Artigo de método

Uma ferramenta de enfermagem preditiva para a segurança do posicionamento do paciente em salas de cirurgia híbridas de angiografia digital

75 vistas

⸱

DOI:

10.3791/70751

⸱

5 de junho de 2026

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

Neste artigo

Resumo

Um estudo retrospectivo de centro único desenvolveu e validou internamente uma ferramenta de predição de enfermagem em etapas que combina o risco cirúrgico inicial do paciente com processos de cuidados perioperatórios modificáveis para apoiar a avaliação pré-operatória e atualizações pós-posicionamento de risco para complicações relacionadas ao posicionamento em uma sala de cirurgia híbrida de angiografia digital por subtração.

Resumo

O objetivo deste estudo foi desenvolver e validar internamente uma ferramenta de avaliação preditiva de enfermagem com atualização de fase, baseada no risco cirúrgico do paciente e nos processos de enfermagem modificáveis para uso antes da cirurgia e após o posicionamento na sala de cirurgia híbrida de angiografia digital por subtração. Essa coorte retrospectiva de centro único incluiu adultos internados que passaram pelo primeiro procedimento na sala de cirurgia híbrida, com a cirurgia como unidade de análise e acompanhamento até 72 horas pós-operatórias. O resultado foi um desfecho composto de complicações relacionadas à posição.

Dados preditores ausentes foram tratados usando imputação múltipla (m = 10), e a consistência da extração foi avaliada com κ de Cohen e coeficientes de correlação intraclasse. Variáveis candidatas da triagem univariável mais variáveis pré-especificadas entraram em menor retração absoluta e regressão de operadores de seleção, seguidas por modelagem logística multivariável e construção de nomogramas com estratificação de risco baseada em limiar. O desempenho do modelo foi avaliado por área sob a curva, interceptação e inclinação da calibração, pontuação Brier, validação interna bootstrap e análise da curva de decisão.

Um total de 1.936 casos foram analisados, e o desfecho composto ocorreu em 10,23%. A falta máxima de variáveis chave foi de 3,25%, e a consistência da extração foi boa (κ ≥ 0,86, coeficiente de correlação intraclasse ≥ 0,89). Doze preditores foram mantidos; A proteção dos pontos de pressão e as verificações intraoperatórias de posição foram protetoras (razão de chances 0,68–0,71). O modelo base tinha uma área abaixo da curva de 0,74/0,72 (aparente/corrigido), e o modelo completo alcançou 0,79/0,77. A inclinação de calibração corrigida por otimismo foi 0,947, a interceptação foi 0,004 e a pontuação Brier foi 0,085.

Essa ferramenta mostrou discriminação estável, calibração e benefício líquido na validação interna. As variáveis do processo de enfermagem agregaram valor, e a ferramenta pode suportar avaliação pré-operatória e atualização de risco pós-posicionamento, desde que seja validada externamente.

Introdução

A sala de cirurgia híbrida de angiografia digital por subtração (DSA) integra imagens intervencionistas com cirurgia aberta e serve como plataforma para o manejo de doenças vasculares complexas e emergênciascríticas 1. A cadeia procedimental é mais longa, muitos pacientes são idosos, e anestesia geral ou sedação diminuem os reflexos protetores e o ajuste espontâneo2. Limitadas pelo braço C, pelo campo estéril e pelo layout das rotas de acesso, as oportunidades de girar o corpo e aliviar a pressão são reduzidas uma vez que a posição é fixada, enquanto a exposição à pressão sustentada e à estiramento/tração aumenta3. Procedimentos híbridos concorrentes reduzem ainda mais as janelas de ajuste, e a gestão de posicionamento depende mais da coordenação da equipe. Complicações relacionadas à posição incluem lesões por pressão, lesões nos nervos periféricos e musculoesqueléticas, podendo também se manifestar como flutuações respiratórias e hemodinâmicas induzidas pelo posicionamento, afetando a recuperaçãopós-operatória 4,5.

A equipe de enfermagem tem responsabilidade fundamental pelo posicionamento, proteção dos pontos de pressão, segurança de acessos, verificação de posição intraoperatória e observação pós-operatória; A identificação precoce do risco posicional e a intervenção precisa são temas centrais na gestão da enfermagem, com maior necessidade de verificação padronizada baseada em processos edocumentação 6. As avaliações de risco perioperatório existentes baseiam-se principalmente em escalas genéricas pré-operatórias ou focam em um únicodesfecho 7. Grande parte das evidências vem da sala de cirurgia ou sala intervencionista e não cobre as exposições compostas na sala de cirurgia híbrida de DSA, como incapacidade prolongada de girar, flutuações na perfusão e temperatura, e a permanência da bainha com fixação por compressão. Ferramentas como o Braden enfatizam a tolerância da pele, mas não são adequadas para caracterizar fatores específicos como a posição deitada e a exposição cumulativa à hipotensão, dificultando o suporte ao manejoestratificado 8. O espectro de complicações inclui lesão cutânea coexistente e instabilidade fisiológica, e uma única pontuação é insuficiente para identificar prioridades doprocesso 9.

Alguns estudos trataram diretamente as medidas de enfermagem como preditoras pré-operatórias, o que leva facilmente a descompassos de propósito e vazamento de informações, tornando difícil alinhar os resultados com o momento e a intensidade das intervenções e melhorias desfavoráveis na qualidade após ajustede risco 10. Falta uma ferramenta de avaliação que forneça um risco de referência pré-operatório e atualize o risco após o posicionamento, com itens acionáveis correspondentes. Neste estudo, baseado em uma coorte retrospectiva de centro único, foi desenvolvida uma ferramenta de avaliação preditiva de enfermagem; Antes da cirurgia, o risco inicial foi estimado usando variáveis de exposição do paciente e cirúrgica, e após o posicionamento, itens de enfermagem modificáveis foram incorporados para atualizar o risco. A regressão penalizada foi usada para seleção de variáveis com validação interna; discriminação, calibração e benefício líquido foram avaliados; e um nomograma e uma estratificação baseada em limiares foram produzidos para suporte à decisão de enfermagem, fornecendo uma base para ajuste de risco e melhoria da qualidade.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este estudo envolve registros médicos prévios de sujeitos humanos e dados de anestesia e registros de enfermagem. O estudo foi conduzido em conformidade com as diretrizes institucionais relevantes, revisado e aprovado pelo comitê de ética institucional (Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), com renúncia ao consentimento informado por escrito; Todos os dados foram desidentificados antes da exportação e usados apenas para os fins deste estudo.

Este estudo foi relatado de acordo com a declaração TRIPOD para desenvolvimento de modelos de predição multivariável e validação interna; a lista de verificação completa do TRIPOD é fornecida na Tabela Suplementar S1.

1. Desenho de pesquisa e ambiente de estudo

  1. Defina o desenho do estudo como um estudo observacional retrospectivo de centro único usando um desenho histórico de coorte. Fixe o período de estudo de 1º de janeiro de 2021 até 31 de dezembro de 2024.
  2. Definir o objetivo do estudo como desenvolver uma ferramenta de avaliação preditiva de enfermagem para complicações relacionadas à posição na sala de cirurgia híbrida de DSA e realizar validação interna e avaliação de desempenho. Defina "cirurgia" como a unidade de análise e atribua a cada cirurgia um identificador único (por exemplo, número de internação + data da cirurgia + horário de início da anestesia).
  3. Quando o mesmo paciente tiver múltiplas cirurgias elegíveis, mantenha apenas o primeiro registro de cirurgia elegível. Defina "primeiro" como a cirurgia elegível com o horário de início da anestesia ou sedação mais cedo dentro do período de estudo.
  4. Defina o ponto de início da extração dos dados como o momento em que o paciente entra na sala de cirurgia e começa a anestesia ou sedação. Fixe o ponto final de acompanhamento às 72 horas pós-operatórias, cobrindo assim a janela primária de ocorrência de complicações relacionadas à posição.
  5. Limite o ambiente do estudo à sala de cirurgia híbrida DSA e documente que ela está equipada com um sistema de angiografia digital de subtração de tela plana e capacidade de cirurgia aberta. Registre que as posições mais usadas são supina, deitada e lateral, e que o ajuste intraoperatório da posição é limitado pelo equipamento de imagem, pelo campo estéril e pela disposição das rotas de acesso, resultando em menos oportunidades para virar e em uma duração cirúrgica relativamente prolongada.

2. População do estudo, fluxo de triagem de casos e estratégia de tamanho da amostra

  1. Exporte todas as entradas de cirurgia "sala de cirurgia híbrida DSA" dentro da janela de tempo de estudo do registro registrado consecutivamente da sala de cirurgia. Mantenha campos correspondentes, como código do procedimento, identificador da sala de cirurgia, data da cirurgia, número da internação e horário de início da anestesia.
  2. Use o número da internação e a data da cirurgia para a correspondência inicial, e realize uma segunda verificação usando o horário de início da anestesia e o identificador da sala de cirurgia. Se existirem múltiplos registros de anestesia no mesmo dia para o mesmo número de internação, preferencialmente corresponda aquele com um identificador consistente da sala de cirurgia e o horário de início da anestesia mais próximo do registro da cirurgia.
  3. Incluir pacientes adultos internados de ≥18 anos cujas cirurgias foram realizadas na sala de cirurgia híbrida da DSA e foram procedimentos neurovasculares, cardiovasculares ou vasculares periféricos intervencionistas ou híbridos. Confirme que foi administrada anestesia geral ou sedação durante a cirurgia, que a documentação médica, de anestesia e de enfermagem está completa, e que o acompanhamento está disponível até 72 horas pós-operatórias.
  4. Exclua casos em que o evento de desfecho primário já estava presente antes da cirurgia para evitar uma linha de base diferente de zero para o desfecho. Excluam casos em que o procedimento foi interrompido intraoperatório por motivos não relacionados à localização, de modo que não foi possível uma avaliação adicional, bem como casos transferidos para fora do hospital em até 72 horas após a operação, levando a um desfecho indeterminado.
  5. Determine o limiar de ausência de variáveis preditoras-chave calculando a proporção de ausência para cada caso entre variáveis preditoras-chave pré-especificadas e registre os motivos da ausência. Se a proporção de ausência para um caso entre essas variáveis preditoras-chave exceder 30%, exclua o caso de acordo com as regras pré-especificadas e documente o motivo da exclusão no registro de triagem.
  6. Faça com que dois pesquisadores completem a triagem de forma independente e gerem registros de triagem (incluindo inclusão/exclusão e motivos). Para casos discrepantes, um terceiro pesquisador rastreie até os registros originais para adjudicação e mantenha o registro de adjudicação para rastreabilidade.
  7. Não predefina um limite superior para o tamanho da amostra, adotando uma estratégia consecutiva de inclusão para todos os casos. Controle a complexidade do modelo pelo número de eventos, determinando o número de parâmetros inseridos no modelo de acordo com o princípio de pelo menos 15 eventos por parâmetro.

3. Estudo de medidas e definições de variáveis

  1. Estabeleça um dicionário de variáveis e especifique para cada variável o sistema fonte, nome do campo, regras de valor e sequência temporal. Para variáveis contínuas, use o valor pré-operatório mais recente de laboratório ou avaliação; Para variáveis cirúrgicas e anestésicas, use o pior valor registrado durante todo o procedimento ou exposição cumulativa; Para variáveis de enfermagem e dispositivos, use a implementação intraoperatória real. Defina limiares e cortes de categoria pré-especificados a priori de acordo com critérios clinicamente comumente utilizados, prática de enfermagem perioperatória e anestesia, e literatura publicada. Quando não houver um único limite amplamente aceito disponível, utilize-se categorias pragmáticas para facilitar o registro, a interpretação e a aplicação clínica.
  2. Desfecho primário: resultado composto de complicações relacionadas à posição
    1. Defina o desfecho primário como um desfecho composto de complicações relacionadas à posição que ocorrem da intraoperatória até 72 horas pós-operatórias. Se múltiplos eventos de componentes ocorrerem no mesmo caso, conte o resultado composto apenas uma vez e registre o tempo da primeira ocorrência e todos os tipos de componentes para análises secundárias.
    2. Defina lesão de novo início em estágio 2 ou de pressão superior, ou lesão de tecido profundo dentro de 72 horas pós-operatórias como um dos eventos componentes. Use formulários de avaliação de pele de enfermagem, estádios e registros de enfermagem como evidência, e exija registros que possam ser localizados em locais anatômicos específicos.
    3. Defina lesão dos nervos periféricos como a ocorrência de perda sensorial, dormência ou diminuição da força muscular durante ≥24 horas. Exigir que a distribuição anatômica seja consistente com a área de contato/tração da posição no momento e usar notas de progresso ou registros de avaliação de especialistas como principal evidência.
    4. Defina lesão articular ou musculoesquelética como dor localizada acompanhada de achados positivos por imagem ou exames físicos especializados que sugiram lesão por tração/compressão. Registre a modalidade de imagem ou conclusão do exame e marque os pontos de aplicação da força relacionados à posição.
    5. Defina eventos de instabilidade respiratória ou hemodinâmica relacionados à posição como compressão das vias aéreas, respiração restringida ou retorno venoso restrito causados por posicionamento que exija reposicionamento, compressão, escalada vasopressora ou interrupção do procedimento. Use registros de eventos do sistema de anestesia, folhas de registro de anestesia e registros de enfermagem/médico contendo descrições explícitas "relacionadas à posição" e as medidas de manejo correspondentes como evidência.
    6. Defina um hematoma com diâmetro de ≥5 cm no lado da perfuração ou supuração que exige fixação adicional por compressão, com registros indicando agravação relacionada a restrições posicionais, como um dos eventos componentes. Use os registros de enfermagem e os registros de enfermaria médica dentro de 72 horas pós-operatórias como evidência, e registre as medidas adicionais de manejo.
    7. Determinar a relevância posicional de acordo com três critérios: menção explícita da relevância posicional nos registros, local anatômico consistente com pontos de exposição posicional e ausência de uma causa alternativa mais convincente. Se houver conflito de atribuição entre registros de enfermagem e médicos, priorize o registro original mais próximo do momento do evento e faça com que dois avaliadores revisem e cheguem a consenso.
  3. Definições de variáveis preditoras
    1. Defina variáveis em nível de paciente como idade, sexo, índice de massa corporal, diabetes mellitus, neuropatia periférica, doença arterial periférica, doença renal crônica estágio ≥ 3, insuficiência cardíaca congestiva, estado de tabagismo, albumina pré-operatória, hemoglobina pré-operatória, índice de comorbidade de Charlson e escore de Braden pré-operatório. Defina "pré-operatório" como o registro válido mais recente antes da entrada na sala de cirurgia, dentro do período de avaliação perioperatória rotineira do hospital.
    2. Defina variáveis em nível cirúrgico e anestésico como categoria de procedimento, tipo de anestesia, tipo de posição, ângulo de rotação cabeça–pescoço, ângulo de abdução do membro superior, abdução ou flexão do membro inferior > 45°, duração da cirurgia, duração da fluoroscopia, status intraoperatório não rotável, perda de sangue estimada, menor MAP, tempo acumulado com MAP< 65 mmHg, menor temperatura central, uso de agentes vasoativos e máximo equivalente à noradrenalina. Classificar a posição como supina/deitado/lateral; classificar a rotação cabeça–pescoço como ≤30°, 31–60° e >60°; Classificar a abdução dos membros superiores como ≤90° e >90°.
    3. Exporte a série temporal do MAP com carimbos de tempo do sistema de gerenciamento de informações de anestesia. Use a diferença de tempo entre registros adjacentes como o comprimento do intervalo e some as durações de todos os intervalos com MAP < 65 mmHg para obter "MAP < 65 tempo acumulado"; Se um único intervalo estiver faltando ou o intervalo for anormal (por exemplo, >5 minutos sem explicação razoável), marque esse intervalo como faltando e não o inclua no total acumulado.
    4. Defina variáveis em nível de enfermagem e dispositivo como tipo de acolchoamento da mesa, se a proteção do ponto de pressão principal foi concluída, se os membros superiores foram fixados a placas acolchoadas nos braços, se a cabeça foi apoiada em posição neutra, categoria do local da perfuração, tamanho da bainha, tempo de permanência da bainha, método de fixação/fechamento do local da perfuração e completude da documentação de verificação de posição intraoperatória. Defina "proteção de pontos de pressão chave concluída" como concluído quando há registros de proteção em todos os quatro locais — occipite, escápula, região sacrococcígea e calcanhares; caso contrário, é considerado não totalmente concluído.
    5. Registre se algum agente vasoativo foi usado e comodei os não usuários como "não usados". Para os usuários, registre o máximo equivalente à noradrenalina (μg/kg/min); em cada momento de registro de anestesia, calcule-se NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, onde noradrenalina, epinefrina, dopamina e fenilefrina são expressas em μg/kg/min e vasopressina em U/min; agentes não utilizados em um dado momento foram codificados como 0, e maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = VERDADEIRO) durante o período intraoperatório.
      NOTA: As regras de conversão e agregação foram fixadas previamente e implementadas no script de análise.

4. Coleta de dados e controle de qualidade

  1. Fornecer treinamento uniforme a dois pesquisadores responsáveis pela extração de dados e distribuir os procedimentos operacionais padrão (SOP) e o dicionário de variáveis. Após o treinamento, realize uma extração piloto com amostra pequena e revise as definições e caminhos de extração dos campos ambíguos.
  2. Extrair dados demográficos e comorbidades do prontuário eletrônico, indicadores laboratoriais pré-operatórios do sistema laboratorial, sinais vitais e medicamentos do sistema de anestesia, posicionamento e medidas de enfermagem do sistema de enfermagem, e informações de duração da fluoroscopia e imagens relacionadas ao PACS. Realize a correspondência entre sistemas usando o número de internação e a data da cirurgia, mantendo as chaves correspondentes e um registro correspondente.
  3. Quando ocorrerem conflitos de campo, rastreie até os registros impressos originais e considere os registros em papel como padrão. Registre o tipo de conflito, valor original, valor corrigido e fonte de evidência em um registro de tratamento de conflitos.
  4. Realize a entrada dupla de dados por duas pessoas para todos os campos e gere uma lista de discrepâncias. Peça a um terceiro pesquisador para verificar cada item com os registros originais para adjudicação e bloquear a versão final do banco de dados para análise.
  5. Estabeleça uma tabela de intervalos clinicamente razoáveis para variáveis contínuas e realize verificações automáticas de intervalo após a importação. Rastrear valores fora da faixa para verificação; se não puder ser verificado, defina-as como faltantes e mantenha o valor original para referência.
  6. Realize extração duplicada para os primeiros 50 casos e calcule consistência, usando Cohen κ para variáveis categóricas e ICC (efeitos aleatórios bidirecionais, concordância absoluta) para variáveis contínuas. Se κ < 0,80 ou ICC < 0,85, realize retreinamento para as variáveis relacionadas e faça uma nova auditoria até que o padrão seja atingido11.
  7. Calcule o número e a proporção de casos ausentes para cada variável preditora candidata e gere um relatório de ausência. Para variáveis preditoras-chave com proporção de ausência não superior a 30%, inicie imputações múltiplas; a variável principal de resultado não será imputada.
  8. Detalhes da implementação da imputação múltipla por equações encadeadas (MICE)
    1. Fixe o número de conjuntos de dados imputados em m = 10 e defina o número de iterações para pelo menos 20 para promover a convergência. Defina uma semente aleatória para garantir a reprodutibilidade da imputação e salve o objeto do mouse para auditabilidade.
    2. Use correspondência preditiva de médias (PMM) para variáveis contínuas para preservar a forma distribucional. Use imputação de regressão logística para variáveis binárias, imputação logística multinomial para variáveis multicategoria não ordenadas e imputação logística ordinal para variáveis categóricas ordenadas. Em R, variáveis multicategoria não ordenadas foram definidas como nom_vars <- c("smoking_status","procedure_category","anesthesia_type",
      "position_type", "table_padding_type", "puncture_site_
      categoria", "puncture_site_closure_method") e variáveis categóricas ordenadas foram definidas como ord_vars <- c("head_neck_rotation_cat"", "upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], fator); dat[ord_vars] <- lapply(dat[ord_vars], ordenado); < de metanfetamina - camundongos::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"; e meth[c("inpatient_number","surgery_id"", "resultado")] <- "".
    3. Inclua todas as variáveis preditoras candidatas e a variável de resultado na matriz de previsão de imputação para melhorar a qualidade da imputação, mas realize a imputação apenas para variáveis preditoras com falta de imputação. Defina campos de identificador que não devem atuar como preditores (por exemplo, número de internação, ID único de cirurgia) para não participar do modelo de imputação e evitar a introdução de informações não clínicas. Para seguir esse protocolo, implemente a matriz preditora como pred <- mice::make.predictorMatrix(dat); Pred[,] <-1; Diag(Pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id"", "resultado"), ] <- 0; e pred[setdiff(colnames(pred), c("inpatient_number","surgery_id", "outcome")), "outresult"] <-1, de modo que o resultado é usado apenas como preditor auxiliar e não imputado.
    4. Plote iterações, traces e verifique se as médias e variâncias das variáveis contínuas-chave são estáveis para avaliar a convergência da imputação. A imputação foi executada como imp <- mice::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE); A convergência foi avaliada com plot (imp) e verificando a estabilidade das médias e variâncias das variáveis contínuas-chave entre as iterações.

5. Desenvolvimento da ferramenta de avaliação preditiva de enfermagem

  1. Pré-processamento e codificação de variáveis candidatas
    1. Defina o nível de referência para a categoria do procedimento como "neurovascular" e o nível de referência para a posição em "supino". Defina o nível de referência para a rotação cabeça–pescoço para "≤30°" e o nível de referência para abdução dos membros superiores para "≤90°". Defina o nível de referência para a categoria do local da perfuração como "artéria radial" e o nível de referência para o método de fechamento do local da perfuração para "dispositivo de fechamento vascular".
    2. Escala idade a cada 10 anos, duração operatória a cada 60 minutos, duração da fluoroscopia a cada 10 minutos, perda estimada de sangue por 100 mL, tempo de permanência da bainha a cada 60 minutos e tamanho da bainha a cada 1 Fr. Para variáveis hipotetizadas como "quanto menor o valor, maior o risco" (por exemplo, menor temperatura central, albumina, hemoglobina, escore de Braden, menor MAP), aplicar codificação reversa para que a regressão OU represente "aumento de risco por unidade de diminuição".
      NOTA: A codificação reversa pode ser implementada tomando o negativo da variável original e escalando pela unidade, por exemplo, Temp_dec = -(Temp/0,5) ou Braden_dec = -(Braden/1), para manter a direção de interpretação OR consistente.
  2. Análise univariável e triagem de variáveis candidatas
    1. Ajuste um modelo de regressão logística univariável para cada preditor candidato e registre o OR, IC 95% e valor P. Para variáveis categóricas, use codificação fictícia com o nível de referência e as estimativas de efeito de saída de cada nível em relação à referência.
    2. Use splines cúbicos restritos para testar a linearidade de variáveis contínuas, usando quatro nós colocados nos quantis de 5%, 35%, 65% e 95%. Se o teste indicar não linearidade significativa, mantenha a mesma forma spline no modelo multivariável subsequente.
    3. Considere a união de "variáveis clinicamente pré-especificadas" e "variáveis com univariável P<0,20" como o conjunto candidato multivariável12. Compare o conjunto candidato com a restrição do número de eventos e, quando necessário, mantenha preferencialmente variáveis clinicamente altamente relevantes para controlar o sobreajuste.
  3. Seleção e construção do modelo principal para LASSO
    1. Ajuste uma regressão logística penalizada (LASSO, alpha=1) no conjunto candidato, com family="binomial". Padronize variáveis contínuas (padronizar = VERDADEIRO) para garantir uma penalização justa entre variáveis com diferentes escalas.
    2. Realize validação cruzada dez vezes repetida 1.000 vezes, gerando partições fold aleatoriamente a cada vez e registrando a variação de validação cruzada correspondente ao lambda.min. Defina a força da penalidade como a mediana de lambda.min entre as 1.000 repetições (ou, equivalentemente, o λ correspondente ao desvio médio mínimo), e use esse λ para o ajuste final do LASSO para obter um conjunto estável de variáveis com coeficientes não nulos.
    3. Utilizando as variáveis com coeficientes diferentes de zero selecionadas pelo LASSO, ajuste-se ao modelo principal de regressão logística multivariável não penalizado no conjunto de dados completo. Se os termos spline forem mantidos, ajuste-os no modelo principal com a mesma forma spline e registre os coeficientes ou termos de função correspondentes.
    4. Ajustar o modelo principal separadamente nos 10 conjuntos de dados imputados e extrair coeficientes de regressão e erros padrão. Combine os coeficientes, erros padrão e intervalos de confiança usando as regras de Rubin e reporte o valor OR e P agrupados.
  4. Pontuação de risco, nomograma e estratificação de risco
    1. Escalar linearmente os principais coeficientes de regressão do modelo para pontos inteiros de acordo com o método Sullivan, fixando a escala base e as regras de arredondamento. Calcule a pontuação total e mape a pontuação total para a probabilidade prevista via função logit; A fórmula de mapeamento deve ser consistente com o intercepto do modelo principal.
    2. Use o pacote rms para gerar um nomograma baseado no modelo principal e exporte-o como uma imagem de alta resolução ou PDF para publicação. Aplique nomes de arquivos versionados às saídas dos nomogramas para evitar confusão causada por modificações subsequentes.
    3. Defina a probabilidade prevista <5% como baixo risco, 5% a 14,9% como risco intermediário e ≥15% como alto risco13. Fixe as saídas da ferramenta em dois formatos — um formulário em papel de uma página e uma calculadora eletrônica — e limite o processo de pontuação a no máximo três etapas para facilitar o uso clínico.

6. Validação do modelo e avaliação de desempenho

  1. Validação interna e correção do otimismo
    1. Use o bootstrap para validação interna e defina o número de reamostras para 1.000 para obter estimativas estáveis. Para cada reamostragem, reajuste o modelo na amostra bootstrap e calcule métricas de desempenho tanto na amostra bootstrap quanto na amostra original para estimar o otimismo.
    2. Defina otimismo como a diferença média entre desempenho na amostra bootstrap e na amostra original. Subtraia o otimismo do desempenho aparente para obter o desempenho corrigido e reporte o AUC, intercepto de calibração, inclinação de calibração e pontuação Brier corrigidos pelo otimismo.
  2. Discriminação
    1. Plote curvas ROC e calcule o AUC como medida de discriminação. Estime o AUC e seu IC de 95% usando o método DeLong e realize os cálculos com as mesmas saídas de previsão (probabilidades) para garantir a comparabilidade.
    2. Nos limites pré-definidos (5% e 15%), calcule sensibilidade, especificidade, PPV e NPV. Para cada limiar, também produz as contagens da matriz de confusão para permitir a verificação do cálculo.
  3. Calibração e erro geral
    1. Ajustar um modelo de calibração com o preditor linear do modelo (logit) como variável independente; o intercepto indica viés sistemático, e a inclinação indica o grau de sobreajuste. Defina calibração ideal como intercepto = 0 e inclinação = 1, e informe as métricas antes e depois da correção.
    2. Calcule a pontuação Brier como medida do erro geral e plote curvas de calibração usando suavizamento loess ao longo da linha ideal de 45°. A pontuação Brier foi calculada como média((resultado - predicted_probability)2), e o suavizamento de loess foi implementado como estatísticas::loess(resultado ~ predicted_probability, amplitude = 0,75, grau = 2, família = "gaussiana", superfície = "direta").
  4. Benefício líquido clínico e curvas de decisão
    1. Use a análise da curva de decisão para avaliar o benefício líquido em probabilidades limiar de 2% a 25%14, e plote estratégias Treat-All e Treat-None como referências. Fixe o tamanho do passo limite em 0,01 e especifique-o explicitamente no script para garantir a reprodutibilidade.
    2. Realizar uma análise de sensibilidade do benefício líquido em torno dos limites de baixo e alto risco, e registrar a direção do efeito das mudanças nos limiares sobre o benefício líquido. Apresente os resultados da análise de sensibilidade junto com os limiares predefinidos para verificar sua racionalidade.

7. Implementação estatística e fluxo de trabalho de scripts reproduzíveis

  1. Ambiente de software e inicialização de projetos
    1. Realize análises em R 4.3.2 usando os pacotes pROC, rms, glmnet, mouses e rmda.
    2. Defina uma semente aleatória fixa (20250101) no início do script e registre as informações da sessão para documentar o ambiente de software.
  2. Importação de dados, configurações de tipos e verificações de qualidade
    1. Importe os dados usando read.csv("data/analysis.csv") ou readr::read_csv(). Verifique se a contagem de linhas corresponde diretamente ao identificador único da cirurgia e verifique IDs duplicados.
    2. Converta variáveis categóricas em fatores e use relevel() para definir níveis de referência que correspondam ao esquema pré-definido. Mantenha as variáveis contínuas numéricas e aplique escalonamento unitário e codificação reversa conforme o pré-definido antes de modelar.
    3. Para variáveis categóricas, calcule frequências e percentagens; para variáveis contínuas, calcule a média ± desvio padrão ou mediana [IQR]. Use métodos gráficos e shapiro.test() para avaliar a forma distributiva e determinar a abordagem descritiva de acordo.
  3. Falta de manuseamento de dados e imputação múltipla (m = 10)
    1. Calcule a proporção de falta para cada variável e exporte como saída/missing_report.csv. Confirme que a variável de resultado não está faltando e trave a estratégia de "imputar apenas variáveis preditoras, não imputar o resultado."
    2. Use mouse() com m = 10 e maxit ≥ 20 para executar a imputação de equações encadeadas, e especificar métodos de imputação de acordo com os tipos de variáveis. Use complet(mids, action=k) para exportar o k-ésimo conjunto de dados concluído e salvá-lo como dados/imp_k.csv.
    3. Plote (mids) para verificar a estabilidade dos trilhos e compare as distribuições pré e pós imputação para variáveis contínuas-chave. Salve os gráficos diagnósticos na saída/imputation_diagnostics.pdf para verificação.
  4. Regressão univariável, teste de splines e geração do conjunto candidato
    1. Ajuste regressão logística univariável em cada conjunto de dados imputado e use pool() para combinar coeficientes e erros padrão. Exporte os valores de OR, IC 95% e P como saída/univariate_pool.csv para registros de triagem de candidatos.
    2. Use o pacote rms rcs() para ajustar termos spline para variáveis contínuas e testar os termos não lineares. Defina o número e a localização dos nós e registre em comentários de roteiro para evitar diferenças entre as sequências.
    3. Pegue a união de variáveis clinicamente pré-especificadas e variáveis com univariável P<0,20 para gerar a lista de candidatos, e salve-a como saída/candidate_list.txt. Verifique se o número de candidatos e o número de eventos satisfazem a restrição de complexidade e registre o conjunto final de variáveis usado para o LASSO.
  5. Seleção do LASSO e montagem principal do modelo
    1. Use o model.matrix() para gerar a matriz de variáveis independentes e garantir que os níveis de referência estejam corretos. Use cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) para realizar validação cruzada dez vezes.
    2. Use um loop para repetir partições fold aleatórias 1000 vezes, registre o lambda.min e o erro de validação cruzada para cada execução, e escreva para saída/lasso_lambda_trace.csv. Considere a mediana dos valores de 1000 lambda.min como λ estável, e ajuste glmnet no conjunto de dados completo usando esse λ para obter as variáveis com coeficientes diferentes de zero.
    3. Nos 10 conjuntos de dados imputados, ajuste o modelo principal glm(família=binomial) usando as variáveis selecionadas. Combine β, SE, OR e IC 95% usando as regras de Rubin e salve os resultados como saída/multivariable_pool.csv.
  6. Transformação de pontuação, nomograma e resultados de estratificação de risco
    1. Converta β para pontos inteiros de acordo com uma escala fixa e mapeie a pontuação total de volta para logit e probabilidade usando a mesma escala. Amostre aleatoriamente vários casos para comparar a "probabilidade do modelo original" com a "probabilidade convertida por pontuação" para garantir que o erro esteja dentro da faixa aceitável pré-definida.
    2. Use o pacote RMS para construir o nomograma e exportá-lo como saída/nomogram.pdf. Exporte a folha de pontuação como formato de saída/score_sheet.xlsx ou equivalente para facilitar a produção de um formulário em papel de uma página.
    3. Realize estratificação usando os limiares de 5% e 15% e informe o número de casos e a incidência observada em cada estrato. Exporte Se, Sp, PPV e NPV nos limites como saída/threshold_metrics.csv para apresentações subsequentes.
  7. Validação interna, calibração e curvas de decisão
    1. Defina o número de reamostras bootstrap para 1.000 e, em cada reamostragem, realize reajuste e previsão, calculando AUC, pontuação Brier, interceptação de calibração e inclinação de calibração. Escreva os resultados corrigidos por otimismo para a saída/bootstrap_corrected_metrics.csv e mantenha um resumo dos resultados intermediários para cada reamostragem para auditoria.
    2. Use o pacote pROC roc() e auc() para calcular a AUC, e use ci.auc(method="delong") para gerar o IC de 95%. Salve a curva ROC como saída/roc_curve.png e defina a resolução e o tamanho no script.
    3. Use o pacote RMDA para calcular o benefício líquido e plote curvas DCA acima da faixa de limiar de 2% a 25%. Exporte a figura como saída/dca_curve.png e defina o tamanho do passo limiar e as etiquetas da curva para garantir a reprodutibilidade.
  8. Análises de sensibilidade
    1. Substitua o resultado por "estágio de lesão por pressão ≥3" e repita a imputação, seleção do LASSO, ajuste do modelo principal e fluxo de trabalho de avaliação de desempenho. Produza as métricas de desempenho junto com a análise principal para avaliar a robustez.
    2. Substitua a variável de exposição à hipotensão por "tempo acumulado com MAP<60 mmHg" e repita todo o fluxo de trabalho de modelagem e validação. Compare as direções dos coeficientes e as mudanças em AUC, pontuação Brier e métricas de calibração para testar a sensibilidade à definição do limiar.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Estudo populacional e características de base
De acordo com os critérios pré-especificados, 3.274 prontuários de pacientes da sala de cirurgia híbrida de DSA foram identificados, e 1.936 (59,1%) atenderam aos critérios de inclusão e ingressaram no desenvolvimento e validação do modelo (Figura 1). Os pacientes inscritos tinham idade de (66,82 ± 11,94) anos; Os homens representavam 61,16%; O IMC foi (24,73 ± 3,89) kg/m 2; Diabete...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Na sala de cirurgia híbrida DSA, complicações relacionadas à posição incluem lesão coexistente de pele e tecidos moles e instabilidade respiratória e hemodinâmica induzida pelo posicionamento, indicando que a segurança posicional não é apenas uma questão de pressão local, mas também reflete tolerância fisiológica de todo o corpo. Determinantes de risco derivam da vulnerabilidade do paciente e da exposição cirúrgica. Idade avançada e maior carga de comorbidade indicam redução da reserva t...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram que não têm conflitos de interesse.

Agradecimentos

Os autores gostariam de agradecer a todos os colegas e funcionários que contribuíram para este estudo, mas que não estão listados como autores.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Sistema de gerenciamento de informações anestésicasFonte institucionalN/AFonte de sinais vitais intraoperatórios, agentes vasoativos, séries temporais MAP e registros de anestesia.
Sistema eletrônico de prontuário médicoFonte institucionalN/AFonte de dados demográficos, comorbidades, registros cirúrgicos e documentação clínica de acompanhamento.
glmnetCRANN/APacote R usado para regressão logística penalizada e seleção de variáveis LASSO.
Sala de cirurgia de angiografia digital híbridaFonte institucionalN/AContexto de estudo para todos os procedimentos incluídos; Equipado para imagem intervencionista e cirurgia aberta.
Sistema de informação laboratorialFonte institucionalN/AFonte de indicadores laboratoriais pré-operatórios, incluindo albumina e hemoglobina.
ratosCRANN/APacote R usado para imputação múltipla por equações encadeadas.
Sistema de informação de enfermagemFonte institucionalN/AFonte dos registros de posicionamento, proteção de pontos de pressão, checagens de posição intraoperatórias e documentação de enfermagem pós-operatória.
Sistema de arquivamento e comunicação de imagens (PACS)Fonte institucionalN/AFonte da duração da fluoroscopia e informações relacionadas à imagem.
pROCCRANN/APacote R usado para análise ROC, estimativa de AUC e intervalos de confiança DeLong.
RFundação R para Computação EstatísticaN/AAmbiente de software de análise estatística.
RMDACRANN/APacote R usado para análise de curvas de decisão.
RMSCRANN/APacote R usado para estratégias de modelagem de regressão, funções spline e construção de nomogramas.

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Ferramenta Preditiva de EnfermagemCentro Cir rgico H bridoComplica es Relacionadas ao PosicionamentoEstratifica o de RiscoModelagem Log sticaConstru o de NomogramaProte o de Pontos de Press oVerifica es de Posicionamento Intraoperat rio

Artigos relacionados