Методическая статья

Предиктивный инструмент сестринского ухода для безопасности позиционирования пациента в операционных залах гибридной цифровой ангиографии

75 просмотров

⸱

DOI:

10.3791/70751

⸱

5 июня 2026 г.

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

В этой статье

Краткое содержание

Ретроспективное исследование в одном центре разработало и внутренне верифицировало поэтапный инструмент прогнозирования сестринского дела, который сочетает исходный хирургический риск пациента с модифицируемыми процессами периоперационного ухода для поддержки предоперационной оценки и обновления риска по осложнениям, связанным с позиционированием, в гибридной операционной с цифровой субтракцией ангиографии.

Аннотация

Целью данного исследования было разработать и внутренне валидировать инструмент предиктивной оценки сестринского дела с фазовым обновлением, основанный на базовом риске хирургии пациента и изменяемых процессов сестринского ухода для использования до операции и после позиционирования в гибридной операционной с цифровой вычитающей ангиографией. Эта ретроспективная группа с одним центром включала стационарных взрослых, проходящих первую процедуру в гибридной операционной, при этом операция выступала в качестве анализа, а наблюдение — до 72 часов после операции. Результатом стала составная конечная точка осложнений, связанных с положением.

Отсутствующие данные предикторов обрабатывались с помощью множественной импутации (m = 10), а согласованность экстракции оценивалась с помощью коэффициентов корреляции Коэна κ и внутриклассовых корреляционных коэффициентов. Кандидатные переменные из одного скрининга плюс заранее заданные переменные входили в регрессию операторов наименьшей абсолютной усадки и отбора, за которой следовало многомерное логистическое моделирование и построение номограмм с пороговой стратификацией риска. Производительность модели оценивалась по площади под кривой, пересечению и наклону калибровки, баллу Бриера, внутренней валидации bootstrap и анализу кривой решения.

Всего было проанализировано 1 936 случаев, а общий результат составил 10,23%. Максимальное отсутствие ключевых переменных составляло 3,25%, а согласованность экстракции была хорошей (κ ≥ 0,86, коэффициент корреляции внутриклассов ≥ 0,89). Двенадцать предикторов были сохранены; Защита по точкам давления и внутриоперационные проверки положения были защитными (коэффициент 0,68–0,71). Базовая модель имела площадь под кривой 0,74/0,72 (видимо/скорректировано), а полная модель — 0,79/0,77. Оптимизм-скорректированный калибровочный наклон составил 0,947, перехват — 0,004, а балл Брайера — 0,085.

Этот инструмент показал стабильную различительность, калибровку и чистую пользу при внутренней валидации. Переменные процесса сестринского дела добавляют ценность, и инструмент может поддерживать предоперационную оценку и обновление рисков после позиционирования в ожидании внешней валидации.

Введение

Операционная гибридной цифровой субтрактивной ангиографии (DSA) интегрирует интервенционную визуализацию с открытой хирургией и служит платформой для управления сложными сосудистыми заболеваниями и критическими чрезвычайнымиситуациями. Процедурная цепочка длиннее, многие пациенты пожилые, а общая анестезия или седация снижают защитные рефлексы и спонтаннуюадаптацию 2. Ограниченные C-образным рычагом, стерильным полем и планировкой доступных путей, возможности для поворота корпуса и снятия давления уменьшаются после фиксации положения, а воздействие постоянного давления и растяжения/сцепленияувеличиваются 3. Параллельные гибридные процедуры дополнительно сокращают окна адаптации, а управление позиционированием больше зависит от координации команды. Осложнения, связанные с положением, включают повреждения давления, повреждения периферических нервов и опорно-двигательного аппарата, а также могут проявляться как респираторные и гемодинамические колебания, вызванные позиционированием, влияющие на восстановление послеоперации 4,5.

Команда медсестёр несёт ключевую ответственность за позиционирование, защиту точек давления, обеспечение доступа, интраоперационную проверку положения и послеоперационное наблюдение; Раннее выявление позиционного риска и точное вмешательство являются ключевыми темами в управлении сестринским делом, с большей необходимостью стандартизированной, процессуальной верификации идокументации 6. Существующие оценки периоперационного риска в основном опираются на предоперационные общие шкалы или сосредоточены на одном результате7. Большая часть доказательств поступает из операционной или интервенционного кабинета и не охватывает композитные воздействия в гибридной операционной DSA, такие как продолжительная неспособность поворачиваться, колебания перфузии и температуры, а также оболочка внутри с фиксацией компрессии. Такие инструменты, как Braden, делают акцент на толерантности кожи, но плохо подходят для характеристики конкретных факторов, таких как положение лежа и кумулятивное воздействие гипотензии, что затрудняет поддержку стратифицированного управления8. Спектр осложнений характеризуется сопутствующими кожными повреждениями и физиологической нестабильностью, и одного балла недостаточно для определения приоритетовпроцесса 9.

Некоторые исследования напрямую рассматривали медсестринские показатели как предоперационные предикторы, что легко приводит к несоответствию целей и утечке информации, затрудняя согласование результатов с временем и интенсивностью вмешательств и неблагоприятным улучшением качества после корректировкириска 10. Отсутствует инструмент оценки, который бы предоставлял базовый риск до операции и обновлял риск после позиционирования, с соответствующими практическими элементами. В этом исследовании, основанном на ретроспективной когорте одного центра, был разработан инструмент прогнозной оценки сестринского дела; До операции исходный риск оценивался с учётом переменных воздействия пациента и хирурга, а после позиционирования включались модифицируемые медсестринские предметы для обновления риска. Пенализованная регрессия использовалась для выбора переменных с внутренней валидацией; оценивались дискриминация, калибровка и чистая выгода; а также были разработаны номограммы и пороговая стратификация для поддержки принятия решений в сестринской сфере, что стало основой для корректировки рисков и повышения качества.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

В этом исследовании используются предыдущие медицинские записи людей, а также данные по анестезиологии и медицинским записям. Исследование было проведено в соответствии с соответствующими институциональными рекомендациями, рассмотрено и одобрено комитетом по этике (Run Run Run Shaw Hospital Ethics Review 2025 Research No. 2113), с отказом от письменного осознанного согласия; Все данные были сняты с идентификации до экспорта и использовались только для целей этого исследования.

Это исследование было представлено в соответствии с заявлением TRIPOD для разработки многомерной модели прогнозирования и внутренней валидации; заполненный контрольный список TRIPOD приведён в дополнительной таблице S1.

1. Дизайн исследований и учебная среда

  1. Определите дизайн исследования как одноцентровое ретроспективное наблюдательное исследование с использованием исторического когортного дизайна. Определите срок обучения с 1 января 2021 года по 31 декабря 2024 года.
  2. Поставьте цель исследования — разработать инструмент предиктивной оценки медсестринского дела осложнений, связанных с положением должности, в гибридной операционной DSA, а также провести внутреннюю валидацию и оценку производительности. Определите термин «хирургия» как единицу анализа и присвоите каждой операции уникальный идентификатор (например, номер стационара + дата операции + время начала анестезии).
  3. Если у одного и того же пациента несколько подходящих операций, сохраняйте только первую соответствующую операцию. Определите «первый» как подходящую операцию с самым ранним началом анестезии или седации в течение периода исследования.
  4. Определите начальную точку извлечения данных как время, когда пациент входит в операционную и начинается анестезия или седация. Фиксируйте конечную точку повторного наблюдения через 72 часа после операции, тем самым покрывая первичное окно возникновения осложнений, связанных с положением положения.
  5. Ограничьте настройку исследования гибридной операционной DSA и задокументируйте, что она оснащена плоскопанельной цифровой системой вычитания ангиографии и возможностью открытой хирургии. Зафиксируйте, что наиболее часто используемые положения лежат на лежащем, лежачем и латерально, а интраоперационная корректировка положения ограничена оборудованием для визуализации, стерильным полем и планировкой доступных путей, что приводит к меньшему уровню поворота и относительно длительной продолжительности операции.

2. Популяция исследований, поток скрининга случаев и стратегия размера выборки

  1. Экспортировать все операции «гибридной DSA» в течение учебного окна из регистра последовательно зарегистрированной операционной. Сохраняйте соответствующие поля, такие как код процедуры, идентификатор операционной, дата операции, номер стационара и время начала анестезии.
  2. Используйте номер стационара и дату операции для первоначального совпадения, а также проведите вторичную проверку с использованием времени начала анестезии и идентификатора операционной. Если в один день существует несколько анестезиологических записей для одного и того же номера пациента, предпочтительно совпадайте с тем с единым идентификатором операционной и началом анестезии, ближе всего к времени регистрации на операцию.
  3. Включать стационарных взрослых пациентов в возрасте ≥18 лет, чьи операции проводились в гибридной операционной DSA и представляли собой нейроваскулярные, сердечно-сосудистые или периферические сосудистые интервенционные или гибридные процедуры. Подтвердите, что во время операции была введена общая анестезия или седация, что медицинская, анестезиологическая и сестринская документация полная, а также что доступно наблюдение до 72 часов после операции.
  4. Исключить случаи, когда первичное событие исхода уже присутствовало до операции, чтобы избежать ненулевой базовой линии исхода. Исключить случаи, когда процедура была прервана во время операции по причинам, не связанным с позиционированием, так что дальнейшая оценка была невозможна, а также случаи, выведенные из больницы в течение 72 часов после операции, что привело к неопределённому исходу.
  5. Определите порог отсутствующих ключевых предикторных переменных, вычисляя долю отсутствующей для каждого случая между заранее заданными ключевыми предикторными переменными и запишите причины отсутствия. Если доля отсутствующих для случая между этими ключевыми предикторными переменными превышает 30%, исключайте случай согласно заранее установленным правилам и документируйте причину исключения в журнале скрининга.
  6. Пусть два исследователя независимо заполнят скрининг и составят журналы скрининга (включая включение/исключение и причины). В случае несовпадающих случаев поручите третьему исследователю проследить исходные записи для рассмотрения решения и сохранить запись по рассмотрению решений для отслеживаемости.
  7. Не устанавливайте заранее верхний предел размера выборки, применяя последовательную стратегию включения всех случаев. Сложность управляющей модели по количеству событий, определяя количество параметров, в конечном итоге вводящихся в модель, согласно принципу не менее 15 событий на параметр.

3. Измерения исследования и определения переменных

  1. Создайте словарь переменных и укажите для каждой переменной исходную систему, имя поля, правила значений и временную последовательность. Для непрерывных переменных используйте самое свежее предоперационное лабораторное или оценочное значение; Для хирургических и анестезиологических переменных используйте худшее значение, зафиксированное за всю процедуру или накопленное воздействие; Для сестринского дела и переменных устройств используйте фактическую интраоперационную реализацию. Заранее определите заранее установленные пороги и пороговы категорий в соответствии с широко используемыми клинически используемыми критериями, практикой периоперационного сестринского дела и анестезиологии, а также опубликованной литературой. Когда нет единого широко признанного порога, используйте прагматические категории для облегчения записи, интерпретации и клинического применения.
  2. Первичный исход: составный исход осложнений, связанных с положением позиции
    1. Определите первичный исход как составный исход осложнений, связанных с положением положения, возникающих с интраоперационной процедуры до 72 часов после операции. Если в одном случае происходит несколько компонентных событий, подсчитайте составный результат только один раз и запишите время первого появления и все типы компонентов для вторичного анализа.
    2. Определите травму с давлением 2 стадии или выше или глубоких тканей в течение 72 часов после операции как одно из составных событий. Используйте форму оценки кожи для медсестрин, стадию и медицинские записи в качестве доказательств, а также требуйте записи, которые можно локализовать в конкретных анатомических участках.
    3. Определите повреждение периферических нервов как потерю чувствительности, онемение или снижение мышечной силы, продолжающуюся ≥24 часа. Требуйте, чтобы анатомическое распределение соответствовало зоне контакта/тракции в положении на данный момент и используйте записи о прогрессе или специализированные оценки в качестве основного доказательства.
    4. Определите повреждение суставов или опорно-двигательного аппарата как локализованную боль, сопровождающуюся положительными результатами визуализации или результатами специализированного физического обследования, указывающими на травму тяги/компрессии. Запишите метод визуализации или заключение обследования и отметьте точки применения силы, связанные с положением.
    5. Определите респираторные или гемодинамические нестабильность в положении как сжатие дыхательных путей, ограниченное дыхание или ограниченный венозный возврат, вызванный положением, требующим перестановки, компрессии, эскалации вазопрессора или прерывания процедуры. Используйте записи событий системы анестезии, листы анестезиологических записей и медицинские записи с явными описаниями, связанными с должностью, и соответствующими методами ведения в качестве доказательств.
    6. Определите гематому диаметром ≥5 см на стороне прокола или выделения, требующую дополнительной фиксации при сжатии, при этом записи указывают на усугубление, связанное с позиционными ограничениями, как одно из компонентных событий. Используйте медсестринские записи и записи по отделению врачей в течение 72 часов после операции в качестве доказательств и фиксируйте дополнительные меры по лечению.
    7. Определить позиционную релевантность по трём критериям: явное упоминание позиционной релевантности в записях, анатомическое место, соответствующее точкам позиционного воздействия, и отсутствие более убедительной альтернативной причины. Если возникает конфликт в атрибуции между медицинскими и медицинскими записями, приоритизируйте исходную запись ближе к времени события и пусть два арбитра проверят и достигнут консенсуса.
  3. Определения предикторных переменных
    1. Определите переменные на уровне пациента: возраст, пол, индекс массы тела, сахарный диабет, периферическую невропатию, периферические артериальные заболевания, хроническую болезнь почек стадии ≥ 3, застойную сердечную недостаточность, статус курения, предоперационный альбумин, предоперационный гемоглобин, индекс сопутствующей морбидии Чарлсона и предоперационный балл Брейдена. Определите термин «до операции» как самый свежий действительный запись до входа в операционную, в рамках рутинного периоперационного окна больницы.
    2. Определите переменные на уровне операции и анестезии: категорию процедуры, тип анестезии, тип положения, категории угла поворота головы–шеи, категории угла абдукции верхней конечности, абдукцию или сгибание нижней конечности > 45°, продолжительность операции, продолжительность флюороскопии, интраоперационный неповоротный статус, предполагаемую потерю крови, минимальный MAP< совокупное время при MAP 65 мм рт. ст., минимальную температуру кора, использование вазоактивных веществ и максимальный эквивалент норадреналина. Классифицируйте положение как лежащее/лежащее/латеральное; классифицировать поворот головы и шеи как ≤30°, 31–60° и >60°; Классифицировать похищение верхней конечности как ≤90° и >90°.
    3. Экспортировать временные ряды MAP с временными метками из системы управления информацией о анестезии. Используйте разницу времени между соседними записями как длину интервала и суммируем длительность всех интервалов с MAP < 65 мм рт.ст., чтобы получить «MAP < 65 накопленного времени»; Если отсутствует один интервал или промежуток аномальный (например, >5 мин без разумного объяснения), отметьте этот интервал как отсутствующий и не включайте его в суммулятивный итог.
    4. Определяйте переменные на уровне медсестер и устройства как тип накладки стола, выполнена ли защита ключевых точек давления, были ли верхние конечности закреплены на мягких подлокотниках, поддерживалась ли голова в нейтральном положении, категорию места прокола, размер оболочки, время пребывания в оболочке, метод закрепления/закрытия места прокола и полноту документации по проверке положения во время операции. Определите «завершённую защиту ключевых точек давления» как выполненную при наличии защитных записей на всех четырёх участках — затылочной мышцы, лопатках, кресто-крестоносной области и пятках; в противном случае она считается неполностью завершённой.
    5. Зафиксируйте, использовались ли какие-либо вазоактивные агенты, и закажите не-пользователей как «не использованы». Для пользователей фиксируйте максимальный эквивалент норадреналина (мкг/кг/мин); В каждой точке времени записи анестезии вычислите NE_eq_t = norepinephrine_t + epinephrine_t + 0,01 * dopamine_t + 0,06 * phenylephrine_t + 2,5 * vasopressin_t, где норадренал, эпинефрин, дофамин и фенилэфрин экспрессируются в μg/kg/min, а вазопрессин — в U/min; неиспользованные агенты в определённый момент времени кодировались как 0, а maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE) в течение интраоперационного периода.
      ПРИМЕЧАНИЕ: Правила преобразования и агрегации были заранее фиксированы и реализованы в скрипте анализа.

4. Сбор данных и контроль качества

  1. Обеспечить единообразное обучение двум исследователям, ответственным за извлечение данных, и распространять стандартные операционные процедуры (SOP) и словарь переменных. После обучения проведите пилотное извлечение небольшой выборки и пересмотрите определения и пути извлечения неоднозначных полей.
  2. Извлекать демографические данные и сопутствующие заболевания из электронной медицинской карты, предоперационные лабораторные индикаторы из лабораторной системы, жизненно важные показатели и лекарства из анестезиологической системы, меры по позиционированию и сестринскому уходу из сестринской системы, а также информацию о продолжительности флюороскопии и связанной с визуализацией из PACS. Выполните межсистемное сопоставление с использованием номера стационара и даты операции, сохраняя соответствующие ключи и журнал сопоставления.
  3. Когда возникают конфликты в полевых условиях, следите к оригинальным бумажным записям и принимайте бумажные записи как стандарт. Запишите тип конфликта, исходное значение, исправленное значение и источник доказательств в журнале урегулирования конфликтов.
  4. Выполните двойной ввод данных двумя людьми для всех полей и сгенерируйте список расхождений. Поручите третьему исследователю проверить каждый пункт с оригинальными записями для рассмотрения и заблокировать окончательную версию базы данных для анализа.
  5. Составьте таблицу клинически обоснованных диапазонов для непрерывных переменных и выполните автоматические проверки дальности после импорта. Трассируйте значения вне диапазона для проверки; Если проверить нельзя, установите их как отсутствующее и сохраняйте исходное значение для ссылки.
  6. Выполните дублирующую экстракцию для первых 50 случаев и вычислите согласованность, используя Коэна κ для категориальных переменных и ICC (двусторонние случайные эффекты, абсолютное согласие) для непрерывных переменных. Если κ < 0,80 или ICC < 0,85, провести переобучение по соответствующим переменным и повторный аудит до достижения стандарта11.
  7. Рассчитайте количество и долю пропущенных дел для каждой предикторной переменной кандидата и сгенерируйте отчёт о пропаже. Для ключевых предикторных переменных с пропорцией отсутству не превышающей 30% инициируйте многократную импутацию; первичная переменная исхода не будет вводиться в список.
  8. Детали реализации множественных импутаций с помощью цепных уравнений (MICE)
    1. Зафиксируйте количество вчисленных наборов данных в m = 10 и узначите количество итераций не менее 20 для стимулирования сходимости. Установите случайное сидение для обеспечения воспроизводимости импутации и сохраните объект мышей для аудита.
    2. Используйте предиктивное сопоставление среднего (PMM) для непрерывных переменных, чтобы сохранить форму распределения. Используйте логистическую регрессионную импутацию для бинарных переменных, мультиномиальную логистическую импутацию для неупорядоченных многокатегориальных переменных и ординальную логистическую импутацию для упорядоченных категориальных переменных. В R неупорядоченные многокатегориальные переменные определялись как nom_vars <- c("smoking_status","procedure_category","anesthesia_type",
      "position_type","table_padding_type","puncture_site_
      категория","puncture_site_closure_method"), а упорядоченные категориальные переменные определялись как ord_vars <- c("head_neck_rotation_cat","upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], фактор); dat[ord_vars] <- lapply(dat[ord_vars], заказ); метамфетамин <- мыши::make.method(DAT); мет[sapply(dat, is.numeric)] <- «pmm»; meth[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"; метамфетамин[nom_vars] <- «полирег»; метамфетамин[ord_vars] <- «polr»; и метамфетамин[c("inpatient_number","surgery_id","outcome")] <- "".
    3. Включить все кандидат-предикторные переменные и переменную результата в матрицу прогнозирования импутации для улучшения качества импутации, но выполнять импутацию только для предикторных переменных с отсутствующим фактором. Установите поля идентификатора, которые не должны выступать в роли предикторов (например, номер стационара, уникальный хирургический идентификатор), чтобы не участвовать в модели импутации, чтобы избежать введения неклинической информации. Чтобы следовать этому протоколу, реализуйте предикторную матрицу как <- мыши::make.predictorMatrix(dat); Pred[,] <- 1; diag(Pred) <- 0; Pred[, c("inpatient_number","surgery_id")] <- 0; Pred[c("inpatient_number","surgery_id","outcome"), ] <- 0; и pred[setdiff(colnames(Pred), c("inpatient_number","surgery_id","outcome")), "outcome"] <-1, так что исход используется только как вспомогательный предиктор и не вводится в ответ.
    4. Постройте графики итерации и проверяйте, являются ли средние и дисперсии ключевых непрерывных переменных стабильными для оценки сходимости импутации. Импутация проводилась как imp <- мыши::мыши (dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE); Сходимость оценивалась с помощью графика (IMP) и проверки стабильности средних и дисперсий ключевых непрерывных переменных на разных итерациях.

5. Разработка инструмента предиктивной оценки сестринского дела

  1. Предварительная обработка и кодирование кандидатных переменных
    1. Установить эталонный уровень для категории процедуры на «нейроваскулярный», а референсный для положения — на «лежащий». Установите эталонный уровень для поворота головы и шеи на «≤30°», а для похищения верхней конечности — на «≤90°». Установить эталонный уровень для категории места пункции на «радиальную артерию», а эталонный уровень для метода закрытия пункционного места — на «устройство для сосудистого закрытия».
    2. Возраст шкалы за 10 лет, продолжительность операции на 60 минут, продолжительность флюороскопии за 10 минут, оценочная потеря крови на 100 мл, время пребывания оболочки на 60 минут и размер оболочки на 1 Fr. Для переменных, предполагаемых как «чем ниже значение, тем выше риск» (например, самая низкая температура ядра, альбумин, гемоглобин, балл Брейдена, самый низкий MAP) применяйте обратное кодирование так, чтобы регрессионный OR представлял собой «снижение риска на единицу».
      ПРИМЕЧАНИЕ: Обратное кодирование можно реализовать путём взятия отрицательного исходной переменной и масштабирования по единице, например, Temp_dec = -(Temp/0.5) или Braden_dec = -(Braden/1), чтобы сохранить последовательность направления интерпретации OR.
  2. Анализ однопеременных и скрининг кандидатов переменных
    1. Подгонять однопеременную логистическую регрессионную модель для каждого кандидата-предиктора и записывать значения OR, 95% CI и P. Для категориальных переменных используйте фиктивное кодирование с оценкой уровня опорного и выходного эффекта каждого уровня относительно эталонного значения.
    2. Используйте ограниченные кубические сплайны для проверки линейности для непрерывных переменных, используя четыре узла, расположенные в квантилях 5%, 35%, 65% и 95%. Если тест показывает значительную нелинейность, сохраняйте ту же форму сплайна в последующей многомерной модели.
    3. Возьмём объединение «клинически заранее заданных переменных» и «переменных с однопеременной P<0.20» в качестве многопеременного кандидата множества12. Сравнивайте набор кандидатов с ограничением количества событий и, при необходимости, преимущественно сохраняйте клинически очень значимые переменные для контроля перенагона.
  3. Выбор и построение основной модели LASSO
    1. Поместить штрафную логистическую регрессию (LASSO, alpha=1) на кандидатное множество, с family="биномиальной". Стандартизировать непрерывные переменные (стандартизировать = TRUE) для обеспечения справедливого наказания между переменными с разными масштабами.
    2. Выполните десятикратную кросс-валидацию, повторяющуюся 1000 раз, случайно генерируя разбиения фолдов каждый раз и фиксируя отклонение кросс-валидации, соответствующее lambda.min. Определите штрафную силу как медиану lambda.min по 1000 повторениям (или, эквивалентно, λ, соответствующую минимальному среднему отклонению), и используйте это λ для окончательной подгонки LASSO, чтобы получить стабильный набор переменных с ненулевой коэффициентами.
    3. Используя переменные с ненулевыми коэффициентами, выбранные LASSO, можно поместить в ненаказанную многопеременную основную модель логистической регрессии в готовом наборе данных. Если сплайнные члены сохраняются, их поместить в основную модель с той же формой сплайна и записать соответствующие коэффициенты или функциональные члены.
    4. Поместить основную модель отдельно в 10 введённых наборов данных и извлечь регрессионные коэффициенты и стандартные ошибки. Объедините коэффициенты, стандартные ошибки и доверительные интервалы с помощью правил Рубина и отчётте объединённые значения OR и P.
  4. Оценка риска, номограмма и стратификация риска
    1. Линейно масштабируйте коэффициенты регрессии основной модели до целых точек по методу Салливана, фиксируя базовый масштаб и правила округления. Вычислите общий балл и сопоставьте общий балл с предсказанной вероятностью с помощью логит-функции; формула отображения должна быть согласована с перехватом основной модели.
    2. Используйте пакет rms для генерации номограммы на основе основной модели и экспорта её в виде изображения высокого разрешения или PDF для публикации. Применяйте версионное имя файлов к выходам номограммы, чтобы избежать путаницы при последующих изменениях.
    3. Определите предсказанную вероятность <5% как низкий риск, от 5% до 14,9% как промежуточный риск и ≥15% как высокий риск13. Ограничите результаты инструмента в двух форматах — одностраничную бумажную форму и электронный калькулятор — и ограничьте процесс оценки не более чем тремя этапами для облегчения клинического использования.

6. Валидация модели и оценка производительности

  1. Внутренняя валидация и коррекция оптимизма
    1. Используйте bootstrap для внутренней валидации и установите количество повторных выборок на 1 000, чтобы получить стабильные оценки. Для каждого пересэмплирования переработайте модель в выборке bootstrap и вычислите метрики производительности как в выборке, так и в исходной выборке для оценки оптимизма.
    2. Определите оптимизм как среднюю разницу между производительностью в выборке bootstrap и в исходной выборке. Вычтите оптимизм из видимой производительности, чтобы получить скорректированную характеристику, и сообщите оптимизм-скорректированный AUC, калибровочный перехват, наклон калибровки и балл Бриера.
  2. Дискриминация
    1. Построить кривые ROC и рассчитать AUC как меру дискриминации. Оценить AUC и его 95% CI с помощью метода DeLong и выполнить расчёты на тех же результатах прогноза (вероятностях) для обеспечения сопоставимости.
    2. При заранее определённых порогах (5% и 15%) рассчитываются чувствительность, специфичность, PPV и NPV. Для каждого порога также выводят матрицы путаницы для проверки расчёта.
  3. Калибровка и общая ошибка
    1. Подгонять калибровочную модель с линейным предиктором модели (логит) в качестве независимой переменной; пересечение указывает на систематическое смещение, а наклон — на степень переподгонки. Определите идеальную калибровку как пересечение = 0 и наклон = 1, и отчётте метрики до и после коррекции.
    2. Рассчитайте балл Бриера как меру общей ошибки и постройте кривые калибровки с помощью сглаживания лёсса вдоль идеальной линии 45°. Балл Бриера рассчитывался как mean((outcome - predicted_probability)2), а сглаживание лёсса реализовывалось в виде статистики::loess(outcome ~ predicted_probability, span = 0.75, degree = 2, family = «гауссов», surface = «прямое»).
  4. Клиническая чистая выгода и кривые принятия решений
    1. Используйте анализ кривой принятия решения для оценки чистой выгоды по пороговым вероятностям от 2% до 25%14 и постройте стратегии Treat-All и Treat-None в качестве ориентиров. Зафиксируйте размер порогового шага на уровне 0.01 и явно укажите его в скрипте для обеспечения воспроизводимости.
    2. Проведите анализ чувствительности чистой выгоды вокруг порогов низкого и высокого риска, а также фиксируйте направление влияния изменений порогов на чистую выгоду. Представить результаты анализа чувствительности вместе с заранее заданными порогами для проверки их рациональности.

7. Статистическая реализация и воспроизводимый рабочий процесс скриптов

  1. Программная среда и инициализация проекта
    1. Проведите анализ в R 4.3.2 с использованием пакетов pROC, rms, glmnet, мышей и rmda.
    2. Установите фиксированный случайный seed (20250101) в начале скрипта и записывайте информацию о сессии, чтобы задокументировать программную среду.
  2. Импорт данных, настройки типов и проверка качества
    1. Импортируйте данные с помощью read.csv("data/analysis.csv") или readr::read_csv(). Проверьте, совпадает ли количество строк один к одному уникальному идентификатору хирургии, и проверьте наличие дублирующихся идентификаторов.
    2. Преобразуйте категориальные переменные в множители и используйте relevel() для установки эталонных уровней, соответствующих заранее установленной схеме. Держите непрерывные переменные числовыми и применяйте единичное масштабирование и обратное кодирование по пресету перед моделированием.
    3. Для категориальных переменных вычислите частоты и проценты; для непрерывных переменных вычислите среднее ± стандартное отклонение или медиану [IQR]. Используйте графические методы и shapiro.test() для оценки формы распределения и определения описательного подхода соответственно.
  3. Отсутствующая обработка данных и многократная импутация (m = 10)
    1. Вычислите пропорцию отсутствующей для каждой переменной и экспортируйте её как выход/missing_report.csv. Подтвердите, что переменная исхода не отсутствует, и зафиксируйте стратегию «приписывайте только предикторные переменные, не приписывайте результат».
    2. Используйте мыши() с m = 10 и maxit ≥ 20 для выполнения импутации цепных уравнений и закажите методы импутации в зависимости от типов переменных. Используйте complete(mids, action=k) для экспорта k-го завершённого набора данных и сохранения его как data/imp_k.csv.
    3. Постройте график (средние) для проверки устойчивости следов и сравните распределения до и после импутации для ключевых непрерывных переменных. Сохрани диагностические графики для выхода/imputation_diagnostics.pdf для проверки.
  4. Однопеременная регрессия, сплайн-тестирование и генерация кандидатного множества
    1. Поместить однопеременную логистическую регрессию в каждый вчисленный набор данных и использовать pool() для объединения коэффициентов и стандартных ошибок. Экспортируйте значения OR, 95% CI и P как выход/univariate_pool.csv для записей скрининга кандидатов.
    2. Используйте пакет rms rcs() для подгонки сплайнных терминов для непрерывных переменных и тестирования нелинейных членов. Фиксируйте количество и расположение узлов и записывайте их в комментарии к скрипту, чтобы избежать различий между пробегами.
    3. Возьмём объединение клинически заранее заданных переменных и переменных с однопеременной P<0.20 для генерации списка кандидатов и сохраняем его как выход/candidate_list.txt. Проверьте, удовлетворяют ли количество кандидатов и количество событий ограничению сложности, и запишите последний набор переменных, используемый для LASSO.
  5. Выбор LASSO и подгонка основной модели
    1. Используйте model.matrix() для генерации матрицы независимых переменных и обеспечения правильности уровней отчётов. Используйте cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) для десятикратной перекрёстной валидации.
    2. Используйте цикл для повторения случайных сгибающих разделов 1000x, записите lambda.min и ошибку перекрёстной валидации для каждого запуска, а затем записите их в output/lasso_lambda_trace.csv. Возьмём медиану 1000 значения lambda.min как стабильное λ и подгоняем glmnet на полный набор данных, используя этот λ, чтобы получить переменные с ненулевой коэффициентами.
    3. В 10 вводимых наборах данных основная модель glm(family=binomial) с использованием выбранных переменных. Объедините β, SE, OR и 95% CI по правилам Рубина и сохраняйте результаты как выходные/multivariable_pool.csv.
  6. Результаты преобразования баллов, номограммы и стратификации риска
    1. Преобразите β в целые точки по фиксированной шкале и сопоставьте общий балл обратно в логит и вероятность по той же шкале. Случайным образом отбирайте несколько случаев, чтобы сравнить «исходную модельную вероятность» с «вероятностью, конвертированной по оценке», чтобы убедиться, что ошибка находится в пределах заранее установленного допустимого диапазона.
    2. Используйте пакет rms для создания номограммы и экспорта её в качестве выхода/nomogram.pdf. Экспортировать лист с результатом в форматах выхода/score_sheet.xlsx или эквивалентов для облегчения создания одностраничной бумажной формы.
    3. Проведите стратификацию с использованием порогов 5% и 15% и выведите количество случаев и наблюдаемую заболеваемость в каждом слое. Экспортировать Se, Sp, PPV и NPV на пороге как выход/threshold_metrics.csv для последующего представления.
  7. Внутренняя валидация, калибровка и кривые принятия решений
    1. Установите количество повторных выборок в бутстрэпе на 1000, и в каждом повторном отборе выполняйте перенастройку и прогнозирование, рассчитывая AUC, балл Бриера, перехват калибровки и наклон калибровки. Запишите результаты, скорректированные оптимизмом, в формате выхода/bootstrap_corrected_metrics.csv и сохраняйте сводку промежуточных результатов для каждого повторного отбора для аудита.
    2. Используйте пакеты pROC roc() и auc() для расчёта AUC, а ci.auc(method="delong") — для вывода 95% CI. Сохраните кривую ROC как output/roc_curve.png и зафиксируйте разрешение и размер в скрипте.
    3. Используйте пакет RMDA для расчёта чистой выгоды и постройте кривые DCA в пороговом диапазоне от 2% до 25%. Экспортируйте фигуру в виде выхода/dca_curve.png и фиксируйте размер порогового шага и метки кривой для обеспечения воспроизводимости.
  8. Анализ чувствительности
    1. Замените результат на «стадию травмы давления ≥3» и повторите процесс импутации, выбора LASSO, подгонки основной модели и оценки производительности. Выводите метрики эффективности вместе с основным анализом для оценки устойчивости.
    2. Замените переменную экспозиции гипотензии на «кумулятивное время с MAP<60 мм рт.ст.» и повторите полный процесс моделирования и валидации. Сравните направления коэффициентов и изменения в AUC, показателях Брайера и калибровочных показателях, чтобы проверить чувствительность к пороговой установке.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Изучаемые характеристики популяции и исходной линии
Согласно заранее заданным критериям, было выявлено 3 274 пациентских записи из гибридной операционной DSA, и 1 936 (59,1%) соответствовали критериям включения и участвовали в разработке и валидации модели (см. рисунок 1). Возраст зарегистрированных пациентов составлял (66,82 ± 11,94 года); мужчины составляли 61,16%; ИМТ составлял (24,73 ± 3,89) кг/м²; Сахарный диабет составлял...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

В гибридной операционной DSA осложнения, связанные с положением, включают сосуществование повреждений кожи и мягких тканей, а также дыхательные и гемодинамические нарушения, вызванные положением, что свидетельствует о том, что позиционная безопасность зависит не только от локального давления, но и отражает физиологическую толерантность всего тела. Факторы риска связаны с уязвимостью пациента и хирургическим воздействием. Преклонный возраст и повышенная сопутствующая нагрузка указывают на...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что у них нет конфликта интересов.

Благодарности

Авторы выражают благодарность всем коллегам и сотрудникам, которые внесли вклад в это исследование, но не указаны как авторы.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Система управления информацией о анестезияхИнституциональный источникН/ДИсточник интраоперационных жизненных показателей, вазоактивных агентов, временных рядов MAP и анестезиологических записей.
Система электронных медицинских картИнституциональный источникН/ДИсточник демографических данных, сопутствующих заболеваний, оперативных записей и клинической документации для последующего наблюдения.
glmnetCRANН/ДПакет R, используемый для штрафной логистической регрессии и выбора переменных LASSO.
Операционная с гибридной цифровой вычитающей ангиографиейИнституциональный источникН/ДУчебные условия для всех включённых процедур; Оснащён для интервенционной визуализации и открытой хирургии.
Лабораторная информационная системаИнституциональный источникН/ДИсточник предоперационных лабораторных показателей, включая альбумин и гемоглобин.
мышиCRANН/ДR корпус, используемый для множественных импутаций с помощью цепных уравнений.
Информационная система сестринского делаИнституциональный источникН/ДИсточник записей о позиционировании, защите от точек давления, интраоперационных проверок положения и послеоперационной документации по сестринскому уходу.
Система архивирования и коммуникации изображений (PACS)Институциональный источникН/ДИсточник информации о длительности флюороскопии и связанной с визуализацией.
pROCCRANН/ДПакет R, используемый для анализа ROC, оценки AUC и доверительных интервалов DeLong.
RR Foundation для статистических вычисленийН/ДСреда для статистического анализа.
RMDACRANН/ДПакет R, используемый для анализа кривой решения.
RMSCRANН/ДПакет R, используемый для стратегий регрессионного моделирования, сплайн-функций и построения номограмм.

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи