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与流程

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(pressureulcerscaleforhealing,push)、bates-jensen伤口评价工具(bates-jensenwoundassessmenttool，swht)、压疮愈合状态评价及分类量表(depth,exudate,size,inflammation/infection,granulation,necrotictissue,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。

技术实现要素：

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-whitneyu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statase15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-whitneyu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statase15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statase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。