Article de méthode

Un outil prédictif d’infirmières pour la sécurité du positionnement du patient dans les salles d’opération d’angiographie hybride par soustraction numérique

75 vues

⸱

DOI :

10.3791/70751

⸱

5 juin 2026

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

Dans cet article

Résumé

Une étude rétrospective centrique unique a développé et validé en interne un outil de prédiction infirmière en étapes qui combine le risque chirurgical de base du patient avec des processus de soins périopératoires modifiables afin de soutenir l’évaluation préopératoire et les mises à jour post-positionnantes des risques liés au positionnement dans une salle d’opération d’angiographie numérique hybride par soustraction.

Résumé

L’objectif de cette étude était de développer et de valider en interne un outil d’évaluation prédictive infirmière à mise à jour de phase, basé sur le risque chirurgical patient de base et les processus infirmiers modifiables pour une utilisation avant la chirurgie et après le positionnement dans la salle d’opération de l’angiographie numérique hybride. Cette cohorte rétrospective monocentrique comprenait des adultes hospitalisés subissant leur première intervention en salle d’opération hybride, avec la chirurgie comme unité d’analyse et un suivi jusqu’à 72 heures postopératoires. Le résultat était un critère composite de complications liées à la position.

Les données de prédicteur manquantes ont été traitées à l’aide d’imputations multiples (m = 10), et la cohérence de l’extraction a été évaluée avec κ de Cohen et des coefficients de corrélation intraclasse. Les variables candidates issues du criblage univariable plus les variables préspécifiées sont entrées en régression minimale absolue et en régression des opérateurs de sélection, suivies de modélisation logistique multivariée et de construction de nomogrammes avec stratification du risque basée sur un seuil. La performance du modèle a été évaluée par aire sous la courbe, l’interception et la pente d’étalonnage, le score de Brier, la validation interne bootstrap et l’analyse de la courbe de décision.

Un total de 1 936 cas ont été analysés, et le résultat composite a été atteint dans 10,23 %. Le manque maximal des variables clés était de 3,25 %, et la cohérence d’extraction était bonne (κ ≥ 0,86, coefficient de corrélation intraclasse ≥ 0,89). Douze prédicteurs ont été conservés ; La protection par points de pression et les contrôles de position intraopératoires étaient protecteurs (rapport de cotes 0,68–0,71). Le modèle de base avait une surface sous la courbe de 0,74/0,72 (apparent/corrigé), et le modèle complet atteignait 0,79/0,77. La pente d’étalonnage corrigée par optimisme était de 0,947, l’interception de 0,004, et le score du Brier de 0,085.

Cet outil a démontré une discrimination stable, une calibration et un bénéfice net sur la validation interne. Les variables du processus infirmier ont ajouté une valeur ajoutée, et l’outil peut soutenir l’évaluation préopératoire ainsi que la mise à jour des risques post-positionnement, sous réserve d’une validation externe.

Introduction

La salle d’opération hybride de l’angiographie numérique par soustraction (DSA) intègre l’imagerie interventionnelle à la chirurgie ouverte et sert de plateforme pour la gestion des maladies vasculaires complexes et des urgencescritiques 1. La chaîne procédurale est plus longue, de nombreux patients sont âgés, et l’anesthésie générale ou la sédation diminuent les réflexes protecteurs et l’ajustementspontané 2. Contraintes par le bras C, le champ stérile et la disposition des voies d’accès, les occasions de tourner le corps et de soulager la pression sont réduites une fois la position fixée, tandis que l’exposition à une pression soutenue et à l’étirement/tractionaugmente 3. Les procédures hybrides concurrentes réduisent encore les fenêtres d’ajustement, et la gestion du positionnement repose davantage sur la coordination des équipes. Les complications liées à la position incluent des lésions de pression, des lésions nerveuses périphériques et musculosquelettiques, et peuvent également se manifester par des fluctuations respiratoires et hémodynamiques induites par le positionnement, affectant la récupérationpostopératoire 4,5.

L’équipe infirmière est responsable essentiellement du positionnement, de la protection des points de pression, de la sécurisation des accès, du contrôle de position intraopératoire et de l’observation postopératoire ; L’identification précoce du risque positionnel et l’intervention précise sont des sujets centraux en gestion infirmière, avec un besoin accru de vérification et de documentation standardisées et basées surles processus 6. Les évaluations des risques périopératoires existantes reposent principalement sur des échelles génériques préopératoires ou se concentrent sur un seul critère7. Une grande partie des preuves provient de la salle d’opération ou de la salle d’intervention et ne couvrent pas les expositions composites dans la salle d’opération hybride DSA, telles que l’incapacité prolongée à tourner, les fluctuations de perfusion et de température, et la présence de la gaine avec la fixation par compression. Des outils comme Braden mettent l’accent sur la tolérance cutanée mais ne sont pas bien adaptés pour caractériser des facteurs spécifiques tels que la position couchée et l’exposition cumulative à l’hypotension, rendant difficile le soutien à la gestionstratifiée 8. Le spectre des complications comprend des lésions cutanées coexistantes et une instabilité physiologique, et un seul score est insuffisant pour identifier les priorités duprocessus 9.

Certaines études ont traité directement les mesures infirmières comme des prédicteurs préopératoires, ce qui conduit facilement à un désaccord de finalité et à une fuite d’informations, rendant les résultats difficiles à aligner avec le calendrier et l’intensité des interventions et une amélioration défavorable de la qualité après ajustement du risque10. Il manque un outil d’évaluation qui fournisse un risque de référence préopératoire et mette à jour le risque après le positionnement, avec les éléments d’action correspondants. Dans cette étude, basée sur une cohorte rétrospective monocentrique, un outil d’évaluation prédictive infirmière a été développé ; Avant l’opération, le risque de base a été estimé à l’aide des variables d’exposition du patient et de la chirurgie, et après position, des items infirmiers modifiables ont été intégrés pour mettre à jour le risque. La régression pénalisée a été utilisée pour la sélection des variables avec validation interne ; la discrimination, l’étalonnage et le bénéfice net ont été évalués ; et un nomogramme et une stratification basée sur des seuils ont été produits pour le soutien à la décision infirmière, fournissant une base pour l’ajustement des risques et l’amélioration de la qualité.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Cette étude utilise les dossiers médicaux antérieurs des sujets humains ainsi que les données sur les dossiers d’anesthésie et d’infirmiers. L’étude a été menée conformément aux directives institutionnelles pertinentes, examinée et approuvée par le comité d’éthique institutionnelle (Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), avec une renonciation au consentement éclairé écrit ; toutes les données ont été désidentifiées avant l’exportation et utilisées uniquement aux fins de cette étude.

Cette étude a été rapportée conformément à la déclaration TRIPOD pour le développement de modèles de prédiction multivariables et la validation interne ; la liste de contrôle complète du TRIPOD est fournie dans le tableau supplémentaire S1.

1. Conception de la recherche et cadre d’étude

  1. Définissez le plan de l’étude comme une étude observationnelle rétrospective à centre unique utilisant un plan de cohorte historique. Fixez la période d’étude du 1er janvier 2021 au 31 décembre 2024.
  2. Fixer l’objectif de l’étude est de développer un outil d’évaluation prédictive infirmière pour les complications liées au poste dans la salle d’opération hybride DSA, ainsi que de réaliser une validation interne et une évaluation de performance. Définissez « chirurgie » comme l’unité d’analyse et attribuez à chaque chirurgie un identifiant unique (par exemple, numéro d’hospitalisation + date de l’opération + heure de début de l’anesthésie).
  3. Lorsque le même patient a plusieurs interventions éligibles, ne conservez que le premier dossier de chirurgie éligible. Définissez « premier » comme la chirurgie éligible avec l’heure de début de l’anesthésie ou de la sédation la plus précoce dans la fenêtre d’étude.
  4. Définissez le point de départ de l’extraction des données comme le moment où le patient entre en salle d’opération et où l’anesthésie ou la sédation commence. Fixer le point de suivi à 72 heures postopératoires, couvrant ainsi la fenêtre d’occurrence principale des complications liées à la position.
  5. Limitez le cadre d’étude à la salle d’opération hybride DSA et documentez qu’elle est équipée d’un système d’angiographie numérique à soustraction à écran plat et d’une capacité de chirurgie ouverte. Notez que les positions couramment utilisées sont couchée, couchée et latérale, et que l’ajustement de position intraopératoire est limité par l’équipement d’imagerie, le champ stérile et la disposition des voies d’accès, ce qui réduit les occasions de se retourner et une durée opératoire relativement prolongée.

2. Population d’étude, flux de dépistage des cas et stratégie de taille de l’échantillon

  1. Exportez toutes les entrées de chirurgie « salle d’opération hybride DSA » dans la fenêtre d’étude depuis le registre de salle d’opération enregistré consécutivement. Conservez des champs correspondants tels que le code de la procédure, l’identifiant de la salle d’opération, la date de l’opération, le numéro d’hospitalisation et l’heure de début de l’anesthésie.
  2. Utilisez le numéro d’hospitalisation et la date de l’opération pour la correspondance initiale, puis effectuez un contrôle secondaire en utilisant l’heure de début de l’anesthésie et l’identifiant de la salle d’opération. Si plusieurs dossiers d’anesthésie existent le même jour pour le même numéro d’hospitalisation, il faut préférentiellement associer celui qui a un identifiant cohérent de salle d’opération et une heure de début d’anesthésie la plus proche de l’heure d’enregistrement de l’opération.
  3. Inclure les patients adultes hospitalisés âgés de ≥18 ans dont les interventions ont été réalisées dans la salle d’opération hybride DSA et ont été des interventions neurovasculaires, cardiovasculaires ou vasculaires périphériques ou hybrides. Confirmez qu’une anesthésie générale ou une sédation a été administrée pendant l’opération, que la documentation médicale, anesthésique et infirmière est complète, et qu’un suivi jusqu’à 72 heures postopératoire est disponible.
  4. Excluez les cas où l’événement de critère principal était déjà présent avant l’opération afin d’éviter une base non nulle pour le résultat. Excluez les cas où la procédure a été interrompue intraopératoirement pour des raisons non liées au positionnement, de sorte que l’évaluation supplémentaire n’a pas été possible, ainsi que les cas transférés hors de l’hôpital dans les 72 heures postopératoires, conduisant à un résultat indéterminé.
  5. Déterminez le seuil de manque des variables prédictrices clés en calculant la proportion de manquantes pour chaque cas entre les variables prédictives clés prédéfinies et notez les raisons de l’absence. Si le taux de manque pour un cas à travers ces variables prédictrices clés dépasse 30 %, excluez le cas selon les règles prédéfinies et documentez la raison de l’exclusion dans le journal de filtrage.
  6. Faites réaliser le dépistage de deux chercheurs de manière indépendante et générer des journaux de dépistage (incluant inclusion/exclusion et raisons). Pour les cas discrepants, un troisième chercheur remonte aux documents originaux pour l’adjudication, et conserve le dossier d’adjudication pour la traçabilité.
  7. Ne prédéfinissez pas une limite supérieure pour la taille de l’échantillon, en adoptant une stratégie d’inclusion consécutive à tous les cas. Contrôler la complexité du modèle par le nombre d’événements, déterminant le nombre de paramètres finalement entrés dans le modèle selon le principe d’au moins 15 événements par paramètre.

3. Étude des mesures et définitions de variables

  1. Établissez un dictionnaire de variables et spécifiez pour chaque variable le système source, le nom du champ, les règles de valeur et la séquence temporelle. Pour les variables continues, utilisez la valeur préopératoire de laboratoire ou d’évaluation la plus récente ; Pour les variables chirurgicales et anesthésiques, utiliser la pire valeur enregistrée sur toute la procédure ou exposition cumulative ; Pour les variables infirmières et de dispositifs, utilisez l’implémentation intraopératoire réelle. Définir des seuils prédéfinis et des seuils de catégorie a priori selon les critères cliniquement couramment utilisés, la pratique des soins infirmiers périopératoires et de l’anesthésie, ainsi que la littérature publiée. Lorsque le seuil unique n’est pas largement accepté n’est disponible, on utilise des catégories pragmatiques pour faciliter l’enregistrement, l’interprétation et l’application clinique.
  2. Résultat principal : résultat composite des complications liées à la position
    1. Définir le critère de jugement principal comme un résultat composite des complications liées à la position survenant de l’intraopératoire jusqu’à 72 heures post-opératoires. Si plusieurs événements composants surviennent dans le même cas, il faut compter le résultat composite une seule fois, et noter le moment de la première occurrence ainsi que tous les types de composants pour des analyses secondaires.
    2. Définissez la lésion de stade 2 ou de pression supérieure à début récent ou une lésion des tissus profonds dans les 72 heures postopératoires comme l’un des événements composants. Utilisez les formulaires d’évaluation cutanée infirmiers, la stadification et les dossiers infirmiers comme preuves, et exigez des dossiers pouvant être localisés à des sites anatomiques spécifiques.
    3. Définissez une lésion du nerf périphérique comme la survenue d’une perte sensorielle, d’un engourdissement ou d’une diminution de la force musculaire durant ≥24 heures. Exigez que la distribution anatomique soit cohérente avec la zone de contact/traction du poste à ce moment-là, et utilisez des notes de progrès ou des dossiers d’évaluation spécialisés comme principale preuve.
    4. Définissez une lésion articulaire ou musculosquelettique comme une douleur localisée accompagnée de résultats d’imagerie positifs ou de résultats d’examen physique spécialisé suggérant une lésion de traction/compression. Notez la modalité d’imagerie ou la conclusion de l’examen, et marquez les points d’application de la force liés à la position.
    5. Définissez les événements d’instabilité respiratoire ou hémodynamique liés à la position comme la compression des voies respiratoires, la respiration restreinte ou le retour veineux restreint causés par un positionnement nécessitant un repositionnement, une compression, une escalade vasopresseur ou une interruption de la procédure. Utilisez les dossiers d’événements du système d’anesthésie, les fiches d’anesthésie et les dossiers infirmiers/médecins contenant des descriptions explicites « liées à la position » et les mesures de prise en charge correspondantes comme preuves.
    6. On définit un hématome d’un diamètre de ≥5 cm du côté de la ponction ou un suintement nécessitant une fixation par compression supplémentaire, avec des enregistrements indiquant une aggravation liée à des contraintes de position, comme l’un des événements composants. Utilisez les dossiers infirmiers et les dossiers de service médical dans les 72 heures postopératoires comme preuve, et notez les mesures de prise en charge supplémentaires.
    7. Déterminer la pertinence positionnelle selon trois critères : mention explicite de la pertinence positionnelle dans les archives, site anatomique compatible avec les points d’exposition positionnelle, et absence d’une cause alternative plus convaincante. En cas de conflit d’attribution entre les dossiers infirmiers et médicaux, prioriser le dossier original plus près du moment de l’événement, et faire examiner et parvenir à un consensus par deux arbitres.
  3. Définitions des variables prédictrices
    1. Définir les variables au niveau du patient telles que l’âge, le sexe, l’indice de masse corporelle, le diabète sucré, la neuropathie périphérique, la maladie artérielle périphérique, la maladie rénale chronique stade ≥ 3, l’insuffisance cardiaque congestive, le tabagisme, l’albumine préopératoire, l’hémoglobine préopératoire, l’indice de comorbidité de Charlson et le score de Braden préopératoire. Définissez « préopératoire » comme le dossier valide le plus récent avant l’entrée en salle d’opération, dans la fenêtre d’évaluation périopératoire de routine de l’hôpital.
    2. Définir les variables au niveau de la chirurgie et de l’anesthésie comme catégorie de procédure, type d’anesthésie, type de position, catégories d’angle de rotation tête-cou, catégories d’angle d’abduction du membre supérieur, abduction ou flexion du membre inférieur > 45°, durée opératoire, durée de fluoroscopie, statut non tournable intraopératoire, perte sanguine estimée, MAP le plus bas, temps cumulé avec MAP< 65 mmHg, température centrale la plus basse, utilisation d’agents vasoactifs et équivalent maximal de noradrénaline. Classez la position comme couchée/couchée/latérale ; classer la rotation tête-cou en ≤30°, 31–60° et >60° ; classez l’abduction des membres supérieurs comme ≤90° et >90°.
    3. Exportez la série temporelle MAP avec les horodatages depuis le système de gestion des informations anesthésiques. Utilisez la différence de temps entre enregistrements adjacents comme longueur d’intervalle, et additionnez les durées de tous les intervalles avec MAP < 65 mmHg pour obtenir « MAP < 65 temps cumulé » ; Si un seul intervalle manque ou si l’écart est anormal (par exemple, >5 minutes sans explication raisonnable), notez cet intervalle comme manquant et ne l’incluez pas dans le total cumulé.
    4. Définir les variables au niveau de l’infirmière et de l’appareil comme le type de rembourrage de la table, si la protection des points de pression clés a été complétée, si les membres supérieurs ont été fixés sur des plaques de bras rembourrées, si la tête a été soutenue en position neutre, la catégorie du site de ponction, la taille de la gaine, le temps de maintien de la gaine, la méthode de sécurisation/fermeture du site de ponction, et l’exhaustivité de la documentation de contrôle de position intraopératoire. Définissez « protection des points de pression clés terminée » comme étant complétée lorsqu’il existe des dossiers de protection sur les quatre sites — occiput, omoplates, région sacrococcygée et talons ; sinon, il est considéré comme non entièrement achevé.
    5. Notez si des agents vasoactifs ont été utilisés, et codez les non-utilisateurs comme « non utilisés ». Pour les utilisateurs, enregistrer l’équivalent maximal de noradrénaline (μg/kg/min) ; à chaque moment d’enregistrement anesthésiant, on calcule NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, où la noradrénaline, l’épinéphrine, la dopamine et la phényléphrine sont exprimées en μg/kg/min et la vasopressine en U/min ; les agents non utilisés à un moment donné étaient codés comme 0, et maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = VRAI) sur la période intraopératoire.
      REMARQUE : Les règles de conversion et d’agrégation ont été fixées à l’avance et implémentées dans le script d’analyse.

4. Collecte de données et contrôle qualité

  1. Fournir une formation uniforme à deux chercheurs responsables de l’extraction des données et distribuer les procédures opérationnelles standard (SOP) ainsi que le dictionnaire des variables. Après la formation, réalisez une extraction pilote sur un petit échantillon et révisez les définitions et voies d’extraction des champs ambigus.
  2. Extraire les données démographiques et comorbidités du dossier médical électronique, les indicateurs préopératoires de laboratoire du système de laboratoire, les signes vitaux et médicaments du système d’anesthésie, les mesures de positionnement et d’infirmières du système infirmier, ainsi que les informations de durée et d’imagerie liées à la fluoroscopie provenant du PACS. Effectuez une correspondance inter-système en utilisant le numéro d’hospitalisation et la date de la chirurgie, et conservez les clés correspondantes ainsi qu’un journal de correspondance.
  3. En cas de conflits de champs, remontez aux archives papier originales et prenez les archives papier comme norme. Consignez le type de conflit, la valeur originale, la valeur corrigée et la source des preuves dans un journal de gestion des conflits.
  4. Effectuer une double saisie de données par deux personnes pour tous les champs et générer une liste de divergences. Faites vérifier chaque élément par rapport aux enregistrements originaux par un troisième chercheur pour l’adjudication et verrouillez la version finale de la base de données pour analyse.
  5. Établir un tableau des plages cliniquement raisonnables pour les variables continues et effectuer des vérifications automatiques des plages après l’importation. Retracer les valeurs hors plage pour la vérification ; si elle n’est pas vérifiable, réglez-les en manquant et conservez la valeur originale pour référence.
  6. Effectuer l’extraction dupliquée pour les 50 premiers cas et calculer la cohérence, en utilisant Cohen κ pour les variables catégorielles et ICC (effets aléatoires bidirectionnels, accord absolu) pour les variables continues. Si κ < 0,80 ou ICC < 0,85, effectuez un réentraînement pour les variables associées et réauditez jusqu’à ce que la norme soit atteinte11.
  7. Calculez le nombre et la proportion de cas manquants pour chaque variable prédictive candidate et générez un rapport de manquantité. Pour les variables prédictrices clés dont le taux de manque ne dépasse pas 30 %, initiez une imputation multiple ; La variable de résultat principale ne sera pas imputée.
  8. Détails de l’implémentation de l’imputation multiple par équations enchaînées (MICE)
    1. Fixez le nombre de jeux de données imputés à m = 10 et fixez le nombre d’itérations à au moins 20 pour favoriser la convergence. Définir une graine aléatoire pour assurer la reproductibilité de l’imputation et sauvegarder l’objet souris pour l’auditabilité.
    2. Utilisez l’appariement prédictif de la moyenne (PMM) pour les variables continues afin de préserver la forme de distribution. Utiliser l’imputation de régression logistique pour les variables binaires, l’imputation logistique multinomiale pour les variables multicatégories non ordonnées, et l’imputation logistique ordinale pour les variables catégorielles ordonnées. Dans R, les variables multicatégories non ordonnées étaient définies comme nom_vars <- c(« smoking_status" », « procedure_category" », « anesthesia_type »,
      « position_type », « table_padding_type », « puncture_site_
      catégorie », « puncture_site_closure_method ») et variables catégorielles ordonnées étaient définies comme 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], ordonné) ; < méthamphétamine - souris ::make.method(dat) ; meth[sapply(dat, is.numeric)] <- « pmm » ; meth[noms(dat)[sapply(dat, function(x) is.factor(x) & nlevels(x) == 2)]] <- « logreg » ; meth[nom_vars] <- « polyreg » ; meth[ord_vars] <- « polr » ; et meth[c(« inpatient_number »,"surgery_id"""outsign)] <- «  ».
    3. Inclure toutes les variables prédictrices candidates et la variable de résultat dans la matrice de prédiction d’imputation pour améliorer la qualité de l’imputation, mais effectuer l’imputation uniquement pour les variables prédictrices manquantes. Définir des champs d’identification qui ne devraient pas servir de prédicteurs (par exemple, numéro d’hospitalisation, identifiant unique de chirurgie) pour ne pas participer au modèle d’imputation afin d’éviter d’introduire des informations non cliniques. Pour suivre ce protocole, implémentez la matrice prédictive sous la forme de pred <- mice ::make.predictorMatrix(dat) ; Pred[,] <- 1 ; Diag(Pred) <-0 ; pred[, c(« inpatient_number »,"surgery_id »)] <- 0 ; pred[c(« inpatient_number »,"surgery_id »,"outcome »), ] <- 0 ; et pred[setdiff(colnames(pred), c(« inpatient_number », « surgery_id », « outcome »)), « outcome"] <-1, de sorte que le résultat est utilisé uniquement comme prédicteur auxiliaire et non imputé.
    4. Tracez l’itération des traces et vérifiez si les moyennes et variances des variables continues clés sont stables pour évaluer la convergence d’imputation. L’imputation a été exécutée comme imp <- mice ::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE) ; La convergence a été évaluée à l’aide de plots (imp) et en vérifiant la stabilité des moyennes et variances des variables continues clés entre les itérations.

5. Développement de l’outil d’évaluation prédictive infirmière

  1. Prétraitement et codage des variables candidates
    1. Fixez le niveau de référence pour la catégorie de procédure sur « neurovasculaire », et le niveau de référence pour la position sur « couché ». Régler le niveau de référence pour la rotation tête-cou à « ≤30° », et le niveau de référence pour l’abduction des membres supérieurs à « ≤90° ». Fixez le niveau de référence pour la catégorie du site de ponction à « artère radiale », et le niveau de référence pour la méthode de fermeture du site de ponction à « dispositif de fermeture vasculaire ».
    2. Échelle âge par 10 ans, durée opératoire par 60 minutes, durée de fluoroscopie par 10 minutes, perte sanguine estimée par 100 mL, temps de séjour de la gaine tous les 60 minutes, et taille de la gaine par 1 Fr. Pour les variables hypothétisées comme « plus la valeur est basse, plus le risque est élevé » (par exemple, température centrale la plus basse, albumine, hémoglobine, score de Braden, MAP le plus bas), appliquer un codage inverse afin que la régression OU représente « augmentation du risque par unité de diminution ».
      REMARQUE : Le codage inverse peut être implémenté en prenant le négatif de la variable originale et en l’échelleant par l’unité, par exemple Temp_dec = -(Temp/0,5) ou Braden_dec = -(Braden/1), afin de maintenir la direction d’interprétation OR cohérente.
  2. Analyse univariable et criblage des variables candidates
    1. Ajustez un modèle de régression logistique univariable pour chaque prédicteur candidat et enregistrez la OR, l’IC à 95 % et la valeur P. Pour les variables catégorielles, utilisez un codage factice avec le niveau de référence et les estimations de l’effet de sortie de chaque niveau par rapport à la référence.
    2. Utilisez des splines cubiques restreintes pour tester la linéarité des variables continues, en utilisant quatre nœuds placés aux quantiles 5, 35 %, 65 % et 95 %. Si le test indique une non-linéarité significative, conserver la même forme de spline dans le modèle multivariable suivant.
    3. Prenons l’union des « variables cliniquement préspécifiées » et des « variables à univariable P<0,20 » comme ensemble candidat multivarié12. Comparer l’ensemble candidat avec la contrainte du nombre d’événements et, si nécessaire, conserver de préférence des variables cliniquement très pertinentes pour contrôler le surajustement.
  3. Sélection LASSO et construction du modèle principal
    1. Ajuster une régression logistique pénalisée (LASSO, alpha=1) sur l’ensemble candidat, avec famille = binomial ». Standardiser les variables continues (standardizer=TRUE) afin d’assurer une pénalisation équitable entre les variables à différentes échelles.
    2. Effectuer une validation croisée dix fois répétée 1 000 fois, générant aléatoirement des partitions de pli à chaque fois et enregistrant la déviance de validation croisée correspondant à lambda.min. Définissons la force de pénalité comme la médiane de lambda.min sur les 1 000 répétitions (ou, de manière équivalente, le λ correspondant à la déviance moyenne minimale), et utilisons ce λ pour l’ajustement final LASSO afin d’obtenir un ensemble stable de variables aux coefficients non nuls.
    3. En utilisant les variables à coefficients non nuls sélectionnées par LASSO, ajustez le modèle principal de régression logistique multivariable non pénalisée dans l’ensemble de données complété. Si les termes spline sont conservés, ajustez-les dans le modèle principal avec la même forme spline et enregistrez les coefficients ou termes de fonction correspondants.
    4. Ajuster le modèle principal séparément dans les 10 jeux de données imputés et extraire les coefficients de régression ainsi que les erreurs standard. Combinez les coefficients, les erreurs standard et les intervalles de confiance en utilisant les règles de Rubin, et rapportez la valeur OR et P regroupées.
  4. Évaluation du risque, nomogramme et stratification du risque
    1. Échelle linéaire les coefficients de régression principaux du modèle en points entiers selon la méthode Sullivan, en fixant l’échelle de base et les règles d’arrondi. Calculer le score total et associer le score total à la probabilité prédite via la fonction logit ; La formule de mappage doit être cohérente avec l’interception du modèle principal.
    2. Utilisez le package rms pour générer un nomogramme basé sur le modèle principal, et exportez-le en image haute résolution ou PDF pour publication. Appliquez un nom de fichier versionné aux sorties des nomogrammes pour éviter toute confusion causée par les modifications ultérieures.
    3. Définissez la probabilité prédite <5 % comme faible risque, de 5 % à 14,9 % comme risque intermédiaire, et ≥15 % comme haut risque13. Fixez les sorties de l’outil à deux formats — un formulaire papier d’une page et une calculatrice électronique — et limitez le processus de notation à trois étapes maximum pour faciliter l’utilisation clinique.

6. Validation du modèle et évaluation des performances

  1. Validation interne et correction de l’optimisme
    1. Utilisez le bootstrap pour la validation interne, et réglez le nombre de rééchantillonnages à 1 000 pour obtenir des estimations stables. Pour chaque rééchantillonnage, réajustez le modèle dans l’échantillon bootstrap, et calculez les métriques de performance à la fois dans l’échantillon bootstrap et l’échantillon original afin d’estimer l’optimisme.
    2. Définissez l’optimisme comme la différence moyenne entre la performance dans l’échantillon bootstrap et dans l’échantillon original. Soustrayez l’optimisme de la performance apparente pour obtenir la performance corrigée, et rapportez l’AUC corrigé par optimisme, l’interception d’étalonnage, la pente d’étalonnage et le score de Brier.
  2. Discrimination
    1. Tracez les courbes ROC et calculez l’AUC comme mesure de discrimination. Estimez l’AUC et son IC à 95 % en utilisant la méthode de DeLong, et effectuez les calculs sur les mêmes sorties de prédiction (probabilités) pour garantir la comparabilité.
    2. Aux seuils prédéfinis (5 % et 15 %), calculez la sensibilité, la spécificité, le VPP et le VPN. Pour chaque seuil, il faut également produire les comptes de matrice de confusion afin de permettre la vérification du calcul.
  3. Calibration et erreur globale
    1. Ajuster un modèle d’étalonnage avec le prédicteur linéaire du modèle (logit) comme variable indépendante ; l’intercept indique un biais systématique, et la pente indique le degré de surapprentissage. Définissez l’étalonnage idéal comme intercept = 0 et pente = 1, et rapportez les métriques avant et après correction.
    2. Calculez le score de Brier comme mesure de l’erreur globale, et tracez les courbes d’étalonnage en utilisant un lissage loess le long de la ligne idéale à 45°. Le score de Brier était calculé comme moyen((résultat - predicted_probability)2), et le lissage loess était implémenté comme étant les statistiques ::loess(résultat ~ predicted_probability, span = 0,75, degré = 2, famille = « gaussien », surface = « direct »).
  4. Bénéfice net clinique et courbes de décision
    1. Utilisez l’analyse de la courbe de décision pour évaluer le bénéfice net sur des probabilités seuils de 2 % à 25 %14, et tracez les stratégies Treat-All et Treat-None comme références. Fixez la taille du seuil à 0,01 et spécifiez-la explicitement dans le script pour garantir la reproductibilité.
    2. Effectuer une analyse de sensibilité du bénéfice net autour des seuils de faible et haut risque, et enregistrer l’orientation de l’effet des changements de seuils sur le bénéfice net. Présenter les résultats de l’analyse de sensibilité aux côtés des seuils prédéfinis afin de vérifier leur rationalité.

7. Implémentation statistique et flux de travail de script reproductible

  1. Environnement logiciel et initialisation de projet
    1. Effectuer des analyses en R 4.3.2 en utilisant les packages pROC, rms, glmnet, mouse et rmda.
    2. Définissez une graine aléatoire fixe (20250101) au début du script, et enregistrez les informations de session pour documenter l’environnement logiciel.
  2. Importation de données, paramètres de type et contrôles qualité
    1. Importez les données à l’aide de read.csv (« data/analysis.csv ») ou readr ::read_csv(). Vérifiez si le nombre de lignes correspond un à un avec l’identifiant unique de chirurgie, et vérifiez la présence d’identifiants en double.
    2. Convertissez les variables catégorielles en facteurs et utilisez relevel() pour définir les niveaux de référence correspondant au schéma prédéfini. Gardez les variables continues numériques, et appliquez l’échelle unitaire et le codage inverse selon le préréglage avant de modéliser.
    3. Pour les variables catégorielles, calculer les fréquences et les pourcentages ; pour les variables continues, calculez la moyenne ± écart-type ou médiane [IQR]. Utilisez des méthodes graphiques et shapiro.test() pour évaluer la forme de distribution et déterminer l’approche descriptive en conséquence.
  3. Gestion manquante des données et imputation multiple (m = 10)
    1. Calculez la proportion de manquants pour chaque variable et exportez-la en sortie/missing_report.csv. Confirmez que la variable de résultat n’a pas de manquant, et verrouillez la stratégie « imputer uniquement les variables prédictives, ne pas imputer le résultat ».
    2. Utilisez mie() avec m = 10 et maxit ≥ 20 pour exécuter l’imputation des équations enchaînées, et spécifiez les méthodes d’imputation selon les types de variables. Utilisez complète(mids, action=k) pour exporter le k-ième jeu de données complété et l’enregistrer comme données/imp_k.csv.
    3. Tracez les graphiques (mids) pour vérifier la stabilité des traces, et comparez les distributions avant et après imputation pour les variables continues clés. Sauvegardez les graphiques de diagnostic en sortie/imputation_diagnostics.pdf pour vérification.
  4. Régression univariable, test de spline et génération de l’ensemble candidat
    1. Ajustez la régression logistique univariable dans chaque jeu de données imputé et utilisez pool() pour combiner coefficients et erreurs standard. Exportez les valeurs OR, IC à 95 % et P en sortie/univariate_pool.csv pour les dossiers de sélection des candidats.
    2. Utilisez le package rms rcs() pour ajuster les termes spline pour les variables continues et tester les termes non linéaires. Fixez le nombre et l’emplacement des nœuds et enregistrez-les dans les commentaires du script pour éviter les différences entre les parcours.
    3. Prenez l’union de variables cliniquement prédéfinies et de variables univariables P<0,20 pour générer la liste des candidats, et enregistrez-la en sortie/candidate_list.txt. Vérifiez si le nombre de candidats et le nombre d’événements satisfont la contrainte de complexité, et enregistrez l’ensemble final de variables utilisé pour LASSO.
  5. Sélection du LASSO et montage principal du modèle
    1. Utilisez model.matrix() pour générer la matrice des variables indépendantes et vous assurer que les niveaux de référence sont corrects. Utilisez cv.glmnet(x, y, family="binomial », alpha=1, standardize=TRUE) pour effectuer une validation croisée dix fois plus.
    2. Utilisez une boucle pour répéter des partitions fold aléatoires 1000 fois, enregistrez lambda.min et l’erreur de validation croisée pour chaque exécution, puis écrivez-les en sortie/lasso_lambda_trace.csv. Prenez la médiane des valeurs de 1000 lambda.min comme λ stable, et ajustez glmnet sur l’ensemble de données en utilisant ce λ pour obtenir les variables aux coefficients non nuls.
    3. Dans les 10 ensembles de données imputés, ajustez le modèle principal glm(family=binomial) en utilisant les variables sélectionnées. Combinez β, SE, OR et IC à 95 % en utilisant les règles de Rubin, et enregistrez les résultats en sortie/multivariable_pool.csv.
  6. Résultats de transformation de score, nomogramme et stratification du risque
    1. Convertissez β en points entiers selon une échelle fixe, et redistribuez le score total au logit et à la probabilité en utilisant la même échelle. Échantillonnez aléatoirement plusieurs cas pour comparer la « probabilité du modèle original » avec la « probabilité convertie par score » afin de s’assurer que l’erreur reste dans la plage acceptable prédéfinie.
    2. Utilisez le package rms pour construire le nomogramme et l’exporter en sortie/nomogram.pdf. Exportez la feuille de score en formats sortie/score_sheet.xlsx ou équivalents pour faciliter la production d’un formulaire papier d’une page.
    3. Effectuez la stratification en utilisant les seuils de 5 % et 15 % et obtenez le nombre de cas et l’incidence observée dans chaque strate. Exportez Se, Sp, PPV et NPV aux seuils en sortie/threshold_metrics.csv pour une présentation ultérieure.
  7. Validation interne, étalonnage et courbes de décision
    1. Fixez le nombre de rééchantillonnages bootstrap à 1 000, et à chaque rééchantillonnage, effectuez un réajustement et une prédiction, calculant AUC, score Brier, interception d’étalonnage et pente d’étalonnage. Rédigez les résultats corrigés par optimisme pour les résultats/bootstrap_corrected_metrics.csv et conservez un résumé des résultats intermédiaires pour chaque rééchantillonnage pour audit.
    2. Utilisez le package pROC roc() et auc() pour calculer l’AUC, et utilisez ci.auc(method="delong ») pour produire l’IC à 95 %. Enregistrez la courbe ROC en sortie/roc_curve.png et fixez la résolution et la taille dans le script.
    3. Utilisez le package RMDA pour calculer le bénéfice net et tracez les courbes DCA au-dessus de la fourchette seuil de 2 % à 25 %. Exportez la figure en sortie/dca_curve.png et fixez la taille du seuil de pas et les étiquettes de la courbe pour garantir la reproductibilité.
  8. Analyses de sensibilité
    1. Remplacez le résultat par « stade de lésion de pression ≥3 » et répétez l’imputation, la sélection du LASSO, l’ajustement principal du modèle et le flux de travail d’évaluation des performances. Produire les indicateurs de performance en même temps que l’analyse principale pour évaluer la robustesse.
    2. Remplacez la variable d’exposition à hypotension par « temps cumulé avec MAP<60 mmHg » et répétez le flux complet de modélisation et de validation. Comparez les directions des coefficients et les variations de l’AUC, du score de Brier et des métriques d’étalonnage pour tester la sensibilité au seuil fixé.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Population et caractéristiques de base de l’étude
Selon les critères prédéfinis, 3 274 dossiers patients issus de la salle d’opération hybride DSA ont été identifiés, et 1 936 (59,1 %) ont satisfait aux critères d’inclusion et sont entrés dans le développement et la validation du modèle (Figure 1). Les patients inscrits avaient un âge de (66,82 ± 11,94) ans ; Les hommes représentaient 61,16 % ; L’IMC était de (24,73 ± 3,89) kg/m 2

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Dans la salle d’opération hybride DSA, les complications liées à la position incluent la coexistence de lésions cutanées et des tissus mous ainsi que l’instabilité respiratoire et hémodynamique induite par le positionnement, indiquant que la sécurité positionnelle n’est pas seulement une question de pression locale mais reflète aussi une tolérance physiologique de l’ensemble du corps. Les déterminants du risque proviennent de la vulnérabilité du patient et de l’exposition chirurgicale. L...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

Les auteurs tiennent à remercier tous les collègues et membres du personnel qui ont contribué à cette étude mais qui ne sont pas répertoriés comme auteurs.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Système de gestion des informations anesthésiennesSource institutionnelleN/ASource des signes vitaux intraopératoires, agents vasoactifs, séries temporelles MAP et dossiers d’anesthésie.
Système de dossier médical électroniqueSource institutionnelleN/ASource des données démographiques, comorbidités, dossiers opératoires et documentation clinique de suivi.
GLMNETCRANN/APackage R utilisé pour la régression logistique pénalisée et la sélection de variables LASSO.
Salle d’opération d’angiographie par soustraction numérique hybrideSource institutionnelleN/ACadre d’étude pour toutes les procédures incluses ; équipée pour l’imagerie interventionnelle et la chirurgie ouverte.
Système d’information de laboratoireSource institutionnelleN/ASource des indicateurs de laboratoire préopératoires, incluant l’albumine et l’hémoglobine.
sourisCRANN/APackage R utilisé pour l’imputation multiple par équations enchaînées.
Système d’information infirmièreSource institutionnelleN/ASource des dossiers de positionnement, de la protection des points de pression, des contrôles de position intraopératoires et de la documentation des soins infirmiers postopératoires.
Système d’archivage et de communication d’images (PACS)Source institutionnelleN/ASource de la durée de la fluoroscopie et informations liées à l’imagerie.
pROCCRANN/APackage R utilisé pour l’analyse ROC, l’estimation de l’AUC et les intervalles de confiance DeLong.
RFondation R pour l’informatique statistiqueN/AEnvironnement logiciel d’analyse statistique.
RMDACRANN/APackage R utilisé pour l’analyse des courbes de décision.
RMSCRANN/APackage R utilisé pour les stratégies de modélisation de régression, les fonctions spline et la construction de nomogrammes.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Outil de pr diction infirmierBloc op ratoire hybrideComplications li es au positionnementStratification du risqueMod lisation logistiqueConstruction de nomogrammeProtection des points de pressionContr les du positionnement perop ratoire

Articles connexes