基于肢體肌力及TcPO2構(gòu)建ICU病人壓力性損傷預(yù)測(cè)模型

王雅萍 王晨 李莉 蔣葉偉 張耀文

Construction of a predictive model of pressure injury in ICU patients based on the combination of limb muscle strength and TcPO₂

WANG Yaping， WANG Chen， LI Li， JIANG Yewei， ZHANG Yaowen

Suzhou Ninth Hospital Affiliated to Soochow University， Jiangsu 215200 China

Corresponding Author? WANG Chen， E?mail： ur985ty@163.com

Abstract? Objective：To establish a predictive model of pressure injury （PI） in intensive care unit （ICU） patients by combining limb muscle strength and transcutaneous oxygen pressure （TcPO₂） with clinical data.Methods：429 patients admitted to the ICU of our hospital from April 2021 to January 2023 were retrospectively selected as the research objects.The patients were divided into a training set （n=299） and a test set （n=130） according to the ratio of 7∶3 by random sampling.Logistic regression model was used to analyze the influencing factors of pressure injury in patients，and random forest algorithm was used to construct a random forest model.The area under the receiver operating characteristic （ROC） curve，sensitivity，and specificity were used to evaluate the predictive efficacy of the two models.Results：71 cases occurred pressure injury among 299 patients in the training set， with an incidence of 23.75%.Multivariate analysis showed that diabetes mellitus，APACHE?Ⅱ score， Braden score，TcPO₂，limb muscle strength， mechanical ventilation，and use of vasoactive drugs were the influencing factors of PI in ICU patients （P<0.05）.The order of importance of predictors in the random forest model was TcPO₂，APACHE?Ⅱ score，limb muscle strength，Braden score，mechanical ventilation，use of vasoactive drugs，and combination of diabetes. The test set was introduced to verify the prediction efficiency of the two models. It was found that the area under the ROC curve of the logistic regression model was 0.871， the sensitivity was 84.5%，and the specificity was 81.4%.The area under the ROC curve of the random forest model was 0.912， the sensitivity was 88.5%，and the specificity was 84.2%.Conclusions：TcPO₂， APACHE?Ⅱ score， limb muscle strength，Braden score， mechanical ventilation，use of vasoactive drugs， and combination of diabetes were the influencing factors of PI risk in ICU patients. Furthermore， the predictive performance of the random forest model for PI risk in ICU patients was better than that of the Logistic regression model.

Keywords?? ?intensive care unit， ICU； pressure injury； limb muscle strength； transcutaneous oxygen pressure； prediction model

摘要? 目的：采用肢體肌力及經(jīng)皮氧分壓（TcPO₂）聯(lián)合臨床資料構(gòu)建重癥監(jiān)護(hù)病房（ICU）病人壓力性損傷的預(yù)測(cè)模型。方法：回顧性選取2021年4月—2023年1月我院ICU收治的429例病人作為研究對(duì)象。通過(guò)隨機(jī)抽樣按照7∶3比例將病人分為訓(xùn)練集（n=299）與測(cè)試集（n=130）。采用Logistic回歸模型分析病人發(fā)生壓力性損傷的影響因素，并借助隨機(jī)森林算法構(gòu)建隨機(jī)森林模型。采用受試者工作特征（ROC）曲線下面積、靈敏度、特異度評(píng)價(jià)模型的預(yù)測(cè)效能。結(jié)果：訓(xùn)練集299例病人中71例發(fā)生壓力性損傷，發(fā)生率為23.75%。多因素分析顯示，合并糖尿病、急性生理與慢性健康狀況（APACHE?Ⅱ）評(píng)分、Braden評(píng)分、TcPO₂、肢體肌力、機(jī)械通氣、使用血管活性藥是ICU病人發(fā)生壓力性損傷的影響因素（P<0.05）。隨機(jī)森林模型中預(yù)測(cè)因子重要性由高到低依次為TcPO₂、APACHE?Ⅱ評(píng)分、肌體肌力、Braden評(píng)分、機(jī)械通氣、使用血管活性藥物、合并糖尿病。測(cè)試集中，Logistic回歸模型的ROC曲線下面積為0.871，靈敏度為84.5%，特異度為81.4%；隨機(jī)森林模型的ROC曲線下面積為0.912，靈敏度為88.5%，特異度為84.2%。結(jié)論：ICU病人發(fā)生壓力性損傷的影響因素為TcPO₂、APACHE?Ⅱ評(píng)分、肢體肌力、Braden評(píng)分、機(jī)械通氣、使用血管活性藥物、合并糖尿病，且隨機(jī)森林模型對(duì)ICU病人壓力性損傷風(fēng)險(xiǎn)的預(yù)測(cè)性能優(yōu)于Logistic回歸模型。

關(guān)鍵詞? 重癥監(jiān)護(hù)病房；壓力性損傷；肢體肌力；經(jīng)皮氧分壓；預(yù)測(cè)模型

doi：10.12102/j.issn.1009-6493.2024.09.006

重癥監(jiān)護(hù)病房（intensive care unit，ICU）是危重癥病人強(qiáng)化醫(yī)療的場(chǎng)所，因病情特殊性，病人治療期需長(zhǎng)期臥床，容易發(fā)生壓力性損傷（pressure injuries，PI）。壓力性損傷是因局部組織受強(qiáng)烈和（或）長(zhǎng)時(shí)間壓力、壓力聯(lián)合剪切力所致皮膚與深部軟組織的局部損傷，會(huì)延長(zhǎng)病人住院時(shí)間，甚至增加感染、皮膚局部彌散性微血管內(nèi)凝血、急性皮膚衰竭等并發(fā)癥發(fā)生，危害極大。目前認(rèn)為微循環(huán)血流障礙、缺氧與壓力性損傷發(fā)生存在關(guān)聯(lián)^[1]。經(jīng)皮氧分壓（transcutaneous oxygen pressure， TcPO₂）監(jiān)測(cè)技術(shù)通過(guò)電極與皮膚連接，能有效反映組織和細(xì)胞實(shí)際的氧供應(yīng)量及皮膚的微循環(huán)功能狀態(tài)^[2]，對(duì)評(píng)估ICU病人的壓力性損傷風(fēng)險(xiǎn)具有一定價(jià)值^[3]。然而監(jiān)測(cè)電極膜屬一次性耗材，若連續(xù)動(dòng)態(tài)測(cè)量TcPO₂，病人的醫(yī)療費(fèi)用高。肢體活動(dòng)能加速全身血液流動(dòng)，降低微循環(huán)血流障礙，肌力則是保證肢體活動(dòng)時(shí)肌肉收縮的重要力量。尚未檢索到有關(guān)肢體肌力與ICU病人的壓力性損傷有關(guān)的報(bào)道。為能準(zhǔn)確評(píng)估ICU病人的壓力性損傷風(fēng)險(xiǎn)，本研究結(jié)合病人肢體肌力、TcPO₂及臨床資料，分析與病人壓力性損傷相關(guān)的影響因素并構(gòu)建Logistic回歸模型，通過(guò)繪制列線圖使其直觀實(shí)用。隨后依托大數(shù)據(jù)挖掘技術(shù)，借助隨機(jī)森林算法建立隨機(jī)森林模型，將其與Logistic回歸模型進(jìn)行對(duì)比，旨在為醫(yī)務(wù)人員提供更為精準(zhǔn)的ICU病人壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型。

1? 資料與方法

1.1 一般資料

回顧性選取2021年4月—2023年1月我院ICU收治的429例病人作為研究對(duì)象。通過(guò)隨機(jī)抽樣按7∶3比例將入選的429例病人分為訓(xùn)練集299例和測(cè)試集130例。納入標(biāo)準(zhǔn)：1）首次入住ICU，且年齡>18歲；2）入住ICU前無(wú)壓力性損傷；3）在ICU 住院時(shí)間≥72 h；4）具有肢體肌力、TcPO₂評(píng)估者。排除標(biāo)準(zhǔn)：1）燙傷、燒傷者；2）精神疾病病人；3）入院前脊髓損傷、重度腦挫裂傷、重癥肌無(wú)力等神經(jīng)和肌肉疾??；4）肢體殘疾、不穩(wěn)定性骨折或金屬假肢；5）存在偏癱或截癱者；6）在ICU住院期間死亡者；7）合并皮膚病，如系統(tǒng)性紅斑狼瘡、銀屑病等。

1.2 資料收集

1.2.1 一般資料

1）人口學(xué)特征：年齡、體重指數(shù)（BMI）、性別、基礎(chǔ)疾??；2）入院時(shí)指標(biāo)：生命體征、急性生理和慢性健康評(píng)分?Ⅱ（APACHE?Ⅱ評(píng)分）、Braden量表評(píng)分、TcPO₂、肢體肌力、白細(xì)胞計(jì)數(shù)、血小板計(jì)數(shù)、凝血酶原時(shí)間、纖維蛋白原、白蛋白；3）治療措施：是否機(jī)械通氣、是否手術(shù)、是否用血管活性藥物等。

1.2.2 肢體肌力

通過(guò)肌力6級(jí)記錄法測(cè)評(píng)病人的肢體伸縮能力，再反方向給予阻力，測(cè)試病人對(duì)阻力的克服力。根據(jù)測(cè)試情況將肢體肌力劃分0～5級(jí)，等級(jí)越高表示肢體肌力越強(qiáng)^[4]。評(píng)估完成后，選擇病人上下肢體肌力等級(jí)平均數(shù)的整數(shù)為病人的肌力。

1.2.3 TcPO₂測(cè)量

病人入住ICU 2 h內(nèi)，采用經(jīng)皮氧分壓監(jiān)測(cè)儀（丹麥雷度公司生產(chǎn)，型號(hào)：TcM4 Series）測(cè)量TcPO₂。操作方法：1）病人臥于醫(yī)用氣墊床上，取左側(cè)臥位，雙手放于身體兩側(cè)，雙腿自然伸直；2）暴露骶尾部皮膚，乙醇消毒擦拭；3）取出定環(huán)貼于病人臀溝上1橫指與脊柱中點(diǎn)連線的交叉處，取出電極嵌入定環(huán)貼固定，調(diào)整電極并保持導(dǎo)線松弛，監(jiān)測(cè)儀測(cè)得數(shù)值，穩(wěn)定10 min后記錄3次數(shù)據(jù)，取平均值為測(cè)量結(jié)果。

1.2.4 壓力性損傷

參照《2019年版國(guó)際《壓力性損傷的預(yù)防與治療：臨床實(shí)踐指南》^[5]中的壓力性損傷判別標(biāo)準(zhǔn)判別是否發(fā)生壓力性損傷。

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 22.0軟件進(jìn)行分析，符合正態(tài)分布的定量資料以均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，比較采用t檢驗(yàn)；定性資料以例數(shù)、百分比（%）表示，比較采用χ²檢驗(yàn)；以P<0.05表示差異有統(tǒng)計(jì)學(xué)意義。通過(guò)多因素Logistic回歸分析篩選出ICU病人發(fā)生壓力性損傷的影響因素，采用R4.0.3軟件將各影響因素進(jìn)行可視化獲得列線圖；運(yùn)行Random Forest包實(shí)現(xiàn)隨機(jī)森林算法建立隨機(jī)森林模型，模型構(gòu)建過(guò)程中主要包含2個(gè)重要的模型參數(shù)，分別是決策樹(shù)的數(shù)量（ntree）和數(shù)的最大深度（mtry），采用網(wǎng)格搜索方式對(duì)ntree、mtry參數(shù)進(jìn)行參數(shù)調(diào)優(yōu)，通過(guò)袋外誤差率評(píng)估變量重要性以解釋隨機(jī)森林模型。引入測(cè)試集驗(yàn)證模型，采用受試者工作特征（ROC）曲線分析2種模型的預(yù)測(cè)效能。

2? 結(jié)果

2.1 訓(xùn)練集ICU病人的資料特征與壓力性損傷影響因素的單因素分析

訓(xùn)練集299例病人在ICU治療期間有71例發(fā)生壓力性損傷（壓力性損傷組），發(fā)生率為23.75%，228例未發(fā)生壓力性損傷（非壓力性損傷組）。壓力性損傷組與非壓力性損傷組在合并糖尿病比例、APACHE?Ⅱ評(píng)分、Braden評(píng)分、TcPO₂、肢體肌力、機(jī)械通氣比例、使用血管活性藥比例方面比較，差異均有統(tǒng)計(jì)學(xué)意義（P<0.05），見(jiàn)表1。

2.2 訓(xùn)練集ICU病人發(fā)生壓力性損傷影響因素的多因素分析

以ICU病人是否發(fā)生壓力性損傷（否=0，是=1）作為因變量。將單因素分析中差異有統(tǒng)計(jì)學(xué)意義的項(xiàng)目作為自變量，對(duì)分類資料賦值（糖尿?。簾o(wú)=0，是=1；機(jī)械通氣：否=0，是=1；使用血管活性藥：否=0，是=1），定量資料原值代入。多因素Logistic回歸分析顯示，合并糖尿病、APACHE?Ⅱ評(píng)分、Braden評(píng)分、TcPO₂、肢體肌力、機(jī)械通氣、使用血管活性藥是ICU病人發(fā)生壓力性損傷的影響因素（P<0.05）。見(jiàn)表2。

2.3 ICU病人發(fā)生壓力性損傷風(fēng)險(xiǎn)的預(yù)測(cè)模型

2.3.1 Logistic回歸模型

基于多因素Logistic回歸分析結(jié)果的回歸系數(shù)與常數(shù)項(xiàng)構(gòu)建模型：Logit（P）=-5.875+0.406×糖尿?。ㄓ校?0.784×APACHE?Ⅱ評(píng)分-0.312×Braden評(píng)分-0.597×TcPO₂-0.658×肢體肌力+0.951×機(jī)械通氣+0.599×使用血管活性藥。利用R軟件繪制列線圖將Logistic回歸模型可視化，以圖形表達(dá)的每個(gè)指標(biāo)數(shù)值對(duì)應(yīng)得分相加得到總分，將總分轉(zhuǎn)化為風(fēng)險(xiǎn)的預(yù)測(cè)概率，見(jiàn)圖1。

2.3.2 隨機(jī)森林模型

將多因素回歸分析篩選的風(fēng)險(xiǎn)因素作為特征輸入隨機(jī)森林模型，利用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型。在訓(xùn)練模型之前，采用網(wǎng)格搜索方式對(duì)隨機(jī)森林模型的ntree、mtry參數(shù)進(jìn)行參數(shù)調(diào)優(yōu)，經(jīng)驗(yàn)證，參數(shù)mtry為3、ntree為500時(shí)，袋外數(shù)據(jù)錯(cuò)誤率最低，見(jiàn)圖2。隨機(jī)森林模型結(jié)果顯示， ICU病人壓力性損傷風(fēng)險(xiǎn)的影響因素重要性排序?yàn)椋篢cPO₂>APACHE?Ⅱ評(píng)分>肢體肌力> Braden評(píng)分>機(jī)械通氣>使用血管活性藥物>合并糖尿病，見(jiàn)圖3。

2.4 ICU病人壓力性損傷風(fēng)險(xiǎn)的預(yù)測(cè)模型驗(yàn)證

將模型所得的預(yù)測(cè)變量作為測(cè)試變量，以ICU病人發(fā)生壓力性損傷與否為狀態(tài)變量進(jìn)行ROC曲線繪制。訓(xùn)練集中Logistic回歸模型ROC曲線下面積（AUC）為0.906，靈敏度為87.5%，特異度為83.9%；隨機(jī)森林模型的AUC、靈敏度和特異度均為1.000。引入測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試，結(jié)果發(fā)現(xiàn)，Logistic回歸模型的AUC為0.871[95%CI（0.745，0.932）]，靈敏度為84.5%，特異度為81.4%；隨機(jī)森林模型的AUC為0.912[95%CI（0.809，0.967）]，靈敏度為88.5%，特異度為84.2%，見(jiàn)圖4。表明隨機(jī)森林模型的預(yù)測(cè)效能高于Logistic回歸模型。

3? 討論

3.1 ICU病人壓力性損傷的發(fā)生現(xiàn)狀

壓力性損傷是重癥醫(yī)學(xué)科的常見(jiàn)并發(fā)癥。姚秀英等^[6]研究發(fā)現(xiàn)，ICU病人的壓力性損傷發(fā)生率為16.4%。一項(xiàng)薈萃分析發(fā)現(xiàn)，ICU病人壓力性損傷患病率為12.2%～24.5%^[7]。本研究結(jié)果發(fā)現(xiàn)，ICU病人治療期間壓力性損傷發(fā)生率為23.75%。壓力性損傷的發(fā)生取決于不同人群以及醫(yī)務(wù)人員對(duì)病人壓力性損傷風(fēng)險(xiǎn)因素的預(yù)防管理?；趬毫π該p傷預(yù)防大于治療的理念，為制定有效預(yù)防措施，需加強(qiáng)對(duì)ICU病人發(fā)生壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)和相關(guān)機(jī)制探討。

3.2 ICU病人壓力性損傷的影響因素

本研究結(jié)果顯示，合并糖尿病、APACHE?Ⅱ評(píng)分、Braden評(píng)分、TcPO₂、肢體肌力、機(jī)械通氣、使用血管活性藥均是ICU病人發(fā)生壓力性損傷的影響因素。究其原因：1）2019年版國(guó)際《壓力性損傷的預(yù)防與治療：臨床實(shí)踐指南》^[5]提出糖尿病所引起的灌注變化及神經(jīng)病變會(huì)影響皮膚敏感性和耐受性，需納入壓力性損傷風(fēng)險(xiǎn)中考慮。還有學(xué)者發(fā)現(xiàn)糖尿病是壓力性損傷的危險(xiǎn)因素^[8]，與本研究結(jié)果相符。伴有糖尿病的病人，體內(nèi)長(zhǎng)期糖代謝紊亂會(huì)導(dǎo)致廣泛性小血管內(nèi)皮增生、缺氧、損傷及神經(jīng)病變，影響身體排汗，改變皮膚狀態(tài)，致使皮膚受壓力、剪切力、排泄物等因素刺激時(shí)易破損，因而壓力性損傷發(fā)生風(fēng)險(xiǎn)較高。2）APACHE?Ⅱ是臨床上評(píng)估病人病情危重情況的工具，相關(guān)研究表明其評(píng)分越高，病人壓力性損傷風(fēng)險(xiǎn)越大^[9]，與本研究結(jié)果相符。病人APACHE?Ⅱ評(píng)分高時(shí)病情嚴(yán)重，突出電解質(zhì)、水分及生化參數(shù)異常程度高，而身體水分缺失或電解質(zhì)失衡會(huì)增加皮膚缺氧狀態(tài)，使皮膚受壓后出現(xiàn)損傷。3）Braden量表是臨床用于評(píng)估壓力性損傷風(fēng)險(xiǎn)的常用工具。但有研究表明，Braden量表對(duì)ICU病人壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)效能欠佳^[10]，可能是此量表多為主觀判斷，過(guò)度依賴評(píng)分者的經(jīng)驗(yàn)判斷。高娟等^[11]研究發(fā)現(xiàn)，Braden評(píng)分聯(lián)合TcPO₂指標(biāo)可提升對(duì)壓力性損傷的預(yù)測(cè)效能。TcPO₂能反映皮膚組織細(xì)胞的實(shí)際氧供應(yīng)量和微血管功能狀況。當(dāng)檢測(cè)到ICU病人TcPO₂水平較低時(shí)，預(yù)示其皮膚血管灌注差，皮膚局部組織存在缺氧，會(huì)影響代謝廢物排泄，造成皮膚微血管擴(kuò)張、水腫，導(dǎo)致皮膚無(wú)法承受長(zhǎng)時(shí)間的壓力、剪切力，因而皮膚組織潰爛和壞死等損傷的發(fā)生風(fēng)險(xiǎn)高。4）為預(yù)防ICU病人臥床期間出現(xiàn)微循環(huán)障礙，醫(yī)務(wù)人員常囑咐或幫助病人翻身、肢體伸屈活動(dòng)，從而達(dá)到促進(jìn)病人的全身血液流動(dòng)。肢體肌力作為一個(gè)體格檢查指標(biāo)，能有效反映病人的肢體活動(dòng)能力。肢體肌力強(qiáng)的病人在臥床期間能有效進(jìn)行自主肢體伸屈活動(dòng)；相反，肢體肌力弱影響其自主翻身、肢體伸屈活動(dòng)，會(huì)增加局部血液淤滯風(fēng)險(xiǎn)，使身體長(zhǎng)時(shí)間受壓導(dǎo)致血管內(nèi)氧氣、養(yǎng)料供給和代謝廢物排出受限，增加壓力性損傷發(fā)生風(fēng)險(xiǎn)。5）需機(jī)械通氣病人普遍存在氧合障礙和血液循環(huán)障礙，其中氧合障礙所導(dǎo)致的細(xì)胞攜氧能力降低，會(huì)使皮膚組織缺氧，皮膚變得干燥，增加皮膚脆性。另外，機(jī)械通氣過(guò)程中，為了預(yù)防呼吸機(jī)相關(guān)性肺炎，醫(yī)務(wù)人員通常會(huì)將病人床頭抬高30°～45°^[12]，而這種體位會(huì)極大增加病人著位點(diǎn)皮膚摩擦力及剪切力，從而增加壓力性損傷發(fā)生風(fēng)險(xiǎn)。6）由于ICU病人病情變化急驟，在翻身移動(dòng)時(shí)所致的血流動(dòng)力學(xué)改變，存在心臟驟停、休克等危險(xiǎn)情況。臨床通常會(huì)采用血管活性藥物收縮皮膚、黏膜血管，增加外圍阻力，使血壓回升，以保證重要生命器官的微循環(huán)血流供給^[13]。莊秋楓等^[14]研究發(fā)現(xiàn)，使用血管活性藥物是ICU病人發(fā)生壓力性損傷的危險(xiǎn)因素，與本研究結(jié)果相符。盡管使用血管活性藥能保障生命器官微循環(huán)血流供給，但卻會(huì)反向?qū)е峦庵芷つw的血流供給減少，易造成皮下組織缺氧，增加皮膚組織壞死風(fēng)險(xiǎn)，因而使用血管活性藥物的病人更易出現(xiàn)壓力性損傷。

3.3 ICU病人壓力性損傷風(fēng)險(xiǎn)的預(yù)測(cè)模型

目前，關(guān)于ICU病人壓力性損傷風(fēng)險(xiǎn)的預(yù)測(cè)模型多基于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法構(gòu)建^[6，15]，穩(wěn)定性較差，可能原因是傳統(tǒng)的統(tǒng)計(jì)學(xué)方法無(wú)法較好地?cái)M合高維數(shù)據(jù)點(diǎn)的分布。近年來(lái)，機(jī)器學(xué)習(xí)（如隨機(jī)森林、支持向量機(jī)、決策樹(shù)等算法）模型在預(yù)測(cè)模型的構(gòu)建中取得重大進(jìn)展，且穩(wěn)定性好^[16?17]。本研究同時(shí)構(gòu)建ICU病人壓力性損傷風(fēng)險(xiǎn)的Logistic回歸模型和隨機(jī)森林模型，經(jīng)引入測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證發(fā)現(xiàn)，Logistic回歸模型的AUC為0.871[95%CI（0.745，0.932）]，靈敏度為84.5%，特異度為81.4%；隨機(jī)森林模型的AUC為0.912[95%CI（0.809，0.967）]，靈敏度為88.5%，特異度為84.2%，證實(shí)隨機(jī)森林模型的預(yù)測(cè)效能高于Logistic回歸模型。隨機(jī)森林算法是機(jī)器學(xué)習(xí)模型中的一種經(jīng)典算法，具有處理高維數(shù)據(jù)的優(yōu)勢(shì)，引入隨機(jī)性，模型不易過(guò)度擬合，因而準(zhǔn)確度高、穩(wěn)定性強(qiáng)。在本研究中，隨機(jī)森林模型中的TcPO₂、APACHE?Ⅱ評(píng)分、肢體肌力、Braden評(píng)分、機(jī)械通氣、使用血管活性藥物、合并糖尿病7個(gè)指標(biāo)均為重癥醫(yī)學(xué)科需要注意的重要指標(biāo)，醫(yī)務(wù)人員可根據(jù)這些指標(biāo)預(yù)測(cè)ICU病人的壓力性損傷發(fā)生風(fēng)險(xiǎn)。

4? 小結(jié)

ICU病人的壓力性損傷發(fā)生風(fēng)險(xiǎn)與TcPO₂、APACHE?Ⅱ評(píng)分、肢體肌力、Braden評(píng)分、機(jī)械通氣、使用血管活性藥物、合并糖尿病有關(guān)?；陔S機(jī)森林算法構(gòu)建預(yù)測(cè)模型，可對(duì)ICU病人的壓力性損傷風(fēng)險(xiǎn)進(jìn)行更精準(zhǔn)的預(yù)測(cè)。但本研究設(shè)計(jì)為回顧性的單中心研究，樣本來(lái)源單一，可能存在一定的選擇性偏倚和信息偏倚，加之醫(yī)學(xué)大數(shù)據(jù)的復(fù)雜性和個(gè)體差異，今后仍需進(jìn)一步探究。

參考文獻(xiàn)：

[1]? DEMARR? L，VERHAEGHE S，ANNEMANS L，et al.The cost of pressure ulcer prevention and treatment in hospitals and nursing homes in Flanders：a cost-of-illness study[J].International Journal of Nursing Studies，2015，52（7）：1166-1179.

[2]? LEENSTRA B，WIJNAND J，VERHOEVEN B，et al.Applicability of transcutaneous oxygen tension measurement in the assessment of chronic limb-threatening ischemia[J].Angiology，2020，71（3）：208-216.

[3]? 王愛(ài)鵬，柳瑩，高春平，等.經(jīng)皮氧分壓及二氧化碳分壓在ICU壓力性損傷風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].中華急危重癥護(hù)理雜志，2021，2（1）：74-78.

WANG A P，LIU Y，GAO C P，et al.Application of transcutaneous oxygen pressure and carbon dioxide pressure in the risk assessment of pressure injury in ICU patients[J].Chinese Journal of Emergency and Critical Care Nursing，2021，2（1）：74-78.

[4]? LI Z B，WANG M R，ZHANG L W，et al.Neuronavigation-guided corticospinal tract mapping in brainstem tumor surgery：better preservation of motor function[J].World Neurosurgery，2018，116：e291-e297.

[5]? 顧夢(mèng)倩，趙燕燕，陳圣枝，等.2019年版國(guó)際《壓力性損傷的預(yù)防與治療：臨床實(shí)踐指南》解讀[J].河北醫(yī)科大學(xué)學(xué)報(bào)，2021，42（5）：497-500.

GU M Q，ZHAO Y Y，CHEN S Z，et al.Interpretation of the 2019 edition of "International Prevention and Treatment of Stress Injury：a Guide to Clinical Practice"[J].Journal of Hebei Medical University，2021，42（5）：497-500.

[6]? 姚秀英，耿麗，張理想，等.ICU患者壓力性損傷預(yù)測(cè)風(fēng)險(xiǎn)列線圖模型的建立[J].護(hù)理學(xué)報(bào)，2019，26（11）：55-59.

YAO X Y，GENG L，ZHANG L X，et al.Establishment of Nomogram model for prediction of pressure injury risk in ICU patients[J].Journal of Nursing （China），2019，26（11）：55-59.

[7]? CHABOYER W P，THALIB L，HARBECK E L，et al.Incidence and prevalence of pressure injuries in adult intensive care patients：a systematic review and meta-analysis[J].Critical Care Medicine，2018，46（11）：e1074-e1081.

[8]? 宋文靜，管曉萍，李蓉，等.成人開(kāi)顱手術(shù)壓瘡的風(fēng)險(xiǎn)因素研究[J].中國(guó)全科醫(yī)學(xué)，2015，18（11）：1270-1273;1279.

SONG W J，GUAN X P，LI R，et al.Risk factors for pressure ulcers in adult patients undergoing craniotomy[J].Chinese General Practice，2015，18（11）：1270-1273;1279.

[9]? 韓妹，符楊，張春雨.老年重癥患者壓力性損傷風(fēng)險(xiǎn)模型構(gòu)建[J].中國(guó)老年學(xué)雜志，2022，42（13）：3234-3237.

HAN M，F(xiàn)U Y，ZHANG C Y.Construction of risk model of stress injury in elderly patients with severe illness[J].Chinese Journal of Gerontology，2022，42（13）：3234-3237.

[10]? 馬妍，張玉勤，張春琰.早期預(yù)警評(píng)分聯(lián)合Braden評(píng)分對(duì)急診老年危重癥病人預(yù)后的評(píng)估效果[J].實(shí)用老年醫(yī)學(xué)，2022，36（5）：483-486.

MA Y，ZHANG Y Q，ZHANG C Y.Predictive value of Modified Early Warning Score combined with Braden score for the prognosis of emergency elderly critically ill patients[J].Practical Geriatrics，2022，36（5）：483-486.

[11]? 高娟，羅嫚麗，梁美景，等.重癥監(jiān)護(hù)室患者壓力性損傷的危險(xiǎn)因素及Braden評(píng)分和經(jīng)皮氧分壓的預(yù)測(cè)價(jià)值分析[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2022，22（16）：3163-3167.

GAO J，LUO M L，LIANG M J，et al.Risk factors for pressure injury in intensive care unit patients and the predictive value analysis of Braden score and transcutaneous oxygen pressure[J].Progress in Modern Biomedicine，2022，22（16）：3163-3167.

[12]? 徐萍，唐冰，翟懷香，等.床頭抬高角度對(duì)機(jī)械通氣重癥患者呼吸機(jī)相關(guān)性肺炎及壓瘡影響的Meta分析[J].中華現(xiàn)代護(hù)理雜志，2017，23（23）：3002-3006.

XU P，TANG B，ZHAI H X，et al.Effects of bedside elevation angle on ventilator-associated pneumonia and pressure sores in critically ill patients with mechanical ventilation：a Meta analysis[J].Chinese Journal of Modern Nursing，2017，23（23）：3002-3006.

[13]? CHOI B K，KIM M S，KIM S H.Risk prediction models for the development of oral-mucosal pressure injuries in intubated patients in intensive care units：a prospective observational study[J].Journal of Tissue Viability，2020，29（4）：252-257.

[14]? 莊秋楓，肖世極，周秀花，等.重癥監(jiān)護(hù)病房患者院內(nèi)獲得壓力性損傷的危險(xiǎn)因素分析[J].護(hù)理學(xué)雜志，2021，36（3）：53-56.

ZHUANG Q F，XIAO S J，ZHOU X H，et al.Pressure injury risk factors in critical care patients[J].Journal of Nursing Science，2021，36（3）：53-56.

[15]? 祁進(jìn)芳，董正惠，李陽(yáng)，等.ICU患者頭面部器械相關(guān)性壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建[J].護(hù)理學(xué)報(bào)，2022，29（19）：11-15.

QI J F，DONG Z H，LI Y，et al.Construction of risk prediction model of craniofacial medical device-related pressure injury in ICU patients[J].Journal of Nursing （China），2022，29（19）：11-15.

[16]? SULTAN A S，ELGHARIB M A，TAVARES T，et al.The use of artificial intelligence，machine learning and deep learning in oncologic histopathology[J].Journal of Oral Pathology & Medicine，2020，49（9）：849-856.

[17]? LU H X，YAO Y D，WANG L，et al.Research progress of machine learning and deep learning in intelligent diagnosis of the coronary atherosclerotic heart disease[J].Computational and Mathematical Methods in Medicine，2022，2022：3016532.

（收稿日期：2023-03-27；修回日期：2024-04-03）

（本文編輯 崔曉芳）