Yöntem makalesi

Hibrit Dijital Çıkarma Anjiyografi Ameliyathanelerinde Hasta Konumlandırma Güvenliği İçin Öngörülebilir Hemşirelik Aracı

75 görüntüleme

⸱

DOI:

10.3791/70751

⸱

5 Haziran 2026

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

Bu makalede

Özet

Tek merkezli retrospektif çalışma, hibrit dijital çıkarma anjiyografi ameliyathanesinde pozisyon ile ilgili komplikasyonlar için ameliyat öncesi değerlendirme ve pozisyon sonrası risk güncellemelerini desteklemek için temel hasta cerrahi riskini değiştirilebilir perioperatif bakım süreçleriyle birleştiren aşamalı bir hemşirelik tahmin aracı geliştirdi ve dahili olarak doğruladı.

Özet

Bu çalışmanın amacı, hibrit dijital çıkarma anjiyografi ameliyathanesinde kullanılmak üzere temel hasta-cerrahi risk ve değiştirilebilir hemşirelik süreçlerine dayanan, aşama güncelleme aşamasında hemşirelik öngörücü değerlendirme aracı geliştirmek ve iç doğrulamaktı. Bu tek merkezli retrospektif kohort, hibrit ameliyathanede ilk ameliyatlarını geçiren hasta yetişkinleri içeriyordu ve ameliyat analiz ve takibin birimi olarak 72 saat sonraya kadar uygulandı. Sonuç, pozisyonla ilgili komplikasyonların bileşik son noktasıydı.

Eksik tahmin verisi çoklu ödüm (m = 10) kullanılarak ele alındı ve çıkarma tutarlılığı Cohen κ ve sınıf içi korelasyon katsayılarıyla değerlendirildi. Tek değişkenli taramadan elde edilen aday değişkenler ve önceden belirlenmiş değişkenler en az mutlak küçülme ve seçim operatörü regresyonuna girdi, ardından çok değişkenli lojistik modelleme ve eşik tabanlı risk tabakalaşmasıyla nomogram yapısı geldi. Model performansı, eğriyi altındaki alan, kalibrasyon kesişmesi ve eğim, Brier puanı, bootstrap iç doğrulama ve karar eğrisi analizi ile değerlendirildi.

Toplamda 1.936 vaka analiz edildi ve bileşik sonuç %10,23'te gerçekleşti. Ana değişkenlerin maksimum eksikliği %3,25 idi ve çıkarma tutarlılığı iyiydi (κ ≥ 0,86, sınıf içi korelasyon katsayısı ≥ 0,89). On iki tahminci korundu; basınç noktası koruması ve ameliyat dışı pozisyon kontrolleri koruyucuydu (oran oranı 0,68–0,71). Temel modelde eğri altında alan 0.74/0.72 (görünür/düzeltilen) olarak belirlenmiş, tam model ise 0.79/0.77 elde etmiştir. İyimserlik düzeltilmiş kalibrasyon eğimi 0.947, kesişme 0.004 ve Brier puanı 0.085 idi.

Bu araç, dahili doğrulamada istikrarlı ayrımcılık, kalibrasyon ve net fayda gösterdi. Hemşirelik süreci değişkenleri değer katıyor ve araç ameliyat öncesi değerlendirme ve pozisyon sonrası risk güncellemesini destekleyebilir; dış doğrulama bekleniyor.

Giriş

Hibrit dijital çıkarma anjiyografi (DSA) ameliyathanesi, girişimsel görüntülemeyi açık cerrahiyle bütünleştirir ve karmaşık damar hastalıkları ile kritik acil durumların yönetimi için bir platform olarak hizmeteder 1. İşlem zinciri daha uzundur, birçok hasta yaşlıdır ve genel anestezi veya sedasyon koruyucu refleksleri ve kendiliğinden ayarlamayı azaltır2. C-kol, steril alan ve erişim yollarının düzeniyle sınırlandırıldığında, konumlandırma sabitlendikten sonra gövdeyi döndürme ve basıncı azaltma fırsatları azalırken, sürekli basınç ve esneme/çekiş artışıartar. Eşzamanlı hibrit prosedürler ayarlama aralıklarını daha da azaltır ve konumlandırma yönetimi daha çok ekip koordinasyonuna dayanır. Pozisyonla ilgili komplikasyonlar arasında basınç yaralanmaları, periferik sinir ve kas-iskelet sistemi yaralanmaları bulunur ve ayrıca pozisyon kaynaklı solunum ve hemodinamik dalgalanmalar olarak da ortaya çıkabilir ve ameliyat sonrası iyileşmeyi etkileyebilir 4,5.

Hemşire ekibi, konumlandırma, basınç noktası koruması, erişim güvencesi, ameliyat içi pozisyon kontrolü ve ameliyat sonrası gözlem konularında kilit sorumluluk taşır; Pozisyonsal riskin erken tanımlanması ve kesin müdahale, hemşirelik yönetiminde temel konulardır; standart, süreç tabanlı doğrulama ve dokümantasyona daha fazla ihtiyaçvardır 6. Mevcut perioperatif risk değerlendirmeleri çoğunlukla ameliyat öncesi genel ölçeklere dayanır veya tek bir sonucaodaklanır 7. Kanıtların çoğu ameliyathane veya girişim odasından gelir ve hibrit DSA ameliyathanesindeki uzun süreli dönememe, perfüzyon ve sıcaklıktaki dalgalanmalar ve sıkıştırma fiksasyonuyla kılıfın içinde kalması gibi kompozit maruziyetleri kapsamamaktadır. Braden gibi araçlar cilt toleransını vurgular, ancak yatma pozisyonu ve hipotansiyona birikimli maruziyet gibi belirli faktörleri tanımlamak için uygun değildir; bu da tabakalı yönetimi desteklemeyizorlaştırır. 8. Komplikasyon spektrumunda aynı zamanda var olan cilt yaralanması ve fizyolojik istikrarsızlık bulunur ve tek bir puan süreç önceliklerini belirlemek için yeterlideğildir 9.

Bazı çalışmalar, hemşirelik ölçümlerini doğrudan ameliyat öncesi öngörücü olarak ele almıştır; bu da amaç uyumsuzluğuna ve bilgi sızıntısına yol açar, sonuçların müdahalelerin zamanlaması ve yoğunluğuyla uyumlu olmasını zorlaştırır ve risk ayarlamasından sonra olumsuz kalite iyileşmesineyol açar. Ameliyat öncesi bir temel risk sağlayan ve pozisyon alanından sonra riski güncelleyen ve ilgili uygulanabilir maddelerle birlikte bir değerlendirme aracı eksiklik vardır. Bu çalışmada, tek merkezli retrospektif kohorta dayanarak, hemşirelik öngörücü değerlendirme aracı geliştirildi; Ameliyattan önce, başlangıç riski hasta ve cerrahi maruziyet değişkenleri kullanılarak tahmin edildi ve pozisyon alanından sonra riskin güncellenmesi için değiştirilebilir hemşirelik ürünleri dahil edildi. Cezalandırılmış regresyon değişken seçimi için iç doğrulama ile kullanıldı; ayrımcılık, kalibrasyon ve net fayda değerlendirildi; hemşirelik karar desteği için nomogram ve eşik tabanlı bir tabakalaşma üretildi; bu da risk ayarlaması ve kalite iyileştirmesi için bir temel sağladı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışma, insan deneklerin önceki tıbbi kayıtlarını ve anestezi ile hemşirelik kayıt verilerini içermektedir. Çalışma, ilgili kurumsal yönergelere uygun olarak yürütülmüş, kurumsal etik komitesi tarafından incelenip onaylanmış (Run Run Shaw Hastane Etik İnceleme 2025 Araştırma No. 2113), yazılı bilgilendirilmiş onay muafiyeti ile yapılmıştır; Tüm veriler ihracattan önce kimliği çıkarıldı ve yalnızca bu çalışma amaçları için kullanıldı.

Bu çalışma, çok değişkenli tahmin modeli geliştirme ve iç doğrulama için TRIPOD ifadesine uygun olarak raporlandı; tamamlanmış TRIPOD kontrol listesi Ek Tablo S1'de sunulmaktadır.

1. Araştırma tasarımı ve çalışma ortamı

  1. Çalışma tasarımını, tarihsel bir kohort tasarımı kullanılarak tek merkezli retrospektif gözlemsel çalışma olarak tanımlayın. Çalışma süresini 1 Ocak 2021'den 31 Aralık 2024'e kadar sabitleyin.
  2. Çalışmanın amacını, hibrit DSA ameliyathanesinde pozisyonla ilgili komplikasyonlar için hemşirelik öngörücü değerlendirme aracı geliştirmek ve iç doğrulama ile performans değerlendirmesi yapmak olarak belirleyin. "Cerrahi"yi analiz birimi olarak tanımlayın ve her ameliyata benzersiz bir tanımlayıcı atayın (örneğin, yatarak numarası + ameliyat tarihi + anestezi başlama saati).
  3. Aynı hastanın birden fazla uygun ameliyatı varsa, sadece ilk uygun ameliyat kaydını sakla. "İlk"i, çalışma zaman aralığı içinde en erken anestezi veya sedasyon başlangıç süresine sahip uygun ameliyat olarak tanımlayın.
  4. Veri çıkarma başlangıç noktası, hastanın ameliyathaneye girdiği ve anestezi veya sedasyonun başladığı zaman olarak tanımlanır. Takip son noktasını ameliyattan 72 saat sonra sabitleyin, böylece pozisyonla ilgili komplikasyonların birincil ortaya çıkma penceresini kapsar.
  5. Çalışma ayarını hibrit DSA ameliyathanesi ile sınırlayın ve düz panelli dijital çıkarma anjiyografi sistemi ile açık cerrahi yeteneğiyle donatıldığında belgeleyin. Yaygın kullanılan pozisyonların sırtüstü, yalama ve yan pozisyon olduğunu kaydedin ve ameliyat dışı pozisyon ayarlamasının görüntüleme ekipmanı, steril alan ve erişim yollarının düzeni tarafından sınırlandırıldığı, bunun sonucunda dönme fırsatlarının azaldığı ve ameliyatın nispeten uzun sürdüğü belirtilir.

2. Çalışma popülasyonu, vaka tarama akışı ve örneklem büyüklüğü stratejisi

  1. Tüm "hibrid DSA ameliyathane" ameliyat girişlerini, çalışma zaman penceresi içinde ardışık kayıtlı ameliyathane kaydından dışa aktarın. İşlem kodu, ameliyathane tanımlayıcısı, ameliyat tarihi, yatarak numarası ve anestezi başlama saati gibi eşleşme alanlarını koruyun.
  2. İlk eşleşme için yatan hasta numarasını ve ameliyat tarihini kullanın, anestezi başlama saati ve ameliyathane tanımlayıcısını kullanarak ikincil bir kontrol yapın. Aynı gün aynı yatan hasta numarası için birden fazla anestezi kaydı varsa, tercihen tutarlı bir ameliyathane tanımlayıcısı ve ameliyat kayıt zamanına en yakın anestezi başlama saatiyle eşleştirilsin.
  3. Ameliyatları hibrid DSA ameliyathanesinde tamamlanmış ve nörovasküler, kardiyovasküler veya periferik damar girişimsel veya hibrit işlemler olan ≥18 yaşındaki yatarak tedavi edilen yetişkin hastaları dahil edin. Ameliyat sırasında genel anestezi veya sedasyon uygulandığını, tıbbi, anestezi ve hemşirelik dokümantasyonlarının tamamlandığını ve ameliyat sonrası 72 saate kadar takipin mümkün olduğunu teyit edin.
  4. Birincil sonuç olayının ameliyat öncesi zaten mevcut olduğu vakaları hariç tutarak sonucun sıfır olmayan bir temel çizgisini önleyin. Pozisyon ile ilgisi olmayan nedenlerle ameliyatın ameliyat sırasında kesintiye uğradığı ve daha fazla değerlendirme mümkün olmadığı durumlar ile ameliyattan 72 saat sonra hastaneden nakledilen ve belirsiz sonuca yol açan vakalar hariç tutulur.
  5. Her vaka için önceden belirlenmiş anahtar tahmin değişkenleri arasında eksiklik oranını hesaplayarak anahtar tahmin değişkenlerinin eksiklik eşiğini belirleyin ve eksiklik nedenlerini kaydedin. Bu ana tahmin değişkenleri arasında bir vakanın eksiklik oranı %30'u aşarsa, önceden belirlenmiş kurallara göre vaka hariç tutulur ve hariç tutma sebebini tarama günlüğüne belgeleyin.
  6. İki araştırmacı bağımsız olarak taramayı tamamlayıp tarama günlükleri oluşturun (dahil etme/hariç tutma ve nedenleri dahil). Çelişkiyi olan vakalar için, üçüncü bir araştırmacının orijinal kayıtlara kadar izini bulmasını ve izlenebilirlik için karar kaydını saklamasını sağlasın.
  7. Örneklem büyüklüğü için üst sınırı önceden belirlemeyin, ardışık tüm vaka dahil etme stratejisi benimseyin. Model karmaşıklığını olay sayısına göre kontrol ederek, parametre başına en az 15 olay ilkesine göre modele girilen parametrelerin sayısını belirler.

3. Ölçütler ve değişken tanımlarını inceleyin

  1. Bir değişken sözlüğü oluşturun ve her değişken için kaynak sistemi, alan adı, değer kuralları ve zaman dizisini belirtin. Sürekli değişkenler için en güncel ameliyat öncesi laboratuvar veya değerlendirme değeri kullanılır; cerrahi ve anestezi değişkenleri için, tüm işlem veya birikimli maruziyet boyunca kaydedilen en kötü değeri kullanın; Hemşirelik ve cihaz değişkenleri için gerçek intraoperatif uygulamayı kullanın. Klinik olarak yaygın kullanılan kriterler, perioperatif hemşirelik ve anestezi uygulamaları ile yayımlanmış literatür verilerine göre önceden belirlenmiş eşikleri ve kategori kesim sınırlarını tanımlayın. Yaygın olarak kabul gören tek bir sınır mevcut olmadığında, kaydı, yorumu ve klinik uygulamayı kolaylaştırmak için pragmatik kategoriler kullanın.
  2. Birincil sonuç: pozisyonla ilgili komplikasyonların bileşik sonucu
    1. Birincil sonuç, ameliyattan 72 saat sonraya kadar olan pozisyonla ilgili komplikasyonların birleşik sonucu olarak tanımlayın. Aynı durumda birden fazla bileşen olayı gerçekleşirse, bileşik sonucu sadece bir kez sayın ve ikincil analizler için ilk oluşum zamanı ile tüm bileşen türlerini kaydedin.
    2. Ameliyattan sonraki 72 saat içinde yeni başlangıçlı 2. evre veya yüksek basınçlı yaralanma veya derin doku yaralanmasını bileşen olaylardan biri olarak tanımlayın. Emzirme cilt değerlendirme formu, aşama ve emzirme kayıtlarını kanıt olarak kullanın ve belirli anatomik alanlara lokalileştirilebilen kayıtlar talep edin.
    3. Periferik sinir yaralanmasını, ≥24 saat süren duyusal kayıp, uyuşma veya kas gücünün azalması olarak tanımlayın. Anatomik dağılımın, o dönemdeki pozisyonun temas/çekiş alanıyla tutarlı olmasını şart koşun ve ana kanıt olarak ilerleme notları veya uzman değerlendirme kayıtları kullanın.
    4. Eklem veya kas-iskelet sistemi yaralanmasını, pozitif görüntüleme bulguları veya uzman fizik muayene bulgularıyla birlikte oluşan lokal ağrı olarak tanımlayın; bu bulgular çekiş/sıkıştırma yaralanmasını göstermektedir. Görüntüleme yöntemini veya muayene sonucunu kaydedin ve konumla ilgili kuvvet uygulama noktalarını işaretleyin.
    5. Pozisyonla ilgili solunum veya hemodinamik kararsızlık olaylarını, pozisyon değişikliği, kompresyon, vazopressor yükseltilmesi veya prosedürün kesilmesi gerektiren pozisyon sıkışması, kısıtlı solunum veya kısıtlı venöz dönüş olarak tanımlayın. Anestezi sistemi olay kayıtlarını, anestezi kayıtlarını ve hemşire/doktor kayıtlarını, açık "pozisyonla ilgili" açıklamalar ve ilgili yönetim önlemlerini kanıt olarak kullanın.
    6. Delikleme tarafında ≥5 cm çapı olan veya ek sıkıştırma sabitlemesi gerektiren sızıntı içeren hematomu, pozisyon kısıtlamalarıyla ilgili kayıntıları gösteren kayıtlarla bileşen olaylardan biri olarak tanımlayın. Ameliyat sonrası 72 saat içinde hemşire kayıtlarını ve doktor servisindeki kayıtları kanıt olarak kullanın ve ek yönetim önlemlerini kaydedin.
    7. Konumsal önemi üç kritere göre belirleyin: kayıtlarda pozisyonsal alaka açıkça belirtilmesi, anatomik sitenin pozisyonsal maruziyet noktalarıyla uyumlu olması ve daha ikna edici alternatif bir nedenin olmaması. Hemşirelik ve doktor kayıtları arasında attıflama çakışması varsa, orijinal kaydı olay zamanına daha yakın önceliklendirin ve iki yargıçın gözden geçirip uzlaşmasına izin verin.
  3. Tahmin değişkenlerinin tanımları
    1. Yaş, cinsiyet, vücut kitle indeksi, diyabet, periferik nöropati, periferik arter hastalığı, kronik böbrek hastalığı evresi ≥ 3, konjestif kalp yetmezliği, sigara durumu, ameliyat öncesi alümin, hemoglobin, Charlson komorbidite indeksi ve ameliyat öncesi Braden skoru gibi hasta düzeyindeki değişkenleri tanımlayın. "Preoperatif" ifadesini, hastanenin rutin perioperatif değerlendirme penceresi içinde, ameliyathaneye girmeden önce en güncel geçerli kayıt olarak tanımlayın.
    2. Ameliyat ve anestezi düzeyindeki değişkenleri prosedür kategorisi, anestezi türü, pozisyon tipi, baş-boyun dönme açısı kategorileri, üst uzuv abdüksiyon açısı kategorileri, alt uzuv abdüksiyonu veya >fleksiyonu 45°, ameliyat süresi, floroskopi süresi, ameliyat sırasında dönmez durum, tahmini kan kaybı, en düşük MAP, MAP ile toplam süre< 65 mmHg, en düşük çekirdek sıcaklığı, vazoaktif ajan kullanımı ve maksimum norepinefrin eşdeğeri olarak tanımlanır. Pozisyonu sırtüstü/yaban/yan pozisyon olarak sınıflandırın; baş–boyun dönüşünü ≤30°, 31–60° ve >60° olarak sınıflandırırlar; üst uzuv kaçırma ≤90° ve >90° olarak sınıflandırılır.
    3. Anestezi bilgi yönetim sisteminden zaman damgalarıyla birlikte MAP zaman serisini dışa aktarın. Bitişik kayıtlar arasındaki zaman farkını aralık uzunluğu olarak kullanın ve MAP < 65 mmHg olan tüm aralıkların sürelerini toplayarak "MAP < 65 kümülatif zaman" elde edilir; Eğer tek bir aralık eksikse veya boşluk anormalse (örneğin, makul açıklama olmadan >5 dakika), bu aralığı eksik olarak işaretleyin ve kümülatif toplamın içine dahil etmeyin.
    4. Hemşirelik ve cihaz düzeyindeki değişkenleri, masa pedi türü, anahtar basınç noktası korumasının tamamlanıp tamamlanmadığı, üst uzuvların dolgulu kol panellerine sabitlenip sabitlenmediği, başın nötr pozisyonda desteklenip desteklenmediği, delme bölgesi kategorisi, kılıf boyutu, kılıf kalıbının kalma süresi, delme noktasının sabitlenme/kapatma yöntemi ve ameliyat içi pozisyon kontrol dokümantasyonunun tamlığı olarak tanımlanır. "Anahtar basınç noktası koruması tamamlandı", dört noktada da koruma kayıtları olduğunda tamamlanmış olarak tanımlanır—occiput, skapula, sakrokoksigeal bölge ve topuklar; aksi takdirde, tam olarak tamamlanmamış sayılır.
    5. Vazoaktif ajanların kullanılıp kullanılmadığını kaydedin ve kullanıcı olmayanları "kullanılmamış" olarak kodlayın. Kullanıcılar için maksimum norepinefrin eşdeğeri (μg/kg/dakika) kaydedilir; Her anestezi kaydı zaman noktasında NE_eq_t = norepinephrine_t + epinephrine_t + 0.01 * dopamine_t + 0.06 * phenylephrine_t + 2.5 * vasopressin_t hesaplayın; burada norepinefrin, epinefrin, dopamin ve fenilefrin μg/kg/dakika cinsinden, vazopressin ise U/min cinsinden ifade edilir; belirli bir zaman noktasında kullanılmayan ajanlar 0 olarak kodlanmıştı ve maximum_norepinephrine_equivalent = max(NE_eq_t, na.rm = TRUE) olarak kodlandı.
      NOT: Dönüştürme ve toplama kuralları önceden sabitlenmiş ve analiz senaryosunda uygulanmıştır.

4. Veri toplama ve kalite kontrolü

  1. Veri çıkarımından sorumlu iki araştırmacıya eşit eğitim sağlamak ve standart işletim prosedürlerini (SOP) ile değişken sözlüğü dağıtmak. Eğitimden sonra, küçük örneklem pilot çıkarımı tamamlayın ve belirsiz alanların tanımlarını ve çıkarma yollarını gözden geçirin.
  2. Elektronik tıbbi kayıttan demografik ve eş hastalıkları, laboratuvar sisteminden ameliyat öncesi laboratuvar göstergelerini, anestezi sisteminden hayati belirtiler ve ilaçları, hemşirelik sisteminden pozisyon ve hemşirelik ölçümlerini, PACS'den floroskopi süresi ve görüntüleme ile ilgili bilgileri çıkarmak. Yatarak numara ve ameliyat tarihi kullanılarak sistemler arası eşleştirme yapın, eşleşme anahtarları ve bir eşleşme günlüğü korun.
  3. Saha çatışmaları olduğunda, orijinal kağıt kayıtlara geri dönüp kağıt kayıtları standart olarak alın. Çatışma türünü, orijinal değeri, düzeltilmiş değeri ve kanıt kaynağını bir çatışma işleme günlüğüne kaydedin.
  4. Tüm alanlar için iki kişi tarafından çift veri girişi yapılacak ve bir tutarsızlık listesi oluşturuluyor. Üçüncü bir araştırmacıya her maddeyi orijinal kayıtlarla karşılaştırarak değerlendirme için gönderin ve nihai veritabanı versiyonunu analiz için kilitleyin.
  5. Sürekli değişkenler için klinik olarak makul aralıklar tablosu oluşturun ve ithalattan sonra otomatik aralık kontrolleri yapın. Doğrulama için aralık dışı değerleri geri takip edin; Doğrulanamazsa, eksik olarak ayarlayın ve referans olarak orijinal değeri korun.
  6. İlk 50 vaka için tekrarlayıcı çıkarma işlemi yapın ve tutarlılığı hesaplayın; kategorik değişkenler için Cohen κ ve sürekli değişkenler için ICC (iki yönlü rastgele etkiler, mutlak uyum) kullanılır. Eğer κ < 0.80 veya ICC < 0.85 ise, ilgili değişkenler için yeniden eğitim yapın ve standart sağlanana kadar yeniden denetim yapın11.
  7. Her aday tahmin değişkeni için kayıp vaka sayısını ve oranını hesaplayın ve bir kayıplık raporu oluşturun. Eksiklik oranı %30'u aşmayan anahtar tahminci değişkenler için çoklu ödünç başlatın; birincil sonuç değişkeni atfedilir.
  8. Zincirli denklemlerle çoklu ödüm (MICE) uygulama detayları
    1. Atletilen veri setlerinin sayısını m = 10 olarak sabitleyin ve yakınsamayı teşvik etmek için yineleme sayısını en az 20'ye ayarlayın. Atölenin tekrarlanabilirliğini sağlamak ve fare nesnesini denetlenebilirlik için kaydetmek için rastgele bir tohum oluşturun.
    2. Dağılım formunu korumak için sürekli değişkenler için öngörücü ortalama eşleştirme (PMM) kullanın. İkili değişkenler için lojistik regresyon ödümleme, sıralanmamış çok kategorili değişkenler için çok nomel lojistik ödümleme, sıralı kategorik değişkenler için ise ordinal lojistik ödüm kullanın. R'de, sıralanmamış çok kategorili değişkenler nom_vars <- c("smoking_status","procedure_category","anesthesia_type",
      "position_type","table_padding_type","puncture_site_
      kategori","puncture_site_closure_method"), ve sıralı kategorik değişkenler ord_vars <- c("head_neck_rotation_cat","upper_limb_abduction_cat"); dat[nom_vars] <- lapply(dat[nom_vars], faktör); dat[ord_vars] <- lapply(dat[ord_vars], emredildi); meth <- fare::make.method(dat); met[sapply(dat, is.numeric)] <- "pmm"; meth[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"; met[nom_vars] <- "polyreg"; met[ord_vars] <- "polr"; ve met[c("inpatient_number","surgery_id","outout")] <- """.
    3. Tüm aday tahmin değişkenlerini ve sonuç değişkenini atlamanın tahmin matrisine dahil ederek ödüm kalitesini artırın, ancak sadece eksik olan öngörücü değişkenler için emputasyon yapın. Tanımlayıcı olarak işlev görmemesi gereken tanımlayıcı alanları (örneğin, yatan yatan sayısı, benzersiz cerrahi kimliği) yerleştirme modeline katılmaması için belirleyin; böylece klinik olmayan bilgiler getirilmesini önleyin. Bu protokolü takip etmek için, pred <- fare::make.predictorMatrix(dat) olarak öngörücü matrisi uygulayın; pred[,] <- 1; diag(pred) <-0; pred[, c("inpatient_number","surgery_id")] <- 0; pred[c("inpatient_number","surgery_id","outout"), ] <- 0; ve pred[setdiff(colnames(pred), c("inpatient_number","surgery_id","outcome")), "outcome"] <- 1, böylece sonuç yalnızca yardımcı bir öngörücü olarak kullanılır ve atvellenmez.
    4. Tekrarlama iz grafiklerini çizin ve temel sürekli değişkenlerin ortalamalarının ve varyanslarının kararlı olup olmadığını kontrol ederek ödümzeleme yakınsamasını değerlendirin. Ödümzeleme imp <- fare::mice(dat, m = 10, maxit = 20, method = met, predictorMatrix = pred, seed = 20250101, printFlag = FALSE) şeklinde çalıştırıldı; Yakınsama, grafik(imp) ile ve anahtar sürekli değişkenlerin yinelemeler arasında ortalamalarının ve varyanslarının kararlılığı kontrol edilerek değerlendirildi.

5. Hemşirelik öngörücü değerlendirme aracının geliştirilmesi

  1. Aday değişkenlerin ön işlemesi ve kodlanması
    1. Prosedür kategorisi için referans seviyesini "nörovasküler" olarak, pozisyon için referans seviyesini "sırtüstü" olarak ayarlayın. Baş–boyun dönüşü referans seviyesini "≤30°", üst uzuv abdüksiyonu için referans seviyesini ise "≤90°" olarak ayarlayın. Delik bölgesi kategorisi için referans seviyesini "radyal arter" olarak, delme bölgesi kapanma yöntemi için referans seviyesini "vasküler kapanma cihazı" olarak ayarlayın.
    2. 10 yıl başına ölçek yaşı, 60 dakikada ameliyat süresi, 10 dakikada floroskopi süresi, 100 mL'de tahmini kan kaybı, 60 dakikada kılıf kalıbında kalma süresi ve 1 Fr başına kılıf boyutu. "Değer ne kadar düşükse, risk o kadar yüksektir" olarak varsayımlanan değişkenler için (örneğin, en düşük çekirdek sıcaklığı, albümin, hemoglobin, Braden puanı, en düşük MAP), ters kodlama uygulanır ki regresyon OR "birim azalma başına risk artışı"nı temsil eder.
      NOT: Ters kodlama, orijinal değişkenin negatifini alıp birim bazında ölçeklenerek uygulanabilir; örneğin Temp_dec = -(Temp/0.5) veya Braden_dec = -(Braden/1) olarak ölçeklendirilerek OR yorumlama yönünü tutarlı tutarlı tutar.
  2. Tek değişkenli analiz ve aday değişken taraması
    1. Her aday tahmincisi için tek değişkenli lojistik regresyon modeli yerleştirin ve OR, %95 CI ve P değerini kaydedin. Kategorik değişkenler için, referans seviyesi ve her seviyenin referansa göre çıktı etkisi tahminleriyle sahte kodlama kullanın.
    2. Sürekli değişkenler için doğrusallığı test etmek için kısıtlı kübik spline'lar kullanın; dört düğüm 5%, 35%, %65 ve %95 kuantillere yerleştirilir. Test önemli doğrusal olmayanlık gösteriyorsa, sonraki çok değişkenli modelde aynı spline formunu koruyun.
    3. "Klinik olarak önceden belirlenmiş değişkenler" ve "tek değişkenli P<0.20" değişkenlerinin birleşimini çok değişkenli aday kümesi olarak ele alalım12. Aday setini olay sayısının kısıtlamasıyla karşılaştırın ve gerektiğinde aşırı uyumu kontrol etmek için klinik olarak çok ilgili değişkenleri tercihen koruyun.
  3. Ana modelin LASSO seçimi ve inşası
    1. Aday kümeye cezalandırılmış bir Lojistik regresyon (LASSO, alfa=1) ekleyin, family="binomial" ile. Sürekli değişkenleri standartlaştırın (standardiz=TRUE) farklı ölçekli değişkenler arasında adil cezalandırma sağlansın.
    2. On kat çapraz doğrulama gerçekleştirin, her kez rastgele katlama bölümleri oluşturulur ve lambda.min'e karşılık gelen çapraz doğrulama sapmalarını kaydeder. Ceza gücünü, lambda.min'in 1.000 tekrardaki medyanı (veya eşdeğer olarak, minimum ortalama sapmaya karşılık gelen λ) olarak tanımlayın ve bu λ'yi nihai LASSO uyumu için kullanarak, sıfır olmayan katsayıya sahip kararlı bir değişken kümesi elde edin.
    3. LASSO tarafından seçilen sıfır olmayan katsayılara sahip değişkenler kullanılarak, tamamlanmış veri setine cezalandırılmamış çok değişkenli Lojistik regresyon ana modeli yerleştirilir. Eğer spline terimleri korunursa, onları ana modele aynı spline formuyla yerleştirin ve ilgili katsayıları veya fonksiyon terimlerini kaydedin.
    4. Ana modeli ayrı ayrı 10 atama veri setine yerleştirin ve regresyon katsayıları ile standart hataları çıkarın. Katsayıları, standart hataları ve güven aralıklarını Rubin kuralları kullanarak birleştirin ve havuza alınan OR ile P değerini raporlayın.
  4. Risk puanlama, nomogram ve risk tabakalaşması
    1. Ana model regresyon katsayılarını Sullivan yöntemine göre tam sayı noktalarına doğrusal ölçeklendirerek temel ölçek ve yuvarlama kurallarını sabitle. Toplam puanı hesaplayın ve toplam puanı logit fonksiyonu aracılığıyla tahmin edilen olasılıkla eşleştirin; Eşleme formülü ana modelin kesişme noktasıyla tutarlı olmalıdır.
    2. Ana modele dayalı bir nomogram oluşturmak için rms paketini kullanın ve bunu yüksek çözünürlüklü bir görüntü veya PDF olarak yayın için dışa aktarın. Sonraki değişikliklerden kaynaklanan karışıklığı önlemek için nomogram çıktılarına sürümlü dosya isimlendirmesi uygulanır.
    3. Tahmin edilen olasılıkları <%5 düşük risk, %5'ten %14,9'a ara risk ve %15 yüksek risk olarak ≥%15 olarak tanımlayın13. Araç çıktılarını iki formata sabitleyin—bir sayfalık kağıt formu ve elektronik hesap makinesi—ve klinik kullanımı kolaylaştırmak için puanlama sürecini üç adımdan fazla sınırlamak için sınırlayın.

6. Model doğrulama ve performans değerlendirmesi

  1. İçsel doğrulama ve iyimserlik düzeltmesi
    1. İç doğrulama için bootstrap'ı kullanın ve kararlı tahminler elde etmek için yeniden örnekleme sayısını 1.000'e ayarlayın. Her yeniden örnekleme için, modeli bootstrap örneğinde yeniden kurun ve hem bootstrap örneğinde hem de orijinal örneklemde performans metriklerini hesaplayarak iyimserliği tahmin edin.
    2. İyimserliği, bootstrap örneklemindeki performans ile orijinal örneklemdeki performans arasındaki ortalama fark olarak tanımlayın. Düzeltilmiş performansı elde etmek için görünüş performansından iyimserliği çıkarın ve iyimserlik düzeltilmiş AUC, kalibrasyon kesişmesi, kalibrasyon eğimi ve Brier puanını raporlayın.
  2. Ayrımcılık
    1. ROC eğrilerini çizin ve ayrımcılık ölçüsü olarak AUC'yi hesaplayın. AUC ve %95 CI'sini DeLong yöntemiyle tahmin edin ve karşılaştırılabilirliği sağlamak için aynı tahmin çıktıları (olasılıklar) üzerinde hesaplamalar yapın.
    2. Önceden tanımlanmış eşiklerde (%5 ve %15), hassasiyet, özgüllük, PPV ve NPV hesaplanın. Her eşik için, hesaplamanın doğrulanmasını sağlamak için karışıklık matrisi sayımlarını da çıkarır.
  3. Kalibrasyon ve genel hata
    1. Bir kalibrasyon modelini, model doğrusal tahmincisi (logit) bağımsız değişken olarak konumlandırın; kesişme sistematik yanlılığı gösterirken, eğim aşırı uyum derecesini gösterir. İdeal kalibrasyonu kesişme = 0 ve eğim = 1 olarak tanımlayın ve düzeltmeden önce ve sonrası metrikleri raporlayın.
    2. Genel hata ölçüsü olarak Brier puanını hesaplayın ve 45° ideal çizgi boyunca lös düzgünleştirme kullanarak kalibrasyon eğrilerini çizin. Brier puanı ortalama((sonuç - predicted_probability)2) olarak hesaplandı ve loess düzgünleştirme istatistikler olarak uygulandı::loess(sonuç ~ predicted_probability, span = 0.75, derece = 2, aile = "gauss", yüzey = "doğrudan").
  4. Klinik net fayda ve karar eğrileri
    1. Karar eğrisi analizini kullanarak %2 ile %25 arasındaki eşik olasılıklar arasında net faydayı değerlendirin ve Hepsini Tedavi Etme ve Hiç Yok stratejilerini referans olarak çizin. Eşik adım boyutunu 0.01 olarak sabitleyin ve tekrarlanabilirliği sağlamak için script'te açıkça belirtin.
    2. Düşük risk ve yüksek risk eşikleri etrafında net faydanın hassasiyet analizini yapacak ve eşik değişikliklerinin net fayda üzerindeki etkisinin yönünü kaydet. Duyarlılık analizi sonuçlarını önceden tanımlanmış eşiklerle birlikte sunarak rasyonelliklerini doğrulayın.

7. İstatistiksel uygulama ve tekrarlanabilir script iş akışı

  1. Yazılım ortamı ve proje başlatma
    1. R 4.3.2'de pROC, rms, glmnet, mouse ve rmda paketlerini kullanarak analizler yapın.
    2. Script'in başında sabit rastgele bir tohum (20250101) belirleyin ve yazılım ortamını belgelemek için oturum bilgilerini kaydedin.
  2. Veri ithalatı, tip ayarları ve kalite kontrolleri
    1. Verileri read.csv("data/analysis.csv") veya readr::read_csv() kullanarak içe aktarın. Satır sayısının benzersiz cerrahi tanımlayıcıyla bire bir eşleşip örtüşmediğini doğrulayın ve tekrarlanan kimlikleri kontrol edin.
    2. Kategorik değişkenleri çarpanlara dönüştürün ve relevel() kullanarak referans seviyelerini önceden ayarlanmış şemaya uydurun. Sürekli değişkenleri sayısal tutun ve modellemeden önce ön ayar başına birim ölçeklendirme ve ters kodlama uygulayın.
    3. Kategorik değişkenler için frekanslar ve yüzdeler hesaplanın; sürekli değişkenler için ortalama ± standart sapma veya medyan [IQR] hesaplayın. Dağılım formunu değerlendirmek ve buna göre tanımlayıcı yaklaşımı belirlemek için grafiksel yöntemler ve shapiro.test() kullanın.
  3. Eksik veri işleme ve çoklu emputasyon (m = 10)
    1. Her değişken için eksiklik oranını hesaplayın ve bunu çıktı/missing_report.csv olarak dışa aktarın. Sonuç değişkeninde eksik olmadığını doğrulayın ve "sadece tahminci değişkenleri atlet, sonucu atma" stratejisini kilitleyin.
    2. m = 10 ve maksimum ≥20 ile fare() kullanın; zincirli denklemler atama işlemi yapın ve değişken türlerine göre hesaplama yöntemlerini belirtin. Tamamlanan k-cı veri setini dışa aktarmak ve data/imp_k.csv olarak kaydetmek için complete(mids, action=k) kullanın.
    3. İzlerin kararlılığını kontrol etmek için grafik (ortalar) çizim yapın ve temel sürekli değişkenler için ön ve sonrası dağılımları karşılaştırın. Tanı grafiklerini doğrulama için çıktı/imputation_diagnostics.pdf olarak kaydedin.
  4. Tek değişkenli regresyon, spline testi ve aday kümesinin oluşturulması
    1. Her atlı veri setine tek değişkenli lojistik regresyon uydurun ve katsayıları ile standart hataları birleştirmek için havuz() kullanın. Aday tarama kayıtları için OR, %95 CI ve P değerlerini çıktı/univariate_pool.csv olarak dışa aktarın.
    2. Sürekli değişkenler için spline terimlerini ayarlamak ve doğrusal olmayan terimleri test etmek için rms paketi rcs() kullanın. Düğümlerin sayısını ve konumlarını düzeltin ve bunları script yorumlarına kaydedin ki koşular arasında farklar olmasın.
    3. Klinik olarak önceden belirlenmiş değişkenler ve değişkenlerin tek değişkenli P<0.20 ile birleşmesini alarak aday listesini oluşturun ve bunu çıktı/candidate_list.txt olarak kaydedin. Aday sayısının ve olay sayısının karmaşıklık kısıtlamasını karşılayıp karşılamadığını kontrol edin ve LASSO için kullanılan son değişken setini kaydedin.
  5. LASSO seçimi ve ana model montajı
    1. model.matrix() kullanarak bağımsız değişkenlerin matrisini oluşturabilir ve referans seviyelerinin doğru olduğundan emin olun. cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) kullanarak on kat çapraz doğrulama gerçekleştirin.
    2. Bir döngü kullanarak rastgele katlama bölümlerini 1000x tekrarlayın, lambda.min ve her çalışma için çapraz doğrulama hatasını kaydedin ve bunları çıktı/lasso_lambda_trace.csv'a yazın. 1000 lambda.min değerinin medyanını kararlı λ olarak alın ve bu λ kullanarak glmnet'i tam veri setine yerleştirerek sıfır olmayan katsayıya sahip değişkenleri elde edin.
    3. Atılmış 10 veri setinde, seçilen değişkenler kullanılarak ana model glm(family=binomial) yerleştirilir. Rubin kurallarını kullanarak β, SE, OR ve %95 CI'yi birleştirin ve sonuçları çıktı/multivariable_pool.csv olarak kaydedin.
  6. Puan dönüşümü, nomogram ve risk tabakalaştırma çıktıları
    1. β sabit bir ölçekte tam sayı noktalarına dönüştürün ve toplam puanı aynı ölçekle logit ve olasılıkla eşleştirin. Rastgele örnekleme ile "orijinal model olasılığını" "puana dönüştürülmüş olasılık" ile karşılaştırarak hatanın önceden belirlenmiş kabul edilebilir aralıkta olduğundan emin olun.
    2. Nomogramı oluşturmak için rms paketini kullanın ve çıkış/nomogram.pdf olarak dışa aktarın. Puan tablosunu çıktı/score_sheet.xlsx veya eşdeğer formatlarda dışa aktararak tek sayfalık bir kağıt formunun üretimini kolaylaştırın.
    3. %5 ve %15 eşiklerini kullanarak tabakalaştırma yapın ve her katmanda vaka sayısını ve gözlemlenen insidansı verin. Eşik noktalarda Se, Sp, PPV ve NPV'yi çıktı/threshold_metrics.csv olarak sonraki sunum için ihraç edin.
  7. İç doğrulama, kalibrasyon ve karar eğrileri
    1. Bootstrap yeniden örnekleme sayısını 1.000'e ayarlayın ve her örneklemede yeniden ayarlama ve tahmin yapın; AUC, Brier puanı, kalibrasyon kesişmesi ve kalibrasyon eğimi hesaplanın. İyimserlik düzeltilmiş sonuçları çıktı/bootstrap_corrected_metrics.csv için yazın ve her yeniden örnekleme için ara sonuçların özetini denetim için saklayın.
    2. AUC'yi hesaplamak için pROC paketi roc() ve auc() kullanın, %95 VE CI.AUC(METHOD="DELONG") ile çıktı. ROC eğrisini çıktı/roc_curve.png olarak kaydedin ve çözünürlük ile boyutu scriptte düzeltin.
    3. RMDA paketini kullanarak net faydayı hesaplayın ve DCA eğrilerini %2 ile %25 arasındaki eşik aralığında çizin. Şekili çıktı/dca_curve.png olarak dışa aktarın ve tekrarlanabilirliği sağlamak için eşik adım boyutu ve eğri etiketlerini sabitleyin.
  8. Duyarlılık analizleri
    1. Sonucu "basınç yaralanması aşaması ≥3" ile değiştirin ve ödünme, LASSO seçimi, ana model uyumu ve performans değerlendirme iş akışını tekrarlayın. Ana analizle birlikte performans metriklerini çıkararak sağlamlığı değerlendirin.
    2. Hipotansiyon maruziyet değişkenini "MAP<60 mmHg ile kümülatif zaman" ile değiştirin ve tam modelleme ile doğrulama iş akışını tekrarlayın. Eşik ayarına duyarlılığı test etmek için katsayıya yön ve AUC, Brier puanı ve kalibrasyon metriklerindeki değişiklikleri karşılaştırın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Çalışma popülasyonu ve temel özellikler
Önceden belirlenmiş kriterlere göre, hibrit DSA ameliyathanesinden 3.274 hasta kaydı tespit edildi ve 1.936'sı (%59,1) dahil etme kriterlerini karşıladı ve model geliştirme ile doğrulamaya girdi (Şekil 1). Kayıtlı hastaların yaşı (66,82 ± 11,94) idi; erkekler %61,16; BMI (24,73 ± 3,89) kg/m 2; Diyabet %23,45'i oluşturdu. Charlson komorbidite indeksi 3 [2,5], Braden skoru 17 [16,19] ve ame...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Hibrit DSA ameliyathanesinde, pozisyonla ilgili komplikasyonlar arasında aynı zamanda var olan cilt ve yumuşak doku yaralanmaları ile pozisyon kaynaklı solunum ve hemodinamik dengesizlik bulunur; bu da pozisyon güvenliğinin sadece yerel basınç meselesi değil, aynı zamanda tüm vücut fizyolojik toleransını da yansıttığını gösterir. Risk belirleyiciler, hasta savunmasızlığı ve cerrahi maruziyetten kaynaklanır. İlerimiş yaş ve daha yüksek eş hastalık yükü doku rezervinin azaldığını gösterir;...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, çıkar çatışmaları olmadığını belirtirler.

Teşekkürler

Yazarlar, bu çalışmaya katkıda bulunan ancak yazar olarak listelenmemiş tüm meslektaşlarına ve çalışanlara teşekkür etmek ister.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Anestezi bilgi yönetim sistemiKurumsal kaynakYokAmeliyat içi hayati belirtilerin, vazoaktif ajanlar, MAP zaman serilerinin ve anestezi kayıtlarının kaynağı.
Elektronik tıbbi kayıt sistemiKurumsal kaynakYokDemografik kaynak, eş hastalıklar, ameliyat kayıtları ve takip klinik dokümantasyonu.
glmnetCRANYokR paketi, cezalandırılmış lojistik regresyon ve LASSO değişken seçimi için kullanılır.
Hibrit dijital çıkarma anjiyografi ameliyathanesiKurumsal kaynakYokTüm dahil edilen prosedürler için çalışma ayarı; girişimsel görüntüleme ve açık cerrahi için donanımlı.
Laboratuvar bilgi sistemiKurumsal kaynakYokAlbümin ve hemoglobin dahil olmak üzere ameliyat öncesi laboratuvar göstergelerinin kaynağı.
farelerCRANYokR paketi, zincirli denklemlerle çoklu ödümeleme için kullanılır.
Hemşirelik bilgi sistemiKurumsal kaynakYokPozisyon kayıtlarının kaynağı, basınç noktası koruması, ameliyat sırasında pozisyon kontrolleri ve ameliyat sonrası hemşirelik dokümantasyonu.
Resim arşivleme ve iletişim sistemi (PACS)Kurumsal kaynakYokFloroskopi süresi ve görüntüleme ile ilgili bilgilerin kaynağı.
pROCCRANYokROC analizi, AUC tahmini ve DeLong güven aralıkları için kullanılan R paketi.
RR İstatistiksel Hesaplama VakfıYokİstatistiksel analiz yazılım ortamı.
RMDACRANYokR paketi, karar eğrisi analizi için kullanılır.
RMSCRANYokR paketi, regresyon modelleme stratejileri, spline fonksiyonları ve nomogram yapımı için kullanılır.

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Hem irelik ng r AracHibrit AmeliyathanePozisyonla li kili KomplikasyonlarRisk StratifikasyonuLojistik ModellemeNomogram Olu turmaBas n Noktas Korumasntraoperatif Pozisyon Kontrolleri

İlgili makaleler