Methodenartikel

Een voorspellende verpleegkundige tool voor patiëntpositionering in hybride digitale subtractie-angiografie operatiekamers

75 weergaven

⸱

DOI:

10.3791/70751

⸱

5 juni 2026

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

In dit artikel

Samenvatting

Een retrospectieve studie met één centrum ontwikkelde en valideerde intern een gefaseerd verpleegkundige voorspellingsinstrument dat het basisrisico van de patiënt combineert met aanpasbare perioperatieve zorgprocessen om preoperatieve beoordeling en post-positionering risicoupdates voor positioneringsgerelateerde complicaties in een hybride digitale subtractie-angiografie operatiekamer te ondersteunen.

Samenvatting

Het doel van deze studie was om een fase-updatende verpleegkundige voorspellende beoordelingstool te ontwikkelen en intern te valideren, gebaseerd op het basisrisico van patiënt en chirurgie en aanpasbare verpleegkundige processen voor gebruik vóór en na positionering in de hybride digitale subtractie-angiografieoperatiekamer. Deze retrospectieve cohort met één centrum omvatte opgenomen volwassenen die hun eerste ingreep ondergingen in de hybride operatiekamer, met chirurgie als analyse-eenheid en follow-up tot 72 uur postoperatief. De uitkomst was een samengesteld eindpunt van positiegerelateerde complicaties.

Ontbrekende voorspellergegevens werden verwerkt met meervoudige imputatie (m = 10), en extractieconsistentie werd beoordeeld met Cohen κ en intraclass correlatiecoëfficiënten. Kandidaatvariabelen uit univariabele screening plus vooraf gespecificeerde variabelen gingen in de minste absolute krimp en selectie-operator regressie in, gevolgd door multivariabele logistische modellering en nomogramconstructie met drempelgebaseerde risicostratificatie. De modelprestaties werden geëvalueerd op oppervlakte onder de curve, kalibratie-intercept en helling, Brier-score, interne bootstrap-validatie en beslissingscurve-analyse.

In totaal werden 1.936 gevallen geanalyseerd en de samengestelde uitkomst was 10,23%. De maximale ontbreking van belangrijke variabelen was 3,25%, en extractieconsistentie was goed (κ ≥ 0,86, intraclass correlatiecoëfficiënt ≥ 0,89). Twaalf voorspellers werden behouden; Drukpuntbescherming en intraoperatieve positiecontroles waren beschermend (kansverhouding 0,68–0,71). Het basismodel had een oppervlakte onder de curve van 0,74/0,72 (zichtbaar/gecorrigeerd), en het volledige model behaalde 0,79/0,77. De door optimisme gecorrigeerde kalibratiehelling was 0,947, de intercept was 0,004 en de Brier-score was 0,085.

Dit instrument toonde stabiele discriminatie, kalibratie en nettovoordeel op interne validatie. Verpleegkundige procesvariabelen voegden waarde toe, en het hulpmiddel kan preoperatieve beoordeling en risico-update na positionering ondersteunen, in afwachting van externe validatie.

Inleiding

De hybride operatiekamer voor digitale subtractie-angiografie (DSA) integreert interventiebeeldvorming met open chirurgie en dient als platform voor het beheren van complexe vasculaire ziekten en kritieke noodgevallen1. De procedurele keten is langer, veel patiënten zijn ouder, en algehele narcose of sedatie vermindert beschermende reflexen en spontane aanpassing2. Beperkt door de C-arm, het steriele veld en de indeling van toegangsroutes, worden de mogelijkheden om het lichaam te draaien en druk te verlichten verminderd zodra de positie is vastgesteld, terwijl blootstelling aan aanhoudende druk en rek/tractie3 toeneemt. Gelijktijdige hybride procedures verkorten de aanpassingsvensters verder, en positioneringsbeheer is meer afhankelijk van teamcoördinatie. Positiegerelateerde complicaties omvatten drukletsels, perifere zenuw- en musculoskeletale letsel, en kunnen zich ook uiten als door positionering veroorzaakte ademhalings- en hemodynamische fluctuaties, wat het herstel na de operatie beïnvloedt 4,5.

Het verpleegteam draagt de belangrijkste verantwoordelijkheid voor positionering, drukpuntbeveiliging, toegangsbeveiliging, intraoperatieve positiecontrole en postoperatieve observatie; Vroege identificatie van positioneel risico en nauwkeurige interventie zijn kernonderwerpen in het verpleegkundig management, met een grotere behoefte aan gestandaardiseerde, procesgebaseerde verificatie en documentatie6. Bestaande perioperatieve risicobeoordelingen zijn voornamelijk gebaseerd op preoperatieve generieke schalen of richten zich op één uitkomst7. Veel van het bewijs komt uit de operatiekamer of interventiekamer en dekt niet de samengestelde blootstellingen in de hybride DSA-operatiekamer, zoals langdurige onvermogen om te draaien, fluctuaties in perfusie en temperatuur, en inwoning van de mantel door compressiefixatie. Hulpmiddelen zoals Braden benadrukken huidtolerantie, maar zijn niet goed geschikt om specifieke factoren zoals de buikligging en cumulatieve blootstelling aan hypotensie te karakteriseren, waardoor het moeilijk is om gestratificeerd managementte ondersteunen 8. Het complicatiespectrum bevat gelijktijdige huidbeschadiging en fysiologische instabiliteit, en één enkele score is onvoldoende om procesprioriteiten9 te identificeren.

Sommige studies hebben verpleegkundige metingen direct behandeld als preoperatieve voorspellers, wat gemakkelijk leidt tot doelmismatch en informatielekkage, waardoor de output moeilijk te stemmen is op de timing en intensiteit van interventies en een ongunstige kwaliteitsverbetering na risicoaanpassing10. Er ontbreekt een beoordelingsinstrument dat een preoperatief basislijnrisico biedt en het risico na positionering bijwerkt, met bijbehorende uitvoerbare items. In deze studie, gebaseerd op een retrospectief cohort met één centrum, werd een verpleegkundige voorspellende beoordelingstool ontwikkeld; Voor de operatie werd het basisrisico geschat aan de hand van blootstellingsvariabelen voor patiënt en operatie, en na positionering werden aanpasbare verpleegkundige items opgenomen om het risico bij te werken. Penalized regresion werd gebruikt voor variabeleselectie met interne validatie; discriminatie, kalibratie en nettovoordeel werden geëvalueerd; en een nomogram en drempelgebaseerde stratificatie werden geproduceerd voor ondersteuning van verpleegkundige beslissingen, wat een basis vormde voor risicoaanpassing en kwaliteitsverbetering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Deze studie omvat eerdere medische dossiers van menselijke proefpersonen en gegevens over anesthesie en verpleegkundige dossiers. De studie werd uitgevoerd in overeenstemming met de relevante institutionele richtlijnen, beoordeeld en goedgekeurd door de ethische commissie (Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), met een afstand van schriftelijke geïnformeerde toestemming; Alle gegevens werden vóór export gedeidentificeerd en alleen gebruikt voor de doeleinden van deze studie.

Deze studie werd gerapporteerd in overeenstemming met de TRIPOD-verklaring voor de ontwikkeling en interne validatie van multivariabele voorspellingsmodellen; de voltooide TRIPOD-checklist wordt verstrekt in Aanvullende Tabel S1.

1. Onderzoeksontwerp en studieomgeving

  1. Definieer het studieontwerp als een retrospectieve observationele studie met één centrum met behulp van een historisch cohortontwerp. Bepaal de studieperiode op 1 januari 2021 tot en met 31 december 2024.
  2. Het doel van de studie was het ontwikkelen van een verpleegkundige voorspellende beoordelingstool voor functiegerelateerde complicaties in de hybride DSA-operatiekamer en het uitvoeren van interne validatie en prestatiebeoordeling. Definieer "operatie" als de analyse-eenheid en ken elke operatie een unieke identificatie toe (bijv. opnamenummer + operatiedatum + starttijd van de anesthesie).
  3. Wanneer dezelfde patiënt meerdere in aanmerking komende operaties heeft, bewaar dan alleen het eerste in aanmerking komende operatiedossier. Definieer "eerste" als de in aanmerking komende operatie met de vroegste start van anesthesie of sedatie binnen het studievenster.
  4. Definieer het startpunt van gegevensextractie als het moment waarop de patiënt de operatiekamer binnenkomt en de narcose of sedatie begint. Bepaal het follow-up eindpunt postoperatief op 72 uur, zodat het primaire optreevenster van positiegerelateerde complicaties wordt afgedekt.
  5. Beperk de studieomgeving tot de hybride DSA-operatiekamer en documenteer dat deze is uitgerust met een flat-panel digitaal subtractie-angiografiesysteem en open chirurgie-mogelijkheden. Noteer dat de meest gebruikte posities liggend, liggend en zijwaarts zijn, en dat de intraoperatieve positie-aanpassing wordt beperkt door de beeldvormingsapparatuur, het steriele veld en de indeling van toegangswegen, wat resulteert in minder mogelijkheden om te draaien en een relatief lange operatieve duur.

2. Studiepopulatie, casusscreening flow en steekproefgrootte strategie

  1. Exporteer alle "hybride DSA operatiekamer"-operatieposten binnen het studietijdsvenster uit het opeenvolgend geregistreerde operatiekamerregister. Behoud overeenkomende velden zoals de procedurecode, operatiekameridentificatie, operatiedatum, opnamenummer en starttijd van de anesthesie.
  2. Gebruik het opnamenummer en de operatiedatum voor de eerste match, en voer een tweede controle uit met behulp van de starttijd van de anesthesie en de operatiekameridentificatie. Als er meerdere anesthesiegegevens op dezelfde dag bestaan voor hetzelfde opnamenummer, kies dan bij voorkeur voor degene met een consistente operatiekameridentificatie en een anesthesiestarttijd die het dichtst bij de registratietijd van de operatie ligt.
  3. Inclusief opgenomen volwassen patiënten van ≥18 jaar van wie de operaties werden uitgevoerd in de hybride DSA-operatiekamer en die neurovasculaire, cardiovasculaire of perifere vasculaire interventie- of hybride procedures waren. Bevestig dat er algehele anesthesie of sedatie is toegediend tijdens de operatie, dat de medische, anesthesie- en verpleegkundige documentatie volledig is en dat er postoperatief vervolg tot 72 uur beschikbaar is.
  4. Sluit gevallen uit waarin het primaire uitkomstmoment al preoperatief aanwezig was om een niet-nul basislijn voor de uitkomst te voorkomen. Sluit gevallen uit waarin de procedure intraoperatief werd onderbroken om redenen die niets met positionering te maken hadden, zodat verdere evaluatie niet mogelijk was, evenals gevallen die binnen 72 uur postoperatief uit het ziekenhuis werden overgebracht, wat leidde tot een onbepaald resultaat.
  5. Bepaal de drempel voor ontbreken van belangrijke voorspellervariabelen door het aandeel ontbrekendheid per geval te berekenen over vooraf gespecificeerde sleutelvoorspellervariabelen en registreer de redenen voor ontmissing. Als de ontbrekingsverhouding voor een geval over deze belangrijke voorspellervariabelen hoger is dan 30%, sluit dan de zaak uit volgens de vooraf gespecificeerde regels en documenteer de reden voor uitsluiting in het screeninglogboek.
  6. Laat twee onderzoekers onafhankelijk de screening uitvoeren en screeningslogboeken genereren (inclusief inclusie/uitsluiting en redenen). Voor afwijkende zaken laat een derde onderzoeker teruggaan naar de originele dossiers voor beoordeling, en bewaar het beoordelingsdossier voor traceerbaarheid.
  7. Bepaal geen bovengrens voor steekproefgrootte van tevoren, maar hanteer een opeenvolgende inclusiestrategie voor alle gevallen. Regelmodelcomplexiteit aan de hand van het aantal gebeurtenissen, waarbij het aantal parameters dat uiteindelijk in het model wordt opgenomen wordt bepaald volgens het principe van minstens 15 gebeurtenissen per parameter.

3. Bestuder maten en variabelendefinities

  1. Stel een variabelendictionary op en specificeer voor elke variabele het bronsysteem, veldnaam, waarderegels en temporele volgorde. Voor continue variabelen gebruik je de meest recente preoperatieve laboratorium- of beoordelingswaarde; Voor chirurgische en anesthesievariabelen gebruik de slechtste waarde die over de hele procedure of cumulatieve blootstelling is geregistreerd; Voor verpleegkundige en apparaatvariabelen gebruik de daadwerkelijke intraoperatieve implementatie. Definieer vooraf vooraf gespecificeerde drempels en categoriegrenswaarden volgens klinisch veelgebruikte criteria, perioperatieve verpleegkundige en anesthesiepraktijk en gepubliceerde literatuur. Wanneer er geen algemeen geaccepteerde grens beschikbaar is, gebruik dan pragmatische categorieën om registratie, interpretatie en klinische toepassing te vergemakkelijken.
  2. Primaire uitkomst: samengestelde uitkomst van positiegerelateerde complicaties
    1. Definieer de primaire uitkomst als een samengestelde uitkomst van positie-gerelateerde complicaties die optreden van intraoperatief tot 72 uur postoperatief. Als meerdere componentgebeurtenissen in hetzelfde geval voorkomen, telt dan de samengestelde uitkomst slechts één keer en registreer het tijdstip van eerste optreden en alle componenttypen voor secundaire analyses.
    2. Definieer nieuw beginnend stadium 2 of hoogdrukletsel of diepweefselletsel binnen 72 uur postoperatief als een van de componenten. Gebruik het formulier voor verpleegkundige huidbeoordeling, de stadiëring en verpleegkundige dossiers als bewijs, en vereist dossiers die gelokaliseerd kunnen worden op specifieke anatomische locaties.
    3. Definieer perifere zenuwbeschadiging als het optreden van sensorisch verlies, gevoelloosheid of verminderde spierkracht die ≥24 uur duurt. Eis dat de anatomische verdeling consistent is met het contact-/tractiegebied van de positie op dat moment, en gebruik voortgangsnotities of specialistische beoordelingsgegevens als hoofdbewijs.
    4. Definieer gewrichts- of musculoskeletale schade als lokale pijn, vergezeld van positieve beeldvormingsbevindingen of specialistisch lichamelijk onderzoek dat wijst op tractie-/compressieletsel. Noteer de conclusie van de beeldvormingsmethode of het onderzoek en markeer de positiegerelateerde krachtaanspreekpunten.
    5. Definieer positiegerelateerde ademhalings- of hemodynamische instabiliteitsgebeurtenissen als compressie van de luchtwegen, beperkte ademhaling of beperkte veneuze terugvloei veroorzaakt door positionering die herpositionering vereist, compressie, vasopressor-escalatie of onderbreking van de procedure. Gebruik anesthesiesysteem-gebeurtenisregistraties, anesthesiedossiers en verpleegkundige/artsendossiers met expliciete "positie-gerelateerde" beschrijvingen en de bijbehorende beheersmaatregelen als bewijs.
    6. Definieer een hematoom met een diameter van ≥5 cm aan de punctiezijde of dat sijpelt en extra compressiefixatie vereist, waarbij gegevens aangeven dat ergernis door positiebeperkingen wordt aangegeven, als een van de componenten. Gebruik verpleegkundige dossiers en artsenafdelingsdossiers binnen 72 uur postoperatief als bewijs en registreer de aanvullende beheersmaatregelen.
    7. Bepaal positionele relevantie volgens drie criteria: expliciete vermelding van positionele relevantie in de dossiers, anatomische locatie die consistent is met positionele blootstellingspunten, en het ontbreken van een overtuigender alternatieve oorzaak. Als er een toeschrijvingsconflict is tussen verpleegkundige en artsendossiers, geef dan prioriteit aan het oorspronkelijke dossier dichter bij het moment van het evenement en laat twee beoordelaars beoordelen en tot consensus komen.
  3. Definities van voorspellende variabelen
    1. Definieer patiëntniveauvariabelen zoals leeftijd, geslacht, body mass index, diabetes mellitus, perifere neuropathie, perifere arteriële aandoening, chronische nierziekte stadium ≥ 3, congestief hartfalen, rookstatus, preoperatieve albumine, preoperatieve hemoglobine, Charlson comorbiditeitsindex en preoperatieve Braden-score. Definieer "preoperatief" als het meest recente geldige dossier vóór binnenkomst in de operatiekamer, binnen het routinematige perioperatieve beoordelingsvenster van het ziekenhuis.
    2. Definieer variabelen op operatie- en anesthesieniveau als procedurecategorie, type anesthesie, positietype, hoofd-nek rotatiehoekcategorieën, abductiehoeken bovenste ledematen, abductiehoek onderlichaam, abductie of buiging van onderlichaam > 45°, operatieve duur, fluoroscopieduur, intraoperatieve niet-draaibare status, geschatte bloedverlies, laagste MAP, cumulatieve tijd met MAP< 65 mmHg, laagste kerntemperatuur, gebruik van vasoactieve middelen en maximale noradrenaline-equivalent. Classificeer positie als lig/liggend/zijdelings; Classificeer de kop-nek rotatie als ≤30°, 31–60° en >60°; Classificeer abductie van bovenste ledematen als ≤90° en >90°.
    3. Exporteer de MAP-tijdreeks met tijdstempels uit het anesthesie-informatiebeheersysteem. Gebruik het tijdsverschil tussen aangrenzende records als intervallengte en tel de duur van alle intervallen op met MAP < 65 mmHg om "MAP < 65 cumulatieve tijd" te verkrijgen; Als er één interval ontbreekt of de kloof abnormaal is (bijvoorbeeld >5 minuten zonder redelijke verklaring), markeer dat interval dan als ontbrekend en neem het niet mee in het cumulatieve totaal.
    4. Definieer verpleegkundige- en apparaatniveauvariabelen als type tafelvulling, of de beveiliging van het sleuteldrukpunt was voltooid, of de bovenste ledematen aan gevoerde armplaten waren bevestigd, of het hoofd in een neutrale positie werd ondersteund, categorie van prikplaats, mantelgrootte, verblijftijd van de schede, methode voor het vastzetten en sluiten van de punctureplaats, en de volledigheid van de intraoperatieve controledocumentatie. Definieer "sleuteldrukpuntbescherming voltooid" als voltooid wanneer er beschermingsgegevens zijn op alle vier de locaties—occiput, schouderblad, sacrococcygeale regio en hielen; anders wordt het als niet volledig voltooid beschouwd.
    5. Noteer of er vasoactieve middelen zijn gebruikt en codeer niet-gebruikers als "niet gebruikt". Voor gebruikers, registreer het maximale noradrenaline-equivalent (μg/kg/min); Bereken bij elk anesthesierecordtijdstip NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, waarbij noradrenaline, epinefrine, dopamine en fenylefrine worden uitgedrukt in μg/kg/min en vasopressine in U/min; ongebruikte agenten op een bepaald tijdstip werden gecodeerd als 0, en maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE) gedurende de intraoperatieve periode.
      OPMERKING: De conversie- en aggregatieregels zijn vooraf vastgesteld en geïmplementeerd in het analysescript.

4. Dataverzameling en kwaliteitscontrole

  1. Geef uniforme training aan twee onderzoekers die verantwoordelijk zijn voor gegevensextractie en verspreid de standaard operationele procedures (SOP) en het variabelenwoordenboek. Na de training voer je een pilotextractie met kleine monsters uit en herzie je de definities en extractieroutes van ambigue velden.
  2. Haal demografieën en comorbiditeiten uit het elektronische medisch dossier, preoperatieve laboratoriumindicatoren uit het laboratoriumsysteem, vitale functies en medicatie uit het anesthesiesysteem, positionerings- en verpleegkundige maatregelen uit het verpleegsysteem, en fluoroscopie-duur en beeldvormingsgerelateerde informatie uit PACS. Voer cross-system matching uit met behulp van het opnamenummer en de operatiedatum, en bewaar de matchingsleutels en een overeenkomend logboek.
  3. Wanneer veldconflicten optreden, herleid je de originele papieren archieven en neem je de papieren archieven als standaard. Noteer het type conflict, de oorspronkelijke waarde, de gecorrigeerde waarde en de bron van bewijs in een conflictafhandelingslogboek.
  4. Voer dubbele gegevensinvoer uit door twee personen voor alle velden en genereer een discrepantielijst. Laat een derde onderzoeker elk item vergelijken met de originele records voor beoordeling en vergrendel de definitieve databaseversie voor analyse.
  5. Stel een tabel op met klinisch redelijke bereiken voor continue variabelen en voer automatische bereikcontroles uit na import. Traceer waarden buiten bereik voor verificatie; als niet verifieerbaar, zet ze dan op ontbrekend en behoud de oorspronkelijke waarde ter referentie.
  6. Voer dubbele extractie uit voor de eerste 50 gevallen en bereken consistentie, waarbij Cohen κ wordt gebruikt voor categorische variabelen en ICC (two-way random effects, absolute overeenkomst) voor continue variabelen. Als κ 0,80 < of ICC < 0,85, voer dan hertraining uit voor de gerelateerde variabelen en audit opnieuw totdat aan de norm is voldaan11.
  7. Bereken het aantal en het aandeel ontbrekende gevallen voor elke kandidaat-voorspellervariabele en genereer een ontbrekingsrapport. Voor belangrijke voorspellervariabelen met een ontbrekingsverhouding van niet meer dan 30%, start meervoudige imputatie; de primaire uitkomstvariabele zal niet worden geïncluteerd.
  8. Implementatiedetails van meervoudige imputatie door chained equations (MICE)
    1. Bepaal het aantal geïmputeerde datasets op m = 10 en stel het aantal iteraties op minstens 20 om convergentie te bevorderen. Stel een willekeurig seed in om reproduceerbaarheid van imputatie te waarborgen en sla het muizenobject op voor auditie.
    2. Gebruik voorspellende gemiddelde matching (PMM) voor continue variabelen om de distributievorm te behouden. Gebruik logistische regressieimputatie voor binaire variabelen, multinomiale logistische imputatie voor ongeordende multicategorievariabelen en ordinale logistische imputatie voor geordende categorische variabelen. In R werden ongeordende multicategorievariabelen gedefinieerd als nom_vars <- c("smoking_status","procedure_category","anesthesia_type",
      "position_type","table_padding_type","puncture_site_
      categorie","puncture_site_closure_method"), en geordende categorische variabelen werden gedefinieerd als 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], bevolen); meth <- muizen::make.method(dat); meth[sapply(dat, is.numeric)] <- "pmm"; meth[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"; meth[nom_vars] <- "polyreg"; meth[ord_vars] <- "polr"; en meth[c("inpatient_number","surgery_id","uitkomst")] <- "".
    3. Neem alle kandidaatvoorspellervariabelen en de uitkomstvariabele op in de imputatievoorspellingsmatrix om de imputatiekwaliteit te verbeteren, maar voer imputatie alleen uit voor voorspellervariabelen met ontbrekendheid. Stel identificatievelden in die niet als voorspellers mogen dienen (bijv. opnamenummer, unieke operatie-ID) zodat ze niet deelnemen aan het imputatiemodel om te voorkomen dat niet-klinische informatie wordt geïntroduceerd. Om dit protocol te volgen, implementeer je de predictormatrix als pred <- muizen::make.predictorMatrix(dat); pred[,] <-1; diag(pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","uitkomst"), ] <- 0; en pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","uitkomst")), "uitkomst"] <-1, zodat de uitkomst alleen als hulpvoorspeller wordt gebruikt en niet wordt geïimputeerd.
    4. Plot iteratietrace-plots en controleer of de gemiddelden en varianties van belangrijke continue variabelen stabiel zijn om imputatieconvergentie te beoordelen. De imputatie werd uitgevoerd als imp <- mice::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE); De convergentie werd beoordeeld met plot(imp) en door de stabiliteit van de gemiddelden en varianties van belangrijke continue variabelen over iteraties heen te controleren.

5. Ontwikkeling van het verpleegkundige voorspellende beoordelingsinstrument

  1. Preprocessing en codering van kandidaatvariabelen
    1. Stel het referentieniveau voor de procedurecategorie in op "neurovasculair" en het referentieniveau voor positie op "liggend". Stel het referentieniveau voor hoofd-nek rotatie in op "≤30°" en het referentieniveau voor abductie van bovenste ledematen op "≤90°". Stel het referentieniveau voor de categorie van de punctieplaats in op "radiale arterie" en het referentieniveau voor de methode van de afsluiting van de punctureplaatsen op "vasculair sluitingsapparaat".
    2. Schaal leeftijd per 10 jaar, operatieduur per 60 minuten, fluoroscopieduur per 10 minuten, geschatte bloedverlies per 100 mL, sheath-verblijftijd per 60 minuten en sheath-grootte per 1 Fr. Voor variabelen die worden verondersteld als "hoe lager de waarde, hoe hoger het risico" (bijv. laagste kerntemperatuur, albumine, hemoglobine, Braden-score, laagste MAP), pas reverse coding toe zodat de regressie OF "risicoverhoging per eenheid afname" vertegenwoordigt.
      OPMERKING: Omgekeerde codering kan worden geïmplementeerd door het negatieve van de oorspronkelijke variabele te nemen en te schalen met de eenheid, bijvoorbeeld Temp_dec = -(Temp/0,5) of Braden_dec = -(Braden/1), om de OR-interpretatierichting consistent te houden.
  2. Univariabelenanalyse en kandidaatvariabelenscreening
    1. Pas een univariabel logistisch regressiemodel aan voor elke kandidaatvoorspeller en registreer de OR, 95% BI en P-waarde. Voor categorische variabelen gebruik je dummycodering met het referentieniveau en de output effect-schattingen van elk niveau ten opzichte van de referentie.
    2. Gebruik beperkte kubieke splines om lineariteit van continue variabelen te testen, met vier knopen geplaatst op de kwantielwaarden van 5%, 35%, 65% en 95%. Als de test significante niet-lineariteit aangeeft, behoud dan dezelfde splinevorm in het volgende multivariabele model.
    3. Neem de unie van "klinisch vooraf gespecificeerde variabelen" en "variabelen met univariabele P<0,20" als de multivariabele kandidaatset12. Vergelijk de kandidaatset met de beperking van het aantal gebeurtenissen en houd indien nodig bij voorkeur klinisch zeer relevante variabelen om overfitting te controleren.
  3. LASSO-selectie en constructie van het hoofdmodel
    1. Pas een gestrafte logistische regressie (LASSO, alfa=1) aan op de kandidaatset, met familie = "binomiaal". Standardiseer continue variabelen (standaardize=TRUE) om eerlijke straf te garanderen over variabelen met verschillende schalen.
    2. Voer tienvoudige kruisvalidatie uit herhaald 1.000 keer, waarbij elke keer willekeurig fold-partitionen worden gegenereerd en de crossvalidatie-afwijking wordt geregistreerd die overeenkomt met lambda.min. Definieer de strafsterkte als de mediaan van lambda.min over de 1.000 herhalingen (of, equivalent, de λ die overeenkomt met de minimale gemiddelde afwijking), en gebruik deze λ voor de uiteindelijke LASSO-fit om een stabiele set variabelen met niet-nul coëfficiënten te verkrijgen.
    3. Met behulp van variabelen met niet-nul coëfficiënten geselecteerd door LASSO, past het niet-gestrafte multivariabele logistische regressie-hoofdmodel in de voltooide dataset. Als splinetermen behouden blijven, past u ze in het hoofdmodel met dezelfde splinevorm en registreert u de bijbehorende coëfficiënten of functietermen.
    4. Pas het hoofdmodel apart in de 10 geïmpluteerde datasets en haal regressiecoëfficiënten en standaardfouten eruit. Combineer de coëfficiënten, standaardfouten en betrouwbaarheidsintervallen met behulp van de regels van Rubin en rapporteer de gepoolde OR- en P-waarde.
  4. Risicoscore, nomogram en risicostratificatie
    1. Schaal de hoofdregressiecoëfficiënten van het model lineair naar gehele punten volgens de Sullivan-methode, waarbij de basisschaal en afrondingsregels worden vastgesteld. Bereken de totaalscore en koppel de totaalscore aan de voorspelde kans via de logitfunctie; De mappingformule moet consistent zijn met het intercept van het hoofdmodel.
    2. Gebruik het rms-pakket om een nomogram te genereren op basis van het hoofdmodel en exporteer dit als een afbeelding in hoge resolutie of PDF voor publicatie. Pas versiegekleurde bestandsnamen toe op de nomogramuitvoer om verwarring door latere wijzigingen te voorkomen.
    3. Definieer voorspelde kans <5% als laag risico, 5% tot 14,9% als intermediair risico, en ≥15% als hoog risico13. Beperk de uitvoer van het gereedschap tot twee formaten—een papieren formulier van één pagina en een elektronische rekenmachine—en beperk het beoordelingsproces tot niet meer dan drie stappen om klinisch gebruik te vergemakkelijken.

6. Modelvalidatie en prestatie-evaluatie

  1. Interne validatie en optimismecorrectie
    1. Gebruik de bootstrap voor interne validatie en stel het aantal resamples in op 1.000 om stabiele schattingen te verkrijgen. Voor elke resample past je het model opnieuw in de bootstrap-steekproef en bereken je prestatie-metrics in zowel de bootstrap-steekproef als de oorspronkelijke steekproef om optimisme te schatten.
    2. Definieer optimisme als het gemiddelde verschil tussen prestaties in de bootstrap-steekproef en in de oorspronkelijke steekproef. Trek optimisme af van de schijnbare prestatie om de gecorrigeerde prestatie te verkrijgen, en rapporteer de optimisme-gecorrigeerde AUC, kalibratieintercept, kalibratiehelling en Brier-score.
  2. Discriminatie
    1. Plot ROC-krommen en bereken de AUC als maatstaf voor discriminatie. Schat de AUC en zijn 95% BI met de DeLong-methode en voer de berekeningen uit op dezelfde voorspellingsuitkomsten (waarschijnlijkheden) om vergelijkbaarheid te waarborgen.
    2. Bij de vooraf gedefinieerde drempels (5% en 15%) bereken je gevoeligheid, specificiteit, PPV en NPV. Voor elke drempel wordt ook de verwarringsmatrixtelling uitgevoerd om verificatie van de berekening mogelijk te maken.
  3. Kalibratie en algemene fout
    1. Pas een kalibratiemodel aan met de lineaire voorspeller van het model (logit) als onafhankelijke variabele; de intercept duidt op systematische bias, en de helling geeft de mate van overfitting aan. Definieer ideale kalibratie als intercept = 0 en helling = 1, en rapporteer de metrieken voor en na correctie.
    2. Bereken de Brier-score als maat voor de totale fout en teken kalibratiecurves uit met loess-gladmaking langs de 45° ideale lijn. De Brier-score werd berekend als gemiddelde((uitkomst - predicted_probability)2), en loess-gladmaking werd geïmplementeerd als statistieken::löss (uitkomst ~ predicted_probability, span = 0,75, graad = 2, familie = "gaussisch", oppervlak = "direct").
  4. Klinisch netto voordeel en beslissingscurves
    1. Gebruik beslissingscurveanalyse om het nettovoordeel te evalueren over drempelkansen van 2% tot 25%14, en zet Treat-All- en Treat-None-strategieën uit als referenties. Stel de drempel stapgrootte vast op 0,01 en specificeer dit expliciet in het script om reproduceerbaarheid te garanderen.
    2. Voer gevoeligheidsanalyses uit van het nettovoordeel rond de laag- en hoogrisicodrempels, en noteer de richting van het effect van drempelveranderingen op het nettobat. Presenteer de resultaten van de gevoeligheidsanalyse naast de vooraf gedefinieerde drempels om hun rationaliteit te verifiëren.

7. Statistische implementatie en reproduceerbare scriptworkflow

  1. Softwareomgeving en projectinitialisatie
    1. Voer analyses uit in R 4.3.2 met behulp van de pakketten pROC, rms, glmnet, mice en rmda.
    2. Stel een vaste willekeurige seed (20250101) in aan het begin van het script en registreer sessie-informatie om de softwareomgeving te documenteren.
  2. Data-import, type-instellingen en kwaliteitscontroles
    1. Importeer de gegevens met read.csv("data/analysis.csv") of readr::read_csv(). Controleer of het aantal rijen één-op-één overeenkomt met de unieke chirurgie-identificatie, en controleer op dubbele ID's.
    2. Zet categorische variabelen om in factoren en gebruik relevel() om referentieniveaus in te stellen die overeenkomen met het vooraf ingestelde schema. Houd continue variabelen numeriek en pas unit scaling en reverse coding toe volgens de preset vóór modellering.
    3. Voor categorische variabelen bereken je frequenties en percentages; voor continue variabelen bereken je gemiddelde ± standaarddeviatie of mediaan [IQR]. Gebruik grafische methoden en shapiro.test() om de distributievorm te beoordelen en bepaal de beschrijvende benadering dienovereenkomstig.
  3. Verwerking van ontbrekende gegevens en meervoudige imputatie (m = 10)
    1. Bereken de ontbrekingsverhouding voor elke variabele en exporteer deze als output/missing_report.csv. Bevestig dat de uitkomstvariabele geen ontbreking heeft, en vergrendel de strategie van "alleen voorspellervariabelen imputeren, niet de uitkomst imputeren."
    2. Gebruik muizen() met m = 10 en maximaal ≥ 20 om gekoppelde vergelijkingen imputatie uit te voeren en imputatiemethoden te specificeren volgens variabeletypen. Gebruik complete(mids, action=k) om de kth complete dataset te exporteren en op te slaan als data/imp_k.csv.
    3. Plot (mids) om de stabiliteit van de sporen te controleren en vergelijk de pre- en post-imputatieverdelingen voor belangrijke continue variabelen. Bewaar de diagnostische plots om uit te imputation_diagnostics.pdf ter verificatie.
  4. Univariabele regressie, spline-testen en generatie van de kandidaatset
    1. Pas eenvariabele logistische regressie in elke geïmputeerde dataset en gebruik pool() om coëfficiënten en standaardfouten te combineren. Exporteer de OR-, 95% BI- en P-waarden als output/univariate_pool.csv voor kandidatenscreeningsgegevens.
    2. Gebruik het rms-pakket rcs() om splinetermen voor continue variabelen te passen en test de niet-lineaire termen. Bepaal het aantal en de locaties van knopen en noteer ze in scriptcommentaren om verschillen tussen runs te voorkomen.
    3. Neem de unie van klinisch vooraf bepaalde variabelen en variabelen met univariabele P<0,20 om de kandidatenlijst te genereren, en sla deze op als output/candidate_list.txt. Controleer of het aantal kandidaten en het aantal gebeurtenissen aan de complexiteitsbeperking voldoen, en registreer de laatste variabelenset die voor LASSO wordt gebruikt.
  5. LASSO-selectie en pasvorm van het hoofdmodel
    1. Gebruik model.matrix() om de matrix van onafhankelijke variabelen te genereren en ervoor te zorgen dat de referentieniveaus correct zijn. Gebruik cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) om tienvoudige kruisvalidatie uit te voeren.
    2. Gebruik een lus om random fold-partities 1000x te herhalen, registreer lambda.min en de crossvalidatiefout voor elke run, en schrijf deze naar output/lasso_lambda_trace.csv. Neem de mediaan van de 1000 lambda.min-waarden als de stabiele λ, en pas glmnet aan op de volledige dataset met deze λ om de variabelen met niet-nul coëfficiënten te verkrijgen.
    3. In de 10 geïmputeerde datasets past het hoofdmodel glm(family=binomial) aan met behulp van de geselecteerde variabelen. Combineer β, SE, OR en 95% BI met behulp van Rubins regels en sla de resultaten op als output/multivariable_pool.csv.
  6. Scoretransformatie, nomogram en risicostratificatie
    1. Zet β om naar gehele punten volgens een vaste schaal en koppel de totale score terug aan de logit en waarschijnlijkheid met dezelfde schaal. Steek willekeurig verschillende gevallen uit om de "oorspronkelijke modelwaarschijnlijkheid" te vergelijken met de "score-geconverteerde waarschijnlijkheid" om te garanderen dat de fout binnen het vooraf ingestelde acceptabele bereik valt.
    2. Gebruik het rms-pakket om het nomogram te construeren en exporteer het als output/nomogram.pdf. Exporteer het scoreblad als output/score_sheet.xlsx of equivalente formaten om de productie van een papieren formulier van één pagina te vergemakkelijken.
    3. Voer stratificatie uit met behulp van de 5%- en 15%-drempels en geef het aantal gevallen en de waargenomen incidentie in elke stratum uit. Exporteer Se, Sp, PPV en NPV op de drempels als output/threshold_metrics.csv voor latere presentatie.
  7. Interne validatie-, kalibratie- en beslissingscurves
    1. Stel het aantal bootstrap-resamples in op 1.000 en voer bij elke resample refitting en voorspelling uit, waarbij AUC, Brier-score, kalibratie-intercept en kalibratiehelling worden berekend. Schrijf de optimisme-gecorrigeerde resultaten naar output/bootstrap_corrected_metrics.csv en bewaar een samenvatting van tussenresultaten voor elke herbemonstering voor audit.
    2. Gebruik het pROC-pakket roc() en auc() om de AUC te berekenen, en gebruik ci.auc(method="delong") om de 95% CI te produceren. Sla de ROC-curve op als output/roc_curve.png en fix de resolutie en grootte in het script.
    3. Gebruik het RMDA-pakket om het netto voordeel te berekenen en DCA-curves uit te zetten over het drempelbereik van 2% tot 25%. Exporteer de figuur als output/dca_curve.png en pas de drempelstapgrootte en curvelabels vast om reproduceerbaarheid te garanderen.
  8. Gevoeligheidsanalyses
    1. Vervang de uitkomst door "drukletsel fase ≥3" en herhaal de imputatie, LASSO-selectie, hoofdmodelpassing en prestatie-evaluatieworkflow. Geef de prestatie-indicatoren samen met de hoofdanalyse om de robuustheid te beoordelen.
    2. Vervang de hypotensie-blootstellingsvariabele door "cumulatieve tijd met MAP<60 mmHg" en herhaal de volledige modellerings- en validatieworkflow. Vergelijk coëfficiëntenrichtingen en veranderingen in AUC, Brierscore en kalibratiemetrieken om de gevoeligheid voor de drempelinstelling te testen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Populatie- en basislijnkenmerken bestuderen
Volgens de vooraf gespecificeerde criteria werden 3.274 patiëntendossiers uit de hybride DSA-operatiekamer geïdentificeerd, en 1.936 (59,1%) voldeden aan de inclusiecriteria en gingen in modelontwikkeling en validatie (Figuur 1). De ingeschreven patiënten hadden een leeftijd van (66,82 ± 11,94) jaar; mannen waren goed voor 61,16%; BMI was (24,73 ± 3,89) kg/m2; Diabetes mellitus was go...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

In de hybride DSA-operatiekamer omvatten positiegerelateerde complicaties naast elkaar bestaand huid- en zachtweefselletsel en door positionering veroorzaakte ademhalings- en hemodynamische instabiliteit, wat erop wijst dat positionele veiligheid niet alleen een kwestie is van lokale druk, maar ook een afspiegeling is van de fysiologische tolerantie van het hele lichaam. Risicobepalende factoren zijn het gevolg van patiëntkwetsbaarheid en chirurgische blootstelling. Gevorderde leeftijd e...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren dat zij geen belangenconflicten hebben.

Dankbetuigingen

De auteurs willen alle collega's en medewerkers bedanken die aan deze studie hebben bijgedragen maar niet als auteur worden vermeld.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Anesthesia information management systemInstitutional sourceN/ABron van intraoperatieve vitale tekens, vasoactieve middelen, MAP-tijdreeksen en anesthesiegegevens.
Electronic medical record systemInstitutional sourceN/ABron van demografie, comorbiditeiten, operatiegegevens en klinische follow-updocumentatie.
glmnetCRANN/AR-pakket gebruikt voor gepenaliseerde logistische regressie en LASSO-variabeleselectie.
Hybrid digital subtraction angiography operating roomInstitutional sourceN/AStudieomgeving voor alle opgenomen procedures; uitgerust voor interventionele beeldvorming en open chirurgie.
Laboratory information systemInstitutional sourceN/ABron van preoperatieve laboratoriumindicatoren, inclusief albumine en hemoglobine.
miceCRANN/AR-pakket gebruikt voor meervoudige imputering door geketen vergelijkingen.
Nursing information systemInstitutional sourceN/ABron van positioneringsgegevens, bescherming van drukpunten, intraoperatieve positiecontroles en postoperatieve verpleegdocumentatie.
Picture archiving and communication system (PACS)Institutional sourceN/ABron van fluoroscopie-duur en beeldvormingsgerelateerde informatie.
pROCCRANN/AR-pakket gebruikt voor ROC-analyse, AUC-schatting en DeLong-betrouwbaarheidsintervallen.
RR Foundation for Statistical ComputingN/AOmgeving voor statistische analysesoftware.
rmdaCRANN/AR-pakket gebruikt voor beslissingscurve-analyse.
rmsCRANN/AR-pakket gebruikt voor regressiemodelleringsstrategieën, spline-functies en nomogramconstructie.

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Voorspellend Instrument voor VerpleegkundigenHybride OperatiekamerPositiegerelateerde ComplicatiesRisicostratificatieLogistische ModelleringConstructie van NomogrammenBescherming van DrukpuntenIntraoperatieve Positiecontroles

Gerelateerde artikelen