكبيرة، المقدرة بأكثر من 26.8 مليار دولار سنويًا في الولايات المتحدة وحدها.
يمتد تأثير إصابات الضغط إلى ما هو أبعد من الآثار المالية، حيث يؤثر سلبًا على جودة الحياة المتعلقة بالصحة عبر الأبعاد البدنية والعاطفية والاجتماعية. تشمل عوامل الخطر السريرية الرئيسية لتطور إصابات الضغط العمر المتقدم، الأمراض المصاحبة، انخفاض تحمل الأنسجة، ضعف الحركة، انخفاض الإدراك الحسي، نقص التغذية، والاعتماد العالي على الرعاية. بالإضافة إلى ذلك، فإن السلس والضرر الناتج عن الرطوبة يؤثران بشكل كبير على سلامة الجلد، بينما يرتبط استخدام الأدوية المساعدة في الرعاية الحرجة بضعف تدفق الأنسجة ونقص التروية. من ناحية أخرى، أظهرت استراتيجيات الوقاية الفعالة، مثل الأسطح المريحة للضغط وإعادة الوضع النظامية، أنها تقلل من معدل إصابات الضغط. علاوة على ذلك، يتم التعرف بشكل متزايد على إصابات الضغط المرتبطة بالأجهزة الطبية كقضية مهمة، خاصة في بيئات الرعاية المركزة حيث يمكن أن يؤدي الاتصال المطول مع الأجهزة إلى تلف الجلد.
الطرق
تحدد قسم الطرق الإطار الإجرائي المستخدم في معالجة البيانات، واختيار الميزات، وتدريب نموذج التعلم الآلي (ML)، والتقييم، وتفسير النتائج. يتم تلخيص الخطوات المنهجية بصريًا في الشكل 1، الذي يعمل كدليل للوصف التفصيلي الذي يلي. يتم توضيح كل مرحلة من العملية في الفقرات التالية، مما يضمن الوضوح والشمولية في شرح التقنيات المستخدمة طوال الدراسة.
النتائج
يقدم قسم النتائج النتائج الرئيسية للدراسة، بما في ذلك الإحصائيات الوصفية التي تلخص خصائص البيانات. يتناول التحليلات أحادية ومتعددة المتغيرات، والتي توفر رؤى حول العلاقات بين المتغيرات. بالإضافة إلى ذلك، يتضمن القسم مقاييس أداء النموذج التي تقيم فعالية النماذج التحليلية المستخدمة. كما يتم تقديم تفسيرات سريرية، تركز على أهمية الميزات المختلفة المحددة في التحليل، والتي تساهم في فهم أهميتها في سياق الدراسة.
المناقشة
في هذا القسم، يناقش المؤلفون قيود أدوات تقييم المخاطر التقليدية، مثل مقياس برادن، في التنبؤ بإصابات الضغط (PIs) بين المرضى المقيمين في المستشفى. يبرزون أن هذه الأدوات غالبًا ما تعتمد على التقييمات الذاتية، مما قد يقلل من تقدير الخطر، خاصة في المرضى الذين يعانون من نقاط ضعف معينة مثل السلس أو السمنة. لمعالجة هذه النقائص، يقترح المؤلفون إطار عمل للتعلم الآلي (ML) يستخدم سجلات التمريض الأساسية المجمعة خلال الساعات الثماني الأولى من القبول في المستشفى للتنبؤ باحتمالية تطور إصابة الضغط. تهدف هذه الطريقة إلى تعزيز تصنيف المخاطر المبكر وتسهيل الرعاية الوقائية في الوقت المناسب، بما يتماشى مع البروتوكولات المؤسسية للتقييمات السريرية الأولية.
تم تصميم نموذج ML المقترح كأداة تنبؤية، تقدر احتمال حدوث إصابة الضغط استنادًا إلى بيانات التمريض المبكرة، مما يميزه عن النماذج التشخيصية التي تقيم الحالات الموجودة. يؤكد المؤلفون على عملية النموذج من خلال ضمان إمكانية دمجه في السجلات الصحية الإلكترونية (EHRs) على مستوى المستشفى مع مراعاة الاختلافات الخاصة بالأجنحة. كما يشيرون إلى أن الدراسات الحالية في هذا المجال غالبًا ما تتطلب مجموعات بيانات واسعة، بما في ذلك نتائج المختبر، والتي قد لا تكون متاحة في بيئات الطوارئ. من خلال التركيز على البيانات المبكرة ذات التعقيد المنخفض، يهدف المؤلفون إلى إثبات أنه يمكن تحقيق أداء تنبؤي فعال دون الاعتماد على مجموعات ميزات واسعة، مما يعالج فجوة كبيرة في الأدبيات حول التنبؤ بإصابات الضغط.
القيود
يظهر النموذج المقترح أداءً واعدًا؛ ومع ذلك، من الضروري الاعتراف بحدوده. واحدة من القيود الكبيرة هي الاعتماد على مجموعة أساسية من سجلات التمريض، والتي قد لا تشمل جميع المتغيرات ذات الصلة التي يمكن أن تعزز قدرات النموذج التنبؤية. على وجه التحديد، فإن دمج بيانات السجلات الصحية الإلكترونية (EHR) الإضافية—مثل حساسية المريض، الأدوية، الحالة المعرفية، والتاريخ الطبي المفصل—يمكن أن يحسن من التمييز والدقة التنبؤية. من المهم أن يتم تحقيق هذه التحسينات مع الالتزام بمبدأ النموذج الأساسي المتمثل في استخدام المعلومات المتاحة خلال الساعات الثماني الأولى بعد القبول.
DOI: https://doi.org/10.1038/s41598-026-35709-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41606067
Publication Date: 2026-01-28
Author(s): Fredy Barriga-Gallegos et al.
Primary Topic: Pressure Ulcer Prevention and Management
Overview
This study investigates the use of supervised machine learning models to predict pressure injuries (PIs) in hospitalized patients based on data collected within the first eight hours of admission. The dataset comprised 446 patients from Félix Bulnes Clinical Service Hospital in Santiago, Chile, with a reported PI incidence of 18.8%. Key risk factors identified included patient size, weight, total risk score, hospital ward, dependency risk, use of anti-decubitus mattresses, physical restraints, incontinence, and pre-hospital pressure injuries, all showing statistical significance (p-value < 0.01). Five machine learning models were evaluated, with the Random Forest model demonstrating the highest performance, achieving an area under the curve (AUC) of 82.4%, accuracy of 82.5%, specificity of 86.9%, and adjusted precision of 93.3%. The findings highlight the potential for developing interpretable machine learning models that utilize routine nursing records for early PI prediction, contrasting with previous studies that often depend on extensive clinical data. The study's streamlined approach, employing 13 statistically selected features, indicates that such predictive tools could enhance clinical decision-making and facilitate timely interventions for at-risk patients across various hospital wards. However, the authors emphasize that further external validation is necessary before these models can be implemented as definitive solutions in clinical practice.
Introduction
**Introduction**
Pressure injuries (PIs), also known as pressure ulcers, are localized damage to skin or underlying tissue typically occurring over bony prominences due to prolonged pressure, often compounded by shear forces. These injuries are prevalent in hospitalized adults, affecting over 10% of this population, with Stage I wounds being the most common and preventable. Critically ill or immobilized patients, particularly in emergency and intensive care units, are at heightened risk due to limited mobility and physiological instability, leading to increased morbidity, extended hospital stays, and substantial healthcare costs, estimated at over $26.8 billion annually in the United States alone.
The impact of PIs extends beyond financial implications, adversely affecting health-related quality of life across physical, emotional, and social dimensions. Key clinical risk factors for PI development include advanced age, comorbidities, reduced tissue tolerance, impaired mobility, decreased sensory perception, nutritional deficits, and high care dependency. Additionally, incontinence and moisture-associated skin damage significantly compromise skin integrity, while the use of vasopressors in critical care settings is linked to impaired tissue perfusion and ischemia. Conversely, effective preventive strategies, such as pressure-relieving surfaces and systematic repositioning, have been shown to reduce the incidence of PIs. Furthermore, medical device-related PIs are increasingly recognized as a significant concern, particularly in intensive care environments where prolonged contact with devices can lead to skin damage.
Methods
The Methods section delineates the procedural framework employed for data preprocessing, feature selection, machine learning (ML) model training, evaluation, and output interpretation. The methodological steps are visually summarized in Figure 1, which serves as a guide for the detailed descriptions that follow. Each stage of the process is elaborated upon in subsequent paragraphs, ensuring clarity and comprehensiveness in the explanation of the techniques utilized throughout the study.
Results
The Results section presents the primary findings of the study, encompassing descriptive statistics that summarize the data characteristics. It details both univariate and multivariate analyses, which provide insights into the relationships between variables. Additionally, the section includes model performance metrics that evaluate the effectiveness of the analytical models employed. Clinical interpretations are also provided, focusing on the importance of various features identified in the analysis, which contribute to understanding their relevance in the context of the study.
Discussion
In this section, the authors discuss the limitations of traditional risk assessment tools, such as the Braden Scale, in predicting pressure injuries (PIs) among hospitalized patients. They highlight that these tools often rely on subjective assessments, which can underestimate risk, particularly in patients with specific vulnerabilities like incontinence or obesity. To address these shortcomings, the authors propose a machine learning (ML) framework that utilizes basic nursing records collected within the first eight hours of hospital admission to predict the likelihood of PI development. This approach aims to enhance early risk stratification and facilitate timely preventive care, aligning with institutional protocols for initial clinical evaluations.
The proposed ML model is designed as a prognostic tool, estimating the probability of PI occurrence based on early nursing data, thus distinguishing it from diagnostic models that assess existing conditions. The authors emphasize the model’s practicality by ensuring it can be integrated into hospital-wide electronic health records (EHRs) while accounting for ward-specific variations. They also note that existing ML studies in this domain often require extensive datasets, including laboratory results, which may not be available in emergency settings. By focusing on low-complexity, early-stage data, the authors aim to demonstrate that effective predictive performance can be achieved without relying on extensive feature sets, thereby addressing a significant gap in the literature on PI prediction.
Limitations
The proposed model exhibits promising performance; however, it is essential to recognize its limitations. One significant constraint is the reliance on a basic set of nursing records, which may not encompass all relevant variables that could enhance the model’s predictive capabilities. Specifically, incorporating additional electronic health record (EHR) data—such as patient allergies, medications, cognitive status, and detailed medical history—could potentially improve both discrimination and predictive accuracy. Importantly, these enhancements could be achieved while still adhering to the model’s foundational principle of utilizing information available within the first eight hours post-admission.