Artículo de método

Una herramienta predictiva de enfermería para la seguridad del posicionamiento del paciente en quirófanos de angiografía digital híbrida

75 vistas

⸱

DOI:

10.3791/70751

⸱

5 de junio de 2026

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

En este artículo

Resumen

Un estudio retrospectivo monocéntrico desarrolló y validó internamente una herramienta de predicción de enfermería por etapas que combina el riesgo quirúrgico inicial del paciente con procesos de cuidados perioperatorios modificables para apoyar la evaluación preoperatoria y las actualizaciones de riesgos post-posicionamiento para complicaciones relacionadas con la posición en un quirófano de angiografía digital híbrida por resta.

Resumen

El objetivo de este estudio fue desarrollar y validar internamente una herramienta de evaluación predictiva de enfermería que actualiza la fase y se basa en el riesgo inicial entre paciente y en los procesos de enfermería modificables para su uso antes de la cirugía y después de su colocación en el quirófano de angiografía digital híbrida. Esta cohorte retrospectiva monocéntrica incluyó adultos hospitalizados que se sometieron a su primer procedimiento en el quirófano híbrido, con cirugía como unidad de análisis y seguimiento hasta 72 horas postoperatorias. El resultado fue un desenlace compuesto de complicaciones relacionadas con la posición.

Los datos predictores faltantes se manejaron mediante imputación múltiple (m = 10), y la consistencia de extracción se evaluó con Cohen κ y coeficientes de correlación intraclase. Las variables candidatas de cribado univariable más variables preespecificadas entraron en la reducción mínima absoluta y la regresión del operador de selección, seguidas de modelado logístico multivariable y construcción de nomogramas con estratificación de riesgo basada en umbrales. El rendimiento del modelo se evaluó por área bajo la curva, intersección y pendiente de calibración, puntuación Brier, validación interna bootstrap y análisis de curva de decisión.

Se analizaron un total de 1.936 casos, y el resultado compuesto se produjo en el 10,23%. La ausencia máxima de variables clave fue del 3,25%, y la consistencia de extracción fue buena (κ ≥ 0,86, coeficiente de correlación intraclase ≥ 0,89). Se mantuvieron doce predictores; La protección por puntos de presión y las comprobaciones intraoperatorias de posición fueron protectoras (razón de probabilidades 0,68–0,71). El modelo base tenía un área bajo la curva de 0,74/0,72 (aparente/corregido), y el modelo completo alcanzó 0,79/0,77. La pendiente de calibración corregida por optimismo fue de 0,947, la intercepción de 0,004 y la puntuación del Brier de 0,085.

Esta herramienta mostró una discriminación estable, calibración y beneficio neto en la validación interna. Las variables del proceso de enfermería aportan valor, y la herramienta puede soportar la evaluación preoperatoria y la actualización de riesgos post-posicionamiento, pendiente de validación externa.

Introducción

El quirófano híbrido de angiografía digital por sustracción (DSA) integra la imagen intervencionista con cirugía abierta y sirve como plataforma para el manejo de enfermedades vasculares complejas y emergenciascríticas. La cadena procedimental es más larga, muchos pacientes son ancianos y la anestesia general o la sedación disminuyen los reflejos protectores y el ajusteespontáneo 2. Limitados por el brazo C, el campo estéril y la disposición de las rutas de acceso, las oportunidades para girar el cuerpo y aliviar presión se reducen una vez fijada la posición, mientras que la exposición a presión sostenida y estiramiento/tracción aumenta3. Los procedimientos híbridos concurrentes reducen aún más las ventanas de ajuste, y la gestión del posicionamiento depende más de la coordinación del equipo. Las complicaciones relacionadas con la posición incluyen lesiones por presión, lesiones nerviosas periféricas y musculoesqueléticas, y también pueden presentarse como fluctuaciones respiratorias y hemodinámicas inducidas por la posición, afectando la recuperaciónpostoperatoria 4,5.

El equipo de enfermería tiene la responsabilidad clave de la posición, la protección de puntos de presión, la aseguración de accesos, la comprobación intraoperatoria de la posición y la observación postoperatoria; La identificación temprana del riesgo posicional y la intervención precisa son temas centrales en la gestión de enfermería, con una mayor necesidad de verificación y documentación estandarizadas y basadas enprocesos 6. Las evaluaciones de riesgo perioperatorio existentes se basan principalmente en escalas genéricas preoperatorias o se centran en un único resultado7. Gran parte de la evidencia proviene del quirófano o sala de intervenciones y no cubre las exposiciones compuestas en el quirófano híbrido de DSA, como la incapacidad prolongada para girar, fluctuaciones en la perfusión y la temperatura, y la permanencia de la vaina con fijación por compresión. Herramientas como Braden enfatizan la tolerancia cutánea, pero no son adecuadas para caracterizar factores específicos como la posición prona y la exposición acumulada a la hipotensión, lo que dificulta el soporte para un manejoestratificado 8. El espectro de complicaciones incluye lesiones cutáneas coexistentes e inestabilidad fisiológica, y una sola puntuación no es suficiente para identificar las prioridades delproceso 9.

Algunos estudios han tratado directamente las medidas de enfermería como predictores preoperatorios, lo que conduce fácilmente a desajustes de propósito y fuga de información, dificultando que los resultados se ajusten al momento e intensidad de las intervenciones y mejora desfavorable de la calidad tras el ajustede riesgo 10. Falta una herramienta de evaluación que proporcione un riesgo base preoperatorio y actualice el riesgo tras la colocación, con los correspondientes elementos accionables. En este estudio, basado en una cohorte retrospectiva de un solo centro, se desarrolló una herramienta de evaluación predictiva de enfermería; Antes de la cirugía, se estimó el riesgo basal utilizando variables de exposición del paciente y quirúrgico, y tras la posición, se incorporaron elementos modificables de enfermería para actualizar el riesgo. Se utilizó regresión penalizada para la selección de variables con validación interna; se evaluaron la discriminación, la calibración y el beneficio neto; y se produjo un nomograma y una estratificación basada en umbrales para el apoyo a la decisión en enfermería, proporcionando una base para el ajuste de riesgos y la mejora de la calidad.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio incluye los historiales médicos previos de los sujetos humanos y datos de anestesia y registros de enfermería. El estudio se llevó a cabo en cumplimiento de las directrices institucionales pertinentes, revisado y aprobado por el comité de ética institucional (Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), con una renuncia al consentimiento informado por escrito; Todos los datos fueron desidentificados antes de la exportación y utilizados únicamente para los fines de este estudio.

Este estudio se informó de acuerdo con la declaración TRIPOD para el desarrollo de modelos de predicción multivariables y la validación interna; la lista completa de TRIPOD se proporciona en la Tabla Suplementaria S1.

1. Diseño de investigación y entorno de estudio

  1. Defina el diseño del estudio como un estudio observacional retrospectivo de un solo centro utilizando un diseño histórico de cohortes. Fija el plazo de estudio del 1 de enero de 2021 al 31 de diciembre de 2024.
  2. Establecer el objetivo del estudio en desarrollar una herramienta de evaluación predictiva de enfermería para complicaciones relacionadas con el puesto en el quirófano híbrido de DSA y realizar validación interna y evaluación del rendimiento. Define "cirugía" como la unidad de análisis y asigna a cada cirugía un identificador único (por ejemplo, número de pacientes hospitalizados + fecha de la cirugía + hora de inicio de la anestesia).
  3. Cuando el mismo paciente tiene varias cirugías elegibles, conserva solo el primer registro de cirugía elegible. Define "primero" como la cirugía elegible con la hora de inicio de anestesia o sedación más temprana dentro del periodo de estudio.
  4. Define el punto de inicio de la extracción de datos como el momento en que el paciente entra en el quirófano y comienza la anestesia o sedación. Fijar el punto final de seguimiento a las 72 horas postoperatorias, cubriendo así la ventana de aparición primaria de complicaciones relacionadas con la posición.
  5. Limita el entorno del estudio al quirófano híbrido de DSA y documenta que está equipado con un sistema de angiografía digital de restracción de pantalla plana y capacidad de cirugía abierta. Anota que las posiciones más utilizadas son supinas, pronas y laterales, y que el ajuste intraoperatorio está limitado por el equipo de imagen, el campo estéril y la disposición de las rutas de acceso, lo que resulta en menos oportunidades de girar y una duración operatoria relativamente prolongada.

2. Población del estudio, flujo de cribado de casos y estrategia de tamaño de muestra

  1. Exporta todas las entradas de cirugía "sala de operaciones híbridas DSA" dentro de la ventana de tiempo de estudio desde el registro registrado consecutivamente del quirófano. Conserva campos coincidentes como el código del procedimiento, identificador del quirófano, fecha de la cirugía, número de hospitalización y hora de inicio de la anestesia.
  2. Utilice el número de ingreso y la fecha de la cirugía para la coincidencia inicial, y realice una segunda comprobación usando la hora de inicio del quirófano y el identificador del quirófano. Si existen varios registros de anestesia el mismo día para el mismo número de hospitalización, preferencialmente coincide con el que tenga un identificador de quirófano consistente y una hora de inicio de anestesia más cercana a la hora de registro de la cirugía.
  3. Incluir pacientes adultos hospitalizados de ≥18 años cuyas cirugías se realizaron en el quirófano híbrido de la DSA y fueron procedimientos intervencionistas o híbridos neurovasculares, cardiovasculares o vasculares periféricos. Confirmar que se administró anestesia general o sedación durante la cirugía, que la documentación médica, de anestesia y de enfermería está completa, y que hay un seguimiento hasta 72 horas postoperatorio disponible.
  4. Excluir los casos en los que el evento de resultado principal ya estaba presente antes de la operación para evitar una línea base distinta de cero para el resultado. Excluyan los casos en los que el procedimiento se interrumpió intraoperatoriamente por razones no relacionadas con la posición, de modo que no fue posible una evaluación adicional, así como los casos trasladados fuera del hospital en un plazo de 72 horas postoperatorias, lo que llevó a un resultado indeterminado.
  5. Determinar el umbral de falta de variables predictoras clave calculando la proporción de ausencia para cada caso entre variables predictoras clave predefinidas y registrar las razones de la ausencia. Si la proporción de ausencia de un caso entre estas variables predictoras clave supera el 30%, excluye el caso según las reglas predefinidas y documenta el motivo de la exclusión en el registro de filtrado.
  6. Que dos investigadores realicen el cribado de forma independiente y generen registros de cribado (incluyendo inclusión/exclusión y motivos). Para casos discrepantes, un tercer investigador rastree los registros originales para su adjudicación y conserve el registro de adjudicación para su trazabilidad.
  7. No predefinas un límite superior para el tamaño de la muestra, adoptando una estrategia de inclusión consecutiva en todos los casos. Controla la complejidad del modelo por el número de eventos, determinando el número de parámetros que finalmente se introducen en el modelo según el principio de al menos 15 eventos por parámetro.

3. Estudiar medidas y definiciones de variables

  1. Establece un diccionario de variables y especifica para cada variable el sistema fuente, el nombre del campo, las reglas de valor y la secuencia temporal. Para variables continuas, utilice el valor preoperatorio más reciente de laboratorio o evaluación; para variables quirúrgicas y anestésicas, se utiliza el peor valor registrado durante todo el procedimiento o exposición acumulada; Para variables de enfermería y de dispositivo, utiliza la implementación intraoperatoria real. Definir umbrales predefinidos y cortes de categoría a priori según criterios clínicamente comúnmente utilizados, la práctica de enfermería perioperatoria y anestesia, y la literatura publicada. Cuando no existe un único límite ampliamente aceptado, se utilizan categorías pragmáticas para facilitar el registro, la interpretación y la aplicación clínica.
  2. Resultado principal: resultado compuesto de complicaciones relacionadas con la posición
    1. Defina el resultado primario como un resultado compuesto de complicaciones relacionadas con la posición que ocurren desde la intraoperación hasta las 72 horas postoperatorias. Si ocurren eventos de varios componentes en el mismo caso, contar el resultado compuesto una sola vez y registrar la hora de la primera aparición y todos los tipos de componentes para análisis secundarios.
    2. Define la lesión de nuevo inicio en estadio 2 o de presión superior, o lesión de tejido profundo en un plazo de 72 horas posoperatorias como uno de los eventos componentes. Utiliza el formulario de evaluación cutánea de enfermería, la etapa y los registros de enfermería como prueba, y exige registros que puedan localizarse en sitios anatómicos específicos.
    3. Define la lesión nerviosa periférica como la ocurrencia de pérdida sensorial, entumecimiento o disminución de la fuerza muscular que dura ≥24 horas. Exigir que la distribución anatómica sea consistente con el área de contacto/tracción de la posición en ese momento, y utilizar notas de progreso o registros de evaluación especializada como evidencia principal.
    4. Define la lesión articular o musculoesquelética como dolor localizado acompañado de hallazgos positivos por imagen o hallazgos del examen físico especializado que sugieren lesión por tracción/compresión. Registra la modalidad de imagen o la conclusión del examen, y marca los puntos de aplicación de la fuerza relacionados con la posición.
    5. Define los eventos de inestabilidad respiratoria o hemodinámica relacionados con la posición como compresión de las vías respiratorias, respiración restringida o retorno venoso restringido causados por posicionamientos que requieren reposicionamiento, compresión, escalada vasopresora o interrupción del procedimiento. Utiliza los registros de eventos del sistema de anestesia, hojas de registros de anestesia y registros de enfermería/médico que contienen descripciones explícitas "relacionadas con la posición" y las correspondientes medidas de manejo como evidencia.
    6. Definamos un hematoma con un diámetro de ≥5 cm en el lado de la punción o que supura que requiere fijación adicional por compresión, con registros que indican agravación relacionada con restricciones posicionales, como uno de los eventos componentes. Utiliza los registros de enfermería y los registros de la sala médica en un plazo de 72 horas postoperatorias como evidencia, y anota las medidas adicionales de manejo.
    7. Determinar la relevancia posicional según tres criterios: mención explícita de la relevancia posicional en los registros, sitio anatómico compatible con puntos de exposición posicional y ausencia de una causa alternativa más convincente. Si hay un conflicto de atribución entre los registros de enfermería y los médicos, prioriza el registro original más cerca del momento del evento y haz que dos adjudicadores revisen y lleguen a un consenso.
  3. Definiciones de variables predictoras
    1. Definan variables a nivel de paciente como edad, sexo, índice de masa corporal, diabetes mellitus, neuropatía periférica, enfermedad arterial periférica, enfermedad renal crónica estadio ≥ 3, insuficiencia cardíaca congestiva, estado tabálico, albúmina preoperatoria, hemoglobina preoperatoria, índice de comorbilidad de Charlson y puntuación de Braden preoperatoria. Define "preoperatorio" como el registro válido más reciente antes de ingresar en quirófano, dentro del periodo rutinario de evaluación perioperatoria del hospital.
    2. Definir variables a nivel de cirugía y anestesia como categoría de procedimiento, tipo de anestesia, tipo de posición, ángulos de rotación cabeza-cuello, ángulos de abducción de la extremidad superior, abducción o flexión de la extremidad inferior > 45°, duración operatoria, duración de fluoroscopia, estado no rotable intraoperatorio, pérdida de sangre estimada, MAP más bajo, tiempo acumulado con MAP< 65 mmHg, temperatura central más baja, uso de agentes vasoactivos y máximo equivalente a noradrenalina. Clasifica la posición como supina/prono/lateral; clasificar la rotación cabeza-cuello en ≤30°, 31–60° y >60°; Clasificar la abducción de las extremidades superiores en ≤90° y >90°.
    3. Exporta la serie temporal MAP con marcas temporales desde el sistema de gestión de información anestesiosa. Utiliza la diferencia de tiempo entre registros adyacentes como la longitud del intervalo y suma las duraciones de todos los intervalos con MAP < 65 mmHg para obtener "MAP < 65 tiempo acumulado"; Si falta un solo intervalo o el hueco es anormal (por ejemplo, >5 minutos sin una explicación razonable), marca ese intervalo como ausente y no lo incluyas en el total acumulado.
    4. Definir variables a nivel de enfermería y dispositivo como tipo de acolchado de mesa, si se completó la protección clave en puntos de presión, si las extremidades superiores estaban aseguradas a tablas acolchadas de los brazos, si la cabeza estaba apoyada en posición neutral, categoría de lugar de punción, tamaño de la vaina, tiempo de permanencia en la vaina, método de aseguración/cierre del punto de punción y exhaustividad de la documentación de comprobación de posición intraoperatoria. Definir "protección clave en puntos de presión completada" como completada cuando hay registros de protección en los cuatro sitios: occipital, escápulas, región sacrococcígea y talones; de lo contrario, se considera no completamente terminado.
    5. Registrar si se han utilizado agentes vasoactivos y codificar a los no usuarios como "no utilizados". Para los usuarios, registrar el equivalente máximo de noradrenalina (μg/kg/min); en cada momento de registro de anestesia, se calcula NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, donde la noradrenalina, la epinefrina, la dopamina y la fenilefrina se expresan en μg/kg/min y la vasopresina en U/min; los agentes no utilizados en un momento dado se codificaban como 0, y maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE) durante el periodo intraoperatorio.
      NOTA: Las reglas de conversión y agregación se fijaron de antemano e implementaron en el script de análisis.

4. Recogida de datos y control de calidad

  1. Proporcionar formación uniforme a dos investigadores responsables de la extracción de datos y distribuir los procedimientos operativos estándar (SOP) y el diccionario de variables. Tras la formación, realiza una extracción piloto de muestra pequeña y revisa las definiciones y rutas de extracción de campos ambiguos.
  2. Extraer datos demográficos y comorbilidades del historial médico electrónico, indicadores preoperatorios de laboratorio del sistema de laboratorio, signos vitales y medicamentos del sistema anestésico, medidas de posicionamiento y enfermería del sistema de enfermería, e información de duración e imagen relacionada con fluoroscopia de PACS. Realiza la comparación entre sistemas usando el número de paciente hospitalario y la fecha de la cirugía, y conserva las claves coincidentes y un registro de coincidencia.
  3. Cuando ocurran conflictos de campo, rastrea hasta los registros originales en papel y toma los registros en papel como estándar. Registra el tipo de conflicto, el valor original, el valor corregido y la fuente de evidencia en un registro de gestión de conflictos.
  4. Realizar una doble introducción de datos por dos personas para todos los campos y generar una lista de discrepancias. Haz que un tercer investigador compare cada elemento con los registros originales para su adjudicación y bloquee la versión final de la base de datos para su análisis.
  5. Establecer una tabla de rangos clínicamente razonables para variables continuas y realizar comprobaciones automáticas de rangos tras la importación. Rastrear valores fuera de rango para verificación; si no es verificable, ponlas en falta y conserva el valor original para referencia.
  6. Realizar la extracción duplicada para los primeros 50 casos y calcular la consistencia, usando Cohen κ para variables categóricas e ICC (efectos aleatorios bidireccionales, acuerdo absoluto) para variables continuas. Si κ < 0,80 o ICC < 0,85, realizar reentrenamiento para las variables relacionadas y volver a auditar hasta que se cumpla el estándar11.
  7. Calcula el número y la proporción de casos perdidos para cada variable predictora candidata y genera un informe de ausencia. Para variables predictoras clave con una proporción de ausencia que no exceda el 30%, inicia la imputación múltiple; la variable de resultado primaria no se imputará.
  8. Detalles de implementación de la imputación múltiple mediante ecuaciones encadenadas (MICE)
    1. Fija el número de conjuntos de datos imputados en m = 10 y establece el número de iteraciones en al menos 20 para promover la convergencia. Establece una semilla aleatoria para asegurar la reproducibilidad de la imputación y guardar el objeto ratón para la auditabilidad.
    2. Utiliza la correspondencia predictiva de medias (PMM) para variables continuas y así preservar la forma distribucional. Utilizar la imputación de regresión logística para variables binarias, la imputación logística multinomial para variables multicategoría no ordenadas y la imputación logística ordinal para variables categóricas ordenadas. En R, las variables multicategoría no ordenadas se definieron como nom_vars <- c("smoking_status","procedure_category","anesthesia_type",
      "position_type", "table_padding_type", "puncture_site_
      categoría", "puncture_site_closure_method") y variables categóricas ordenadas se definieron como ord_vars <- c("head_neck_rotation_cat"", "upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], factor); dat[ord_vars] <- lapply(dat[ord_vars], ordenado); < de metanfetamina- ratones::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"; y meth[c("inpatient_number","surgery_id""outcome")] <- "".
    3. Incluir todas las variables predictoras candidatas y la variable de resultado en la matriz de predicción de imputación para mejorar la calidad de la imputación, pero realizar la imputación solo para variables predictoras con ausencia. Establece campos identificadores que no deberían actuar como predictores (por ejemplo, número de pacientes, ID único de cirugía) para no participar en el modelo de imputación y así evitar la introducción de información no clínica. Para seguir este protocolo, implementa la matriz predictora como pred <- ratones::make.predictorMatrix(dat); Pred[,] <-1; Diag(Pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","resultado"), ] <- 0; y pred[setdiff(colnames(pred), c("inpatient_number"", "surgery_id", "resultado")), "resultado"] <-1, de modo que el resultado se usa solo como predictor auxiliar y no se imputa.
    4. Traza iteraciones, trazas y comprueba si las medias y varianzas de las variables clave continuas son estables para evaluar la convergencia de la imputación. La imputación se ejecutó como imp <- ratones::ratos(dat, m = 10, maxit = 20, método = metanfetamina, predictorMatriz = pred, semilla = 20250101, printFlag = FALSO); La convergencia se evaluó mediante plot (imp) y comprobando la estabilidad de las medias y varianzas de variables clave continuas a lo largo de las iteraciones.

5. Desarrollo de la herramienta de evaluación predictiva en enfermería

  1. Preprocesamiento y codificación de variables candidatas
    1. Establece el nivel de referencia para la categoría del procedimiento en "neurovascular" y el nivel de referencia para la posición en "supino". Establece el nivel de referencia para la rotación cabeza-cuello en "≤30°" y el nivel de referencia para la abducción de extremidades superiores en "≤90°". Establezca el nivel de referencia para la categoría del sitio de punción en "arteria radial", y el nivel de referencia para el método de cierre del sitio de punción en "dispositivo de cierre vascular".
    2. Escala edad cada 10 años, duración operatoria cada 60 minutos, duración de fluoroscopia cada 10 minutos, pérdida estimada de sangre por cada 100 mL, tiempo de permanencia de la vaina cada 60 minutos y tamaño de la vaina por 1 Fr. Para variables hipotetizadas como "cuanto menor el valor, mayor el riesgo" (por ejemplo, temperatura central más baja, albúmina, hemoglobina, puntuación de Braden, MAP más bajo), aplicar codificación inversa para que la regresión OR represente "aumento del riesgo por unidad de disminución".
      NOTA: La codificación inversa puede implementarse tomando el negativo de la variable original y escalando por la unidad, por ejemplo, Temp_dec = -(Temp/0,5) o Braden_dec = -(Braden/1), para mantener la dirección de interpretación OR consistente.
  2. Análisis univariable y cribado de variables candidatas
    1. Ajusta un modelo de regresión logística univariable para cada predictor candidato y registra el OR, IC 95% y valor P. Para variables categóricas, utiliza codificación ficticia con el nivel de referencia y las estimaciones de efecto de salida de cada nivel en relación con la referencia.
    2. Utiliza splines cúbicos restringidos para probar la linealidad de variables continuas, usando cuatro nudos colocados en los cuantiles del 5%, 35%, 65% y 95%. Si la prueba indica una no linealidad significativa, mantener la misma forma de spline en el modelo multivariable posterior.
    3. Tomemos la unión de "variables clínicamente preespecificadas" y "variables con univariable P<0,20" como el conjunto candidato multivariable12. Comparar el conjunto candidato con la restricción del número de eventos y, cuando sea necesario, conservar preferentemente variables clínicamente altamente relevantes para controlar el sobreajuste.
  3. Selección y construcción del modelo principal en LASSO
    1. Ajustar una regresión logística penalizada (LASSO, alfa=1) en el conjunto candidato, con family="binomial". Estandariza las variables continuas (estandarizar = VERDADERO) para garantizar una penalización justa entre variables con diferentes escalas.
    2. Realiza una validación cruzada de diez veces repetida 1.000 veces, generando particiones de pliegue aleatoriamente cada vez y registrando la desviación de validación cruzada correspondiente a lambda.min. Definamos la fuerza de penalización como la mediana de lambda.min en las 1.000 repeticiones (o, equivalentemente, el λ correspondiente a la desviación media mínima), y usemos este λ para el ajuste final del LASSO para obtener un conjunto estable de variables con coeficientes distintos de cero.
    3. Utilizando las variables con coeficientes distintos de cero seleccionadas por LASSO, ajusta el modelo principal de regresión logística multivariable no penalizada en el conjunto de datos completo. Si se mantienen los términos spline, ajustarlos en el modelo principal con la misma forma spline y registrar los coeficientes o términos de función correspondientes.
    4. Ajustar el modelo principal por separado en los 10 conjuntos de datos imputados y extraer coeficientes de regresión y errores estándar. Combina los coeficientes, errores estándar e intervalos de confianza usando las reglas de Rubin, e informa del valor OR y P agrupados.
  4. Puntuación de riesgo, nomograma y estratificación de riesgos
    1. Escalar linealmente los coeficientes principales de regresión del modelo a puntos enteros según el método Sullivan, fijando la escala base y las reglas de redondeo. Calcular la puntuación total y asignar la puntuación total a la probabilidad predicha mediante la función logit; La fórmula de mapeo debe ser consistente con el intercepto del modelo principal.
    2. Utiliza el paquete rms para generar un nomograma basado en el modelo principal y expórtalo como imagen de alta resolución o PDF para su publicación. Aplicar nombres de archivo versionados a las salidas del nomograma para evitar confusiones causadas por modificaciones posteriores.
    3. Defina la probabilidad predicha <5% como bajo riesgo, del 5% al 14,9% como riesgo intermedio y ≥15% como alto riesgo13. Fija los resultados de la herramienta en dos formatos —un formulario en papel de una página y una calculadora electrónica— y limita el proceso de puntuación a no más de tres pasos para facilitar el uso clínico.

6. Validación del modelo y evaluación del rendimiento

  1. Validación interna y corrección del optimismo
    1. Utiliza el bootstrap para la validación interna y establece el número de remuestreos en 1.000 para obtener estimaciones estables. Para cada remuestreo, reajusta el modelo en la muestra bootstrap y calcula métricas de rendimiento tanto en la muestra bootstrap como en la muestra original para estimar el optimismo.
    2. Define optimismo como la diferencia media entre el rendimiento en la muestra bootstrap y en la muestra original. Resta optimismo del rendimiento aparente para obtener el rendimiento corregido, e informa del AUC corregido por optimismo, el intercepto de calibración, la pendiente de calibración y la puntuación Brier.
  2. Discriminación
    1. Grafica las curvas ROC y calcula el AUC como medida de discriminación. Estima el AUC y su IC del 95% usando el método DeLong, y realiza los cálculos con las mismas salidas de predicción (probabilidades) para asegurar la comparabilidad.
    2. A los umbrales predefinidos (5% y 15%), calcula sensibilidad, especificidad, VPP y VNP. Para cada umbral, también se generan los conteos de la matriz de confusión para permitir la verificación del cálculo.
  3. Calibración y error general
    1. Ajustar un modelo de calibración con el predictor lineal del modelo (logit) como variable independiente; el intercepto indica un sesgo sistemático, y la pendiente indica el grado de sobreajuste. Define la calibración ideal como intercepto = 0 y pendiente = 1, e informa de las métricas antes y después de la corrección.
    2. Calcula la puntuación de Brier como la medida del error total y traza las curvas de calibración usando suavizado loess junto a la línea ideal de 45°. La puntuación Brier se calculó como media((resultado - predicted_probability)2), y el suavizado de loess se implementó como estadísticas::loess(resultado ~ predicted_probability, span = 0,75, grado = 2, familia = "gaussiana", superficie = "directa").
  4. Beneficio neto clínico y curvas de decisión
    1. Utiliza el análisis de la curva de decisión para evaluar el beneficio neto a través de probabilidades umbral del 2% al 25%14, y grafica las estrategias Treat-All y Treat-None como referencias. Fija el tamaño umbral en 0,01 y especifícalo explícitamente en el script para asegurar la reproducibilidad.
    2. Realizar análisis de sensibilidad del beneficio neto alrededor de los umbrales de bajo y alto riesgo, y registrar la dirección del efecto de los cambios en los umbrales sobre el beneficio neto. Presenta los resultados del análisis de sensibilidad junto a los umbrales predefinidos para verificar su racionalidad.

7. Implementación estadística y flujo de trabajo de scripts reproducibles

  1. Entorno de software e inicialización de proyectos
    1. Realizar análisis en R 4.3.2 usando los paquetes pROC, rms, glmnet, mouse y rmda.
    2. Establece una semilla aleatoria fija (20250101) al inicio del script y registra la información de la sesión para documentar el entorno de software.
  2. Importación de datos, configuración de tipos y controles de calidad
    1. Importa los datos usando read.csv("data/analysis.csv") o readr::read_csv(). Verifica si el recuento de filas corresponde uno a uno con el identificador único de cirugía y comprueba identificaciones duplicadas.
    2. Convierte variables categóricas en factores y utiliza relevel() para establecer niveles de referencia que coincidan con el esquema preestablecido. Mantén las variables continuas numéricas y aplica escalado unitario y codificación inversa según el preset antes de modelar.
    3. Para variables categóricas, calcular frecuencias y porcentajes; para variables continuas, calcular la media ± desviación estándar o mediana [IQR]. Utiliza métodos gráficos y shapiro.test() para evaluar la forma de distribución y determinar el enfoque descriptivo en consecuencia.
  3. Gestión de datos faltantes e imputación múltiple (m = 10)
    1. Calcula la proporción de falta para cada variable y expórtala como salida/missing_report.csv. Confirma que la variable de resultado no tiene falta y bloquea la estrategia de "imputar solo variables predictoras, no imputar el resultado."
    2. Utiliza ratones() con m = 10 y maxit ≥ 20 para ejecutar la imputación de ecuaciones encadenadas, y especifica métodos de imputación según los tipos de variables. Usa complet(mids, action=k) para exportar el k-ésimo conjunto de datos completado y guardarlo como datos/imp_k.csv.
    3. Grafica los gráficos (mids) para comprobar la estabilidad de las trazas y compara las distribuciones pre y post-imputación para las variables clave continuas. Guarda los gráficos de diagnóstico en la salida/imputation_diagnostics.pdf para verificarlos.
  4. Regresión univariable, pruebas de splines y generación del conjunto candidato
    1. Ajusta la regresión logística univariable en cada conjunto de datos imputado y utiliza pool() para combinar coeficientes y errores estándar. Exporta el OR, el IC 95% y los valores de P como salida/univariate_pool.csv para los registros de selección de candidatos.
    2. Utiliza el paquete rms rcs() para ajustar términos spline para variables continuas y probar los términos no lineales. Fija el número y la ubicación de los nudos y respóntalos en los comentarios del guion para evitar diferencias entre secuencias.
    3. Tomemos la unión de variables clínicamente predefinidas y variables con univariable P<0.20 para generar la lista de candidatos, y guárdala como salida/candidate_list.txt. Comprueba si el número de candidatos y el número de eventos cumplen la restricción de complejidad y registra el conjunto final de variables utilizado para LASSO.
  5. Selección de LASSO y ajuste principal del modelo
    1. Utiliza model.matrix() para generar la matriz de variables independientes y asegurarte de que los niveles de referencia sean correctos. Utiliza cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) para realizar una validación cruzada diez veces.
    2. Usa un bucle para repetir particiones de plegado aleatorio 1000 veces, registra lambda.min y el error de validación cruzada para cada ejecución, y escríbelos en la salida/lasso_lambda_trace.csv. Toma la mediana de los valores de 1000 lambda.min como λ estable, y ajusta glmnet en el conjunto de datos completo usando este λ para obtener las variables con coeficientes distintos de cero.
    3. En los 10 conjuntos de datos imputados, ajusta el modelo principal glm(family=binomial) usando las variables seleccionadas. Combina β, SE, OR e IC al 95% usando las reglas de Rubin y guarda los resultados como salida/multivariable_pool.csv.
  6. Resultados de transformación de puntuación, nomograma y estratificación de riesgo
    1. Convierte β a puntos enteros según una escala fija y mapea la puntuación total de vuelta al logit y la probabilidad usando la misma escala. Muestrea aleatoriamente varios casos para comparar la "probabilidad original del modelo" con la "probabilidad convertida por puntuación" y así asegurar que el error está dentro del rango aceptable preestablecido.
    2. Usa el paquete rms para construir el nomograma y exportarlo como salida/nomogram.pdf. Exporta la hoja de puntuación en formato de salida/score_sheet.xlsx o equivalente para facilitar la producción de un formulario en papel de una página.
    3. Realizar estratificaciones utilizando los umbrales del 5% y 15% y obtener el número de casos y la incidencia observada en cada estrato. Exporta Se, Sp, PPV y NPV en los umbrales como salida/threshold_metrics.csv para la presentación posterior.
  7. Curvas internas de validación, calibración y decisión
    1. Establece el número de remuestreos bootstrap a 1.000 y, en cada remuestreo, realiza el reajuste y la predicción, calculando AUC, puntuación Brier, intersección de calibración y pendiente de calibración. Escribe los resultados corregidos por optimismo para la salida/bootstrap_corrected_metrics.csv y conserva un resumen de los resultados intermedios para cada remuestreo para auditoría.
    2. Utiliza el paquete pROC roc() y auc() para calcular el AUC, y usa ci.auc(method="delong") para generar el IC del 95%. Guarda la curva ROC como salida/roc_curve.png y fija la resolución y el tamaño en el script.
    3. Utiliza el paquete RMDA para calcular el beneficio neto y grafica las curvas DCA sobre el umbral del 2% al 25%. Exporta la figura como salida/dca_curve.png y fija el tamaño umbral del paso y las etiquetas de la curva para asegurar la reproducibilidad.
  8. Análisis de sensibilidad
    1. Sustituye el resultado por "etapa de lesión por presión ≥3" y repite la imputación, selección de LASSO, ajuste principal del modelo y flujo de trabajo de evaluación de rendimiento. Genera las métricas de rendimiento junto con el análisis principal para evaluar la robustez.
    2. Sustituye la variable de exposición a hipotensión por "tiempo acumulado con MAP<60 mmHg" y repite todo el flujo de trabajo de modelado y validación. Compara las direcciones de coeficientes y los cambios en AUC, puntuación Brier y métricas de calibración para comprobar la sensibilidad al umbral establecido.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Población y características basales del estudio
Según los criterios preespecificados, se identificaron 3.274 historiales de pacientes procedentes del quirófano híbrido de DSA, y 1.936 (59,1%) cumplieron los criterios de inclusión e introdujeron el desarrollo y validación del modelo (Figura 1). Los pacientes inscritos tenían una edad de (66,82 ± 11,94) años; los hombres representaban el 61,16%; El IMC fue (24,73 ± 3,89) kg/m 2; ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

En el quirófano híbrido de DSA, las complicaciones relacionadas con la posición incluyen lesiones coexistentes de piel y tejidos blandos e inestabilidad respiratoria y hemodinámica inducida por la posición, lo que indica que la seguridad posicional no es solo una cuestión de presión local, sino que también refleja la tolerancia fisiológica de todo el cuerpo. Los determinantes de riesgo derivan de la vulnerabilidad del paciente y la exposición quirúrgica. La edad avanzada y una mayor carg...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores declaran que no tienen ningún conflicto de interés.

Agradecimientos

Los autores desean agradecer a todos los colegas y personal que contribuyeron a este estudio pero que no figuran como autores.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Sistema de gestión de información anestésicaFuente institucionalN/AFuente de signos vitales intraoperatorios, agentes vasoactivos, series temporales MAP y registros anestésicos.
Sistema de historial médico electrónicoFuente institucionalN/AFuente de datos demográficos, comorbilidades, registros operatorios y documentación clínica de seguimiento.
glmnetCRANN/APaquete R usado para regresión logística penalizada y selección de variables LASSO.
Quirófano de angiografía digital híbrida por sustracciónFuente institucionalN/AEntorno de estudio para todos los procedimientos incluidos; Equipado para imagen intervencionista y cirugía abierta.
Sistema de información de laboratorioFuente institucionalN/AFuente de indicadores de laboratorio preoperatorios, incluyendo albúmina y hemoglobina.
ratonesCRANN/APaquete R usado para imputaciones múltiples mediante ecuaciones encadenadas.
Sistema de información de enfermeríaFuente institucionalN/AFuente de registros de posicionamiento, protección de puntos de presión, comprobaciones intraoperatorias de posición y documentación de enfermería postoperatoria.
Sistema de archivo y comunicación de imágenes (PACS)Fuente institucionalN/AFuente de la duración de la fluoroscopia e información relacionada con la imagen.
pROCCRANN/APaquete R utilizado para análisis ROC, estimación de AUC e intervalos de confianza DeLong.
RFundación R para la Computación EstadísticaN/AEntorno de software de análisis estadístico.
RMDACRANN/APaquete R utilizado para el análisis de curvas de decisión.
RMSCRANN/APaquete R utilizado para estrategias de modelado de regresión, funciones spline y construcción de nomogramas.

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Herramienta de predicci n de enfermer aquir fano h bridocomplicaciones relacionadas con el posicionamientoestratificaci n del riesgomodelado log sticoconstrucci n de nomogramasprotecci n de los puntos de presi ncontroles de posici n intraoperatorios

Artículos relacionados