Artykuł metodologiczny

Predykcyjne narzędzie pielęgniarskie dla bezpieczeństwa pozycjonowania pacjentów w hybrydowych salach operacyjnych z cyfrową angiografią subtrakcji

69 wyświetleń

⸱

DOI:

10.3791/70751

⸱

5 czerwca 2026

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

W tym artykule

Podsumowanie

Jedno ośrodkowe badanie retrospektywne opracowało i wewnętrznie zweryfikowało narzędzie do progologii pielęgniarstwa etapowego, które łączy podstawowe ryzyko chirurgiczne pacjentów z modyfikowalnymi procesami opieki okołooperacyjnej, wspierając ocenę przedoperacyjną i aktualizacje ryzyka powikłań związanych z pozycjonowaniem w hybrydowej sali operacyjnej cyfrowej angiografii odejmowania.

Streszczenie

Celem tego badania było opracowanie i wewnętrzna weryfikacja narzędzia predykcyjnej oceny pielęgniarskiej aktualizującej fazę, opartego na bazowym poziomie ryzyka pacjenta i chirurgii oraz modyfikowalnych procesach pielęgniarskich do stosowania przed operacją i po umieszczeniu w hybrydowej sali operacyjnej cyfrowej angiografii odejmowania. Ta jednoośrodkowa kohorta retrospektywna obejmowała dorosłych hospitalizowanych poddawanych pierwszy zabieg w hybrydowej sali operacyjnej, z operacją jako jednostką analizy i obserwacji do 72 godzin po operacji. Wynik był złożonym punktem końcowym powikłań związanych z pozycją.

Brakujące dane predyktorowe obsługiwano za pomocą wielokrotnej imputacji (m = 10), a spójność ekstrakcji oceniano za pomocą współczynników korelacji Cohena κ i wewnątrzklasowych. Kandydujące zmienne z unizmiennego screeningu wraz z wcześniej określonymi zmiennymi weszły w regresję operatorów najmniejszego bezwzględnego i selekcji, po czym nastąpiło modelowanie logistyczne wielowymiarowe i konstrukcja nomogramów z progową stratyfikacją ryzyka. Wydajność modelu oceniano na podstawie powierzchni pod krzywą, przecięcia kalibracyjnego i nachylenia, wyniku Briera, wewnętrznej walidacji bootstrap oraz analizy krzywej decyzyjnej.

Łącznie przeanalizowano 1 936 przypadków, a łączny wynik wyniósł 10,23%. Maksymalne brakowanie kluczowych zmiennych wynosiło 3,25%, a spójność ekstrakcji była dobra (κ ≥ 0,86, współczynnik korelacji wewnątrzklasowej ≥ 0,89). Zachowano dwanaście predyktorów; Ochrona punktów ciśnienia oraz pomiary pozycji wewnątrzoperacyjnej były ochronne (iloraz szans 0,68–0,71). Model bazowy miał pole pod krzywą 0,74/0,72 (widoczne/skorygowane), a pełny model osiągnął 0,79/0,77. Skorelowany optymizm nachylenie kalibracji wynosiło 0,947, przecięcie 0,004, a wynik Briera 0,085.

To narzędzie wykazało stabilną dyskryminację, kalibrację i korzyści netto na wewnętrznej walidacji. Zmienne procesu pielęgniarskiego dodawały wartość, a narzędzie może wspierać ocenę przedoperacyjną oraz aktualizację ryzyka po pozycjonowaniu w oczekiwaniu na zewnętrzną weryfikację.

Wprowadzenie

Hybrydowa sala operacyjna cyfrowej subtrakcji (DSA) integruje obrazowanie interwencyjne z operacją otwartą i służy jako platforma do zarządzania złożonymi chorobami naczyniowymi oraz krytycznymi przypadkaminagłymi 1. Łańcuch proceduralny jest dłuższy, wielu pacjentów jest starszych, a znieczulenie ogólne lub sedacja osłabia odruchy ochronne i spontaniczne przystosowanie2. Ograniczone przez ramię C, sterylne pole i układ dróg dojazdowych, możliwości obracania nadwozia i odciążenia ciśnienia są ograniczone po ustaleniu pozycji, podczas gdy ekspozycja na utrzymujące się ciśnienie i rozciąganie/trakcję wzrasta3. Równoległe procedury hybrydowe dodatkowo skracają okna dostosowujące, a zarządzanie pozycjonowaniem opiera się bardziej na koordynacji zespołu. Powikłania związane z pozycją obejmują urazy odleżynowe, urazy nerwów obwodowych i układu mięśniowo-szkieletowego, a także mogą objawiać się jako fluktuacje oddechowe i hemodynamiczne wywołane pozycjonowaniem, wpływające na pooperacyjną rekonwalescencję 4,5.

Zespół pielęgniarski ponosi kluczową odpowiedzialność za pozycjonowanie, ochronę punktów ciśnienia, zabezpieczenie dostępu, kontrolę pozycji wewnątrzoperacyjnej oraz obserwację pooperacyjną; Wczesne identyfikowanie ryzyka pozycyjnego i precyzyjna interwencja to kluczowe tematy w zarządzaniu pielęgniarstwem, z większą potrzebą standaryzowanej, procesowej weryfikacji i dokumentacji6. Istniejące oceny ryzyka okołooperacyjnego opierają się głównie na przedoperacyjnych skalach generycznych lub koncentrują się na jednym wyniku7. Większość dowodów pochodzi z sali operacyjnej lub sali interwencyjnej i nie obejmuje ekspozycji kompozytowych w hybrydowej sali operacyjnej DSA, takich jak długotrwała niemożność obracania, wahania perfuzji i temperatury oraz obecność pochwy przy fiksacji kompresyjnej. Narzędzia takie jak Braden podkreślają tolerancję skóry, ale nie są dobrze przystosowane do charakteryzowania konkretnych czynników, takich jak pozycja na brzuchu i skumulowana ekspozycja na niedociśnienie, co utrudnia wsparcie zarządzania warstwowego8. Spektrum powikłań obejmuje współistniejące uszkodzenia skóry i niestabilność fizjologiczną, a pojedynczy wynik nie jest wystarczający do określenia priorytetów procesu9.

Niektóre badania bezpośrednio traktowały środki pielęgniarskie jako predyktory przedoperacyjne, co łatwo prowadzi do niezgodności celów i wycieków informacji, utrudniającym dopasowanie wyników do czasu i intensywności interwencji oraz niekorzystną poprawą jakości po dostosowaniu ryzyka10. Brakuje narzędzia oceniającego, które dostarczałoby przedoperacyjne ryzyko wyjściowe i aktualizowało ryzyko po pozycjonowaniu z odpowiadającymi zadaniami. W tym badaniu, opartym na jednocentrowej kohorcie retrospektywnej, opracowano narzędzie predykcyjne oceny pielęgniarskiej; Przed operacją początkowe ryzyko oszacowano na podstawie zmiennych narażenia pacjenta i chirurga, a po pozycjonowaniu wprowadzano modyfikowalne elementy pielęgniarskie, aby aktualizować ryzyko. Do wyboru zmiennych z wewnętrzną walidacją zastosowano regresję penalizowaną; oceniono dyskryminację, kalibrację i korzyści netto; oraz opracowano nomogram i stratyfikację prógową dla wsparcia decyzyjnego pielęgniarstwa, co stanowiło podstawę do dostosowania ryzyka i poprawy jakości.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Badanie obejmuje wcześniejszą dokumentację medyczną osób oraz dane z zakresu znieczulenia i pielęgniarstwa. Badanie przeprowadzono zgodnie z odpowiednimi wytycznymi instytucjonalnymi, zostało przeanalizowane i zatwierdzone przez komisję etyki instytucjonalnej (Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), z klauzulą zwolnienia z pisemnej świadomej zgody; Wszystkie dane zostały zdeidentyfikowane przed eksportem i użyte wyłącznie do celów tego badania.

Badanie to zostało przedstawione zgodnie z oświadczeniem TRIPOD dotyczącym rozwoju wielozmiennych modeli predykcyjnych i wewnętrznej walidacji; kompletna lista kontrolna TRIPOD znajduje się w Tabeli Uzupełniającej S1.

1. Projekt badań i środowisko studiów

  1. Zdefiniuj projekt badania jako jednocentrowe retrospektywne badanie obserwacyjne z wykorzystaniem historycznego projektu kohortowego. Ustalimy ramy czasowe nauki od 1 stycznia 2021 do 31 grudnia 2024.
  2. Ustalenie celu badania polega na opracowaniu narzędzia predykcyjnej oceny dla pielęgniarstwa dotyczącego komplikacji związanych z pozycją w hybrydowej sali operacyjnej DSA oraz przeprowadzenie wewnętrznej walidacji i oceny wydajności. Zdefiniuj "chirurgię" jako jednostkę analizy i przypisz każdej operacji unikalny identyfikator (np. numer pacjenta + data operacji + czas rozpoczęcia znieczulenia).
  3. Gdy ten sam pacjent ma wiele uprawnionych operacji, należy zachować tylko pierwszy dokumentację uprawniającego do operacji. Zdefiniuj "pierwszą" jako kwalifikującą się operację z najwcześniejszym rozpoczęciem znieczulenia lub sedacji w ramach okna badawczego.
  4. Zdefiniuj punkt początkowy wydobycia danych jako moment, w którym pacjent wchodzi na salę operacyjną i rozpoczyna się znieczulenie lub sedacja. Ustalić punkt końcowy obserwacji na 72 godziny po operacji, aby pokryć główne okno wystąpienia powikłań związanych z pozycją.
  5. Ogranicz środowisko do hybrydowej sali operacyjnej DSA i udokumentuj, że jest ona wyposażona w płaski cyfrowy system angiografii odejmowania oraz możliwość otwartej chirurgii. Zanotuj, że najczęściej używane pozycje to leżące, leżące i boczne, a regulacja pozycji wewnątrzoperacyjnej jest ograniczona przez sprzęt obrazujący, pole sterylne oraz układ dróg wejściowych, co skutkuje mniejszą liczbą możliwości obracania się i stosunkowo wydłużonym czasem działania operacyjnego.

2. Populacja badań, przepływ przesiewowy przypadków oraz strategia wielkości próby

  1. Eksportuj wszystkie wpisy chirurgiczne "hybrydowej sali DSA" w ramach okna czasu badania z rejestru kolejno zarejestrowanej sali operacyjnej. Zachowuj pasujące pola, takie jak kod procedury, identyfikator sali operacyjnej, data operacji, numer szpitala oraz godzina rozpoczęcia znieczulenia.
  2. Użyj numeru oddziału i daty operacji jako pierwszego dopasowania, a następnie wykonaj wtórne sprawdzenie, korzystając z godziny rozpoczęcia znieczulenia i identyfikatora sali operacyjnej. Jeśli istnieje wiele dokumentacji anestezjologicznych tego samego dnia dla tego samego numeru pacjenta, preferencyjnie dopasuj ten z spójnym identyfikatorem sali operacyjnej i godziną rozpoczęcia anestezjologii najbliższą terminowi rejestracji operacji.
  3. Uwzględnić pacjentów hospitalizowanych dorosłych w wieku ≥18 lat, których operacje przeprowadzono w hybrydowej sali operacyjnej DSA i były wykonywane procedurami neuro-naczyniowymi, sercowo-naczyniowymi lub obwodowymi, interwencyjnymi lub hybrydowymi. Potwierdź, że podczas operacji podano znieczulenie ogólne lub sedację, że dokumentacja medyczna, anestezjologiczna i pielęgniarska jest kompletna oraz że dostępna jest kontrola do 72 godzin po operacji.
  4. Wyklucz przypadki, w których zdarzenie pierwotne było już obecne przed operacją, aby uniknąć niezerowego punktu wyjściowego dla tego wyniku. Wykluczyć przypadki, w których zabieg został przerwany wewnątrzoperacyjnie z powodów niezwiązanych z ustawieniem ciała, tak że dalsza ocena nie była możliwa, a także przypadki przeniesione ze szpitala w ciągu 72 godzin po operacji, co prowadziło do nieokreślonego wyniku.
  5. Określ próg braku kluczowych zmiennych predykcyjnych, obliczając udział braków w każdym przypadku pomiędzy wcześniej określonymi kluczowymi zmiennymi predyktorskimi i zapisz powody braku. Jeśli odsetek braków dla przypadku pomiędzy tymi kluczowymi zmiennymi predyktorowymi przekracza 30%, wyklucz przypadek zgodnie z wcześniej określonymi zasadami i dokumentuj powód wykluczenia w dzienniku przesiewowym.
  6. Dwóch badaczy niezależnie przeprowadzi selekcję i sporządzi dzienniki przesiewkowe (w tym uwzględnienie i powody). W przypadku rozbieżnych przypadków trzeci badacz powinien śledzić oryginalne dokumenty do rozstrzygania i zachować zapis rozstrzygnięcia dla możliwości śledzenia.
  7. Nie definiuj górnej granicy wielkości próby, stosując kolejną strategię włączenia we wszystkich przypadkach. Steruje się złożoność modelu liczbą zdarzeń, określając liczbę parametrów ostatecznie wprowadzonych do modelu zgodnie z zasadą co najmniej 15 zdarzeń na parametr.

3. Miary badawcze i definicje zmiennych

  1. Ustal słownik zmiennych i określił dla każdej zmiennej system źródłowy, nazwę pola, reguły wartości oraz sekwencję czasową. Dla zmiennych ciągłych użyj najnowszej wartości laboratoryjnej lub oceny przedoperacyjnej; dla zmiennych chirurgicznych i anestezjologicznych należy użyć najgorszej wartości zarejestrowanej przez cały zabieg lub skumulowaną ekspozycję; Dla zmiennych pielęgniarskich i urządzeń należy użyć rzeczywistej implementacji śródoperacyjnej. Zdefiniuj z góry określone progi i progi kategorii zgodnie z powszechnie stosowanymi kryteriami klinicznymi, praktyką pielęgniarstwa okołooperacyjnego i anestezjologii oraz opublikowaną literaturą. Gdy nie ma jednego powszechnie akceptowanego progu, należy stosować pragmatyczne kategorie, aby ułatwić rejestrowanie, interpretację i zastosowanie kliniczne.
  2. Główny wynik: złożony wynik powikłań związanych z pozycją
    1. Zdefiniuj pierwotny wynik jako złożony wynik powikłań związanych z pozycją występujących od okresu śródoperacyjnego do 72 godzin po operacji. Jeśli w tym samym przypadku wystąpi wiele zdarzeń składowych, licz wynik złożony tylko raz i zapisuj czas pierwszego wystąpienia oraz wszystkie typy składników do analiz wtórnych.
    2. Zdefiniuj uraz nowego stadium 2 lub wyższy ciśnieniowy albo głębokie uszkodzenie tkanek w ciągu 72 godzin po operacji jako jedno z zdarzeń składowych. Używaj formularza oceny skóry karmiarskiego, aranżacji i dokumentacji pielęgniarskiej jako dowodów oraz wymagaj dokumentacji lokalnej do konkretnych miejsc anatomicznych.
    3. Zdefiniuj uszkodzenie nerwów obwodowych jako wystąpienie utraty czuciowej, drętwienia lub obniżonej siły mięśni trwające ≥24 godziny. Wymagaj, aby rozkład anatomiczny był zgodny z obszarem kontaktu/trakcji pozycji w danym momencie i używaj notatek postępów lub specjalistycznych dokumentacji oceny jako głównych dowodów.
    4. Zdefiniuj uraz stawów lub układu mięśniowo-szkieletowego jako ból miejscowy towarzyszący pozytywnym wynikaniom obrazowym lub specjalistycznym badaniu fizykalnym sugerującym uraz trakcji/ucisku. Zapisz zakończenie metody obrazowania lub badania oraz zaznacz punkty działania związane z położeniem.
    5. Zdefiniuj zdarzenia związane z położeniem niestabilności oddechowej lub hemodynamicznej jako ucisk dróg oddechowych, ograniczone oddychanie lub ograniczony powrót żylny spowodowany pozycjonowaniem wymagającym zmiany pozycji, ucisku, eskalacji wazopresorów lub przerwania zabiegu. Wykorzystaj dokumentację z wydarzeń systemu anestezjologicznego, arkusze dokumentacji znieczulenia oraz dokumentację pielęgniarską i lekarską zawierającą wyraźne opisy "związane z pozycją" oraz odpowiednie środki zarządzania jako dowód.
    6. Zdefiniuj krwiaka o średnicy ≥5 cm po stronie nakłucia lub wyciekającego wymagającego dodatkowej uciskowej fiksacji, z zapisami wskazującymi na podrażnienie związane z ograniczeniami pozycyjnymi jako jedno z zdarzeń składowych. Wykorzystaj dokumentację pielęgniarską i wizyty lekarza w ciągu 72 godzin po operacji jako dowód oraz zapisz dodatkowe środki zarządzania.
    7. Określ istotność pozycyjną według trzech kryteriów: wyraźnego wzmianku o istotności pozycyjnej w zapisach, miejsca anatomicznego zgodnego z punktami ekspozycji pozycyjnych oraz braku bardziej przekonującej alternatywnej przyczyny. Jeśli występuje konflikt w przypisaniu między dokumentacją pielęgniarską a lekarską, należy priorytetowo traktować oryginalną dokumentację bliżej czasu zdarzenia i poproś dwóch sędziów o przejrzenie i osiągnięcie konsensusu.
  3. Definicje zmiennych predykcyjnych
    1. Zdefiniuj zmienne na poziomie pacjenta: wiek, płeć, wskaźnik masy ciała, cukrzycę, neuropatię obwodową, chorobę tętnic obwodowych, przewlekłą chorobę nerek stadium ≥ 3, niewydolność serca, status palenia, albuminę przedoperacyjną, wskaźnik współistniejących chorób Charlsona oraz wynik Bradena przed operacją. Zdefiniuj "przedoperacyjny" jako najnowszą ważną dokumentację przed wejściem na salę operacyjną, w ramach rutynowego okna oceny okołooperacyjnej szpitala.
    2. Zdefiniuj zmienne na poziomie chirurgicznym i znieczuleniu: kategorie procedury, typ znieczulenia, typ pozycji, kategorie kątów rotacji głowa–szyja, kategorie kąta abdukcji kończyn górnych, abdukcja lub zgięcie kończyn dolnych > 45°, czas trwania operacji, czas trwania fluoroskopii, stan nieobracalności wewnątrzoperacyjnej, szacowana utrata krwi, najniższy MAP, łączny czas z MAP< 65 mmHg, najniższa temperatura rdzenia, stosowanie środków wazoaktywnych oraz maksymalny ekwiwalent noradrenaliny. Klasyfikuj pozycję jako leżącą/leżącą/boczną; klasyfikować rotację głowa–szyja jako ≤30°, 31–60° i >60°; klasyfikować porwanie kończyn górnych jako ≤90° i >90°.
    3. Eksportuj serię czasową MAP wraz ze znacznikami czasu z systemu zarządzania informacją anestezjologiczną. Użyj różnicy czasu między sąsiednimi rekordami jako długości interwału i zsumuj czas trwania wszystkich interwałów z MAP < 65 mmHg, aby uzyskać "MAP < 65 czasu kumulatywnego"; jeśli brakuje pojedynczego przedziału lub przerwa jest nieprawidłowa (np. >5 minut bez rozsądnego wyjaśnienia), oznacz ten przedział jako brakujący i nie uwzględniaj go w sumie sumy.
    4. Zdefiniuj zmienne na poziomie karmienia i urządzenia: rodzaj wyściółki, czy zabezpieczenie kluczowego punktu nacisku zostało zakończone, czy kończyny górne były przymocowane do wyściełanych podłokietników, czy głowa była podparta w pozycji neutralnej, kategorię miejsca wkłucia, rozmiar pochewki, czas zatrzymania pochwy, metodę zabezpieczania/zamykania miejsca nakłucia oraz kompletność dokumentacji kontroli pozycji wewnątrzoperacyjnej. Zdefiniuj "zakończoną ochronę kluczowych punktów nacisku" jako zakończoną, gdy istnieją rejestry ochrony we wszystkich czterech miejscach — potyce, łopatkach, okolicy krokokucigealnej i piętach; w przeciwnym razie uważa się ją za niew w pełni ukończoną.
    5. Zapisuj, czy użyto jakichkolwiek środków wazoaktywnych i koduj osoby niebędące użytkownikami jako "nie użyte". Dla użytkowników należy zapisywać maksymalną równowartość noradrenaliny (μg/kg/min); w każdym momencie zapisu znieczulenia obliczamy NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, gdzie noradrenalina, adrenalina, dopamina i fenylefryna są wyrażane w μg/kg/min, a wazopresyna w U/min; nieużywane środki w danym momencie były kodowane jako 0, a maximum_norepinephrine_equivalent = maks(NE_eq_t, na.rm = TRUE) przez cały okres śródoperacyjny.
      UWAGA: Zasady konwersji i agregacji zostały ustalone wcześniej i zaimplementowane w skrycie analitycznym.

4. Zbieranie danych i kontrola jakości

  1. Zapewnienie jednolitego szkolenia dwóm badaczom odpowiedzialnym za ekstrakcję danych oraz dystrybucję standardowych procedur operacyjnych (SOP) i słownika zmiennych. Po szkoleniu wykonaj pilotażową ekstrakcję na małej próbce i zrewiduj definicje oraz ścieżki ekstrakcji niejednoznacznych pól.
  2. Wyodrębniaj dane demograficzne i współistniejące z elektronicznej dokumentacji medycznej, wskaźniki laboratoryjne z systemu laboratoryjnego, parametry życiowe i leki z systemu znieczulenia, pomiary pozycjonowania i pielęgniarstwa z systemu pielęgniarskiego oraz czas trwania fluoroskopii i informacje związane z obrazowaniem z PACS. Wykonaj dopasowanie międzysystemowe na podstawie numeru pacjenta i daty operacji, a także zachowaj dopasowane klucze i rejestr dopasowania.
  3. Gdy pojawiają się konflikty terenowe, należy odwołać się do oryginalnych papierowych zapisów i traktować papierowe zapisy jako standard. Zapisz typ konfliktu, wartość pierwotną, wartość skorygowaną oraz źródło dowodów w dzienniku obsługi konfliktu.
  4. Wykonaj podwójne wprowadzanie danych przez dwie osoby dla wszystkich pól i generuj listę rozbieżności. Niech trzeci badacz sprawdzi każdy element względem oryginalnych zapisów do rozpatrzenia i zablokuje ostateczną wersję bazy danych do analizy.
  5. Ustal tabelę klinicznie rozsądnych zakresów dla zmiennych ciągłych i wykonaj automatyczne kontrole zakresu po imporcie. Prześledz wartości spoza zakresu weryfikacji; jeśli nie da się zweryfikować, ustaw je na brakujące i zachowaj oryginalną wartość do odniesienia.
  6. Wykonaj ekstrakcję duplikatów dla pierwszych 50 przypadków i oblicz spójność, używając Cohena κ dla zmiennych kategorycznych oraz ICC (dwukierunkowe efekty losowe, bezwzględna zgoda) dla zmiennych ciągłych. Jeśli κ < 0,80 lub ICC < 0,85, przeprowadź ponowne szkolenie dla powiązanych zmiennych i ponowny audyt aż do spełnienia standardu11.
  7. Oblicz liczbę i proporcję brakujących przypadków dla każdej kandydatskiej zmiennej predykcyjnej i wygeneruj raport braków. Dla kluczowych zmiennych predykcyjnych o proporcji braku nieprzekraczającej 30% inicjuj wielokrotną imputację; Główna zmienna wynik nie zostanie przypisana.
  8. Szczegóły implementacji wielokrotnej imputacji za pomocą równań łańcuchowych (MICE)
    1. Ustalimy liczbę imputowanych zbiorów danych na m = 10 i ustaw liczbę iteracji na co najmniej 20, aby promować zbieżność. Ustaw losowe ziarno, aby zapewnić powtarzalność imputacji i zapisz obiekt myszy do audytu.
    2. Stosuj predykcyjne dopasowanie średnich (PMM) dla zmiennych ciągłych, aby zachować formę rozkładu. Użyj imputacji regresji logistycznej dla zmiennych binarnych, multimianowej imputacji logistycznej dla nieuporządkowanych zmiennych wielokategoriowych oraz imputacji logistycznej pozarządowej dla uporządkowanych zmiennych kategorycznych. W R nieuporządkowane zmienne wielokategoriowe były definiowane jako nom_vars <-c ("smoking_status", "procedure_category", "anesthesia_type",
      "position_type", "table_padding_type"puncture_site_
      kategoria","puncture_site_closure_method"), a uporządkowane zmienne kategoryczne zostały zdefiniowane jako ord_vars <- C ("head_neck_rotation_cat","upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], czynnik); dat[ord_vars] <- lapply(dat[ord_vars], nakazane); < metamfetaminy – myszy::make.method(dat); metamfetamina[sapply(dat, is.numeric)] <- "pmm"; meth[names(dat)[sapply(dat, function(x) is.factor(x) & nlevels(x) == 2)]] <- "logreg"; metamfetaminę[nom_vars] < – "polyreg"; metamfetamina[ord_vars] < – "polr"; oraz metamfetaminę[c("inpatient_number","surgery_id","outcome")] <- "].
    3. Uwzględnić wszystkie kandydatów zmiennych predykcyjnych oraz zmienną wynikową w macierzy predykcji imputacji, aby poprawić jakość imputacji, ale imputację wykonuj tylko dla zmiennych predykcyjnych z brakującymi parametrami. Ustaw pola identyfikatora, które nie powinny działać jako predyktory (np. numer szpitala, unikalny identyfikator operacji), aby nie uczestniczyć w modelu imputacji, aby uniknąć wprowadzania informacji nieklinicznych. Aby postępować zgodnie z tym protokołem, zaimplementuj macierz predyktorową jako pred <- myszy::make.predictorMatrix(dat); pred[,] <-1; diag(pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","outcome"), ] <- 0; oraz pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","outcome")), "outcome"] <-1, tak że wynik jest używany wyłącznie jako pomocniczy predyktor, a nie imputowany.
    4. Wykonaj wykresy iteracji, wykresy i sprawdź, czy średnie i wariancje kluczowych zmiennych ciągłych są stabilne, aby ocenić zbieżność imputacji. Imputacja była przeprowadzana jako imp <- myce::myce(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE); Zbieżność oceniano za pomocą wykresu (imp) oraz sprawdzając stabilność średnich i wariancji kluczowych zmiennych ciągłych w różnych iteracjach.

5. Rozwój narzędzia predykcyjnej oceny pielęgniarskiej

  1. Wstępne przetwarzanie i kodowanie zmiennych kandydatów
    1. Ustaw poziom odniesienia dla kategorii zabiegu na "neuro-naczyniowy", a poziom odniesienia dla pozycji "na plecach". Ustaw poziom odniesienia dla rotacji głowy i szyi na "≤30°", a poziom odniesienia dla abdukcji kończyn górnych na "≤90°". Ustaw poziom odniesienia dla kategorii miejsca nakłucia na "tętnica promieniowa", a poziom odniesienia dla metody zamykania miejsca nakłucia na "urządzenie do zamknięcia naczyniowego".
    2. Wiek na skali na 10 lat, czas trwania operacji na 60 minut, czas trwania fluoroskopii na 10 minut, szacowana utrata krwi na 100 mL, czas zatrzymywania się pochwy na 60 minut oraz rozmiar oczka na 1 Fr. Dla zmiennych hipotetycznych jako "im niższa wartość, tym większe ryzyko" (np. najniższa temperatura rdzenia, albumina, hemoglobina, wynik Bradena, najniższy MAP), zastosuj kodowanie odwrotne tak, aby regresja OR oznaczała "wzrost ryzyka za jednostkę spadku".
      UWAGA: Kodowanie odwrotne można zaimplementować, biorąc ujemną wartość oryginalnej zmiennej i skalując ją według jednostki, na przykład Temp_dec = -(Temp/0,5) lub Braden_dec = -(Braden/1), aby zachować spójność kierunku interpretacji OR.
  2. Analiza jednozmienna i przesiewanie zmiennych kandydatów
    1. Dopasuj jednozmienny model regresji logistycznej dla każdego kandydata na predyktor i zapisz wartość OR, 95% CI oraz P. Dla zmiennych kategorycznych używaj kodowania fikcyjnego z oszacowaniami poziomu odniesienia i efektu wyjściowego każdego poziomu względem odniesienia.
    2. Użyj ograniczonych spline'ów sześciennych do testowania liniowości zmiennych ciągłych, używając czterech węzłów umieszczonych na kwantylach 5%, 35%, 65% i 95%. Jeśli test wskazuje na istotną nieliniowość, zachowaj tę samą formę spline w kolejnym modelu wielozmiennym.
    3. Weźmy sumę "klinicznie predefiniowanych zmiennych" i "zmiennych z jednozmienną P<0,20" jako wielozmienny kandydat do zbioru kandydatów12. Porównaj zestaw kandydatów z ograniczeniem liczby zdarzeń i, gdy jest to konieczne, preferencyjnie zachowuj klinicznie bardzo istotne zmienne, aby kontrolować naddopasowanie.
  3. Wybór i budowa głównego modelu LASSO
    1. Dopasuj karną regresję logistyczną (LASSO, alfa=1) do zbioru kandydatów, z rodziną="binoma". Standaryzuj zmienne ciągłe (standize=TRUE), aby zapewnić sprawiedliwą karę między zmiennymi o różnych skalach.
    2. Wykonaj dziesięciokrotne walidację krzyżową powtarzaną 1000 razy, losowo generując partycje foldów za każdym razem i rejestrując odchylenie od walidacji krzyżowej odpowiadające lambda.min. Zdefiniuj siłę kary jako medianę lambda.min przez 1000 powtórzeń (lub równoważnie, λ odpowiadającą minimalnemu średniemu odchyleniu) i użyj tej λ jako ostatecznego dopasowania LASSO, aby uzyskać stabilny zestaw zmiennych o niezerowych współczynnikach.
    3. Korzystając ze zmiennych o niezerowych współczynnikach wybranych przez LASSO, dopasowując do głównego modelu regresji logistycznej bez kary wielowymiarowej w kompletnym zbiorze danych. Jeśli składniki spline są zachowane, dopasuj je do modelu głównego tym samym formularzem spline i zapisuj odpowiadające im współczynniki lub wyrazy funkcyjne.
    4. Dopasuj główny model osobno do 10 imputowanych zbiorów danych i wyodrębnij współczynniki regresji oraz błędy standardowe. Połącz współczynniki, błędy standardowe i przedziały ufności za pomocą reguł Rubina i zgłoś wartość OR i P.
  4. Ocena ryzyka, nomogram i stratyfikacja ryzyka
    1. Skalowanie linearnie współczynników regresji głównego modelu do punktów całkowitych według metody Sullivana, ustalając skalę bazową i reguły zaokrąglenia. Oblicz całkowity wynik i odwzoruj go na przewidywane prawdopodobieństwo za pomocą funkcji logit; wzór odwzorowania musi być spójny z przecięciem głównego modelu.
    2. Użyj pakietu rms do wygenerowania nomogramu opartego na głównym modelu i eksportuj go jako obraz wysokiej rozdzielczości lub PDF do publikacji. Zastosowanie wersji nazw plików do wyjść nomogramów, aby uniknąć nieporozumień spowodowanych kolejnymi modyfikacjami.
    3. Zdefiniuj przewidywane prawdopodobieństwo <5% jako niskie ryzyko, 5% do 14,9% jako ryzyko pośrednie oraz ≥15% jako wysokie ryzyko13. Określ wyjścia narzędzi do dwóch formatów — jednostronicowego formularza papierowego oraz elektronicznego kalkulatora — i ogranicz proces oceniania do maksymalnie trzech kroków, aby ułatwić użycie kliniczne.

6. Walidacja modeli i ocena wydajności

  1. Wewnętrzna walidacja i korekta optymizmu
    1. Użyj bootstrapa do wewnętrznej weryfikacji i ustaw liczbę resamplowania na 1 000, aby uzyskać stabilne oszacowania. Dla każdej próbki dopasuj model do próbki bootstrap i oblicz metryki wydajności zarówno w próbce bootstrap, jak i w oryginalnej próbce, aby oszacować optymizm.
    2. Zdefiniuj optymizm jako średnią różnicę między wydajnością w próbce bootstrap a w próbce oryginalnej. Odejmij optymizm od pozornej wydajności, aby uzyskać skorygowane osiągi, i podaj skorygowany optymizm AUC, przecięcie kalibracji, nachylenie kalibracji i wynik Briera.
  2. Dyskryminacja
    1. Narysuj krzywe ROC i oblicz AUC jako miarę dyskryminacji. Oszacuj AUC i jego 95% CI za pomocą metody DeLonga, a obliczenia wykonuj na tych samych wynikach predykcyjnych (prawdopodobieństwach), aby zapewnić porównywalność.
    2. Przy ustalonych progach (5% i 15%) obliczaj czułość, swoistość, PPV i NPV. Dla każdego progu wypisz także liczbę macierzy pomyłek, aby umożliwić weryfikację obliczeń.
  3. Kalibracja i ogólny błąd
    1. Dopasuj model kalibracyjny z linearnym predyktorem (logit) jako zmienną niezależną; przecięcie wskazuje na systematyczne błędy, a nachylenie wskazuje na stopień nadmiernego dopasowania. Definiuj idealną kalibrację jako przecięcie = 0 i nachylenie = 1 oraz raportuj metryki przed i po korekcji.
    2. Oblicz wynik Briera jako miarę całkowitego błędu i narysuj krzywe kalibracyjne za pomocą wygładzania lessu wzdłuż idealnej linii 45°. Wynik Briera został obliczony jako średni((wynik - predicted_probability)2), a wygładzanie lessów zaimplementowano jako statystyki::loess(wynik ~ predicted_probability, rozpiętość = 0,75, stopień = 2, rodzina = "gaussowski", powierzchnia = "bezpośredni").
  4. Kliniczne korzyści netto i krzywe decyzyjne
    1. Wykorzystaj analizę krzywej decyzyjnej do oceny korzyści netto przy progowych prawdopodobieństwach od 2% do 25%14 oraz narysuj strategie Treat-All i Treat-None jako odniesienia. Ustalimy rozmiar kroku progowego na 0,01 i wyraźnie określ go w skrypcie, aby zapewnić powtarzalność.
    2. Przeprowadz analizę wrażliwości korzyści netto wokół progów niskiego i wysokiego ryzyka oraz zapisz kierunek wpływu zmian progu na korzyści netto. Przedstawić wyniki analizy czułości wraz z wcześniej zdefiniowanymi progami, aby zweryfikować ich racjonalność.

7. Implementacja statystyczna i powtarzalny przepływ pracy skryptów

  1. Środowisko programowe i inicjalizacja projektów
    1. Analizę wykonuj w R 4.3.2 z użyciem pakietów pROC, rms, glmnet, myszy i rmda.
    2. Ustaw stały losowy seed (20250101) na początku skryptu i zapisz informacje o sesji, aby udokumentować środowisko oprogramowania.
  2. Import danych, ustawienia typów i kontrole jakości
    1. Importuj dane za pomocą read.csv("data/analysis.csv") lub readr::read_csv(). Sprawdź, czy liczba wierszy odpowiada dokładnie unikalnemu identyfikatorowi chirurgii i sprawdź duplikaty identyfikatorów.
    2. Przekonwertuj zmienne kategoryczne na czynniki i użyj relevel(), aby ustawić poziomy odniesienia dopasowane do wstępnie ustawionego schematu. Utrzymuj zmienne ciągłe numeryczne i stosuj skalowanie jednostkowe oraz kodowanie odwrotne zgodnie z presetem przed modelowaniem.
    3. Dla zmiennych kategorycznych oblicz częstotliwości i procenty; dla zmiennych ciągłych oblicz średnią ± odchylenia standardowego lub mediany [IQR]. Do oceny formy rozkładu używaj metod graficznych oraz shapiro.test() i odpowiednio określ podejście opisowe.
  3. Brakujące przetwarzanie danych i wielokrotna imputacja (m = 10)
    1. Oblicz proporcję braku dla każdej zmiennej i eksportuj ją jako wyjście/missing_report.csv. Potwierdź, że zmienna wynik nie ma braku i zablokuj strategię "imputuj tylko zmienne predykcyjne, nie impucyjuj wyniku".
    2. Użyj mysza() z m = 10 i maksymalnym ≥ 20 do wykonywania imputacji równań łańcuchowych oraz określaj metody imputacji według typów zmiennych. Użyj complete(mids, action=k), aby wyeksportować k-ty ukończony zbiór danych i zapisać go jako dane/imp_k.csv.
    3. Narysuj wykres(mids), aby sprawdzić stabilność śladów, oraz porównaj rozkłady przed i po imputacji dla kluczowych zmiennych ciągłych. Zapisz wykresy diagnostyczne na wyjściu/imputation_diagnostics.pdf do weryfikacji.
  4. Regresja jednozmienna, testowanie spline i generowanie zbioru kandydatów
    1. Dopasuj univariable Logistic regression w każdym imputowanym zbiorze danych i użyj pool() do łączenia współczynników i błędów standardowych. Eksportuj wartości OR, 95% CI i P jako wynik/univariate_pool.csv dla rekordów przesiewowych kandydatów.
    2. Użyj pakietu rms rcs() do dopasowywania wyrazów spline dla zmiennych ciągłych i testuj wyrazy nieliniowe. Ustaw liczbę i położenie węzłów i zapisz je w komentarzach skryptowych, aby uniknąć różnic między przebiegami.
    3. Weź sumę klinicznie predefiniowanych zmiennych i zmiennych z univariable P<0.20, aby wygenerować listę kandydatów, i zapisz ją jako wyjście/candidate_list.txt. Sprawdź, czy liczba kandydatów i liczba zdarzeń spełniają ograniczenie złożoności, i zapisz końcowy zestaw zmiennych użyty dla LASSO.
  5. Wybór LASSO i dopasowanie głównego modelu
    1. Użyj model.matrix() do wygenerowania macierzy zmiennych niezależnych i zapewnienia, że poziomy odniesienia są poprawne. Użyj cv.glmnet(x, y, family="binomial", alpha=1, standize=TRUE) do dziesięciokrotnej walidacji krzyżowej.
    2. Użyj pętli, aby powtarzać losowe partycje foldów 1000 razy, zapisuj lambda.min i błąd walidacji krzyżowej dla każdego uruchomienia, a następnie zapisuj je do output/lasso_lambda_trace.csv. Weź medianę z 1000 wartości lambda.min jako stabilną λ i dopasuj glmnet do pełnego zbioru danych, używając tego λ, aby uzyskać zmienne o niezerowych współczynnikach.
    3. W 10 imputowanych zbiorach danych dopasuj główny model glm(family=binomial) za pomocą wybranych zmiennych. Połącz β, SE, OR i 95% CI według reguł Rubina i zapisz wyniki jako wyjście/multivariable_pool.csv.
  6. Transformacja punktowa, nomogram i stratyfikacja ryzyka
    1. Przelicz β na punkty całkowite według stałej skali i odwzoruj całkowity wynik z powrotem na logit i prawdopodobieństwo, używając tej samej skali. Losowo wypróbuj kilka przypadków, aby porównać "prawdopodobieństwo oryginalnego modelu" z "prawdopodobieństwem przeliczonym na wynik", aby upewnić się, że błąd mieści się w akceptowalnym zakresie.
    2. Użyj pakietu rms do skonstruowania nomogramu i eksportu go jako output/nomogram.pdf. Eksportuj arkusz wyników jako formaty wyjściowe/score_sheet.xlsx lub równoważne, aby ułatwić przygotowanie jednostronicowego formularza papierowego.
    3. Wykonaj stratyfikację, wykorzystując progi 5% i 15%, a następnie wyjdź liczbę przypadków i obserwowaną częstość występowania w każdej warstwie. Eksportuj Se, Sp, PPV i NPV na progach jako wynik/threshold_metrics.csv do kolejnej prezentacji.
  7. Wewnętrzna walidacja, kalibracja i krzywe decyzyjne
    1. Ustaw liczbę próbek bootstrap na 1 000, a w każdej próbce wykonuj dopasowywanie i predykcję, obliczając AUC, wynik Briera, przecięcie kalibracji i nachylenie kalibracji. Zapisz wyniki skorygowane optymizmem do wyników/bootstrap_corrected_metrics.csv i zachowaj podsumowanie wyników pośrednich dla każdego ponownego próbkowania do audytu.
    2. Użyj pakietu pROC roc() i auc() do obliczenia AUC, a ci.auc(method="delong") do wydania 95% CI. Zapisz krzywą ROC jako wyjście/roc_curve.png i popraw rozdzielczość oraz rozmiar w skrypcie.
    3. Użyj pakietu RMDA do obliczenia korzyści netto i wykresu krzywych DCA w zakresie progowym od 2% do 25%. Eksportuj figurę jako output/dca_curve.png i popraw rozmiar kroku progowego oraz etykiety krzywych, aby zapewnić powtarzalność.
  8. Analizy wrażliwości
    1. Zamień wynik na "etap urazu ciśnieniowego ≥3" i powtórz proces imputacji, wyboru LASSO, dopasowania modelu głównego oraz oceny wydajności. Wyświetlaj metryki wydajności wraz z główną analizą w celu oceny odporności.
    2. Zamień zmienną ekspozycji hipotensji na "czas kumulacyjny z MAP<60 mmHg" i powtórz pełny proces modelowania i walidacji. Porównaj kierunki współczynników oraz zmiany AUC, wyniku Briera oraz metryk kalibracji, aby sprawdzić czułość na dane ustawienia progowe.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Populacja badawcza i cechy wyjściowe
Zgodnie z wcześniej określonymi kryteriami zidentyfikowano 3 274 dokumentację pacjentów z hybrydowej sali operacyjnej DSA, a 1 936 (59,1%) spełniło kryteria włączenia i weszło do opracowania i walidacji modelu (Rysunek 1). Zapisani pacjenci mieli wiek (66,82 ± 11,94) lat; mężczyźni stanowili 61,16%; BMI wynosiło (24,73 ± 3,89) kg/m2; Cukrzyca odpowiadała za 23,45%. Indeks współwystępności Charlsona wynosił 3 [2,5], wynik B...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W hybrydowej sali operacyjnej DSA komplikacje związane z pozycją obejmują współistniejące urazy skóry i tkanek miękkich oraz niestabilność układu oddechowego i hemodynamicznego wywołaną pozycjonowaniem, co wskazuje, że bezpieczeństwo pozycji nie zależy tylko od lokalnego nacisku, ale także odzwierciedla tolerancję fizjologiczną całego ciała. Czynniki determinujące ryzyko wynikają z podatności pacjenta i ekspozycji chirurgicznej. Zaawansowany wiek i wyższe obciążenie współistniejącymi wskazują na zmniejszone rezerwy tkank...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują, że nie mają żadnych konfliktów interesów.

Podziękowania

Autorzy chcieliby podziękować wszystkim kolegom i pracownikom, którzy przyczynili się do tego badania, ale nie są wymienieni jako autorzy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System zarządzania informacją w znieczuleniuŹródło instytucjonalneNie maŹródło parametrów życiowych wewnątrzoperacyjnych, środków wazoaktywnych, szeregów czasowych MAP oraz zapisów znieczulenia.
System elektronicznej dokumentacji medycznejŹródło instytucjonalneNie maŹródło danych demograficznych, współistniejących, dokumentacji operacyjnej oraz dokumentacji klinicznej z dalszych wizyt.
glmnetCRANNie maPakiet R używany do penalizowanej regresji logistycznej i wyboru zmiennych LASSO.
Hybrydowa sala operacyjna z angiografią odejmowania cyfrowegoŹródło instytucjonalneNie maWarunki do badania dla wszystkich objętych procedur; Wyposażony do obrazowania interwencyjnego i operacji otwartej.
System informacyjny laboratoriumŹródło instytucjonalneNie maŹródło przedoperacyjnych wskaźników laboratoryjnych, w tym albuminy i hemoglobiny.
myszyCRANNie maPakiet R używany do wielokrotnej imputacji za pomocą równań łańcuchowych.
System informacyjny pielęgniarstwaŹródło instytucjonalneNie maŹródło dokumentacji pozycji, ochrony punktów ciśnienia, kontroli pozycji wewnątrzoperacyjnej oraz dokumentacji pielęgniarskiej po operacji.
System archiwizacji i komunikacji obrazów (PACS)Źródło instytucjonalneNie maŹródło czasu trwania fluoroskopii oraz informacji związanych z obrazowaniem.
pROCCRANNie maPakiet R używany do analizy ROC, estymacji AUC oraz przedziałów ufności DeLonga.
RR Foundation for Statistical ComputingNie maŚrodowisko oprogramowania do analizy statystycznej.
RMDACRANNie maPakiet R używany do analizy krzywej decyzyjnej.
RMSCRANNie maPakiet R używany do modelowania regresji, funkcji spline oraz konstrukcji nomogramów.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Piel gniarskie narz dzie prognostycznehybrydowa sala operacyjnapowik ania zwi zane z pozycjonowaniemstratyfikacja ryzykamodelowanie logistycznekonstrukcja nomogramuochrona punkt w naciskur doperacyjne kontrole pozycji

Powiązane artykuły