Methodenartikel

Ein prädiktives Pflegewerkzeug für die Sicherheit der Patientenpositionierung in hybriden digitalen Subtraktionsangiographie-Operationssälen

69 Ansichten

⸱

DOI:

10.3791/70751

⸱

5. Juni 2026

 , 
1Nursing Department, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine

In diesem Artikel

Zusammenfassung

Eine retrospektive Studie mit nur einem Zentrum entwickelte und validierte intern ein gestuftes Pflegevorhersage-Tool, das das Basis-Operationsrisiko des Patienten mit veränderbaren perioperativen Versorgungsprozessen kombiniert, um präoperative Beurteilung und postpositionierende Risikoupdates für positionierungsbezogene Komplikationen in einem hybriden digitalen Subtraktions-Angiographie-Operationssaal zu unterstützen.

Zusammenfassung

Ziel dieser Studie war es, ein phasenaktualisierendes Pflege-Predictiv-Assessment-Tool zu entwickeln und intern zu validieren, das auf dem Basisrisiko von Patienten und Chirurgie sowie auf modifizierbaren Pflegeprozessen basiert, das vor der Operation und nach der Positionierung im hybriden digitalen Subtraktions-Angiographie-Operationssaal verwendet wird. Diese retrospektive Kohorte mit nur einem Zentrum umfasste stationäre Erwachsene, die ihren ersten Eingriff im hybriden Operationssaal unterzogen, wobei die Chirurgie die Analyseeinheit und die Nachsorge bis 72 Stunden postoperativ war. Das Ergebnis war ein zusammengesetzter Endpunkt positionsbezogener Komplikationen.

Fehlende Prädiktordaten wurden mittels multipler Imputation (m = 10) verarbeitet, und die Extraktionskonsistenz wurde mit Cohen κ und intraklassigen Korrelationskoeffizienten bewertet. Kandidatenvariablen aus dem univariablen Screening plus vordefinierte Variablen erreichten die geringste absolute Schrumpfung und die Auswahloperator-Regression, gefolgt von multivariabler logistischer Modellierung und Nomogrammkonstruktion mit schwellenbasierter Risikostratifizierung. Die Modellleistung wurde anhand der Fläche unter der Kurve, Kalibrierungsintercept und -neigung, Brier-Score, interner Bootstrap-Validierung und Entscheidungskurvenanalyse bewertet.

Insgesamt wurden 1.936 Fälle analysiert, und das Gesamtergebnis lag bei 10,23 %. Die maximale Fehlfunktion wichtiger Variablen betrug 3,25 %, und die Extraktionskonsistenz war gut (κ ≥ 0,86, Intraklassenkorrelationskoeffizient ≥ 0,89). Zwölf Prädiktoren wurden beibehalten; Druckpunktschutz und intraoperative Positionskontrollen waren schützend (Odds Ratio 0,68–0,71). Das Basismodell hatte eine Fläche unter der Kurve von 0,74/0,72 (erkennbar/korrigiert), und das vollständige Modell erreichte 0,79/0,77. Die optimismekorrigierte Kalibrierungssteigung betrug 0,947, der Intercept 0,004 und der Brier-Wert 0,085.

Dieses Werkzeug zeigte stabile Diskriminierung, Kalibrierung und einen Nettonutzen bei interner Validierung. Pflegeprozessvariablen schufen einen Mehrwert, und das Tool kann die präoperative Bewertung und die Risiko-Aktualisierung nach der Positionierung unterstützen, bis externe Validierung erfolgt.

Einleitung

Der hybride Operationssaal der digitalen Subtraktionsangiographie (DSA) integriert interventionelle Bildgebung mit offener Chirurgie und dient als Plattform zur Behandlung komplexer Gefäßerkrankungen und kritischer Notfälle1. Die Verfahrenskette ist länger, viele Patienten sind älter, und Vollnarkose oder Sedierung mindert die Schutzreflexe und spontane Anpassungen2. Eingeschränkt durch den C-Arm, das sterile Feld und die Anordnung der Zugangswege, verringern sich die Möglichkeiten, den Körper zu drehen und den Druck zu entlasten, sobald die Position festgelegt ist, während die Belastung durch anhaltenden Druck und Dehnung/Traktionum 3 erhöht wird. Gleichzeitige hybride Verfahren reduzieren die Anpassungsfenster weiter, und das Positionsmanagement setzt stärker auf Teamkoordination. Positionsbedingte Komplikationen umfassen Druckverletzungen, periphere Nerven- und muskuloskelettale Verletzungen und können sich auch als positionierungsbedingte respiratorische und hämodynamische Schwankungen äußern, die die postoperative Erholungbeeinträchtigen 4,5.

Das Pflegeteam trägt die Hauptverantwortung für die Positionierung, den Schutz von Druckpunkten, die Zugangssicherung, die intraoperative Positionskontrolle und die postoperative Beobachtung; Die frühzeitige Identifikation von positionsbezogenen Risiken und präzise Interventionen sind Kernthemen im Pflegemanagement, mit einem größeren Bedarf an standardisierter, prozessbasierter Verifikation und Dokumentation6. Bestehende perioperative Risikobewertungen basieren hauptsächlich auf präoperativen generischen Skalen oder konzentrieren sich auf ein einzelnes Ergebnis7. Ein Großteil der Belege stammt aus dem Operationssaal oder dem Interventionsraum und deckt die Zusammensetzungsbelastungen im hybriden DSA-Operationssaal nicht ab, wie anhaltende Unfähigkeit zu drehen, Schwankungen in Perfusion und Temperatur sowie das Einbetten der Hülle durch Kompressionsfixation. Werkzeuge wie Braden betonen die Hauttoleranz, sind jedoch nicht gut geeignet, um spezifische Faktoren wie die Bauchlage und kumulative Hypotonie-Exposition zu charakterisieren, was es schwierig macht, eine geschichtete Behandlungzu unterstützen 8. Das Komplikationsspektrum weist gleichzeitig vorhandene Hautverletzungen und physiologische Instabilität auf, und ein einzelner Wert reicht nicht aus, um Prozessprioritäten9 zu identifizieren.

Einige Studien haben Pflegemaßnahmen direkt als präoperative Prädiktoren behandelt, was leicht zu Zweckunstimmigkeiten und Informationslecks führt, was es schwierig macht, die Ergebnisse mit dem Zeitpunkt und der Intensität der Interventionen abzustimmen und eine ungünstige Qualitätsverbesserung nach der Risikoanpassung10 erschwert. Es fehlt an einem Bewertungsinstrument, das ein präoperatives Basisrisiko bereitstellt und das Risiko nach der Positionierung mit entsprechenden umsetzbaren Punkten aktualisiert. In dieser Studie, basierend auf einer retrospektiven Kohorte mit nur einem Zentrum, wurde ein pflegeprädiktives Bewertungsinstrument entwickelt; Vor der Operation wurde das Baseline-Risiko anhand von Variablen der Patienten- und chirurgischen Exposition geschätzt, und nach der Positionierung wurden modifizierbare Pflege-Elemente zur Risikoaktualisierung integriert. Strafregression wurde für die Variablenauswahl mit interner Validierung verwendet; Diskriminierung, Kalibrierung und Nettonutzen wurden bewertet; und ein Nomogramm sowie eine Schwellenwerte basierte Stratifizierung wurden zur Unterstützung der Pflegeentscheidungen erstellt, die eine Grundlage für Risikoanpassung und Qualitätsverbesserung bildeten.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese Studie umfasst frühere medizinische Unterlagen von Menschen sowie Anästhesie- und Pflegeakten. Die Studie wurde in Übereinstimmung mit den relevanten institutionellen Richtlinien durchgeführt, vom institutionellen Ethikausschuss geprüft und genehmigt (Run Run Shaw Hospital Ethics Review 2025 Research Nr. 2113), mit einem Verzicht auf schriftliche informierte Einwilligung; Alle Daten wurden vor dem Export freigegeben und ausschließlich für die Zwecke dieser Studie verwendet.

Diese Studie wurde gemäß der TRIPOD-Erklärung für die Entwicklung und interne Validierung von Multivariablen-Vorhersagemodellen berichtet; die vollständige TRIPOD-Checkliste ist in der ergänzenden Tabelle S1 bereitgestellt.

1. Forschungsdesign und Studienumgebung

  1. Definieren Sie das Studiendesign als eine ein-zentrische retrospektive Beobachtungsstudie unter Verwendung eines historischen Kohortendesigns. Setzen Sie den Studienzeitraum auf den 1. Januar 2021 bis zum 31. Dezember 2024.
  2. Das Studienziel wurde als Entwicklung eines pflegerischen Predictiv-Assessment-Tools für positionsbezogene Komplikationen im hybriden DSA-Operationssaal sowie die Durchführung interner Validierung und Leistungsbewertung festgelegt. Definieren Sie "Chirurgie" als Analyseeinheit und weisen Sie jeder Operation eine eindeutige Kennung zu (z. B. stationäre Nummer + Operationsdatum + Anästhesiebeginn).
  3. Wenn derselbe Patient mehrere zulässige Operationen hat, sollte nur der erste zulässige Operationsnachweis aufbewahrt werden. Definieren Sie "erste" als die geeignete Operation mit dem frühestmöglichen Beginn der Narkose oder Sedierung innerhalb des Untersuchungszeitraums.
  4. Definieren Sie den Startpunkt der Datenextraktion als den Zeitpunkt, zu dem der Patient den Operationssaal betritt und die Anästhesie oder Sedierung beginnt. Setzen Sie den Nachfolgeendpunkt postoperativ bei 72 Stunden fest und decken so das primäre Auftretensfenster positionsbezogener Komplikationen ab.
  5. Beschränken Sie den Studienbereich auf den hybriden DSA-Operationssaal und dokumentieren Sie, dass er mit einem Flachbild-System für digitale Subtraktionsangiographie und offener Chirurgie ausgestattet ist. Es wird festgehalten, dass die häufig verwendeten Positionen Rücken, Bauchlage und lateral liegen und dass die intraoperative Positionsanpassung durch die Bildgebungsgeräte, das sterile Feld und die Anordnung der Zugangswege begrenzt wird, was zu weniger Drehmöglichkeiten und einer relativ langen Betriebsdauer führt.

2. Studienpopulation, Fallscreening-Fluss und Stichprobengrößenstrategie

  1. Exportieren Sie alle "hybriden DSA-Operationssaal"-Einträge innerhalb des Studienzeitfensters aus dem aufeinanderfolgend registrierten OP-Register. Behalten Sie passende Felder wie den Verfahrenscode, die Operationssaal-Identifikator, das Operationsdatum, die stationäre Nummer und den Beginn der Anästhesie.
  2. Verwenden Sie die stationäre Nummer und das Operationsdatum für den ersten Treffer und führen Sie eine zweite Untersuchung unter Verwendung der Anästhesie-Startzeit und der Operationssaal-Identifikatorin durch. Wenn am selben Tag mehrere Anästhesiedaten für dieselbe stationäre Nummer existieren, sollten Sie vorzugsweise die mit einer einheitlichen Operationssaal-Identifikation und einer Anästhesie-Startzeit, die der Operationsregistrierung am nächsten liegt, abgleichen.
  3. Einschließlich stationärer erwachsener Patienten im Alter von ≥18 Jahren, deren Operationen im hybriden DSA-Operationssaal durchgeführt wurden und neurovaskuläre, kardiovaskuläre oder periphere vaskuläre interventionelle oder hybride Eingriffe waren. Bestätigen Sie, dass während der Operation Vollnarkose oder Sedierung verabreicht wurde, dass die medizinischen, anästhetischen, pflegerischen und pflegerischen Unterlagen vollständig sind und dass eine Nachsorge bis 72 Stunden postoperativ verfügbar ist.
  4. Fälle ausschließen, in denen das primäre Endergebnis bereits präoperativ vorhanden war, um einen von null verschiedenen Ausgangspunkt zu vermeiden. Es werden Fälle ausgeschlossen, in denen der Eingriff intraoperativ aus Gründen unterbrochen wurde, die nichts mit der Positionierung zu tun hatten, sodass eine weitere Untersuchung nicht möglich war, sowie Fälle, die innerhalb von 72 Stunden postoperativ aus dem Krankenhaus verlegt wurden, was zu einem unbestimmten Ergebnis führte.
  5. Bestimmen Sie die Schwelle für das Fehlen wichtiger Prädiktorvariablen, indem Sie den Anteil der Fehlen pro Fall über vordefinierte Schlüsselprädiktorvariablen berechnen und die Gründe für das Fehlen dokumentieren. Wenn der Fehlanteil eines Falls über diese wichtigen Prädiktorvariablen hinweg 30 % übersteigt, schließen Sie den Fall gemäß den vorgegebenen Regeln aus und dokumentieren Sie den Ausschlussgrund im Screening-Protokoll.
  6. Lassen Sie zwei Forscher unabhängig voneinander das Screening durchführen und Screening-Protokolle erstellen (einschließlich Ein- und Ausschluss und Gründen). Bei abweichenden Fällen sollte ein dritter Forscher zu den Originalakten zurückverfolgen, um zu entscheiden, und das Urteilungsprotokoll zur Rückverfolgbarkeit aufbewahren.
  7. Setzen Sie keine Obergrenze für die Stichprobengröße vor, sondern verfolgen Sie eine aufeinanderfolgende Allfall-Inklusionsstrategie. Die Steuerungsmodellkomplexität anhand der Anzahl der Ereignisse, wobei die Anzahl der letztlich in das Modell eingegebenen Parameter gemäß dem Prinzip von mindestens 15 Ereignissen pro Parameter bestimmt wird.

3. Untersuchung von Maßen und Variablendefinitionen

  1. Stellen Sie ein Variablenverzeichnis ein und geben Sie für jede Variable das Quellsystem, den Feldnamen, die Wertregeln und die temporale Reihenfolge an. Für kontinuierliche Variablen verwenden Sie den aktuellsten präoperativen Labor- oder Bewertungswert; Für chirurgische und anästhetische Variablen verwenden Sie den schlechtesten Wert, der über den gesamten Eingriff oder die kumulative Exposition aufgezeichnet wurde; Für Pflege- und Gerätevariablen verwenden Sie die tatsächliche intraoperative Implementierung. Definieren Sie vorab festgelegte Schwellenwerte und Kategoriengrenzwerte a priori gemäß klinisch gebräuchlichen Kriterien, perioperativer Pflege und Anästhesiepraxis sowie veröffentlichter Literatur. Wenn kein allgemein anerkannter Grenzwert verfügbar ist, verwenden Sie pragmatische Kategorien, um Aufzeichnung, Interpretation und klinische Anwendung zu erleichtern.
  2. Primäres Endpunkt: zusammengesetztes Ergebnis positionsbezogener Komplikationen
    1. Definieren Sie das primäre Endergebnis als ein zusammengesetztes Ergebnis von positionsbedingten Komplikationen, die von der intraoperativen bis 72 Stunden postoperativ auftreten. Wenn mehrere Komponentenereignisse im selben Fall auftreten, zählen Sie das zusammengesetzte Ergebnis nur einmal und notieren Sie den Zeitpunkt des Erstauftretens sowie alle Komponententypen für sekundäre Analysen.
    2. Definieren Sie eine neu einsetzende Verletzung im Stadium 2 oder mit höherem Druck oder eine Tiefengewebsverletzung innerhalb von 72 Stunden postoperativ als eines der Bestandteilsereignisse. Verwenden Sie das Formular zur Pflege-Hautbewertung, die Stadieneinteilung und die Pflegeunterlagen als Beweis und benötigen Sie Unterlagen, die auf bestimmte anatomische Stellen lokalisiert werden können.
    3. Definieren Sie periphere Nervenverletzung als das Auftreten von sensorischem Verlust, Taubheit oder verminderter Muskelkraft, die ≥24 Stunden andauert. Fordern Sie, dass die anatomische Verteilung mit dem Kontakt-/Traktionsbereich der Position zu diesem Zeitpunkt übereinstimmt, und verwenden Sie Fortschrittsnotizen oder Fachuntersuchungsunterlagen als Hauptbelege.
    4. Definieren Sie Gelenk- oder muskuloskelettale Verletzungen als lokalisierte Schmerzen, begleitet von positiven bildgebenden Befunden oder einer spezialisierten körperlichen Untersuchung, die auf Traktions- oder Kompressionsschäden hindeuten. Zeichnen Sie das Ergebnis der Bildgebungsmethode oder der Untersuchung auf und markieren Sie die positionsbezogenen Kraftanwendungspunkte.
    5. Definieren Sie positionsbedingte respiratorische oder hämodynamische Instabilitätsereignisse als Atemwegskompression, eingeschränkte Atmung oder eingeschränkte venöse Rückkehr, verursacht durch Positionierung, die eine Neupositionierung, Kompression, Vasopressor-Eskalation oder Unterbrechung des Eingriffs erfordert. Verwenden Sie Anästhesiesystem-Ereignisaufzeichnungen, Anästhesie-Aktenblätter sowie Pflege-/Arztunterlagen mit expliziten "positionsbezogenen" Beschreibungen und den entsprechenden Managementmaßnahmen als Beweis.
    6. Definieren Sie ein Hämatom mit einem Durchmesser von ≥5 cm auf der Punktionsseite oder ein Sickern, das eine zusätzliche Kompressionsfixierung erfordert, wobei Aufzeichnungen eine Verschärfung durch Positionsbeschränkungen als eines der Bestandteile anzeigen. Verwenden Sie Pflegeakten und Pflegestationsunterlagen innerhalb von 72 Stunden postoperativ als Beweismittel und dokumentieren Sie die zusätzlichen Managementmaßnahmen.
    7. Bestimmen Sie die Positionsrelevanz anhand von drei Kriterien: explizite Erwähnung der Positionsrelevanz in den Aufzeichnungen, anatomischer Stelle, die mit Positionsexpositionspunkten übereinstimmt, und das Fehlen einer überzeugenderen alternativen Ursache. Wenn es einen Attributionskonflikt zwischen Pflege- und Arztunterlagen gibt, priorisieren Sie die Originalunterlagen näher am Zeitpunkt des Ereignisses und lassen Sie zwei Schiedsrichter prüfen und einen Konsens erzielen.
  3. Definitionen von Prädiktorvariablen
    1. Definieren Sie Patientenniveau-Variablen wie Alter, Geschlecht, Body-Mass-Index, Diabetes mellitus, periphere Neuropathie, periphere Arterienerkrankung, chronische Nierenerkrankung Stadium ≥ 3, Herzinsuffizienz, Rauchstatus, präoperatives Albumin, präoperatives Hämoglobin, Charlson-Komorbiditätsindex und präoperativer Braden-Score. Definieren Sie "präoperativ" als den aktuellsten gültigen Eintrag vor dem Betreten des Operationssaals, innerhalb des routinemäßigen perioperativen Beurteilungsfensters des Krankenhauses.
    2. Definieren Sie Operations- und Anästhesie-Variablen wie folgt: Verfahrenskategorie, Anästhesietyp, Positionstyp, Kopf-Hals-Rotationswinkel, Abduktionswinkel der oberen Gliedmaßen, Abduktion oder Beugung der unteren Gliedmaßen > 45°, Operationsdauer, Fluoroskopie-Dauer, intraoperativer nicht-drehbarer Status, geschätzter Blutverlust, niedrigster MAP, kumulative Zeit mit MAP< 65 mmHg, niedrigste Kerntemperatur, Verwendung von vasoaktiven Substanzen und maximales Noradrenalinäquivalent. Klassifizieren Sie die Position als liegend/liegend/seitlich; Kopf-Hals-Drehung als ≤30°, 31–60° und >60° klassifizieren; Klassifizieren Sie die Abduktion der oberen Gliedmaßen als ≤90° und >90°.
    3. Exportieren Sie die MAP-Zeitreihe mit Zeitstempeln aus dem Anästhesie-Informationsmanagementsystem. Verwenden Sie die Zeitdifferenz zwischen benachbarten Datensätzen als Intervalllänge und addieren Sie die Dauern aller Intervalle mit MAP < 65 mmHg, um "MAP < 65 kumulative Zeit" zu erhalten; Wenn ein einzelnes Intervall fehlt oder die Lücke abnormal ist (z. B. >5 Minuten ohne vernünftige Erklärung), markieren Sie dieses Intervall als fehlend und beziehen Sie es nicht in die kumulative Gesamtsumme ein.
    4. Definieren Sie Pflege- und Geräteebene als Art der Tischpolsterung, ob der Schlüssel-Druckpunktschutz abgeschlossen wurde, ob die oberen Gliedmaßen an gepolsterten Armbrettern befestigt waren, ob der Kopf in einer neutralen Position gestützt war, Kategorie der Einstichstelle, Hüllengröße, Verweilzeit der Scheide, Methode der Sicherung/Verschluss der Stichstelle und Vollständigkeit der intraoperativen Positionskontrolldokumentation. Definieren Sie "Key Pressure-Point Protection completed" als abgeschlossen, wenn an allen vier Standorten – Occiput, Schulterblatt, Sacrococcygealregion und Fersen; ansonsten gilt es als nicht vollständig abgeschlossen.
    5. Notieren Sie, ob vasoaktive Stoffe verwendet wurden, und codieren Sie Nicht-Nutzer als "nicht verwendet". Für die Nutzer wird das maximale Noradrenalin-Äquivalent (μg/kg/min) notiert; An jedem Anästhesie-Rekordzeitpunkt berechnet man NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, wobei Noradrenalin, Adrenalin, Dopamin und Phenylephrin in μg/kg/min und Vasopressin in U/min exprimiert werden; ungenutzte Agenten zu einem bestimmten Zeitpunkt wurden über den intraoperativen Zeitraum als 0 und maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE) kodiert.
      HINWEIS: Die Umwandlungs- und Aggregationsregeln wurden im Voraus festgelegt und im Analyseskript implementiert.

4. Datenerhebung und Qualitätskontrolle

  1. Zwei Forscher, die für die Datenextraktion verantwortlich sind, einheitliche Schulungen anbieten und die Standard-Betriebsprozeduren (SOP) sowie das Variablenwörterbuch verteilen. Nach dem Training führen Sie eine Pilotextraktion mit kleinen Stichproben durch und überarbeiten Sie die Definitionen und Extraktionswege mehrdeutiger Felder.
  2. Demografie und Komorbiditäten aus der elektronischen Patientenakte, präoperativen Laborindikatoren aus dem Laborsystem, Vitalzeichen und Medikamente aus dem Anästhesiesystem, Positionierungs- und Pflegemaßnahmen aus dem Pflegesystem sowie fluoroskopiebezogene Informationen zur Dauer und Bildgebung aus PACS. Führen Sie systemübergreifende Abgleiche mit der stationären Nummer und dem Operationsdatum durch und bewahren Sie die Zuordnungsschlüssel sowie ein passendes Protokoll auf.
  3. Wenn Feldkonflikte auftreten, verfolgen Sie die ursprünglichen Papierunterlagen zurück und nehmen Sie die Papierunterlagen als Standard. Zeichnen Sie den Konflikttyp, den ursprünglichen Wert, den korrigierten Wert und die Beweisquelle in einem Konfliktbewältigungsprotokoll fest.
  4. Führen Sie eine doppelte Dateneingabe durch zwei Personen für alle Felder durch und erstellen Sie eine Abweichungsliste. Lass einen dritten Forscher jedes Element mit den Originaldatensätzen zur Beurteilung vergleichen und sperre die endgültige Datenbankversion für die Analyse.
  5. Erstelle eine Tabelle mit klinisch vernünftigen Werten für kontinuierliche Variablen und führe nach dem Import automatische Reichweitenprüfungen durch. Verfolgen Sie Werte außerhalb des Bereichs zurück zur Verifikation; falls nicht verifizierbar, setzen Sie sie auf fehlend und behalten Sie den ursprünglichen Wert zur Referenz bei.
  6. Führen Sie für die ersten 50 Fälle doppelte Extraktion durch und berechnen Sie die Konsistenz, wobei Cohen κ für kategoriale Variablen und ICC (Two-Way Random Effects, absolute Agreement) für stetige Variablen verwendet wird. Wenn κ 0,80 < oder ICC < 0,85, führen Sie Nachschulungen für die zugehörigen Variablen durch und prüfen Sie erneut, bis der Standard erreicht ist11.
  7. Berechnen Sie die Anzahl und den Anteil der fehlenden Fälle für jede Kandidat-Prädiktorvariable und erstellen Sie einen Fehlverhaltensbericht. Für wichtige Prädiktorvariablen mit einem Fehlanteil von nicht mehr als 30 % wird die Mehrfachimputation initiiert; Die primäre Ergebnisvariable wird nicht zugeschrieben.
  8. Details zur Implementierung mehrerer Imputationen durch Kettengleichungen (MICE)
    1. Fixieren Sie die Anzahl der imputierten Datensätze auf m = 10 und setzen Sie die Anzahl der Iterationen auf mindestens 20, um die Konvergenz zu fördern. Setzen Sie einen zufälligen Seed, um die Reproduzierbarkeit der Imputation sicherzustellen, und speichern Sie das Mäuseobjekt für die Auditierbarkeit.
    2. Verwenden Sie prädiktive Mittelwertanpassung (PMM) für kontinuierliche Variablen, um die Verteilungsform zu erhalten. Verwenden Sie logistische Regressionsimputation für binäre Variablen, multinomiale logistische Imputation für ungeordnete Mehrkategorievariablen und ordinale logistische Imputation für geordnete kategorische Variablen. In R wurden ungeordnete Mehrkategorievariablen definiert als nom_vars <- c("smoking_status", "procedure_category", "anesthesia_type",
      "position_type","table_padding_type","puncture_site_
      Kategorie","puncture_site_closure_method"), und geordnete kategoriale Variablen wurden definiert als ord_vars <- c("head_neck_rotation_cat","upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], Faktor); dat[ord_vars] <- lapply(dat[ord_vars], ordered); Meth < – Mäuse::make.method(dat); meth[sapply(dat, is.numeric)] <- "PMM"; meth[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"; Meth[nom_vars] < – "Polyreg"; Meth[ord_vars] <- "Polr"; und Meth[c("inpatient_number","surgery_id","Ergebnis")] <- "".
    3. Beziehen Sie alle Kandidatenprädiktorvariablen und die Ergebnisvariable in die Imputationsvorhersagematrix ein, um die Imputationsqualität zu verbessern, führen Sie jedoch Imputation nur für Prädiktorvariablen mit Fehlverhalten durch. Stellen Sie Identifikationsfelder, die nicht als Prädiktoren fungieren sollten (z. B. stationäre Nummer, eindeutige Operations-ID), so ein, dass sie nicht am Imputationsmodell teilnehmen, um das Einführen nicht-klinischer Informationen zu vermeiden. Um diesem Protokoll zu folgen, implementiere die Prädiktormatrix als pred <- mice::make.predictorMatrix(dat); Pred[,] <-1; Diag(Pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","Ergebnis"), ] <- 0; und pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","Ergebnis")), "Ergebnis"] <-1, sodass das Ergebnis nur als Hilfsprädiktor verwendet und nicht imputiert wird.
    4. Zeichnen Sie Iterations-Trace-Plots auf und prüfen, ob die Mittelwerte und Varianzen der wichtigsten stetigen Variablen stabil sind, um die Imputationskonvergenz zu bewerten. Die Imputation erfolgte als imp <- mice::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE); Die Konvergenz wurde mit Plot(IMP) und durch Überprüfung der Stabilität der Mittelwerte und Varianzen wichtiger kontinuierlicher Variablen über Iterationen hinweg bewertet.

5. Entwicklung des prädiktiven Bewertungsinstruments für die Pflege

  1. Vorverarbeitung und Codierung von Kandidatenvariablen
    1. Setze die Referenzstufe für die Verfahrenskategorie auf "neurovaskulär" und die Referenzebene für die Position auf "Rücken". Stellen Sie den Referenzpegel für die Kopf-Hals-Rotation auf "≤30°" und den Referenzpegel für die Abduktion der oberen Gliedmaßen auf "≤90°" ein. Setzen Sie die Referenzstufe für die Kategorie der Stichstelle auf "Radialarterie" und die Referenzstufe für die Methode der Punktstellenverschlussmethode auf "Gefäßverschlussgerät".
    2. Skaliere das Alter pro 10 Jahre, die Operationsdauer pro 60 Minuten, die Dauer der Fluoroskopie pro 10 Minuten, den geschätzten Blutverlust pro 100 ml, die Verweilzeit der Scheide pro 60 Minuten und die Größe der Scheide pro 1 Fr. Für Variablen, die als "je niedriger der Wert, desto höher das Risiko" (z. B. niedrigste Kerntemperatur, Albumin, Hämoglobin, Braden-Wert, niedrigster MAP) vermutet werden, wenden Sie eine Reversecodierung an, sodass die Regressions-OR die "Risikoerhöhung pro Einheitsabnahme" darstellt.
      HINWEIS: Umkehrkodierung kann implementiert werden, indem man das Negative der ursprünglichen Variable nimmt und mit der Einheit skaliert, zum Beispiel Temp_dec = -(Temp/0,5) oder Braden_dec = -(Braden/1), um die OR-Interpretationsrichtung konsistent zu halten.
  2. Univariable Analyse und Kandidatenvariablen-Screening
    1. Für jeden Kandidatenprädiktor wird ein univariables logistisches Regressionsmodell angepasst und der Wert OR, 95%-KI und P-Wert erfasst. Für kategoriale Variablen verwenden Sie Dummy-Codierung mit dem Referenzpegel und den Ausgabeeffektschätzungen jeder Ebene relativ zur Referenz.
    2. Verwenden Sie eingeschränkte kubische Splines, um die Linearität kontinuierlicher Variablen zu testen, wobei vier Knoten bei den Quantilen 5 %, 35 %, 65 % und 95 % platziert sind. Wenn der Test eine signifikante Nichtlinearität zeigt, behalte die gleiche Spline-Form im nachfolgenden mehrdimensionalen Modell bei.
    3. Nehmen wir die Vereinigung von "klinisch vordefinierten Variablen" und "Variablen mit Univariablen P<0,20" als die multivariable Kandidatenmenge12. Vergleichen Sie das Kandidatenset mit der Einschränkung der Anzahl der Ereignisse und behalten Sie bei Bedarf klinisch hochrelevante Variablen bevorzugt, um Überanpassungen zu kontrollieren.
  3. LASSO-Auswahl und Konstruktion des Hauptmodells
    1. Passe eine bestrafte logistische Regression (LASSO, alpha=1) auf die Kandidatenmenge an, mit Familie="binomial". Standardisiere kontinuierliche Variablen (standardize=TRUE), um eine faire Bestrafung über Variablen mit unterschiedlichen Skalen zu gewährleisten.
    2. Führe eine zehnfache Kreuzvalidierung 1.000 Mal durch, wobei jedes Mal zufällig Fold-Partitionen generiert werden und die Kreuzvalidierungsabweichung entsprechend lambda.min aufgezeichnet wird. Definieren Sie die Strafstärke als Median von lambda.min über die 1.000 Wiederholungen (oder äquivalent zum λ entsprechend der minimalen mittleren Abweichung) und verwenden Sie diese λ für die endgültige LASSO-Anpassung, um eine stabile Menge von Variablen mit von null verschiedenen Koeffizienten zu erhalten.
    3. Mit den von LASSO ausgewählten Variablen mit von null verschiedenen Koeffizienten kann das nicht bestrafte multivariable logistische Regressions-Hauptmodell in den vollständigen Datensatz eingefügt werden. Wenn Spline-Terme erhalten bleiben, passen Sie sie mit derselben Spline-Form in das Hauptmodell ein und notieren Sie die entsprechenden Koeffizienten oder Funktionsterme.
    4. Das Hauptmodell separat in die 10 imputierten Datensätze anpassen und Regressionskoeffizienten sowie Standardfehler extrahieren. Kombinieren Sie die Koeffizienten, Standardfehler und Konfidenzintervalle mit den Rubin-Regeln und melden Sie den gepoolten OR- und P-Wert.
  4. Risikobewertung, Nomogramm und Risikostratifizierung
    1. Skaliert die Regressionskoeffizienten des Hauptmodells linear zu ganzzahligen Punkten gemäß der Sullivan-Methode, wobei die Grundskalierung und Rundungsregeln festgelegt werden. Berechnen Sie die Gesamtpunktzahl und weisen Sie die Gesamtpunktzahl über die Logit-Funktion auf die vorhergesagte Wahrscheinlichkeit zu; Die Abbildungsformel muss mit dem Durchschnitt des Hauptmodells konsistent sein.
    2. Verwenden Sie das rms-Paket, um ein Nomogramm basierend auf dem Hauptmodell zu generieren und es als hochauflösendes Bild oder PDF zur Veröffentlichung zu exportieren. Wende versionsbasierte Dateinamen auf die Nomogramm-Ausgaben an, um Verwirrung durch spätere Änderungen zu vermeiden.
    3. Definiere die vorhergesagte Wahrscheinlichkeit <5 % als geringes Risiko, 5 % bis 14,9 % als mittleres Risiko und ≥15 % als hohes Risiko13. Richten Sie die Werkzeugausgaben auf zwei Formate fest – ein einseitiges Papierformular und einen elektronischen Taschenrechner – und beschränken Sie den Bewertungsprozess auf höchstens drei Schritte, um den klinischen Einsatz zu erleichtern.

6. Modellvalidierung und Leistungsbewertung

  1. Interne Validierung und Optimismuskorrektur
    1. Verwenden Sie den Bootstrap für die interne Validierung und stellen Sie die Anzahl der Resamples auf 1.000 ein, um stabile Schätzungen zu erhalten. Für jede Neustichprobe passt man das Modell in der Bootstrap-Probe neu an und berechnet Leistungsmetriken sowohl in der Bootstrap-Stichprobe als auch in der ursprünglichen Stichprobe, um den Optimismus zu schätzen.
    2. Definieren Sie Optimismus als den durchschnittlichen Unterschied zwischen der Leistung in der Bootstrap-Stichprobe und in der ursprünglichen Stichprobe. Optimismus wird von der scheinbaren Leistung abgezogen, um die korrigierte Leistung zu erhalten, und die optimisme-korrigierte AUC, den Kalibrierungsintercept, die Kalibrierungssteigung und den Brier-Wert gemeldet.
  2. Diskriminierung
    1. Zeichnen Sie ROC-Kurven auf und berechnen Sie den AUC als Maß für die Diskriminierung. Schätzen Sie den AUC und seinen 95%-KI mit der DeLong-Methode und führen Sie die Berechnungen mit denselben Vorhersageergebnissen (Wahrscheinlichkeiten) durch, um die Vergleichbarkeit sicherzustellen.
    2. Bei den vordefinierten Schwellenwerten (5 % und 15 %) werden Sensitivität, Spezifität, PPV und NPV berechnet. Für jede Schwelle geben Sie auch die Verwirrungsmatrixzählungen aus, um die Berechnung zu überprüfen.
  3. Kalibrierung und Gesamtfehler
    1. Ein Kalibrierungsmodell mit dem linearen Prädiktor des Modells (Logit) als unabhängige Variable anpassen; der Intercept zeigt systematische Verzerrung an, und die Steigung zeigt den Grad der Überanpassung an. Definieren Sie die ideale Kalibrierung als Intercept = 0 und Steigung = 1 und melden Sie die Metriken vor und nach der Korrektur.
    2. Berechnen Sie den Brier-Wert als Maß für den Gesamtfehler und zeichnen Sie Kalibrierungskurven mit Lössglättung entlang der 45°-Ideallinie auf. Der Brier-Wert wurde als Mittelwert((Ergebnis - predicted_probability)2) berechnet, und die Lössglättung wurde als Stat::loess(Ergebnis ~ predicted_probability, Spann = 0,75, Grad = 2, Familie = "gaussisch", Fläche = "direkt" umgesetzt).
  4. Klinischer Nettonutzen und Entscheidungskurven
    1. Verwenden Sie die Entscheidungskurvenanalyse, um den Nettonutzen über Schwellenwahrscheinlichkeiten von 2 % bis 25 % zu bewerten, und zeichnen Sie Treat-All- und Treat-None-Strategien als Referenzen dar. Setzen Sie die Schwellenstufe auf 0,01 fest und geben Sie sie explizit im Skript an, um die Reproduzierbarkeit sicherzustellen.
    2. Führen Sie eine Sensibilitätsanalyse des Nettonutzens rund um die niedrigen und hochrisken Schwellenwerte durch und dokumentieren Sie die Richtung der Auswirkungen von Schwellenwertänderungen auf den Nettonutzen. Präsentieren Sie die Ergebnisse der Sensitivitätsanalyse zusammen mit den vordefinierten Schwellenwerten, um deren Rationalität zu überprüfen.

7. Statistische Implementierung und reproduzierbarer Skript-Workflow

  1. Softwareumgebung und Projektinitialisierung
    1. Führen Sie Analysen in R 4.3.2 mit den Paketen pROC, rms, glmnet, mice und rmda durch.
    2. Setzen Sie einen festen zufälligen Seed (20250101) am Anfang des Skripts ein und speichern Sie Sitzungsinformationen, um die Softwareumgebung zu dokumentieren.
  2. Datenimport, Typeinstellungen und Qualitätskontrollen
    1. Importiere die Daten mit read.csv("data/analysis.csv") oder readr::read_csv(). Überprüfen Sie, ob die Zeilenzahl eins-zu-eins mit der eindeutigen Operationskennung übereinstimmt, und prüfen Sie auf doppelte IDs.
    2. Konvertiere kategoriale Variablen in Faktoren und verwende relevel(), um Referenzpegel so einzustellen, dass sie zum voreingestellten Schema passen. Halte stetige Variablen numerisch und wende vor der Modellierung Einheitsskalierung sowie Umkehrcodierung gemäß dem Preset an.
    3. Für kategoriale Variablen berechnen Sie Häufigkeiten und Prozentsätze; für kontinuierliche Variablen berechnen Sie den Mittelwert ± Standardabweichung oder Median [IQR]. Verwenden Sie grafische Methoden und shapiro.test(), um die Verteilungsform zu bewerten und den beschreibenden Ansatz entsprechend zu bestimmen.
  3. Fehlende Datenverarbeitung und multiple Imputation (m = 10)
    1. Berechnen Sie das Fehlensverhältnis für jede Variable und exportieren Sie es als Ausgabe/missing_report.csv. Bestätigen Sie, dass die Ergebnisvariable kein Fehlen aufweist, und schließen Sie die Strategie "Imputieren Sie nur Prädiktorvariablen, imputieren Sie nicht das Ergebnis."
    2. Verwenden Sie mäuse() mit m = 10 und maximal ≥ 20, um Kettengleichungen auszuführen, Imputationen durchzuführen und Imputationsmethoden entsprechend Variablentypen zu spezifizieren. Verwenden Sie complete(mids, action=k), um den k-ten abgeschlossenen Datensatz zu exportieren und als Data/imp_k.csv zu speichern.
    3. Plott (mitten), um die Stabilität der Spuren zu überprüfen, und vergleicht die Vor- und Nachimputationsverteilungen für wichtige stetige Variablen. Speichere die diagnostischen Diagramme zur Ausgabe/imputation_diagnostics.pdf zur Verifizierung.
  4. Univariable Regression, Spline-Tests und Erzeugung der Kandidatenmenge
    1. Passe die univariable logistische Regression in jeden imputierten Datensatz ein und verwende pool(), um Koeffizienten und Standardfehler zu kombinieren. Exportiere die OR-, 95%-KI- und P-Werte als Output/univariate_pool.csv für Kandidaten-Screening-Datensätze.
    2. Verwenden Sie das RMS-Paket rcs(), um Spline-Terme für stetige Variablen anzupassen und die nichtlinearen Terme zu testen. Setze die Anzahl und Standorte der Knoten fest und notiere sie in Skriptkommentaren, um Unterschiede zwischen den Läufen zu vermeiden.
    3. Nehmen Sie die Vereinigung klinisch vordefinierter Variablen und Variablen mit der Univariablen P<0,20 zur Erstellung der Kandidatenliste und speichern Sie sie als Output/candidate_list.txt. Überprüfen Sie, ob die Anzahl der Kandidaten und die Anzahl der Ereignisse die Komplexitätsbeschränkung erfüllen, und notieren Sie den endgültigen Variablensatz, der für LASSO verwendet wird.
  5. LASSO-Auswahl und Hauptmodellanpassung
    1. Verwenden Sie model.matrix(), um die Matrix der unabhängigen Variablen zu generieren und sicherzustellen, dass die Referenzniveaus korrekt sind. Verwenden Sie cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE), um eine zehnfache Kreuzvalidierung durchzuführen.
    2. Verwenden Sie eine Schleife, um zufällige Fold-Partitionen 1000x zu wiederholen, notieren Sie lambda.min und den Cross-Validierungsfehler für jeden Durchlauf und schreiben Sie sie zu Output/lasso_lambda_trace.csv. Nehmen Sie den Median der 1000 lambda.min-Werte als stabiles λ und passen glmnet auf den vollständigen Datensatz mit diesem λ an, um die Variablen mit von Null verschiedenen Koeffizienten zu erhalten.
    3. In den 10 imputierten Datensätzen wird das Hauptmodell glm(family=binomial) mit den ausgewählten Variablen angepasst. Kombiniere β, SE, OR und 95%-KI mit Rubins Regeln und speichere die Ergebnisse als Output/multivariable_pool.csv.
  6. Ergebnisse: Score-Transformation, Nomogramm und Risikostratifizierung
    1. Rechnen Sie β gemäß einer festen Skala in ganzzahlige Punkte um und bilden Sie die Gesamtpunktzahl mit derselben Skala auf Logit und Wahrscheinlichkeit zurück. Stichproben werden mehrere Fälle zufällig ausgewählt, um die "ursprüngliche Modellwahrscheinlichkeit" mit der "score-umgewandelten Wahrscheinlichkeit" zu vergleichen und sicherzustellen, dass der Fehler im voreingestellten akzeptablen Bereich liegt.
    2. Verwenden Sie das RMS-Paket, um das Nomogramm zu erstellen und es als Output/nomogram.pdf zu exportieren. Exportieren Sie das Ergebnisblatt als Ausgabe-/score_sheet.xlsx- oder gleichwertige Formate, um die Erstellung eines einseitigen Papierformulars zu erleichtern.
    3. Führen Sie eine Schichtung mit den 5%- und 15%-Schwellenwerten durch und geben Sie die Anzahl der Fälle sowie die beobachtete Inzidenz in jeder Schicht aus. Exportiere Se, Sp, PPV und NPV an den Schwellenwerten als Output/threshold_metrics.csv für die spätere Präsentation.
  7. Interne Validierungs-, Kalibrierungs- und Entscheidungskurven
    1. Stellen Sie die Anzahl der Bootstrap-Neuproben auf 1.000 ein und führen Sie bei jeder Neuprobe eine Neuanpassung und Vorhersage durch, wobei AUC, Brier-Score, Kalibrierungsintercept und Kalibrierungssteigung berechnet werden. Schreiben Sie die optimistisch korrigierten Ergebnisse als Output/bootstrap_corrected_metrics.csv und bewahren Sie eine Zusammenfassung der Zwischenergebnisse für jede Neustichprobe für die Prüfung auf.
    2. Verwenden Sie das pROC-Paket roc() und auc(), um die AUC zu berechnen, und verwenden Sie ci.auc(method="delong"), um das 95%-CI auszugeben. Speichere die ROC-Kurve als Ausgabe/roc_curve.png und korrigiere Auflösung und Größe im Skript.
    3. Verwenden Sie das RMDA-Paket, um den Nettonutzen zu berechnen und DCA-Kurven über den Schwellenbereich von 2 % bis 25 % zu zeichnen. Exportiere die Abbildung als Ausgabe/dca_curve.png und fixiere die Schwellenstufe und die Kurvenbezeichnungen, um die Reproduzierbarkeit zu gewährleisten.
  8. Sensitivitätsanalysen
    1. Ersetzen Sie das Ergebnis durch "Druckverletzungsstufe ≥3" und wiederholen Sie den Imputations-, LASSO-Auswahl-, Hauptmodellanpassung und Leistungsbewertungs-Workflow. Geben Sie die Leistungskennzahlen zusammen mit der Hauptanalyse aus, um die Robustheit zu bewerten.
    2. Ersetzen Sie die Hypotonie-Expositionsvariable durch "kumulative Zeit mit MAP<60 mmHg" und wiederholen Sie den vollständigen Modellierungs- und Validierungsworkflow. Vergleichen Sie Koeffizientenrichtungen und Änderungen in AUC, Brier-Score und Kalibrierungsmetriken, um die Empfindlichkeit gegenüber der Schwellenwerte zu testen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Untersuchungspopulations- und Ausgangsmerkmale
Nach den vordefinierten Kriterien wurden 3.274 Patientenakten aus dem hybriden DSA-Operationssaal identifiziert, und 1.936 (59,1 %) erfüllten die Einschlusskriterien und nahmen an der Modellentwicklung und -validierung teil (Abbildung 1). Die eingeschriebenen Patienten hatten ein Alter von 66,82 ± 11,94 Jahren; Männer machten 61,16 % aus; Der BMI betrug (24,73 ± 3,89) kg/m2; Diabet...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Im hybriden DSA-Operationssaal umfassen positionsbedingte Komplikationen koexistierende Haut- und Weichteilverletzungen sowie durch Positionierung induzierte respiratorische und hämodynamische Instabilität, was darauf hindeutet, dass die Positionssicherheit nicht nur eine Frage des lokalen Drucks ist, sondern auch die gesamte physiologische Toleranz des Körpers widerspiegelt. Risikodeterminanten ergeben sich aus der Verwundbarkeit des Patienten und der chirurgischen Exposition. Ein fortg...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass sie keine Interessenkonflikte haben.

Danksagungen

Die Autoren möchten allen Kollegen und Mitarbeitern danken, die zu dieser Studie beigetragen haben, aber nicht als Autoren aufgeführt sind.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Anästhesie-InformationsmanagementsystemInstitutionelle QuelleN/AQuelle der intraoperativen Vitalzeichen, vasoaktive Substanzen, MAP-Zeitreihen und Anästhesieaufzeichnungen.
Elektronisches PatientenaktensystemInstitutionelle QuelleN/AQuelle der Demografie, Komorbiditäten, operativen Unterlagen und nachsorglicher klinischer Dokumentation.
glmnetCRANN/AR-Paket, das für penalisierte logistische Regression und die Auswahl von LASSO-Variablen verwendet wird.
Hybrider Operationssaal für digitale SubtraktionsangiographieInstitutionelle QuelleN/ALernumgebung für alle eingeschlossenen Verfahren; ausgestattet für interventionelle Bildgebung und offene Operationen.
LaborinformationssystemInstitutionelle QuelleN/AQuelle präoperativer Laborindikatoren, einschließlich Albumin und Hämoglobin.
MäuseCRANN/AR-Paket, das für mehrfache Imputationen mittels verketteter Gleichungen verwendet wird.
PflegeinformationssystemInstitutionelle QuelleN/AQuelle der Positionierungen, Druckpunktschutz, intraoperative Positionskontrollen und postoperative Pflegedokumentation.
Bildarchivierungs- und Kommunikationssystem (PACS)Institutionelle QuelleN/AQuelle der Fluoroskopie-Dauer und bildgebende Informationen.
pROCCRANN/AR-Paket, das für ROC-Analyse, AUC-Schätzung und DeLong-Konfidenzintervalle verwendet wird.
RR-Stiftung für statistische BerechnungN/AStatistische Analyse-Softwareumgebung.
RMDACRANN/AR-Paket, das für die Analyse von Entscheidungskurven verwendet wird.
RMSCRANN/AR-Paket, das für Regressionsmodellierungsstrategien, Spline-Funktionen und Nomogrammkonstruktion verwendet wird.

Referenzen

  1. Jeon, H. J., et al. Four-year experience using an advanced interdisciplinary hybrid operating room: potentials in treatment of cerebrovascular disease. J Korean Neurosurg Soc. , (2019).
  2. Hara, T., Ozawa, A., Shibutani, K., et al. Practical guide for safe sedation. J Anesth. , (2023).
  3. Gharios, M., El-Hajj, V. G., Frisk, H., et al. The use of hybrid operating rooms in neurosurgery, advantages, disadvantages, and future perspectives: a systematic review. Acta Neurochir (Wien). , (2023).
  4. Spruce, L. Positioning the patient. AORN J. , (2021).
  5. Mahendru, K., Kumar, A., Bhargava, T. Patient positioning under anesthesia during COVID-19 pandemic: foresight risks to prepare, plan and execute. Trends Anaesth Crit Care. , (2021).
  6. Cai, J., Huang, X., He, L. An evidence-based general anaesthesia and prone position nursing checklist: development and testing. Nurs Open. , (2023).
  7. Chen, Y., Wang, W., Qian, Q., Wu, B. Comparison of four risk assessment scales in predicting the risk of intraoperative acquired pressure injury in adult surgical patients: a prospective study. J Int Med Res. , (2023).
  8. Xu, Y., et al. Prediction models for intraoperative acquired pressure injury of adults: a systematic review and critical appraisal. Adv Wound Care (New Rochelle). , (2026).
  9. Patterson, H., et al. Patient positioning and its impact on perioperative outcomes in children: a narrative review. Paediatr Anaesth. , (2024).
  10. van Geloven, N., et al. Prediction meets causal inference: the role of treatment in clinical prediction models. Eur J Epidemiol. , (2020).
  11. Huang, J., et al. Development and validation of a nomogram for predicting critical respiratory events during early anesthesia recovery in elderly patients. BMC Med Inform Decis Mak. , (2024).
  12. Kim, E. M., Li, G., Kim, M. Development of a risk score to predict postoperative delirium in patients with hip fracture. Anesth Analg. , (2020).
  13. Bing, R., et al. Validation of European Society of Cardiology pre-test probabilities for obstructive coronary artery disease in suspected stable angina. Eur Heart J Qual Care Clin Outcomes. , (2020).
  14. Vickers, A. J., van Calster, B., Steyerberg, E. W. A simple, step-by-step guide to interpreting decision curve analysis. Diagn Progn Res. , (2019).
  15. Pressure injury prevention: AORN guideline takeaways for perioperative nurses. , Association of periOperative Registered Nurses. (2024).
  16. Peterson, L. Intraoperative pressure injury prevention. Nurs Clin North Am. , (2025).
  17. Dhoon, T. Q., Vakharia, S., Villaluz, E., Morrison, D. E. The underappreciated dangers of the prone position. , Anesthesia Patient Safety Foundation. (2024).
  18. Bentsen, S. B., et al. Patient positioning on the operating table and patient safety: a systematic review and meta-analysis. J Adv Nurs. , (2025).
  19. Esposito, D., et al. Hybrid operating room applications in the increasingly complex endovascular era: the trump card of modern vascular surgery. Ann Surg Treat Res. , (2021).
  20. Keller, B. P. J. A., van Overbeeke, J., van der Werken, C. Interface pressure measurement during surgery: a comparison of four operating table surfaces. J Wound Care. , (2006).
  21. Four ways to improve intraoperative patient safety with positioning assessments. , Association of periOperative Registered Nurses. (2024).
  22. Wang, J., et al. Early mobilization after cardiac catheterization via femoral artery: a systematic review and meta-analysis. Rev Cardiovasc Med. , (2024).
  23. Kimsey, D. B. A change in focus: shifting from treatment to prevention of perioperative pressure injuries. AORN J. , (2019).
  24. Fulbrook, P., et al. Use of a risk-based intervention bundle to prescribe and implement interventions to prevent pressure injury: an observational study. J Adv Nurs. , (2025).
  25. Kim, M., Park, S., Kim, C., Choi, M. Diagnostic accuracy of clinical outcome prediction using nursing data in intensive care patients: a systematic review. Int J Nurs Stud. , (2023).
  26. Shickel, B., et al. Dynamic predictions of postoperative complications from explainable, uncertainty-aware, and multi-task deep neural networks. Sci Rep. , (2023).
  27. Lee, J. H., et al. Development of a pressure injury machine learning prediction model and integration into clinical practice: a prediction model development and validation study. Korean J Adult Nurs. , (2024).
  28. Bedford, J. P., Redfern, O. C., O’Brien, B., Watkinson, P. J. Perioperative risk scores: prediction, pitfalls, and progress. Curr Opin Anaesthesiol. , (2025).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Pr diktives Pflege ToolHybrid OPpositionsbedingte KomplikationenRisikostratifizierunglogistische ModellierungErstellung eines NomogrammsDruckpunktpr ventionintraoperative Positionskontrollen

Verwandte Artikel