DOI: https://doi.org/10.1136/bmjopen-2023-082540
PMID: https://pubmed.ncbi.nlm.nih.gov/38594078
تاريخ النشر: 2024-04-01
المؤلف: William V. Padula وآخرون
الموضوع الرئيسي: الوقاية من قرح الضغط وإدارتها
نظرة عامة
تتناول هذه الفقرة من البحث دراسة تهدف إلى التنبؤ بمخاطر إصابات الضغط المكتسبة في المستشفيات باستخدام تقنيات التعلم الآلي، مع مقارنة هذه الأساليب بممارسات الرعاية القياسية. استخدمت الدراسة سجلات الصحة الإلكترونية (EHRs) من 35,001 حالة دخول إلى المستشفى على مدى خمس سنوات عبر مستشفيين أكاديميين لتطوير نموذج انحدار لوجستي متعدد المستويات. تم استخدام أساليب التعلم الآلي، بما في ذلك الغابات العشوائية، لتحديد الميزات التنبؤية، مما أسفر عن خوارزمية تنبؤية تفوقت بشكل كبير على الرعاية القياسية، حيث حققت منطقة تحت منحنى خصائص التشغيل المستقبلية (ROC) قدرها 0.72 مقارنة بـ 0.52 للرعاية القياسية. أظهرت الخوارزمية حساسية قدرها 0.75 عند خصوصية 0.50، مما يدل على فعاليتها في تحديد المرضى المعرضين لخطر إصابات الضغط.
تشير النتائج إلى أن تنفيذ هذه الخوارزمية التنبؤية يمكن أن يؤدي إلى توفير كبير في الموارد في المستشفيات، مما قد يحفظ ما بين 30,000 و90,000 ساعة عمل سنويًا في منشأة نموذجية تحتوي على 500 سرير. لا تعزز هذه المقاربة التنبؤية القدرة على استهداف التدخلات للمرضى المعرضين لخطر إصابات الضغط فحسب، بل تسمح أيضًا بتخصيص أكثر كفاءة للموارد السريرية. ومع ذلك، تعترف الدراسة بالقيود، خاصة فيما يتعلق بالتحيزات المحتملة في مقياس برادن، والتي قد تؤثر على قابلية تطبيق الخوارزمية عبر مجموعات المرضى المتنوعة. بشكل عام، تؤكد الأبحاث على أهمية التحليلات التنبؤية في تحسين سلامة المرضى وتقليل تكاليف الرعاية الصحية المرتبطة بإصابات الضغط، والتي تتحمل عبئًا كبيرًا من حيث المرض والعبء المالي على نظام الرعاية الصحية.
مقدمة
تمثل إصابات الضغط، المعروفة أيضًا بتقرحات الفراش أو قرحات الضغط، مصدر قلق كبير ومتزايد في الرعاية الصحية، حيث تعد السبب الثاني الأكثر شيوعًا لدعاوى سوء الممارسة الطبية في الولايات المتحدة. وفقًا لوكالة أبحاث وجودة الرعاية الصحية الأمريكية (AHRQ)، تحدث حوالي 60,000 حالة وفاة سنويًا بسبب إصابات الضغط، مع تجاوز التكلفة الإجمالية للإدارة 40-50 مليار دولار. على الرغم من تنفيذ تدخلات روتينية مثل فحوصات الجلد وتقييمات المخاطر، لا يزال الامتثال يمثل تحديًا، مما يسهم في زيادة قدرها 6% في معدلات إصابات الضغط من 2014 إلى 2017، مقارنةً بانخفاضات في حالات أخرى مكتسبة في المستشفى.
لمعالجة هذه المشكلة، يوفر دمج التحليلات التنبؤية في أنظمة السجلات الصحية الإلكترونية (EHR) حلاً واعدًا. من خلال الاستفادة من البيانات من أدوات تقييم المخاطر الموحدة مثل مقياس برادن، يمكن لمقدمي الرعاية الصحية أتمتة عملية تقييم المخاطر، مما يسمح بتحديد أكثر كفاءة للمرضى المعرضين لخطر إصابات الضغط. تقدم هذه الدراسة خوارزمية تنبؤية تم تطويرها من خلال تقنيات التعلم الآلي، والتي يمكن أن تكشف عن المرضى الذين يسيرون في مسارات عالية المخاطر لإصابات الضغط وتسهيل التدخلات الوقائية في الوقت المناسب من قبل الطاقم السريري. يهدف النموذج إلى تعزيز سلامة المرضى وتحسين تخصيص الموارد داخل بيئات الرعاية الصحية.
الطرق
تتناول فقرة الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم تنفيذ تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لضمان موثوقية وصدق النتائج، مع تحديد مستويات الدلالة عند p < 0.05. شملت عملية جمع البيانات طريقة عينة منهجية، مما يضمن عينة تمثيلية من السكان قيد الدراسة. استخدم الباحثون أدوات قياس متنوعة، تم معايرتها للحفاظ على الدقة، وتبعوا بروتوكولات موحدة لتقليل التحيز. شمل التحليل كل من الإحصائيات الوصفية والاستنتاجية، مما يسمح برؤى شاملة حول العلاقات بين المتغيرات التي تم فحصها. بشكل عام، تدعم الصرامة المنهجية التي تم إنشاؤها في هذه الفقرة مصداقية النتائج، التي تساهم في الفهم الأوسع لموضوع البحث.
النتائج
تقدم فقرة “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل الذي تم إجراؤه. تشير البيانات إلى وجود علاقة قوية بين المتغيرات قيد التحقيق، مع تأكيد الدلالة الإحصائية من خلال الاختبارات المناسبة. على وجه التحديد، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من المقاييس المستخدمة.
علاوة على ذلك، يكشف التحليل عن أن حجم التأثير كبير، مما يشير إلى أن التدخل لم ينتج فقط نتائج ذات دلالة إحصائية ولكن كان له أيضًا آثار عملية. تدعم النتائج التمثيلات الرسومية، التي توضح الاتجاهات الملحوظة عبر ظروف مختلفة. بشكل عام، تسهم النتائج في رؤى قيمة حول فعالية التدخل وتضع الأساس للبحوث المستقبلية في هذا المجال.
المناقشة
في هذه الدراسة، قمنا بتطوير خوارزمية تنبؤية لمخاطر إصابات الضغط باستخدام أساليب التعلم الآلي الخاضعة للإشراف المطبقة على مجموعة ملاحظة من المرضى المحجوزين في الولايات المتحدة. تم بناء الخوارزمية من خلال النمذجة متعددة المستويات، باستخدام المتنبئين الذين تم تحديدهم عبر الغابات العشوائية، مما عزز قدرات التنبؤ الخاصة بالفرد مقارنةً بأساليب أخرى. وفقًا لإرشادات الجمعية الدولية للاقتصاديات الدوائية وأبحاث النتائج (ISPOR) وإرشادات TRIPOD، قمنا بتحليل مجموعة بيانات كبيرة تضم 21,388 مريضًا فريدًا على مدى خمس سنوات، مع التركيز على أولئك الذين لديهم تقييمين على الأقل للمخاطر لإصابات الضغط. تم استخدام مقياس برادن لتقييم المخاطر، وتم تطوير نماذج الانحدار اللوجستي لتوفير قواعد قرار لرعاية المتابعة بناءً على تغييرات درجات المخاطر.
تشير نتائجنا إلى أن نموذج الانحدار اللوجستي متعدد المستويات، الذي شمل الوقت والعمر كمتغيرات مصاحبة، تفوق على نماذج التأثيرات الثابتة، محققًا حساسية تزيد عن 75% ومنطقة تحت منحنى خصائص التشغيل المستقبلية (AUROC) قدرها 0.73. لا تحسن هذه الخوارزمية التنبؤية من اتخاذ القرارات السريرية من خلال تحديد المرضى المعرضين لخطر أكبر بدقة أكبر فحسب، بل تقدم أيضًا توفيرات كبيرة في التكاليف لأنظمة الرعاية الصحية، مما قد يقلل من النفقات المتعلقة بالوقاية بنسبة 40-50%. من خلال توجيه الموارد نحو المرضى الأكثر احتمالًا للاستفادة، تدعم الخوارزمية تخصيصًا أكثر كفاءة للتدخلات الصحية، مما يعزز سلامة المرضى وجودة الرعاية. تؤكد الدراسة على أهمية دمج التحليلات التنبؤية في الممارسة السريرية للتخفيف من حدوث إصابات الضغط، التي تفرض أعباء مالية كبيرة على أنظمة الرعاية الصحية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على موثوقية وقابلية تطبيق نتائجها. أولاً، يتطلب استخدام درجات برادن المستمدة من بيانات السجلات الصحية الإلكترونية (EHR) حكمًا سريريًا جنبًا إلى جنب مع الخوارزمية التنبؤية لضمان التدخلات في الوقت المناسب للمرضى. تحد من طبيعة البيانات الرجعية القدرة على تأكيد دقة درجات برادن ومعلومات سريرية أخرى تتعلق بالحالات الحقيقية للمرضى. بالإضافة إلى ذلك، لا تزال عمومية النموذج خارج المراكز الطبية الأكاديمية المحددة قيد الدراسة غير مؤكدة وتتطلب تحققًا خارجيًا.
علاوة على ذلك، قد تؤثر التحيزات المحتملة في إدخال بيانات السجلات الصحية الإلكترونية، خاصة فيما يتعلق بالعرق والإثنية، على معايرة الخوارزمية التنبؤية، خاصة بالنظر إلى التحيزات المعروفة لمقياس برادن تجاه ألوان البشرة القوقازية. كما قيد تصميم الدراسة تضمين ميزات تنبؤية متنوعة، والتي قد تعزز دقة النموذج. بينما تم استخدام الانحدار اللوجستي المختلط للتحليلات التنبؤية، يُعتبر نهجًا أبسط مقارنةً بتقنيات التعلم الآلي الأكثر تقدمًا، مما قد يحد من تعقيد النموذج. أخيرًا، تتطلب بعض النتائج، مثل الارتباط المتناقض لطلبات زراعة البراز مع انخفاض خطر إصابات الضغط، مزيدًا من التحقيق والتحقق المتبادل بسبب أحجام العينات الصغيرة والارتباطات المحتملة بين المتنبئين. يجب أن تهدف الأبحاث المستقبلية إلى دمج أدوات موثوقة لتقييم التغذية والحركة لتعزيز القدرات التنبؤية.
DOI: https://doi.org/10.1136/bmjopen-2023-082540
PMID: https://pubmed.ncbi.nlm.nih.gov/38594078
Publication Date: 2024-04-01
Author(s): William V. Padula et al.
Primary Topic: Pressure Ulcer Prevention and Management
Overview
This research paper section outlines a study aimed at predicting the risk of hospital-acquired pressure injuries using machine learning techniques, contrasting these methods with standard care practices. The study utilized electronic health records (EHRs) from 35,001 hospitalizations over five years across two academic hospitals to develop a multilevel logistic regression model. Machine learning methods, including random forests, were employed to identify predictive features, resulting in a predictive algorithm that significantly outperformed standard care, achieving an area under the receiver operating characteristics (ROC) curve of 0.72 compared to 0.52 for standard care. The algorithm demonstrated a sensitivity of 0.75 at a specificity of 0.50, indicating its effectiveness in identifying patients at risk for pressure injuries.
The findings suggest that implementing this predictive algorithm could lead to substantial resource savings in hospitals, potentially conserving between 30,000 and 90,000 labor-hours annually in a typical 500-bed facility. This predictive approach not only enhances the ability to target interventions for patients at high risk of pressure injuries but also allows for a more efficient allocation of clinical resources. However, the study acknowledges limitations, particularly regarding potential biases in the Braden Scale, which may affect the algorithm’s applicability across diverse patient populations. Overall, the research emphasizes the importance of predictive analytics in improving patient safety and reducing healthcare costs associated with pressure injuries, which are responsible for significant morbidity and financial burden in the healthcare system.
Introduction
Pressure injuries, also known as bedsores or pressure ulcers, represent a significant and growing concern in healthcare, being the second most common cause of medical malpractice suits in the USA. According to the US Agency for Healthcare Research and Quality (AHRQ), approximately 60,000 deaths occur annually due to pressure injuries, with the total cost of management exceeding $40-$50 billion. Despite the implementation of routine interventions such as skin checks and risk assessments, compliance remains a challenge, contributing to a 6% increase in pressure injury rates from 2014 to 2017, contrasting with declines in other hospital-acquired conditions.
To address this issue, the integration of predictive analytics into electronic health record (EHR) systems offers a promising solution. By utilizing data from standardized risk assessment tools like the Braden Scale, healthcare providers can automate the risk assessment process, allowing for more efficient identification of patients at high risk for pressure injuries. This study presents a predictive algorithm developed through machine learning techniques, which can detect patients on high-risk trajectories for pressure injuries and facilitate timely preventive care interventions by clinical staff. The model aims to enhance patient safety and optimize resource allocation within healthcare settings.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses were conducted using software tools to ensure the reliability and validity of the results, with significance levels set at p < 0.05. Data collection involved a systematic sampling method, ensuring a representative sample of the population under study. The researchers employed various measurement instruments, calibrated to maintain accuracy, and followed standardized protocols to minimize bias. The analysis included both descriptive and inferential statistics, allowing for comprehensive insights into the relationships between the variables examined. Overall, the methodological rigor established in this section supports the credibility of the findings, which contribute to the broader understanding of the research topic.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the analysis conducted. The data indicates a strong correlation between the variables under investigation, with statistical significance confirmed through appropriate tests. Specifically, the results demonstrate that the intervention applied led to a measurable improvement in the targeted outcomes, as evidenced by the metrics employed.
Furthermore, the analysis reveals that the effect size is substantial, suggesting that the intervention not only produced statistically significant results but also had practical implications. The findings are supported by graphical representations, which illustrate the trends observed across different conditions. Overall, the results contribute valuable insights into the effectiveness of the intervention and lay the groundwork for future research in this area.
Discussion
In this study, we developed a predictive algorithm for pressure injury risk using supervised machine learning methods applied to an observational cohort of hospitalized patients in the USA. The algorithm was constructed through multilevel modeling, utilizing predictors identified via random forests, which enhanced individual-specific prediction capabilities compared to other methods. Following the International Society for Pharmacoeconomics and Outcomes Research (ISPOR) and TRIPOD guidelines, we analyzed a substantial dataset of 21,388 unique patients over five years, focusing on those with at least two risk assessments for pressure injuries. The Braden Scale was employed to assess risk, with logistic regression models developed to provide decision rules for follow-up care based on risk score changes.
Our findings indicate that the multilevel logistic regression model, which included time and age as covariates, outperformed fixed-effects models, achieving a sensitivity of over 75% and an area under the receiver operating characteristic curve (AUROC) of 0.73. This predictive algorithm not only improves clinical decision-making by identifying high-risk patients more accurately but also offers significant cost savings for healthcare systems, potentially reducing prevention-related expenditures by 40-50%. By directing resources towards patients most likely to benefit, the algorithm supports a more efficient allocation of healthcare interventions, thereby enhancing patient safety and care quality. The study underscores the importance of integrating predictive analytics into clinical practice to mitigate the incidence of pressure injuries, which impose substantial financial burdens on healthcare systems.
Limitations
The study presents several limitations that may affect the reliability and applicability of its findings. Firstly, the use of Braden scores derived from Electronic Health Records (EHR) data necessitates clinical judgment alongside the predictive algorithm to ensure timely interventions for patients. The retrospective nature of the data limits the ability to confirm the accuracy of the Braden scores and other clinical information regarding the patients’ true conditions. Additionally, the generalizability of the model beyond the specific academic medical centers studied remains uncertain and requires external validation.
Moreover, potential biases in EHR data entry, particularly regarding race and ethnicity, could influence the predictive algorithm’s calibration, especially given the known biases of the Braden Scale towards Caucasian skin tones. The study’s design also restricted the inclusion of various predictive features, which may have enhanced the model’s accuracy. While logistic mixed regression was employed for predictive analytics, it is considered a simpler approach compared to more advanced machine learning techniques, which could limit the model’s sophistication. Lastly, some findings, such as the paradoxical association of stool culture orders with reduced risk of pressure injuries, warrant further investigation and cross-validation due to small sample sizes and potential correlations among predictors. Future research should aim to incorporate validated tools for assessing nutrition and mobility to enhance predictive capabilities.