מאמר שיטה

כלי סיעודי חיזוי לבטיחות מיקום מטופל בחדרי ניתוח היברידיים באנגיוגרפיה דיגיטלית חיסור

75 צפיות

⸱

DOI:

10.3791/70751

⸱

5 ביוני 2026

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

במאמר זה

סיכום

מחקר רטרוספקטיבי במרכז יחיד פיתח ואישר פנימית כלי חיזוי סיעודי מדורג המשלב סיכון ניתוחי בסיסי של מטופל עם תהליכי טיפול סביב ניתוח ניתנים לשינוי, כדי לתמוך בהערכה טרום-ניתוחית ועדכוני סיכון לאחר מיקום עבור סיבוכים הקשורים למיקום בחדר ניתוח אנגיוגרפיה דיגיטלית היברידית.

תקציר

מטרת מחקר זה הייתה לפתח ולאמת פנימית כלי הערכה חזוי לסיעוד המתעדכן בשלבים המבוסס על סיכון בסיסי למטופל לניתוח ותהליכי סיעוד ניתנים לשינוי, לשימוש לפני ניתוח ואחרי מיקום בחדר הניתוח ההיברידי של אנגיוגרפיה דיגיטלית חיסור. קבוצה רטרוספקטיבית זו כללה מבוגרים מאושפזים שעברו את ההליך הראשון בחדר הניתוח ההיברידי, כאשר ניתוח שימש כיחידת ניתוח ומעקב עד 72 שעות לאחר הניתוח. התוצאה הייתה נקודת סיום מורכבת של סיבוכים הקשורים למיקום.

נתוני חיזוי חסרים טופלו באמצעות השראה מרובה (m = 10), ועקביות החילוץ הוערכה באמצעות כהן κ ומקדמי מתאם תוך-מחלקתיים. משתנים מועמדים מסינון חד-משתני בתוספת משתנים מוגדרים מראש נכנסו לקטנוע מוחלט מינימלי ורגרסיית אופרטור בחירה, ואחריהם מידול לוגיסטי רב-משתני ובניית נומוגרמה עם סטרטיפיקציה סיכונית מבוססת סף. ביצועי המודל הוערכו לפי שטח מתחת לעקומה, כיול יירוט ושיפוע, ציון ברייר, אימות פנימי של Bootstrap וניתוח עקומת החלטה.

סך הכל נותחו 1,936 מקרים, והתוצאה המשולבת הייתה ב-10.23%. היעדרות מקסימלית של משתנים מרכזיים הייתה 3.25%, ועקביות החילוץ הייתה טובה (κ ≥ 0.86, מקדם מתאם תוך-מחלקה ≥ 0.89). שנשארו שנים-עשר מנבאים; הגנה על נקודת לחץ ובדיקות מיקום תוך ניתוח היו מגן (יחס סיכויים 0.68–0.71). למודל הבסיס היה שטח מתחת לעקומה של 0.74/0.72 (נראה/מתוקן), והמודל המלא השיג 0.79/0.77. שיפוע הכיול המתוקן באופטימיות היה 0.947, החתוך היה 0.004, וציון ברייר היה 0.085.

כלי זה הראה הבחנה יציבה, כיול ותועלת נטו באימות פנימי. משתני תהליך הסיעוד מוסיפים ערך, והכלי עשוי לתמוך בהערכה טרום-ניתוחית ובעדכון סיכונים לאחר מיקום, בכפוף לאימות חיצוני.

מבוא

חדר הניתוח ההיברידי של אנגיוגרפיה דיגיטלית חיסור (DSA) משלבת דימות התערבותי עם ניתוח פתוח ומשמשת פלטפורמה לניהול מחלות כלי דם מורכבות ומצבי חירום קריטיים1. השרשרת הפרוצדורלית ארוכה יותר, רבים מהמטופלים הם קשישים, והרדמה כללית או הרדמה מפחיתה את הרפלקסים המגנים ואת ההתאמה הספונטנית2. מוגבלים על ידי זרוע C, השדה הסטרילי ופריסת נתיבי הגישה, ההזדמנויות לסובב את הגוף ולהקל על לחץ מצטמצמות לאחר קביעת המיקום, בעוד שהחשיפה ללחץ מתמשך ומתיחות/אחיזה מגבירה3. נהלים היברידיים מקבילים מקצרים עוד יותר את חלונות ההתאמה, וניהול המיצוב מתבסס יותר על תיאום צוות. סיבוכים הקשורים לתנוחה כוללים פגיעות לחץ, פגיעות עצביות היקפיות ושריר-שלד, ויכולים להופיע גם כתנודות נשימתיות והמודינמיות הנגרמות מהמיקום הנובעות, המשפיעות על ההחלמה לאחר הניתוח 4,5.

צוות הסיעוד נושא באחריות מרכזית למיקום, הגנה על נקודות לחץ, אבטחת גישה, בדיקת מיקום תוך ניתוחית ותצפית לאחר הניתוח; זיהוי מוקדם של סיכון מיקום והתערבות מדויקת הם נושאים מרכזיים בניהול סיעוד, עם צורך מוגבר באימות ותיעוד סטנדרטיים מבוססי תהליכים6. הערכות סיכון קיימות סביב הניתוח מתבססות בעיקר על סולמות גנריים לפני הניתוח או מתמקדות בתוצאה אחת7. רוב הראיות מגיעות מחדר הניתוח או מהחדר ההתערבותי ואינן מכסות את החשיפות המורכבות בחדר הניתוח ההיברידי של DSA, כגון חוסר יכולת ממושכת להסתובב, תנודות בפרפוזיה ובטמפרטורה, ושהייה במעטפת עם קיבוע דחיסה. כלים כמו Braden מדגישים סבילות עור אך אינם מתאימים לאפיון גורמים ספציפיים כמו מצב שכיבה וחשיפה מצטברת להיפוטנס, מה שמקשה על תמיכה בניהול שכבתי8. ספקטרום הסיבוכים כולל פגיעות עור וחוסר יציבות פיזיולוגית במקביל, וציון יחיד אינו מספיק לזיהוי עדיפויות תהליכי9.

מחקרים מסוימים התייחסו ישירות למדדים סיעודיים כמנבאים לפני הניתוח, מה שמוביל בקלות לאי-התאמה במטרה ודליפת מידע, מה שמקשה על תואמת התוצאות עם תזמון ועוצמת ההתערבויות ושיפור לא רצוי באיכות לאחר התאמת סיכון10. אין כלי הערכה שמספק סיכון בסיסי לפני הניתוח ומעדכן את הסיכון לאחר המיקום, עם פריטים ניתנים לפעולה מתאימים. במחקר זה, שהתבסס על קבוצה רטרוספקטיבית של מרכז יחיד, פותח כלי הערכה חיזוי לסיעוד; לפני הניתוח, הסיכון הבסיסי הוערך באמצעות משתני חשיפה של מטופלים וניתוחים, ולאחר המיקום שולבו פריטי סיעוד ניתנים לשינוי כדי לעדכן את הסיכון. רגרסיה עונשית שימשה לבחירת משתנים עם אימות פנימי; הוערכו אפליה, כיול ותועלת נטו; ונוצרו נומוגרפיה וסטרטיפיקציה מבוססת סף לתמיכה בהחלטות סיעודיות, שסיפקו בסיס להתאמת סיכונים ושיפור איכות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה עוסק ברשומות רפואיות קודמות של נבדקים אנושיים ונתוני הרדמה ורישומי סיעוד. המחקר נערך בהתאם להנחיות המוסדיות הרלוונטיות, נבדק ואושר על ידי ועדת האתיקה המוסדית (סקירת האתיקה של בית החולים Run Run Shaw 2025 Research No. 2113), עם ויתור על הסכמה מדעת בכתב; כל הנתונים הוסרו לפני הייצוא ושימשו רק למטרות מחקר זה.

מחקר זה דווח בהתאם להצהרת TRIPOD לפיתוח מודל חיזוי רב-משתני ולאימות פנימי; רשימת הבדיקה המלאה של TRIPOD מסופקת בטבלה המשלימים S1.

1. עיצוב מחקר וסביבת מחקר

  1. הגדר את עיצוב המחקר כמחקר תצפיתי רטרוספקטיבי במרכז יחיד המשתמש בעיצוב קוהורט היסטורי. קבע את מסגרת הזמן של המחקר ל-1 בינואר 2021 ועד 31 בדצמבר 2024.
  2. קבעו את מטרת המחקר כפיתוח כלי הערכה חיזוי סיעודי לסיבוכים הקשורים למיקום בחדר הניתוח ההיברידי של DSA וביצוע אימות פנימי והערכת ביצועים. הגדר "ניתוח" כיחידת הניתוח והקצה לכל ניתוח מזהה ייחודי (למשל, מספר אשפוז + תאריך ניתוח + זמן תחילת ההרדמה).
  3. כאשר אותו מטופל עבר מספר ניתוחים זכאים, שמור רק את תיק הניתוח הראשון הזכאי. הגדר "ראשון" כניתוח המתאים עם זמן תחילת ההרדמה או ההרדמה המוקדם ביותר בתוך חלון זמן המחקר.
  4. הגדר את נקודת ההתחלה של חילוץ הנתונים כזמן שבו המטופל נכנס לחדר הניתוח ומתחיל ההרדמה או ההרדמה. קבע את נקודת המשך הסופית ב-72 שעות לאחר הניתוח, ובכך לכסות את חלון ההופעה הראשוני של סיבוכים הקשורים למיקום.
  5. הגבל את הגדרת המחקר לחדר ניתוח DSA היברידי ותעד שהוא מצויד במערכת אנגיוגרפיה דיגיטלית שטוחה עם פאנל שטוח ויכולת ניתוח פתוח. רשמו שהמצבים הנפוצים הם שכיבה, שכיבה וצידית, וכי התאמת התנוחה תוך ניתוחית מוגבלת על ידי ציוד ההדמיה, השדה הסטרילי ופריסת נתיבי הגישה, מה שמוביל לפחות הזדמנויות להסתובב ומשך ניתוח ארוך יחסית.

2. אוכלוסיית המחקר, זרימת סינון המקרים ואסטרטגיית גודל המדגם

  1. ייצא את כל רשומות הניתוח "חדר ניתוח DSA היברידי" בתוך חלון זמן המחקר מרשימת חדר הניתוח הרשום ברצף. שמור שדות תואמים כגון קוד ההליך, מזהה חדר ניתוח, תאריך ניתוח, מספר אשפוז ושעת תחילת ההרדמה.
  2. השתמשו במספר האשפוז ובתאריך הניתוח להתאמה הראשונית, ובצעו בדיקה משנית באמצעות זמן תחילת ההרדמה ומזהה חדר הניתוח. אם קיימות מספר רשומות הרדמה באותו יום עבור אותו מספר אשפוז, עדיף להתאים את זה עם מזהה חדר ניתוח עקבי וזמן תחילת ההרדמה הקרוב ביותר לזמן רישום הניתוח.
  3. כלול מטופלים מבוגרים מאושפזים בגיל ≥18 שנה, שניתוחיהם בוצעו בחדר ניתוח DSA היברידי והיו נוירווסקולריים, קרדיווסקולריים או פרוצדורות היברידיות או כלי דם היברידיות. אשר שניתנה הרדמה כללית או הרדמה במהלך הניתוח, שהתיעוד הרפואי, ההרדמה והסיעוד שלם, וכי יש מעקב עד 72 שעות לאחר הניתוח זמין.
  4. החריגו מקרים שבהם אירוע התוצאה הראשוני כבר היה קיים לפני הניתוח כדי למנוע קו בסיס לא אפס לתוצאה. לכלול מקרים שבהם ההליך הופסק במהלך הניתוח מסיבות שאינן קשורות למיקום, כך שלא ניתן היה להעריך נוסף, וכן מקרים שהועברו מבית החולים תוך 72 שעות לאחר הניתוח, מה שהוביל לתוצאה לא מוגדרת.
  5. קבעו את סף החסר של משתני מנבא מרכזיים על ידי חישוב יחס החסרות לכל מקרה על פני משתני מנבא מרכזיים מוגדרים מראש ותיעוד הסיבות להיעדרות. אם יחס החסר במקרה על פני משתני החיזוי המרכזיים עולה על 30%, יש להוציא את המקרה לפי הכללים שנקבעו מראש ותעד את סיבת ההחרגה ביומן הסינון.
  6. תן לשני חוקרים להשלים את הסינון באופן עצמאי וליצור יומני סינון (כולל הכללה/החרגה וסיבות). במקרים סותרים, יש לחוקר שלישי לעקוב אחרי הרשומות המקוריות לצורך הכרעה, ולשמור את רשומת ההכרעה למעקב.
  7. אין להגדיר מראש גבול עליון לגודל המדגם, תוך אימוץ אסטרטגיית הכללה עוקבת לכל המקרים. שליטה במורכבות המודל לפי מספר האירועים, קביעת מספר הפרמטרים הנכנסים בסופו של דבר למודל לפי עקרון של לפחות 15 אירועים לכל פרמטר.

3. מדדי מחקר והגדרות משתנות

  1. הקם מילון משתנים וציין עבור כל משתנה את מערכת המקור, שם השדה, כללי הערכים ורצף הזמן. למשתנים רציפים, השתמשו בערך המעבדה או ההערכה העדכני ביותר לפני הניתוח; למשתנים כירורגיים והרדמה, השתמשו בערך הגרוע ביותר שנרשם לאורך כל ההליך או החשיפה המצטברת; למשתני סיעוד ומכשיר, השתמשו ביישום תוך-ניתוחי בפועל. הגדר ספים מוגדרים מראש וסף קטגוריות מראש בהתאם לקריטריונים קליניים נפוצים, סיעוד סביב ניתוח ופרקטיקה של הרדמה, וספרות שפורסמה. כאשר אין סף אחד ומקובל זמין, השתמש בקטגוריות פרגמטיות כדי להקל על הקלטה, פרשנות ויישום קליני.
  2. תוצאה ראשונית: תוצאה מורכבת של סיבוכים הקשורים למיקום
    1. הגדר את התוצאה העיקרית כתוצאה מורכבת של סיבוכים הקשורים לתנוחה המתרחשים מתהליך תוך ניתוח ועד 72 שעות לאחר הניתוח. אם אירועי רכיבים מרובים מתרחשים באותו מקרה, ספרו את התוצאה המורכבת פעם אחת בלבד, ורשמו את זמן ההופעה הראשונה ואת כל סוגי הרכיבים לניתוחים משניים.
    2. הגדר פגיעה בשלב 2 או בלחץ גבוה או פגיעה ברקמות עמוקות בתוך 72 שעות לאחר הניתוח כאחת מהאירועים המרכיבים. השתמשו בטופס הערכת עור הנקה, בבמה וברשומות סיעוד כראיות, ודורש רשומות שניתן למקם לאתרים אנטומיים ספציפיים.
    3. הגדר פגיעת עצב פריפרי כהתרחשות של אובדן חושים, נימול או ירידה בכוח השרירים שנמשך ≥24 שעות. דרוש שההתפלגות האנטומית תואמת לאזור המגע/המשיכה של התפקיד באותו זמן, ולהשתמש בהערות התקדמות או ברשומות הערכה מקצועיות כראיה עיקרית.
    4. הגדירו פגיעה במפרק או במערכת השרירים והשלד כאב מקומי המלווה בממצאי דימות חיוביים או ממצאי בדיקה גופנית מקצועית המצביעים על פציעת אחיזה/לחץ. רשמו את שיטת ההדמיה או את מסקנת הבדיקה, וסמנו את נקודות הפעלת הכוח הקשורות למיקום.
    5. הגדר אירועי חוסר יציבות נשימתית או המודינמית הקשורים למיקום כלחץ דרכי הנשימה, נשימה מוגבלת או הגבלת החזרת וריד הנגרמים ממיקום שדורש מיקום מחדש, דחיסה, הסלמה של כלי דם או הפסקת ההליך. השתמש ברשומות אירועים של מערכת ההרדמה, דפי רשומות הרדמה, ורשומות אחיות ורופאים המכילים תיאורים מפורשים של "תנוחה" ומדדי ניהול מתאימים כראיה.
    6. הגדר המטומה בקוטר ≥5 ס"מ בצד הדקירה או נוזל שדורש קיבוע דחיסה נוסף, עם רשומות שמצביעות על החמרה הקשורה למגבלות מיקום, כאחד מהאירועים המרכיבים. השתמשו ברשומות הסיעוד וברשומות של רופאים במחלקה תוך 72 שעות לאחר הניתוח כראיה, ורשמו את אמצעי הניהול הנוספים.
    7. קבעו את הרלוונטיות העמדתית לפי שלושה קריטריונים: אזכור מפורש של רלוונטיות מיקום ברשומות, אתר אנטומי התואם לנקודות חשיפה מיקומיות, והיעדר סיבה חלופית משכנעת יותר. אם יש ניגוד ייחוס בין רשומות אחיות לרופאים, תעדף את הרשומה המקורית קרוב יותר לזמן האירוע, ושני שופטים יבדקו ויגיעו להסכמה.
  3. הגדרות של משתני מנבא
    1. הגדר משתנים ברמת המטופל כגון גיל, מין, מדד מסת גוף, סוכרת, נוירופתיה פריפרית, מחלת עורקים פריפרית, מחלת כליות כרונית שלב ≥ 3, אי ספיקת לב, מצב עישון, אלבומין לפני ניתוח, המוגלובין לפני ניתוח, מדד תחלואה נלווית של צ'רלסון, וציון בריידן לפני הניתוח. הגדר "טרום-ניתוח" כרשומה התקפית האחרונה לפני הכניסה לחדר הניתוח, בתוך חלון ההערכה השגרתי של בית החולים.
    2. הגדר משתנים ברמת הניתוח וההרדמה כקטגוריית הליך, סוג הרדמה, סוג מיקום, קטגוריות זוויות סיבוב ראש-צוואר, קטגוריות זווית החטיפה של הגפה העליונה, חטיפה או כיפוף בגפה התחתונה > 45°, משך ניתוח, משך פלואורוסקופיה, מצב לא ניתן לסיבוב תוך ניתוח, אובדן דם מוערך, MAP נמוך יותר, זמן מצטבר עם MAP< 65 מ"מ כספית, טמפרטורת ליבה נמוכה ביותר, שימוש בחומרים ואזואקטיביים, ומקסימום נוראפינפרין מקסימלי. סווג תנוחה כ-spoine/rone/lateral; סווג סיבוב ראש-צוואר כ-≤30°, 31–60°, ו->60°; סווג חטיפת גפה עליונה כ-≤90° ו->90°).
    3. ייצוא את סדרת הזמן של MAP עם חותמות זמן ממערכת ניהול מידע ההרדמה. השתמשו בהפרש הזמן בין רשומות סמוכות כאורך המרווחים, וסכם את משך כל המרווחים עם MAP < 65 מ"מ כספית כדי לקבל "MAP < 65 זמן מצטבר"; אם קטע אחד חסר או שהפער חריג (למשל, >5 דקות ללא הסבר סביר), סמן את התקופה הזו כחסר ואל תכלול אותו בסך המצטבר.
    4. הגדר משתנים ברמת ההנקה וההתקן כסוג ריפוד השולחן, האם הושלמה הגנה מרכזית על נקודת לחץ, האם הגפיים העליונות היו מאובטחות ללוחות זרוע מרופדים, האם הראש נתמך במצב ניטרלי, קטגוריית אתר הניקוב, גודל המעטפת, זמן השהייה במעטפת, שיטת אבטחה/סגירה באתר הניקוב, ושלמות תיעוד בדיקת המיקום תוך הניתוח. הגדר "הגנת נקודת לחץ מרכזית הושלמה" כ"הושלמה כאשר קיימות רשומות הגנה בכל ארבעת האתרים—אוקסיפוט, שכם, אזור סקרוקוקציגיאלי ועקבים; אחרת, הוא נחשב לא גמור במלואו.
    5. רשמו האם נעשה שימוש בסוכנים ואזואקטיביים כלשהם, וקודד לא-משתמשים כ"לא בשימוש". למשתמשים, יש לרשום את המקביל המקסימלי לנוראפינפרין (μg/kg/min); בכל נקודת זמן שיא הרדמה, יש לחשב NE_eq_t = norepinephrine_t + epinephrine_t + 0.01 * dopamine_t + 0.06 * phenylephrine_t + 2.5 * vasopressin_t, כאשר נוראפינפרין, אפינפרין, דופמין ופנילפרין מבוטאים במיקרוגרם/ק"ג/דקה ווזופרסין ב-U/min; סוכנים שלא נוצלו בנקודת זמן נתונה קודדו כ-0, ו-maximum_norepinephrine_equivalent = מקסימום(NE_eq_t, na.rm = TRUE) לאורך התקופה שבמהלך הניתוח.
      הערה: כללי ההמרה והאגרגציה נקבעו מראש ויושמו בסקריפט הניתוח.

4. איסוף נתונים ובקרת איכות

  1. לספק הכשרה אחידה לשני חוקרים האחראים על חילוץ הנתונים ולהפיץ את נהלי ההפעלה הסטנדרטיים (SOP) ואת מילון המשתנים. לאחר ההכשרה, יש לבצע חילוץ פיילוט בדגימה קטנה ולתקן את ההגדרות ומסלולי החילוץ של שדות עמומים.
  2. להפיק דמוגרפיה ותחלואות נלוות מהרשומה הרפואית האלקטרונית, מדדי מעבדה טרום-ניתוחיים ממערכת המעבדה, סימנים חיוניים ותרופות ממערכת ההרדמה, מדדי מיקום וסיעוד ממערכת הסיעוד, ומידע על משך פלואורוסקופיה ומידע הקשור להדמיה מ-PACS. בצע התאמה חוצת מערכות באמצעות מספר האשפוז ותאריך הניתוח, ושמור את מפתחות ההתאמה ויומן ההתאמה.
  3. כאשר מתרחשים קונפליקטים בתחום, עקוב אחרי רשומות הנייר המקוריות וקח את רשומות הנייר כסטנדרט. רשום את סוג הקונפליקט, הערך המקורי, הערך המתוקן ומקור הראיות ביומן טיפול בסכסוך.
  4. בצע הזנת נתונים כפולה על ידי שני אנשים לכל השדות ויצירת רשימת אי-התאמות. תן לחוקר שלישי לבדוק כל פריט מול הרשומות המקוריות לשיפוט ולנעול את גרסת המאגר הסופית לניתוח.
  5. הקמת טבלה של טווחים קליניים סבירים למשתנים רציפים וביצוע בדיקות טווח אוטומטיות לאחר הייבוא. לעקוב אחרי ערכים מחוץ לטווח לאימות; אם לא ניתן לאימות, הגדר אותם כחסרים ושמרו על הערך המקורי להפניה לשימוש.
  6. בצע חילוץ כפול עבור 50 המקרים הראשונים וחשב עקביות, באמצעות כהן κ למשתנים קטגוריים ו-ICC (השפעות אקראיות דו-כיווניות, הסכמה מוחלטת) למשתנים רציפים. אם κ < 0.80 או ICC < 0.85, יש לבצע הכשרה מחדש למשתנים הרלוונטיים ולעבור ביקורת מחודשת עד שהסטנדרט יושלם.
  7. חשב את מספר ושיעור המקרים החסרים עבור כל משתנה מנבא מועמד ויצר דוח חסר. עבור משתני מנבאים מרכזיים עם יחס חסר שאינו עולה על 30%, יש להתחיל בהטלה מרובה; משתנה התוצאה הראשי לא יוחס.
  8. פרטי מימוש ריבוי באמצעות משוואות שרשרת (MICE)
    1. קבע את מספר מערכי הנתונים המיוחסים ב-m = 10 וקבע את מספר האיטרציות לפחות ל-20 כדי לקדם התכנסות. הגדר זרע אקראי כדי להבטיח שחזוריות של ההטלה ושמור את אובייקט העכבר לצורך ביקורת.
    2. השתמש בהתאמת ממוצע חיזוי (PMM) עבור משתנים רציפים כדי לשמור על צורת התפלגות. השתמשו בהעברה רגרסיה לוגיסטית למשתנים בינאריים, בהפחתת לוגיסטית מולטי-נומית למשתנים מרובי קטגוריות לא מסודרים, ובהעברה לוגיסטית אורדינלית למשתנים קטגוריים מסודרים. ב-R, משתנים מרובי קטגוריות לא מסודרים הוגדרו כ-nom_vars <- c("smoking_status","procedure_category", "anesthesia_type",
      "position_type","table_padding_type","puncture_site_
      קטגוריה","puncture_site_closure_method"), ומשתנים קטגוריים מסודרים הוגדרו כ-ord_vars <- c("head_neck_rotation_cat","upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], פקטור); dat[ord_vars] <- lapply(dat[ord_vars], פקוד); מת' < - עכברים::make.method(dat); מתאמפטמין[sapply(dat, is.numeric)] <- "pmm"; מת'[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"; מתאמפטמין[nom_vars] <- "פולירג"; מת'[ord_vars] <- "polr"; ומתאמפטמין[c("inpatient_number","surgery_id","come")] <- "".
    3. כלול את כל משתני החיזוי המועמדים ואת משתנה התוצאה במטריצת החיזוי של ההעברה כדי לשפר את איכות ההנבאה, אך לבצע הטמעה רק עבור משתני מנבא עם חסרות. הגדר שדות מזהים שלא אמורים לפעול כמנבאים (למשל, מספר אשפוז, מזהה ניתוח ייחודי) כך שלא ישתתפו במודל ההערכה כדי למנוע הכנסת מידע לא קליני. כדי לעקוב אחרי פרוטוקול זה, יש ליישם את מטריצת החיזוי כ-pred <-mouse ::make.predictorMatrix(dat); pred[,] <- 1; דיאג (פרד) <-0; pred[, c("inpatient_number","surgery_id")] <-0; pred[c("inpatient_number","surgery_id","come"), ] <-0; ו-pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","outcome")), "תוצאה"] <-1, כך שהתוצאה משמשת רק כמנבא עזר ולא מיוחסת.
    4. גרף איטרציות מעקב ובודק האם הממוצעים והשונות של משתנים רציפים מרכזיים יציבים כדי להעריך התכנסות אימפוטציה. Imputation בוצע כ-imp < - עכברים::עכברים(dat, m = 10, maxit = 20, method = מת', PredictorMatrix = pred, seed = 20250101, printFlag = FALSE); ההתכנסות הוערכה באמצעות PLOT(IMP) ועל ידי בדיקת יציבות הממוצעים והשונות של משתנים רציפים מרכזיים בין איטרציות.

5. פיתוח כלי ההערכה החיזוי הסיעודי

  1. עיבוד מוקדם וקידוד של משתנים מועמדים
    1. הגדר את רמת ההתייחסות לקטגוריית הפרוצדורה ל"נוירו-וסקולרי", ואת רמת ההתייחסות למצב "לשכב". הגדר את רמת ההתייחסות לסיבוב ראש-צוואר ל-"≤30°", ואת רמת ההתייחסות להטעת הגפה העליונה ל"≤90°". הגדרה את רמת ההתייחסות לקטגוריית אתר הדקירה ל"עורק רדיאלי", ואת רמת ההתייחסות לשיטת סגירת אתר הניקוב ל"מכשיר סגירת כלי דם".
    2. גיל סולם ל-10 שנים, משך ניתוח ל-60 דקות, משך פלואורוסקופיה ל-10 דקות, אובדן דם משוער ל-100 מ"ל, זמן שהייה במעטפת ל-60 דקות, וגודל המעטפת ל-1 Fr. עבור משתנים המשוערים כ"ככל שהערך נמוך יותר, הסיכון גבוה יותר" (למשל, טמפרטורת ליבה נמוכה ביותר, אלבומין, המוגלובין, ציון בריידן, ה-MAP הנמוך ביותר), יש ליישם קידוד הפוך כך שה-OR של הרגרסיה ייצג "עלייה בסיכון ליחידת ירידה".
      הערה: ניתן ליישם קידוד הפוך על ידי לקיחת השלילי של המשתנה המקורי וסקיילינג לפי היחידה, לדוגמה, Temp_dec = -(Temp/0.5) או Braden_dec = -(Braden/1), כדי לשמור על עקביות כיוון פרשנות ה-OR.
  2. ניתוח משתנים חד-משתנים וסינון משתנים מועמדים
    1. להתאים מודל רגרסיה לוגיסטית חד-משתנה לכל מנבא מועמד ולרשום את ערך ה-OR, 95% CI ו-P. למשתנים קטגוריים, השתמשו בקידוד דמה עם רמת ההתייחסות והערכות אפקט הפלט של כל רמה ביחס להתייחסות.
    2. השתמש בסלינים קוביים מוגבלים לבדיקת ליניאריות של משתנים רציפים, באמצעות ארבעה קשרים הממוקמים בקוונטילים 5%, 35%, 65% ו-95%. אם המבחן מצביע על אי-ליניריות משמעותית, שמרו על אותה צורת ספליין במודל הרב-משתני הבא.
    3. קחו את האיחוד של "משתנים שנקבעו מראש קלינית" ו"משתנים עם משתנים חד-משתנים P<0.20" כקבוצת המועמדים הרב-משתנית12. השוו את קבוצת המועמדים מול מגבלת מספר האירועים, וכאשר יש צורך, לשמור על משתנים בעלי רלוונטיות קלינית גבוהה לשליטה בהתאמת יתר.
  3. בחירת LASSO ובניית המודל הראשי
    1. התאמת רגרסיה לוגיסטית עונשית (LASSO, alpha=1) על קבוצת המועמדים, עם family="binomial". סטנדרטיזציה של משתנים רציפים (סטנדרטיזציה=TRUE) כדי להבטיח ענישה הוגנת בין משתנים בקני מידה שונים.
    2. בצע אימות צולב של עשרה פעמים בחזרה 1,000 פעמים, יצירת חלוקות קיפול באקראי בכל פעם ותיעוד סטיית האימות הצולב המתאימה ל-lambda.min. הגדר את עוצמת העונש כחציון של lambda.min על פני 1,000 החזרות (או, באופן שקול, ה-λ המתאים לסטיית הממוצע המינימלי), והשתמש ב-λ זה עבור התאמת LASSO הסופית לקבלת קבוצה יציבה של משתנים עם מקדמים שאינם אפס.
    3. באמצעות המשתנים עם מקדמים שאינם אפסים שנבחרו על ידי LASSO, מתאימים את המודל הראשי של רגרסיה לוגיסטית רב-משתנית ללא עונש במאגר הנתונים המלא. אם מונחי ספליין נשמרים, מתאימים אותם למודל הראשי עם אותה צורת ספליין ורשמו את המקדמים או מונחי הפונקציה המתאימים.
    4. להתאים את המודל הראשי בנפרד ל-10 מערכי הנתונים המיוחסים ולחלץ מקדמי רגרסיה ושגיאות סטנדרטיות. משלבים את המקדמים, השגיאות הסטנדרטיות ורווחי האמון באמצעות כללי רובין, ודווחו על ערכי ה-OR וה-P המאוחדים.
  4. דירוג סיכון, נומוגרפיה וסטרטיפיקציה של סיכון
    1. קנה מידה שירתי של מקדמי הרגרסיה המרכזיים של המודל לנקודות שלמות לפי שיטת סאליבן, תוך קביעת קנה המידה הבסיסי וכללי העיגול. מחשב את הציון הכולל וממפה את הציון הכולל להסתברות החזויה באמצעות פונקציית הלוגיט; נוסחת המיפוי חייבת להיות עקבית עם החיתוך של המודל הראשי.
    2. השתמש בחבילת ה-RMS כדי ליצור נומוגרמה המבוססת על המודל הראשי, ולייצא אותה כתמונה ברזולוציה גבוהה או PDF לפרסום. החלו שמות קבצים בגרסאות על פלטי הנומוגרמה כדי למנוע בלבול שנגרם משינויים מאוחרים.
    3. הגדר הסתברות חזויה <5% כסיכון נמוך, 5% עד 14.9% כסיכון בינוני, ו-≥15% כסיכון גבוה13. תקבע את פלטי הכלי לשני פורמטים — טופס נייר של עמוד אחד ומחשבון אלקטרוני — והגביל את תהליך הניקוד לשלושה שלבים בלבד כדי להקל על השימוש הקליני.

6. אימות מודלים והערכת ביצועים

  1. אימות פנימי ותיקון אופטימיות
    1. השתמש ב-bootstrap לאימות פנימי, והגדר את מספר הדגימות ל-1,000 כדי לקבל הערכות יציבות. לכל דגימה מחדש, יש לשדרג את המודל בדגימת האתחול, ולחשב מדדי ביצועים הן במדגם האתחול והן במדגם המקורי כדי להעריך אופטימיות.
    2. הגדר אופטימיות כהפרש הממוצע בין ביצועים בדגימת ה-bootstrap לבין הדגימה המקורית. הפחת אופטימיות מהביצועים הנראים לכאורה כדי לקבל את הביצועים המתוקנים, ולדווח על AUC מתוקן באופטימיות, יירוט כיול, שיפוע כיול וציון ברייר.
  2. אפליה
    1. שרטט עקומות ROC וחשב את AUC כמדד להבחנה. הערכו את ה-AUC ואת רווח ה-CI של 95% באמצעות שיטת דה-לונג, ומבצעים את החישובים על אותם פלטי חיזוי (הסתברויות) כדי להבטיח השוואה.
    2. בספים המוגדרים מראש (5% ו-15%), חשב רגישות, ספציפיות, PPV ו-NPV. לכל סף, יש גם להוציא את ספירות מטריצת הבלבול כדי לאפשר אימות החישוב.
  3. כיול ושגיאה כוללת
    1. התאמת מודל כיול עם המנבא הליניארי (logit) כמשתנה בלתי תלוי; החיתוך מציין הטיה שיטתית, והשיפוע מציין את דרגת ההתאמה היתרה. הגדר כיול אידיאלי כאינטרספט = 0 ושיפוע = 1, ודווח על המדדים לפני ואחרי התיקון.
    2. חשב את ציון ברייר כמדד לשגיאה הכוללת, וצייר עקומות כיול באמצעות החלקת לואס לצד הקו האידיאלי של 45°. ציון ברייר חושב כממוצע((תוצאה - predicted_probability)2), והחלקת לואס יושמה כסטטיסטיקות::loess(result ~ predicted_probability, span = 0.75, degree = 2, family = "gaussian", surface = "ישיר").
  4. עקומות התועלת וההחלטה הקלינית נטו
    1. השתמשו בניתוח עקומת ההחלטה כדי להעריך תועלת נטו על פני הסתברויות סף של 2% עד 25%14, וגרמו אסטרטגיות Treat-All ו-Treat-None כהפניות. קבע את גודל שלב הסף ל-0.01 וציין זאת במפורש בסקריפט כדי להבטיח שחזוריות.
    2. לבצע ניתוח רגישות של התועלת נטו סביב הספים של סיכון נמוך וגבוה, ולתעד את כיוון השפעת השינויים בסף על התועלת נטו. הצג את תוצאות ניתוח הרגישות לצד הספים המוגדרים מראש כדי לאמת את רציונליותן.

7. מימוש סטטיסטי ותהליך עבודה של סקריפטים שניתן לשחזר

  1. סביבת תוכנה ואתחול פרויקטים
    1. בצע ניתוחים ב-R 4.3.2 באמצעות חבילות pROC, rms, glmnet, עכברים ו-rmda.
    2. הגדר זרע אקראי קבוע (20250101) בתחילת הסקריפט, והקלט מידע על סשן כדי לתעד את סביבת התוכנה.
  2. ייבוא נתונים, הגדרות סוג ובדיקות איכות
    1. ייבא את הנתונים באמצעות read.csv("data/analysis.csv") או readr::read_csv(). בדוק אם ספירת השורות תואמת אחד לאחד עם מזהה הניתוח הייחודי, ובדוק אם יש מזהים כפולים.
    2. המרו משתנים קטגוריים לגורמים והשתמשו ב-relevel() כדי לקבוע רמות ייחוס שיתאימו לסכימה המוגדרת מראש. שמור על משתנים רציפים מספריים, והשתמש בקנה מידה יחידתי וקידוד הפוך לפי הפריסט לפני המידול.
    3. למשתנים קטגוריים, יש לחשב תדירויות ואחוזים; עבור משתנים רציפים, יש לחשב ממוצע ± סטיית תקן או חציון [IQR]. השתמשו בשיטות גרפיות וב-shapiro.test() כדי להעריך את צורת ההתפלגות ולקבוע את הגישה התיאורית בהתאם.
  3. טיפול חסר בנתונים והעברת נתונים מרובה (m = 10)
    1. חשב את יחס החסר לכל משתנה וייצא אותו כפלט/missing_report.csv. אשר שלמשתנה התוצאה אין חסרות, ולנעול את האסטרטגיה של "הקצב רק משתני מנבאים, לא מייחס את התוצאה."
    2. השתמש ב-mice() עם m = 10 ו-maxit ≥ 20 כדי להריץ משוואות שרשורות, ולהגדיר שיטות ההטלה לפי סוגי משתנים. השתמש ב-complete(mids, action=k) כדי לייצא את מערך הנתונים ה-kth שהושלם ולשמור אותו כ-data/imp_k.csv.
    3. גרף (מידים) כדי לבדוק את יציבות העקבות, ולהשוות את ההתפלגויות לפני ואחרי ההטלה עבור משתנים רציפים מרכזיים. שמור את גרפי האבחון לפלט/imputation_diagnostics.pdf לאימות.
  4. רגרסיה חד-משתנית, בדיקת ספליין ויצירת קבוצת המועמדים
    1. הכניסו רגרסיה לוגיסטית חד-משתנית לכל מערך נתונים מיוחס והשתמשו ב-pool() לשילוב מקדמים ושגיאות סטנדרטיות. ייצא את ערכי ה-OR, ערכי CI של 95% ו-P כפלט/univariate_pool.csv עבור רשומות סינון מועמדים.
    2. השתמש בחבילת rms rcs() כדי להתאים איברי spline למשתנים רציפים ולבדוק את האיברים הלא-ליניאריים. תקבע את מספר ומיקומי הקשרים ורשום אותם בתגובות סקריפט כדי למנוע הבדלים בין ריצות.
    3. קחו את האיחוד של משתנים ומשתנים שנקבעו קלינית עם משתנים חד-משתנים P<0.20 כדי ליצור את רשימת המועמדים, ושמרו אותה כפלט/candidate_list.txt. בדוק האם מספר המועמדים ומספר האירועים עומדים במגבלת המורכבות, ורשום את קבוצת המשתנים הסופית ששימשה ל-LASSO.
  5. בחירת LASSO והתאמת דגם ראשי
    1. השתמש ב-model.matrix() כדי ליצור את מטריצת המשתנים הבלתי תלויים ולוודא שרמות הייחוס נכונות. השתמש ב-cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) לביצוע אימות צולב פי עשרה.
    2. השתמש בלולאה כדי לחזור על חלוקות קיפול אקראיות 1000 פעמים, רשם lambda.min ואת שגיאת האימות הצולב לכל ריצה, וכתוב אותן לפלט/lasso_lambda_trace.csv. קח את החציון של ערכי lambda.min כ-λ היציב, והתקן glmnet על מערך הנתונים המלא באמצעות λ זה כדי לקבל את המשתנים עם מקדמים שאינם אפס.
    3. ב-10 מערכי הנתונים המוערכים, מתאימים את המודל הראשי glm(משפחה=בינום) באמצעות המשתנים שנבחרו. משלב β, SE, OR ו-95% CI לפי חוקי רובין, ושמור את התוצאות כפלט/multivariable_pool.csv.
  6. הפיכת ניקוד, נומוגרפיה ותפוקי סטרטיפיקציה של סיכונים
    1. המיר β לנקודות שלמות לפי סולם קבוע, וממפה את הציון הכולל חזרה ללוגיט ולהסתברות באמצעות אותו סולם. דגימה אקראית של מספר מקרים כדי להשוות את "הסתברות המודל המקורי" ל"הסתברות שהומרת על ניקוד" כדי לוודא שהטעות נמצאת בטווח המקובל שנקבע מראש.
    2. השתמש בחבילת ה-RMS כדי לבנות את הנומוגרמה ולייצא אותה כפלט/nomogram.pdf. ייצא את גיליון התווים כפורמטים פלט/score_sheet.xlsx או מקבילים כדי להקל על הפקת טופס נייר בן עמוד אחד.
    3. לבצע סטרטיפיקציה באמצעות ספי 5% ו-15% ולהוציא את מספר המקרים וההיכרות שנצפתה בכל שכבה. ייצא Se, Sp, PPV ו-NPV בספים כפלט/threshold_metrics.csv להצגה הבאה.
  7. עקומות אימות פנימיות, כיול והחלטה
    1. הגדר את מספר דגימות האתחול ל-1,000, ובכל דגימה מבצעת התאמה וחיזוי, חישוב AUC, ציון ברייר, יירוט כיול ושיפוע כיול. כתוב את התוצאות המתוקנות באופטימיות לפלט/bootstrap_corrected_metrics.csv ושמור סיכום של תוצאות ביניים עבור כל דגימה מחדש לביקורת.
    2. השתמש בחבילת pROC roc() ו-auc() כדי לחשב את AUC, והשתמש ב-ci.auc(method="delong") כדי להפיק את ה-CI של 95%. שמור את עקומת ה-ROC כפלט/roc_curve.png וקבע את הרזולוציה והגודל בסקריפט.
    3. השתמש בחבילת ה-RMDA כדי לחשב תועלת נטו ולשרטט עקומות DCA בטווח הסף של 2% עד 25%. ייצא את הדמות כפלט/dca_curve.png וקבע את גודל שלב הסף ותוויות העקומה כדי להבטיח שחזוריות.
  8. ניתוחי רגישות
    1. החלף את התוצאה ב"שלב פציעת לחץ ≥3" וחזור על ההערכה, בחירת LASSO, התאמת דגם ראשי ותהליך הערכת ביצועים. הוציא את מדדי הביצועים לצד הניתוח הראשי כדי להעריך עמידות.
    2. החלף את משתנה החשיפה ללחץ דם נמוך ב"זמן מצטבר עם MAP<60 מ"מ כספית" וחזר על תהליך המידול והאימות המלא. השווה את כיווני המקדמים ושינויים ב-AUC, ציון ברייר ומדדי כיול כדי לבדוק את הרגישות להגדרת הסף.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

אוכלוסיית מחקר ומאפייני הבסיס
לפי הקריטריונים שנקבעו מראש, זוהו 3,274 רשומות מטופלים מחדר הניתוח ההיברידי של DSA, ו-1,936 (59.1%) עמדו בקריטריוני ההכללה ונכנסו לפיתוח ואימות מודל (איור 1). המטופלים הרשומים היו בגיל (66.82 ± 11.94) שנים; גברים היוו 61.16%; BMI היה (24.73 ± 3.89) ק"גלמטר 2; סוכרת היווה 23.45%. מדד התחלואה הנלווית של צ'רלסון היה 3 [2,5], ציון בריידן היה 17 [16,19], ואלבומין לפני הניתוח היה (39.18 ± 4.41) גרם/ליטר,...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

בחדר הניתוח ההיברידי של DSA, סיבוכים הקשורים למיקום כוללים פגיעות עור ורקמות רכות קשות, וחוסר יציבות נשימתית והמודינמית הנגרמת ממיקום, מה שמעיד שבטיחות תנוחה אינה רק עניין של לחץ מקומי אלא גם משקפת סבילות פיזיולוגית לכל הגוף. גורמי הסיכון נובעים מפגיעות המטופל וחשיפה לניתוח. גיל מתקדם ועומס תחלואה נלווית גבוה יותר מעידים על ירידה במאגר הרקמות; ציון בריידן נמוך יותר משקף סבילות עורית מופחתת וניידות מוגבלת, מה שמפחית את הסבילות ללחץ מתמשך. משך ניתוח ממושך ומיקום קבוע גורמים להצטברות לחץ ממ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים שאין להם ניגודי עניינים.

תודות

המחברים רוצים להודות לכל עמיתיהם והצוות שתרמו למחקר זה אך אינם רשומים כמחברים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מערכת ניהול מידע של הרדמהמקור מוסדילא זמיןמקור לסימנים חיוניים תוך כירורגיים, סוכני כלי דם, סדרות זמן MAP ורשומות הרדמה.
מערכת רשומות רפואיות אלקטרוניותמקור מוסדילא זמיןמקור דמוגרפיה, מחלות נלוות, רשומות ניתוחיות ותיעוד קליני מעקב.
glmnetקראןלא זמיןחבילת R משמשת לרגרסיה לוגיסטית עונשית ולבחירת משתנים ב-LASSO.
חדר ניתוח באנגיוגרפיה היברידית עם חיסור דיגיטלימקור מוסדילא זמיןסביבת מחקר לכל ההליכים הכלולים; מצוידים להדמיה התערבותית ולניתוחים פתוחים.
מערכת מידע מעבדהמקור מוסדילא זמיןמקור לאינדיקטורים מעבדייתיים טרום-ניתוחיים, כולל אלבומין והמוגלובין.
עכבריםקראןלא זמיןחבילת R המשמשת להטלאות מרובות באמצעות משוואות שרשרתיות.
מערכת מידע סיעודיתמקור מוסדילא זמיןמקור לרשומות מיקום, הגנה על נקודות לחץ, בדיקות תנוחה תוך ניתוח, ותיעוד סיעודי לאחר הניתוח.
מערכת ארכוב ותקשורת תמונות (PACS)מקור מוסדילא זמיןמקור משך הפלואורוסקופיה ומידע הקשור להדמיה.
pROCקראןלא זמיןחבילת R משמשת לניתוח ROC, הערכת AUC ואינטרוולי ביטחון של DeLong.
Rקרן R למחשוב סטטיסטילא זמיןסביבת תוכנה לניתוח סטטיסטי.
RMDAקראןלא זמיןחבילת R משמשת לניתוח עקומות החלטה.
RMSקראןלא זמיןחבילת R משמשת לאסטרטגיות מידול רגרסיה, פונקציות ספליין ובניית נומוגרמה.

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים