방법 논문

하이브리드 디지털 감산 혈관조영술 수술실에서 환자 위치 안전을 위한 예측 간호 도구

75 조회수

⸱

DOI:

10.3791/70751

⸱

2026년 6월 5일

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

이 논문에서

요약

단일 기관 후향 연구는 기초 환자 수술 위험과 조정 가능한 수술 전후 관리 과정을 결합하여 하이브리드 디지털 감산 혈관조영술 수술실에서 위치 관련 합병증에 대한 평가 및 위치 후 위험 업데이트를 지원하는 단계별 간호 예측 도구를 개발하고 내부에서 검증했습니다.

초록

본 연구의 목적은 하이브리드 디지털 감산 혈관조영술 수술실에서 수술 전후의 위치 조정을 위해 기저선 환자-수술 위험과 수정 가능한 간호 과정을 기반으로 한 단계별 간호 예측 평가 도구를 개발하고 내부적으로 검증하는 것이었습니다. 이 단일 기관 회고적 코호트에는 하이브리드 수술실에서 첫 수술을 받은 입원 성인이 포함되었으며, 수술을 분석 단위로 하여 수술 후 72시간까지 추적 관찰하였습니다. 결과는 위치 관련 합병증의 복합 평가 항목이었습니다.

누락된 예측 데이터는 다중 보정(m = 10)을 사용하여 처리되었고, 추출 일관성은 Cohen κ와 클래스 내 상관계수를 사용하여 평가되었습니다. 단변량 스크리닝과 미리 지정된 변수의 후보 변수들은 최소 절대 축소 및 선택 연산자 회귀를 수행했고, 이어서 다변수 로지스틱 모델링과 임계값 기반 위험 층화를 포함한 노모그램 구성이 진행되었습니다. 모델 성능은 곡선 아래 면적, 보정 절벽 및 기울기, 브라이어 점수, 부트스트랩 내부 검증, 결정곡선 분석을 통해 평가되었습니다.

총 1,936건의 사례가 분석되었으며, 복합 결과는 10.23%로 나타났습니다. 주요 변수의 최대 누락률은 3.25%였으며, 추출 일관성은 양호했습니다(κ ≥ 0.86, 클래스 내 상관계수 ≥ 0.89). 12개의 예측 변수가 유지되었으며; 압지점 보호와 수술 중 위치 검사는 보호적이었으며(오즈비 0.68–0.71), 기준 모델은 곡선 아래 면적이 0.74/0.72(겉보기/보정)였고, 전체 모델은 0.79/0.77을 달성했습니다. 낙관주의 보정 기울기는 0.947, 인터셉트는 0.004, 브라이어 점수는 0.085였다.

이 도구는 안정적인 분별, 보정, 그리고 내부 검증에서의 순이익을 보여주었습니다. 간호 과정 변수는 가치를 더하며, 외부 검증을 기다리는 경우 수술 전 평가 및 위치 조정 후 위험 갱신을 지원할 수 있습니다.

서론

하이브리드 디지털 감산 혈관조영술(DSA) 수술실은 중재적 영상과 개복 수술을 통합하여 복잡한 혈관 질환 및 중대한 응급 상황을 관리하는 플랫폼 역할을 합니다. 시술 과정이 더 길고, 많은 환자가 노인이며, 전신마취나 진정은 보호 반사와 자발적 조정을 감소시킵니다. C암, 무균 공간, 접근 경로 배치에 의해 제약받기 때문에, 자세가 확정되면 몸을 돌리고 압력을 해소할 기회가 줄어들고, 지속적인 압력과 스트레칭/견인에 노출되는것은 증가합니다. 동시 하이브리드 절차는 조정 기간을 더욱 줄이고, 포지셔닝 관리는 팀 간 조정에 더 의존합니다. 자세 관련 합병증으로는 압박 손상, 말초 신경 및 근골격계 손상이 있으며, 자세 조절로 인한 호흡 및 혈역학적 변동으로 나타나 수술 후 회복에 영향을 줄 수 있습니다 4,5.

간호팀은 위치 선정, 압박점 보호, 접근 확보, 수술 중 위치 점검, 수술 후 관찰에 대한 핵심 책임을 집니다; 위치 위험의 조기 식별과 정확한 개입은 간호 관리의 핵심 주제이며, 표준화된 절차 기반 검증 및 문서화의 필요성이 더 큽니다6. 기존의 수술 전후 위험 평가는 주로 수술 전 일반 척도에 의존하거나단일 결과에 집중합니다. 7. 많은 증거는 수술실이나 중재실에서 나오며, 하이브리드 DSA 수술실에서 장기간 회전 불가, 관류 및 온도 변동, 압박 고정 시 시스 내장과 같은 복합적 노출을 다루지 못합니다. Braden과 같은 도구는 피부 내성을 강조하지만, 엎드린 자세나 누적 저혈압 노출과 같은 특정 요인을 특성화하는 데는 적합하지 않아 층별 관리 8을 지원하기 어렵습니다. 합병증 스펙트럼은 피부 손상과 생리적 불안정성이 공존하는 특징이며, 단일 점수만으로는 프로세스우선순위를 파악하기에 부족합니다. 9.

일부 연구에서는 간호 측정을 수술 전 예측 변수로 직접 다루었으며, 이는 목적 불일치와 정보 유출로 쉽게 이어져 개입 시기와 강도에 맞춰 산출이 어렵고 위험 조정 후 불리한 질 개선을 초래합니다10. 수술 전 기준 위험을 제공하고 위치 선정 후 위험을 업데이트하며 실행 가능한 항목을 제공하는 평가 도구가 부족합니다. 이 연구에서는 단일 기관 후향적 코호트를 기반으로 간호 예측 평가 도구가 개발되었으며; 수술 전에는 환자 및 수술 노출 변수를 사용하여 기초 위험을 추정했고, 위치 조정 후에는 위험을 업데이트하기 위해 조정 가능한 간호 항목을 도입하였습니다. 내부 검증이 포함된 변수 선택에 페널티드 회귀가 사용되었으며; 식별, 보정, 순이익이 평가되었으며; 간호 의사결정 지원을 위한 노모그램 및 임계값 기반 층화가 작성되어 위험 조정과 질 개선의 기초를 제공하였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 인간 대상 대상자의 이전 의료 기록과 마취 및 간호 기록 데이터를 포함합니다. 이 연구는 관련 기관 지침을 준수하여 수행되었으며, 기관 윤리 위원회(Run Run Shaw Hospital 윤리 검토 2025 연구 번호 2113)의 검토 및 승인을 받았으며, 서면 동의 포기와 함께 이루어졌습니다; 모든 데이터는 수출 전에 식별 해제되었으며 본 연구의 목적에만 사용되었습니다.

이 연구는 다변수 예측 모델 개발 및 내부 검증을 위한 TRIPOD 성명에 따라 보고되었으며; 완성된 TRIPOD 체크리스트는 보충 표 S1에 제공되어 있습니다.

1. 연구 설계 및 학습 환경

  1. 연구 설계를 단일 기관 후향적 관찰 연구로 정의하라. 학습 기간을 2021년 1월 1일부터 2024년 12월 31일까지 정하세요.
  2. 연구 목표를 하이브리드 DSA 수술실에서 위치 관련 합병증에 대한 간호 예측 평가 도구 개발과 내부 검증 및 성과 평가로 설정하세요. "수술"을 분석 단위로 정의하고 각 수술에 고유 식별자(예: 입원 환자 번호 + 수술 날짜 + 마취 시작 시간)를 할당하세요.
  3. 같은 환자가 여러 차례 적격 수술을 받은 경우, 첫 번째 적격 수술 기록만 유지하세요. "첫 번째"를 연구 시간 창 내에서 가장 이른 마취 또는 진정 시작 시점의 자격이 있는 수술을 의미하세요.
  4. 데이터 추출 시작 시점을 환자가 수술실에 들어가고 마취 또는 진정이 시작되는 시간으로 정의하세요. 추적 평가 지점을 수술 후 72시간에 고정하여 위치 관련 합병증의 주요 발생 시기를 포함합니다.
  5. 연구 환경을 하이브리드 DSA 수술실로 제한하고, 평면 디지털 감산 혈관조영술 시스템과 개방 수술 기능이 갖추어져 있음을 문서화하세요. 일반적으로 사용되는 자세는 엎드린 자세, 엎드린 자세, 측면 자세이며, 수술 중 자세 조정은 영상 장비, 멸균 공간, 접근 경로 배치에 의해 제한되어 돌릴 기회가 적고 수술 시간이 비교적 길어진다는 점을 기록하세요.

2. 인구 조사, 사례 선별 흐름 및 표본 크기 전략

  1. 연구 시간 창 내 연속적으로 등록된 수술실 등록부에서 모든 "하이브리드 DSA 수술실" 수술 항목을 내보내세요. 절차 코드, 수술실 식별자, 수술 날짜, 입원 환자 번호, 마취 시작 시간과 같은 일치 필드를 유지하세요.
  2. 입원 환자 번호와 수술 날짜를 사용해 초기 매칭을 하고, 마취 시작 시간과 수술실 식별자를 사용해 2차 확인을 수행하세요. 같은 입원 환자 번호에 대해 같은 날 여러 마취 기록이 존재한다면, 수술실 식별자가 일관되고 마취 시작 시간이 수술 등록 시점과 가장 가까운 기록을 우선적으로 일치시키십시오.
  3. 수술이 하이브리드 DSA 수술실에서 이루어졌으며 신경혈관, 심혈관 또는 말초 혈관 중재 또는 하이브리드 수술로 이루어진 ≥18세 입원 성인 환자를 포함합니다. 수술 중 전신마취 또는 진정제가 투여되었는지, 의학, 마취, 간호 기록이 완비되었는지, 그리고 수술 후 72시간까지의 추적 관찰이 가능한지 확인하세요.
  4. 주요 결과 사건이 이미 수술 전에 존재했던 경우는 제외하여 결과에 대한 비0 기준선을 피합니다. 자세와 무관한 이유로 수술 중 중단되어 추가 평가가 불가능한 사례, 그리고 수술 후 72시간 이내에 병원 밖으로 이송되어 결과가 불확실한 사례는 제외합니다.
  5. 각 사례별 사유 비율을 미리 지정된 주요 예측 변수 간 누락 비율을 계산하고 누락 원인을 기록하여 주요 예측 변수의 누락 임계값을 결정합니다. 이 주요 예측 변수들에 걸친 사례의 누락 비율이 30%를 초과하면, 미리 정해진 규칙에 따라 해당 사례를 제외하고 제외 사유를 선별 로그에 기록하세요.
  6. 두 명의 연구자가 독립적으로 선별을 완료하고 선별 기록(포함/제외 및 사유 포함)을 작성합니다. 불일치하는 경우에는 세 번째 연구자가 원본 기록을 추적하여 판결을 진행하고, 추적 가능성을 위해 판결 기록을 보관합니다.
  7. 표본 크기의 상한선을 미리 정하지 말고, 연속적인 모든 경우를 포함하는 전략을 채택하세요. 이벤트 수에 따라 모델 복잡도를 제어하며, 매개변수당 최소 15개 이상의 이벤트가 있어야 한다는 원칙에 따라 모델에 최종적으로 입력되는 매개변수 수를 결정합니다.

3. 측정값 및 변수 정의 연구

  1. 변수 사전을 구축하고 각 변수에 대해 소스 시스템, 필드 이름, 값 규칙, 시간 순서를 지정합니다. 연속 변수의 경우, 가장 최근의 수술 전 검사 또는 평가 값을 사용하세요; 수술 및 마취 변수는 전체 시술 또는 누적 노출 기간 동안 기록된 최악의 값을 사용; 간호 및 기기 변수는 실제 수술 중 구현을 사용하세요. 임상에서 일반적으로 사용되는 기준, 수술 전후 간호 및 마취 실무, 출판된 문헌에 따라 사전에 정해진 임계값과 범주 기준을 정의합니다. 널리 인정되는 단일 기준선이 없을 때는 기록, 해석, 임상 적용을 용이하게 하기 위해 실용적 범주를 사용하세요.
  2. 주요 결과: 직위 관련 합병증의 복합 결과
    1. 주요 결과는 수술 중 72시간까지 발생한 위치 관련 합병증의 복합 결과로 정의합니다. 동일한 사례에서 여러 구성 요소가 발생한 경우, 복합 결과를 한 번만 집계하고, 첫 발생 시간과 모든 구성 요소 유형을 2차 분석에 기록하세요.
    2. 신생 발병 2기 또는 수술 후 72시간 이내의 고압 손상 또는 심부 조직 손상을 구성 요소 중 하나로 정의하세요. 간호 피부 평가 양식, 병기 검사, 간호 기록을 증거로 사용하며, 특정 해부학적 부위에 국한될 수 있는 기록을 요구하세요.
    3. 말초 신경 손상을 감각 상실, 무감각 또는 근육 힘 저하가 ≥24시간 동안 지속되는 현상으로 정의합니다. 해부학적 분포가 당시 위치의 접촉/견인 부위와 일치하는지 요구하고, 주요 증거로 진행 기록이나 전문가 평가 기록을 사용하세요.
    4. 관절 또는 근골격계 손상을 국소적인 통증으로 정의하자면, 양성 영상 소견이나 전문의 신체검사 결과로 견인/압박 손상이 동반되는 경우입니다. 영상 기법 또는 검사 결론을 기록하고, 위치 관련 힘 가한 지점을 표시하세요.
    5. 위치 관련 호흡기 또는 혈역학적 불안정성 사건을 기도 압박, 호흡 제한, 또는 재배치, 압박, 혈관 압력제 상승 또는 시술 중단이 필요한 자세로 인한 정맥 역류 제한으로 정의합니다. 마취 시스템 사건 기록, 마취 기록 시트, 간호/의사 기록(명시적인 '위치 관련' 설명과 해당 관리 조치)을 증거로 사용하세요.
    6. 천자 측 직경 ≥5cm이거나 추가 압박 고정이 필요한 진물성 혈종을 구성 요소 중 하나로 정의하며, 위치 제약과 관련된 악화가 기록된 경우. 간호 기록과 수술 후 72시간 이내의 병동 회진 기록을 증거로 사용하고, 추가 관리 조치도 기록하세요.
    7. 위치 관련성을 세 가지 기준에 따라 판단하라: 기록에 명시적으로 위치 관련성이 언급된 것, 위치 노출 지점과 일치하는 해부학적 부위, 그리고 더 설득력 있는 대체 원인의 부재. 간호 기록과 의사 기록 간에 귀속 충돌이 있을 경우, 사건 발생 시점에 가까운 원본 기록을 우선순위로 두고 두 명의 심사관이 검토하여 합의에 도달하도록 하십시오.
  3. 예측 변수의 정의
    1. 환자 수준 변수를 나이, 성별, 체질량지수, 당뇨병, 말초 신경병증, 말초 동맥 질환, 만성 신장 질환 3기 ≥, 울혈성 심부전, 흡연 상태, 수술 전 알부민, 수술 전 헤모글로빈, 찰슨 동반 질환 지수, 수술 전 브레이든 점수 등을 정의합니다. "수술 전"을 수술실 입시 병원의 정기 수술 전(peroperative extraoperative 평가) 기간 내에 가장 최근의 유효 기록으로 정의하세요.
    2. 수술 및 마취 수준 변수를 시술 범주, 마취 유형, 자세 유형, 두경 회전각 범주, 상지 외전 각도 범주, 하체 외전 또는 굴곡 > 45°, 수술 시간, 투시 지속 시간, 수술 중 회전 불가능 상태, 추정 출혈, 최소 MAP, MAP 누적 시간< 65 mmHg, 최저 코어 체온, 혈관 작용제 사용, 최대 노르에피네프린 등가량으로 정의합니다. 자세를 누운 자세/엎드린 자세/측면 자세로 분류하세요; 머리-목 회전은 ≤30°, 31–60°, >60°로 분류합니다; 상지 외전은 ≤90°와 >90°로 분류합니다.
    3. 마취 정보 관리 시스템에서 타임스탬프가 포함된 MAP 시계열을 내보내세요. 인접 레코드 간의 시간 차이를 구간 길이로 사용하고, 모든 구간의 기간을 MAP와 65 mmHg< 합산하여 "MAP < 누적 시간"을 얻습니다; 만약 한 구간이 빠졌거나 빈틈이 비정상적이라면(예: 합리적인 설명 없이 >5분) 그 구간을 누락으로 표시하고 누적 총합에 포함하지 마세요.
    4. 간호 및 기기 수준 변수를 테이블 패딩 유형, 주요 압력점 보호 완료 여부, 상지가 패딩 팔 보드에 고정되었는지, 머리가 중립 위치에 지지되었는지, 천자 부위 범주, 피집 크기, 피집 체류 시간, 천자 부위 고정/폐쇄 방법, 수술 중 위치 점검 문서의 완전성 등으로 정의합니다. "핵심 압지점 보호 완료"를 네 개 부위—후두, 견갑골, 천골부위, 뒤꿈치—에 보호 기록이 모두 있을 때 완료된 것으로 정의하세요; 그렇지 않으면 완전히 완성되지 않은 것으로 간주됩니다.
    5. 혈액 작용제가 사용되었는지 기록하고, 비사용자는 "사용하지 않음"으로 표시하세요. 사용자는 최대 노르에피네프린 환산량(μg/kg/min)을 기록하세요; 각 마취 기록 시점에서 NE_eq_t = norepinephrine_t + epinephrine_t + 0.01 * dopamine_t + 0.06 * phenylephrine_t + 2.5 * vasopressin_t를 계산하는데, 여기서 노르에피네프린, 에피네프린, 도파민, 페닐레프린은 μg/kg/min, 바소프레신 분으로 발현됩니다; 특정 시점에서 사용하지 않은 약물은 0으로 코딩되었고, maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE)로 수술 중 기간 동안 기록되었습니다.
      참고: 변환 및 집계 규칙은 사전에 정해졌으며 분석 스크립트에 구현되었습니다.

4. 데이터 수집 및 품질 관리

  1. 데이터 추출을 담당하는 두 명의 연구원에게 통일된 교육을 제공하고, 표준 운영 절차(SOP)와 변수 사전을 배포합니다. 교육 후에는 소규모 샘플 파일럿 추출을 완료하고 모호한 필드의 정의와 추출 경로를 수정합니다.
  2. 전자 의무기록에서 인구통계학과 동반질환을 추출하고, 검사 시스템에서 수술 전 검사 지표를, 마취 시스템에서 활력 징후와 약물을, 간호 시스템에서 자세 및 간호 측정값을, PACS에서 투시 시간 및 영상 관련 정보를 추출합니다. 입원 환자 번호와 수술 날짜를 사용하여 교차 시스템 매칭을 수행하고, 매칭 키와 일치 로그를 보관합니다.
  3. 현장 충돌이 발생하면 원본 종이 기록을 추적하여 종이 기록을 표준으로 삼으세요. 충돌 유형, 원래 값, 수정값, 증거 출처를 충돌 처리 로그에 기록하세요.
  4. 모든 필드에 대해 두 사람이 이중 데이터 입력을 수행하고 불일치 목록을 생성합니다. 세 번째 연구원이 각 항목을 원본 기록과 대조하여 심사를 내리고, 최종 데이터베이스 버전을 잠가서 분석하도록 하세요.
  5. 연속 변수에 대한 임상적으로 합리적인 범위 표를 작성하고 수입 후 자동 범위 검사를 수행하세요. 범위를 벗어난 값을 추적하여 검증합니다; 검증이 불가능하다면 누락으로 설정하고 참조용으로 원래 값을 유지하세요.
  6. 처음 50개의 경우에 대해 중복 추출을 수행하고, 범주 변수는 Cohen κ, 연속 변수는 ICC(양방향 무작위 효과, 절대 일치)를 사용하여 일관성을 계산합니다. κ가 0.80이거나 ICC가 0.85< 0.85< 경우, 관련 변수에 대해 재교육을 수행하고 기준을 충족할 때까지 재감사합니다11.
  7. 각 후보 예측변수에 대해 누락된 사례의 수와 비율을 계산하고 누락 보고서를 생성합니다. 누락 비율이 30%를 초과하지 않는 주요 예측변수에 대해서는 다중 보철을 시작; 주요 결과 변수는 귀속되지 않습니다.
  8. 연쇄 방정식에 의한 다중 보정(MICE) 구현 세부사항
    1. 인가된 데이터셋 수를 m = 10에서 고정하고, 수렴을 촉진하기 위해 반복 횟수를 최소 20회로 설정하세요. 임팩트의 재현성을 보장하기 위해 무작위 시드를 설정하고, 마우스 객체는 감사용으로 저장합니다.
    2. 연속 변수에 대해 분포 형태를 유지하기 위해 예측 평균 매칭(PMM)을 사용하세요. 이진 변수에는 로지스틱 회귀 보철, 무차순 다범주 변수에는 다항 로지스틱 보철, 순서가 있는 범주 변수에는 서수 로지스틱 보철을 사용하세요. R에서는 순서가 없는 다중범주 변수를 nom_vars <- c("smoking_status","procedure_category","anesthesia_type"로 정의했습니다.
      "position_type", "table_padding_type", "puncture_site_
      범주","puncture_site_closure_method"), 순서가 정한 범주 변수는 ord_vars <- c("head_neck_rotation_cat", "upper_limb_abduction_cat")로 정의되었습니다; dat[nom_vars] <- lapply(dat[nom_vars], 인자); dat[ord_vars] <- lapply(dat[ord_vars], 명령됨); 메스 <- 마우스::make.method(dat); 메스[sapply(dat, is.numeric)] <- "PMM"; 메스[Names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "로그레그"; 메스[nom_vars] <- "폴리레그"; 메스[ord_vars] <- "폴르"; 그리고 메스[c("inpatient_number","surgery_id","결과")] <- """.
    3. 보석 품질을 향상시키기 위해 모든 후보 예측 변수와 결과 변수를 보석 예측 행렬에 포함시키되, 누락된 예측 변수에 대해서만 보철을 수행하세요. 예측 변수로 작용하지 않아야 할 식별자 필드(예: 입원 환자 번호, 고유 수술 ID)를 임페테이션 모델에 참여하지 않도록 설정하여 비임상 정보를 도입하지 않도록 합니다. 이 프로토콜을 따르기 위해 예측기 행렬을 pred <- mice::make.predictorMatrix(dat)로 구현하세요; 프레드[,] <- 1; diag(pred) <- 0; pred[, c("inpatient_number", "surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","결과"), ] <- 0; 그리고 pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","결과")), "결과"] <-1을 사용하여 결과가 보조 예측자로만 사용되고 귀속되지 않도록 합니다.
    4. 그래프 반복 추적 플롯을 작성하여 주요 연속 변수의 평균과 분산이 안정적인지 확인하여 보정 수렴을 평가합니다. 임페테이션은 imp <- mice::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE)로 실행되었습니다; 수렴은 Plot(imp)과 반복 간 주요 연속 변수의 평균 및 분산 안정성 점검을 통해 평가되었습니다.

5. 간호 예측 평가 도구 개발

  1. 후보 변수의 전처리 및 코딩
    1. 시술 범주의 기준 수준을 "신경혈관"으로, 자세의 기준 수준을 "누운 자세"로 설정하세요. 머리-목 회전의 기준 레벨을 "≤30°"로, 상지 외전의 기준 레벨을 "≤90°"로 설정하세요. 천자 부위 범주의 기준 수준을 "요골 동맥"으로, 천자 부위 폐쇄 방법의 기준 수준을 "혈관 폐쇄 장치"로 설정하세요.
    2. 척도 연령 10년, 수술 지속 시간 60분, 형광투시 지속 시간(10분), 추정 출혈량 100mL, 피관 거주 시간 60분, 피관 크기 1 Fr. "값이 낮을수록 위험이 높다"고 가정하는 변수(예: 최저 코어 체온, 알부민, 헤모글로빈, 브레이든 점수, 최저 MAP)에 대해, 회귀 또는 회귀가 "단위 감소당 위험 증가"를 나타내도록 역부호화합니다.
      참고: 역부호화는 원래 변수의 음수를 취해 단위별로 스케일링하여 구현할 수 있습니다. 예를 들어, Temp_dec = -(Temp/0.5) 또는 Braden_dec = -(Braden/1)로 하여 OR 해석 방향을 일관되게 유지합니다.
  2. 단변수 분석 및 후보 변수 선별
    1. 각 후보 예측인자에 대해 단변수 로지스틱 회귀 모델을 적합시키고 OR, 95% 신뢰구간, P 값을 기록합니다. 범주별 변수의 경우, 참조 수준과 각 수준의 기준 관계에 대한 효과 추정치를 더미 코딩으로 사용합니다.
    2. 5%, 35%, 65%, 95% 분위수에 네 개의 노트를 배치하여 연속 변수의 선형성을 제한 입방 스플라인을 사용한다. 검정에서 상당한 비선형성이 나타난다면, 후속 다변수 모델에서도 동일한 스플라인 형태를 유지합니다.
    3. "임상적으로 미리 지정된 변수"와 "단변량 P<0.20"을 합집합으로 삼아 다변수 후보 집합12. 후보 집합을 사건 수라는 제약과 비교하고, 필요 시 임상적으로 매우 관련 있는 변수를 우선적으로 유지하여 과적합을 조절합니다.
  3. LASSO 선정 및 주요 모델의 구성
    1. 후보 집합에 대해 벌칙 적용된 로지스틱 회귀(LASSO, 알파=1)를 적합시키고, 가족 값이 "이형식"인 경우. 서로 다른 척도를 가진 변수 간에 공정한 벌점을 보장하기 위해 연속 변수(standardize=TRUE)를 표준화하세요.
    2. 10배 교차 검증을 1,000번 반복하며, 매번 무작위로 접힘 분할을 생성하고 lambda.min에 해당하는 교차 검증 편차를 기록합니다. 벌칙 강도를 1,000회 반복 내 lambda.min의 중앙값(또는 최소 평균 편차에 해당하는 λ)으로 정의하고, 이 λ를 최종 LASSO 적합에 사용하여 0이 아닌 변수들의 안정적인 집합을 얻습니다.
    3. LASSO가 선택한 계수가 0이 아닌 변수를 사용하여 완성된 데이터셋에 페널티가 없는 다변수 로지스틱 회귀 주 모델을 적합시켰습니다. 스플라인 항이 유지된다면, 동일한 스플라인 형태로 메인 모델에 적합시키고 해당 계수나 함수 항을 기록합니다.
    4. 주요 모델을 10개의 인계된 데이터셋에 별도로 적합시키고 회귀 계수와 표준오차를 추출합니다. 루빈의 규칙을 사용하여 계수, 표준오차, 신뢰구간을 결합하고, 합친 OR 값과 P 값을 보고합니다.
  4. 위험 점수 분석, 노모그램 및 위험 층화
    1. 설리번 방법에 따라 주요 모델 회귀 계수를 정수점으로 선형적으로 스케일링하며, 기본 척도와 반올림 규칙을 고정합니다. 총 점수를 계산하고 logit 함수를 통해 예측 확률에 매핑합니다; 매핑 공식은 주 모델의 절편과 일치해야 합니다.
    2. RMS 패키지를 사용해 메인 모델을 기반으로 노모그램을 생성하고, 이를 고해상도 이미지나 PDF로 내보내 출판하세요. 노모그램 출력에 버전 기반 파일 이름을 적용하여 이후 수정으로 인한 혼동을 피하세요.
    3. 예측 확률을 정의하세요<5%는 저위험, 5%에서 14.9%는 중간 위험, ≥15%는 고위험입니다13. 도구 출력을 두 가지 형식으로 고정하라—한 페이지 종이 양식과 전자 계산기—그리고 임상 사용을 용이하게 하기 위해 채점 과정을 최대 세 단계로 제한한다.

6. 모델 검증 및 성능 평가

  1. 내부 검증과 낙관주의 보정
    1. 내부 검증을 위해 부트스트랩을 사용하고, 안정적인 추정치를 얻기 위해 재샘플 수를 1,000으로 설정하세요. 각 재샘플마다 부트스트랩 샘플의 모델을 재조정하고, 부트스트랩 샘플과 원본 샘플 모두에서 성능 지표를 계산하여 낙관성을 추정합니다.
    2. 낙관주의를 부트스트랩 샘플과 원래 샘플에서의 평균 성능 차이로 정의하세요. 낙관성을 겉보기 성능에서 빼면 보정된 성능을 얻고, 낙관주의 보정된 AUC, 보정 절각, 보정 기울기, 브라이어 점수를 보고합니다.
  2. 차별
    1. ROC 곡선을 그려 AUC를 판별의 척도로 계산합니다. DeLong 방법을 사용하여 AUC와 95% CI를 추정하고, 동일한 예측 출력(확률)에 대해 비교 가능성을 보장하기 위해 계산을 수행하세요.
    2. 미리 정의된 임계치(5% 및 15%)에서 민감도, 특이도, PPV, NPV를 계산합니다. 각 임계값에 대해 계산 검증을 위해 혼동 행렬 개수를 출력합니다.
  3. 보정 및 전체 오차
    1. 모델 선형 예측자(logit)를 독립 변수로 하여 보정 모델을 적합시키고; 절편은 체계적 편향을 나타내고, 기울기는 과적합 정도를 나타냅니다. 이상적인 보정을 절각 = 0, 기울기 = 1로 정의하고, 보정 전후의 지표를 보고합니다.
    2. 브라이어 점수를 전체 오차의 척도로 계산하고, 45° 이상선을 따라 로에스 스무딩을 사용해 보정 곡선을 그립니다. 브라이어 점수는 평균((결과 - predicted_probability)2)으로 계산되었으며, 로스 평활화는 다음과 같은 통계로 구현되었습니다: :loess(결과 ~ predicted_probability, span = 0.75, degree = 2, 가족 = "가우시안", surface = "direct").
  4. 임상 순이익과 의사결정 곡선
    1. 의사결정곡선 분석을 사용하여 2%에서 25%까지의 임계값 확률 전반에 걸쳐 순이익을 평가하고14,참고 자료로 Treat-All과 Treat-Noone 전략을 그립니다. 임계값 스텝 크기를 0.01로 고정하고, 스크립트에서 명시적으로 명시하여 재현성을 보장하세요.
    2. 저위험 및 고위험 임계값 주변의 순이익에 대한 민감도 분석을 수행하고, 역값 변화가 순이익에 미치는 영향을 기록합니다. 민감도 분석 결과를 미리 정의된 임계값과 함께 제시하여 그 합리성을 검증합니다.

7. 통계적 구현 및 재현 가능한 스크립트 워크플로우

  1. 소프트웨어 환경 및 프로젝트 초기화
    1. r4.3.2에서 pROC, rms, glmnet, 마우스, rmda 패키지를 사용하여 분석을 수행하세요.
    2. 스크립트 시작 부분에 고정된 무작위 시드(20250101)를 설정하고, 세션 정보를 기록하여 소프트웨어 환경을 문서화합니다.
  2. 데이터 가져오기, 타입 설정 및 품질 검사
    1. 데이터를 read.csv("data/analysis.csv")이나 readr::read_csv()로 가져오세요. 행 수가 고유 수술 식별자와 1:1로 일치하는지 확인하고, 중복된 ID가 있는지 확인하세요.
    2. 범주 변수를 인자로 변환하고 relevel()을 사용해 미리 설정된 스킴에 맞는 기준 수준을 설정하세요. 연속 변수는 숫자 단위로 유지하고, 모델링 전에 프리셋에 따라 단위 스케일링과 역코딩을 적용하세요.
    3. 범주 변수의 경우, 빈도와 백분율을 계산하세요; 연속 변수의 경우, 표준편차± 평균 또는 중앙값 [IQR]을 계산합니다. 그래픽 방법과 shapiro.test()를 사용하여 분포 형태를 평가하고 그에 맞는 기술적 접근법을 결정하세요.
  3. 누락된 데이터 처리 및 다중 보철 (m = 10)
    1. 각 변수의 누락 비율을 계산하고 출력/missing_report.csv로 내보내세요. 결과 변수에 누락이 없음을 확인하고, '예측 변수만 임명하고 결과를 추정하지 말라'는 전략을 잠가세요.
    2. 마우스()를 사용해 m = 10이고 maxit ≥ 20을 사용하여 연쇄 방정식 보충을 실행하고, 변수 유형에 따라 보철 방법을 지정합니다. complete(mids, action=k)를 사용해 k번째 완성된 데이터셋을 내보내 데이터/imp_k.csv로 저장하세요.
    3. 트레이스의 안정성을 점검하고, 주요 연속 변수의 전·후 분포를 비교하기 위해 그래프(mids)를 작성합니다. 진단 플롯을 출력/imputation_diagnostics.pdf에 저장해 검증을 위해 사용하세요.
  4. 단변 회귀, 스플라인 테스트 및 후보 집합 생성
    1. 각 인계된 데이터셋에 단변수 로지스틱 회귀를 적합시키고, pool()을 사용하여 계수와 표준오차를 결합합니다. 후보 선별 기록의 OR, 95% CI, P 값을 출력/univariate_pool.csv로 내보내세요.
    2. RMS 패키지 rcs()를 사용해 연속 변수에 대한 스플라인 항을 맞추고 비선형 항을 테스트하세요. 매듭의 수와 위치를 정하고 스크립트 코멘트에 기록해 주행마다 차이가 발생하지 않도록 하세요.
    3. 임상적으로 미리 지정된 변수들과 단변수 P<0.20을 가진 변수들의 합집합을 가져와 후보 목록을 생성하고, 이를 출력/candidate_list.txt로 저장합니다. 후보자 수와 이벤트 수가 복잡도 제약 조건을 충족하는지 확인하고, LASSO에 사용된 최종 변수 집합을 기록하세요.
  5. LASSO 선정 및 주요 모델 장착
    1. model.matrix()를 사용해 독립 변수 행렬을 생성하고 참조 수준이 올바르는지 확인하세요. cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE)를 사용하여 10배 교차 검증을 수행합니다.
    2. 루프를 사용해 무작위 폴드 파티션을 1000번 반복하고, 각 실행마다 lambda.min과 교차 검증 오류를 기록한 후 output/lasso_lambda_trace.csv에 쓰세요. 1000개의 lambda.min 값의 중앙값을 안정 λ로 삼고, 이 λ를 사용해 전체 데이터셋에 glmnet을 맞춰 0이 아닌 계수를 가진 변수를 얻습니다.
    3. 10개의 인가된 데이터셋에서 선택된 변수를 사용하여 주요 모델 glm(family=binimal)에 적합했습니다. β, SE, OR, 95% CI를 루빈 규칙으로 결합한 후 결과를 출력/multivariable_pool.csv로 저장하세요.
  6. 점수 변환, 노모그램, 위험 층화 산출물
    1. 고정된 척도에 따라 β를 정수점으로 변환하고, 같은 척도를 사용해 총 점수를 로그트와 확률에 다시 매핑합니다. 여러 사례를 무작위로 샘플링하여 "원본 모델 확률"과 "점수 변환 확률"을 비교하여 오차가 미리 설정된 허용 범위 내에 있는지 확인합니다.
    2. RMS 패키지를 사용해 노모그램을 만들고 출력/nomogram.pdf로 내보내세요. 점수지를 출력/score_sheet.xlsx 또는 동등한 형식으로 내보내 1페이지 분량의 종이 양식 제작을 용이하게 하세요.
    3. 5% 및 15% 임계값을 사용하여 층화를 수행하고 각 계층에서 사례 수와 관찰된 발생률을 출력합니다. Se, Sp, PPV, NPV를 출력/threshold_metrics.csv로 내보내 후속 프레젠테이션을 위해 사용하세요.
  7. 내부 검증, 보정 및 결정 곡선
    1. 부트스트랩 재샘플 수를 1,000개로 설정하고, 각 재샘플마다 재적합 및 예측을 수행하며 AUC, 브라이어 점수, 보정 절벽, 보정 기울기를 계산합니다. 낙관주의 보정된 결과를 출력/bootstrap_corrected_metrics.csv에 작성하고, 각 재샘플에 대한 중간 결과 요약을 회심용으로 보관하세요.
    2. pROC 패키지 roc()와 auc()를 사용해 AUC를 계산하고, ci.auc(method="delong")를 사용해 95% CI를 출력하세요. ROC 곡선을 출력/roc_curve.png로 저장하고 스크립트에서 해상도와 크기를 수정하세요.
    3. RMDA 패키지를 사용해 순이익을 계산하고 2%에서 25%의 임계값 범위 내에서 DCA 곡선을 그려보세요. 도표를 출력/dca_curve.png로 내보내고, 재현성을 보장하기 위해 임계 단계 크기와 곡선 라벨을 고정하세요.
  8. 민감도 분석
    1. 결과를 "압박 손상 단계 ≥3"로 대체하고, 인핀테이션, LASSO 선정, 주요 모델 적합, 성능 평가 워크플로우를 반복하세요. 주요 분석과 함께 성과 지표를 출력하여 견고성을 평가하세요.
    2. 저혈압 노출 변수를 "MAP<60 mmHg를 사용한 누적 시간"으로 바꾸고 전체 모델링 및 검증 워크플로우를 반복합니다. AUC, 브라이어 점수, 보정 지표의 계수 방향과 변화를 비교하여 임계값 설정에 대한 민감도를 테스트합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

연구 대상 집단 및 기초 특성
미리 정해진 기준에 따라 하이브리드 DSA 수술실에서 3,274건의 환자 기록이 확인되었고, 1,936건(59.1%)이 포함 기준을 충족하여 모델 개발 및 검증에 들어갔습니다(그림 1). 등록된 환자의 나이는 (66.82세± 11.94세)였으며; 남성은 61.16%를 차지했습니다; BMI는 (24.73 ± 3.89) kg/m 2였으며; 당뇨병은 23.45%를 차지했습니다. 찰슨 동반 질환 지수는 3[2,5], 브레이든 점수는 17[16,19], 수술 전 알부민은 (39.18 ± 4.41) g/L로, 비교적 높은 동반 질환 부담과 압박 손상 위험이 어느 정도 있음을 나타냈다(표 1). 입원 시 시술은 주로 신경혈관 및 심혈관 수술이었으며; 누운 자세는 69.78%를 차지했습니다; 전신마취는 77.89%를...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

하이브리드 DSA 수술실에서는 체위 관련 합병증으로는 피부 및 연부 조직 손상과 위치 조절로 인한 호흡 및 혈역학적 불안정성이 포함되어 있어, 자세 안전성이 국소적 압력뿐만 아니라 전신의 생리학적 내성도 반영함을 나타냅니다. 위험 결정 요인은 환자의 취약성과 수술 노출에서 비롯됩니다. 고령과 더 높은 동반 질환 부담은 조직 예비력 감소를 나타낸다; 브레이든 점수가 낮으면 피부 내성과 움직임 제한을 반영하여 지속적인 압력에 대한 내성이 감소합니다. 장기간 수술 시간과 고정된 자세는 경계 압력과 전단의 축적을 유발하며, 진정제나 전신 마취는 통증 피드백과 자발적 조정을 약화시킵니다15. 저혈압 노출은 조직 관류를 감소시키고, 저체온증은 말초 혈관 수축을 유발하여 수리에 영향을 주어 압박 손상과 신경 압박 가능성을 높입니다16. 엎드린 자세는 종종 머리/얼굴 및 어깨 보호대에 압력이 가해지...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 상충이 없다고 선언한다.

감사의 글

저자들은 이 연구에 기여했으나 저자로 명시되지 않은 모든 동료와 직원들에게 감사의 뜻을 전합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
마취 정보 관리 시스템제도적 출처해당 없음수술 중 활력 징후, 혈관 작용제, MAP 시계열 및 마취 기록의 출처.
전자 의무기록 시스템제도적 출처해당 없음인구통계, 동반질환, 수술 기록 및 추적 임상 문서의 출처.
glmnet크랜해당 없음R 패키지는 페널티드 로지스틱 회귀와 LASSO 변수 선택에 사용됩니다.
하이브리드 디지털 감산 혈관조영술 수술실제도적 출처해당 없음포함된 모든 절차의 연구 환경; 중재적 영상 및 개복 수술에 적합하다.
실험실 정보 시스템제도적 출처해당 없음알부민과 헤모글로빈을 포함한 수술 전 검사 지표의 출처.
쥐들크랜해당 없음연쇄 방정식에 의한 다중 보충에 사용되는 R 패키지.
간호 정보 시스템제도적 출처해당 없음위치 기록, 압박점 보호, 수술 중 위치 점검, 수술 후 간호 문서의 출처.
사진 보관 및 통신 시스템(PACS)제도적 출처해당 없음투시 시간 및 영상 관련 정보의 출처.
pROC크랜해당 없음ROC 분석, AUC 추정, DeLong 신뢰구간에 사용되는 R 패키지입니다.
RR 통계 컴퓨팅 재단해당 없음통계 분석 소프트웨어 환경.
RMDA크랜해당 없음의사결정곡선 분석에 사용되는 R 패키지입니다.
RMS크랜해당 없음회귀 모델링 전략, 스플라인 함수, 노모그램 제작에 사용되는 R 패키지입니다.

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문