Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study
本研究开发并验证了一种利用护理评估数据进行随机森林分类器的方法，旨在自动将成年住院患者分配至五种具有临床解释性的风险特征谱，并证明了该方法在独立队列中具有充分的性能表现且保留了聚合临床结构。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
医院是人类疾病复杂性往往隐藏在简单标签背后的地方。患者带着诊断结果到来，但仅仅一个医学术语很难完整描述其需求的全貌。两个可能患有同一种疾病的人，其中一人可能强壮到可以独立行走和进食，而另一人则可能虚弱、神志不清，且面临极高的跌倒或产生褥疮的风险。几十年来，医院记录过度关注医学诊断和行政代码，这些对于计费和追踪疾病很有用，却往往忽略了患者身体状况和安全需求的日常现实。然而，护士接受的训练正是为了观察这一缺失的图景。每天，她们都会评估患者移动能力的强弱、滑倒的可能性，以及皮肤是否面临破损风险。这些观察构成了一幅关于患者脆弱性的丰富且详细的地图，而标准的医疗记录往往会忽略这一点。
挑战一直在于如何将这些详细的人类观察转化为一个系统，从而帮助医生和护士为成千上万的患者做出更快、更好的决策。如果一名护士能发现一名患者的风险模式，计算机能否学会识别下一位患者的相同模式？西班牙的一个研究小组正是为了回答这个问题而展开工作的。他们想看看是否可以利用护士在患者入院时记录的特定、结构化的笔记，将患者进行清晰的风险分类。他们的目标不仅是分类患者，而是建立一个数字工具，能够根据简短、常规的护理检查，自动将新患者分配到正确的风险组中，确保最脆弱的人能够得到及时的关注。
研究人员利用了西班牙一家医院的数据，研究了数千次住院记录。他们首先收集了来自2600多名患者的大量记录。对于每一位患者，他们都可以获取入院时进行的完整、详细的护理评估。这些评估包括患者执行日常任务（如进食和行走）的能力评分、发生压疮的可能性以及跌倒风险。此外，还包括患者的年龄、性别以及衡量其共病数量的分数。通过使用一种在没有预设指令的情况下寻找隐藏模式的计算机方法，研究团队让数据“自己说话”。他们要求计算机根据这些综合因素寻找患者之间的自然分组。
计算机发现了五个符合人类专家逻辑的截然不同的组别或特征谱。第一组由较年轻且非常健康、独立的患者组成，几乎没有跌倒或产生褥疮的风险。第二组在身体独立性方面与第一组相似，但由患有更多慢性疾病的老年患者组成。第三组代表了有中度困难的患者；他们仍能独立完成一些事情，但显然感到吃力。第四组包括在护理方面高度依赖他人并面临高风险的患者。最后，第五组是最脆弱的群体：高龄且患有多种健康问题的患者，他们在行动上完全依赖他人，且面临最高的跌倒和皮肤损伤风险。这五个类别创建了一个清晰的风险阶梯，从需要很少帮助的人过渡到需要持续、密集护理的人。
一旦确立了这五个组别，研究人员面临着一项新任务。他们需要一种方法，无需每次都进行完整、耗时的详细评估，就能将新患者分配到这些组别中。他们转向了一个名为VALENF的更短的工具，这是一个护士经常使用的七项清单。该清单通过简单的提问来估算与更长、更详细测试相同的风险。团队训练了一个计算机程序，通过分析这七个问题的答案来预测患者属于哪五个风险组中的哪一个。他们测试了多种不同类型的计算机学习算法，试图找到一种既准确，又至关重要地能实现“安全误差”的算法。
在风险评估的世界里，错误有两种形式：计算机可能认为患者是安全的，而实际上患者处于风险之中；或者它可能认为患者有风险，而实际上患者是安全的。研究人员发现，一种被称为“随机森林”的特定算法是最佳选择。虽然另一种方法在整体准确率上略高，但随机森林在谨慎性方面表现更好。如果存在疑问，它更有可能将患者分配到较高的风险组，而不是误将脆弱的人归入低风险类别。这种“安全第一”的方法在医院环境中至关重要，因为遗漏风险可能会导致严重后果。所选的计算机模型在测试期间能以约82%的准确率将患者正确分配到其风险组，研究人员认为这一性能水平足以推进研究。
为了验证该系统在现实世界中的效果，团队在完全不同的患者集上进行了测试，涉及数年后记录的8000多次住院情况。他们没有对计算机程序做任何修改，只是将新数据输入其中，观察结果。结果令人鼓舞。系统成功地将新患者分入了五个风险组，且整体风险模式保持一致。高风险组的患者确实比低风险组的患者年龄更大、健康问题更多且行动能力较弱。计算机的分配结果在绝大多数情况下都符合患者病情的临床现实。
然而，研究也揭示了一些重要的细微差别。该系统在处理中等风险和高风险类别的患者时表现最好。对于两组普遍健康的患者，计算机有时会在“低风险”和“伴有健康问题的低风险”类别之间进行切换。这是因为新一批患者比计算机最初训练时的群体年龄稍大，且患有的慢性疾病稍多。虽然计算机在处理复杂的、高风险病例时表现出了极大的稳定性，但健康人群中的这些微妙差异表明，该系统对患者构成的变化是敏感的。研究人员指出，虽然该工具在技术上是完善的且符合临床逻辑，但它尚未成为一个准备好投入到每家医院使用的成熟产品。
研究结论认为，通过常规护理数据，将患者健康的复杂、多维图景转化为简单的、自动化的风险概况是可行的。所识别出的五个组别提供了一种理解患者脆弱性的清晰、有序的方式，超越了简单的医学诊断，捕捉到了日常功能与安全的现实。用于分配这些特征谱的计算机工具运行良好，尤其是在识别那些需要最多照顾的人群方面。然而，研究人员谨慎地表示，这只是一个起点，而非最终解决方案。在这样的系统被用于辅助医院做出患者护理决策之前，它需要在许多不同的医院进行测试，并进行长期观察，以确保它能改善治疗结果，而不是产生新的问题。这项工作证明了这种方法的可行性，也证明了数据的存在，但从一次成功的计算机实验到成为日常护理中值得信赖的一部分，仍需进一步的论证和周密的规划。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。