חיזוי מוקדם של סיכון לפציעות לחץ בחולים מאושפזים באמצעות מודלי למידת מכונה מפוקחת המבוססים על תיעוד סיעודי

מדוע פצעי לחץ עדיין חשובים בבתי חולים מודרניים

פציעות לחץ — שלעיתים נקראות גם פצעי לחץ או פצעי שכב — נשמעות אולי כבעיה ותיקה, אך הן נשארות סיבוך חמור ויקר בטיפול בבית החולים. הן עלולות להתפתח במהירות בקרב חולים קשים או שאינם יכולים לנוע בחופשיות, ולגרום לכאב, זיהום ולהארכת אשפוז. המחקר בוחן האם מידע שנאסף כבר על ידי אחיות בשעות הראשונות אחרי הקבלה ניתן לשלב עם שיטות חישוב מודרניות כדי לזהות אילו מטופלים צפויים לפתח את הפציעות הללו, וכך לאפשר לצוות להתערב לפני שנגרם נזק.

סכנות חבויות משהייה ללא תנועה

פציעת לחץ נוצרת כאשר העור והרקמות העמוקות נלחצות בין המיטה או הכיסא לעצמות שמתחתם למשך זמן ממושך. יותר מאחד מעשרה מבוגרים מאושפזים מפתחים פצעים כאלה, במיוחד אלה ביחידות טיפול נמרץ או במיון שאינם יכולים לנוע בחופשיות. מעבר לכאב ולסיכון לזיהום, לפציעות אלה יש משקל כלכלי כבד — עלויות במיליוני ויותר בשנה, ואף בעשרות מיליארדי דולרים רק בארצות הברית. מערכים מסורתיים, כמו סקלת בריידן הנפוצה, עוזרים לאחיות להעריך סיכון, אך יכולים לפספס מטופלים שעבורם הסיכון אינו גלוי, למשל אלה עם אי-שליטה בסוגרים, השמנת יתר או בעיות רפואיות מורכבות.

שימוש ברישומים סיעודיים שגרתיים כאיתותי אזהרה מוקדמים

החוקרים בדקו האם ניתן לחזות פציעות לחץ באמצעות המידע הבסיסי שאחיות בדרך כלל אוספות בתוך השעות הראשונות של האשפוז. בבית חולים ציבורי גדול בסנטיאגו, צ'ילה, אספו נתונים מ-446 מטופלים במחלקות שונות, מהמיון והניתוחים ועד לטיפול נמרץ. האחיות תיעדו פרטים פשוטים כגון גיל, גובה, משקל, באיזו מחלקה התקבלה החולה, עד כמה הייתה תלויה בעזרה לטיפול, האם הייתה אי-שליטה בסוגרים, והאם נעשה שימוש במזרנים מיוחדים, בהחלפות תנוחה או באזיקים פיזיים. פצעים שהיו כבר עם ההגעה הופרדו בקפידה מאלו שהופיעו לאחר מכן, כך שהמחקר התמקד רק בפציעות שהתפתחו במהלך האשפוז.

לימוד מחשבים לזהות מטופלים בסיכון גבוה

מהרשומות הללו בנו הצוות מספר מודלים של למידת מכונה מפוקחת — תוכניות מחשב שלומדות דפוסים מתוך דוגמאות. הם בחנו חמש גישות שונות, כולל עצי החלטה, רגרסיה לוגיסטית, מכונות וקטור תומך, חיזוק גרדיאנטי קיצוני ושיטה נפוצה בשם Random Forest, שמחברת עצי החלטה פשוטים רבים יחד למנבא חזק יותר. לפני אימון המודלים ניקו וארגנו את התיעוד הסיעודי הגולמי, מילאו ערכים חסרים בשיטות סטטיסטיות מקובלות ובחרו 13 מאפיינים המידעיים ביותר. לאחר מכן חילקו שוב ושוב את הנתונים לקבוצות אימון ובדיקה כדי להעריך עד כמה כל מודל מצליח להבחין בין מטופלים שפיתחו לפניהם פציעת לחץ לבין אלו שלא.

מי בסיכון הרב ביותר, לפי הנתונים

כ-19% מהמטופלים במחקר פיתחו פציעת לחץ שנרכשה בבית החולים. הניתוח הראה שכמה תצפיות סיעודיות מוקדמות נשאו משקל מיוחד. ציוני סיכון גבוהים יותר, משקל וגובה גדולים יותר, תלות גבוהה בטיפול סיעודי וקבלה למחלקות מסוימות — כגון מחלקות רפואיות-כירורגיות למבוגרים ויחידות טיפול נמרץ — היו מקושרים לתדירות גבוהה יותר של פציעות. נוכחות אי-שליטה בסוגרים — במיוחד אי-שליטה צואתית או מעורבת — אזיקים פיזיים ושימוש מוקדם במזרני נגד-לחץ גם הם איתותים לסיכון גבוה יותר. מבין המודלים שנבדקו, שיטת Random Forest הצטיינה: היא הפרידה נכון בין מטופלים בסיכון גבוה ונמוך יותר ביותר ממחצית המקרים ואף יותר מארבע מתוך חמש, והגיעה לדיוק גבוה מאוד — כלומר כשהודיעה שמטופל הוא בסיכון גבוה, בד"כ זה היה נכון.

מציוני מחשב לטיפול מיטבי ליד המיטה

כדי להפוך את המערכת לשימושית במחלקות עמוסות, חוקרים התאימו אותה להעדיף דיוק על פני תפיסת כל מקרה אפשרי. זה מקטין את מספר האזעקות השגויות, כך שאחיות יכולות למקד את אמצעי המניעה — כמו שינויי תנוחה תכופים, בדיקות עור קפדניות ומזרנים מיוחדים — באותם מטופלים שסביר שייהנו מהמניעה. אמנם משמעות הדבר היא שחלק מהמטופלים בסיכון עשויים לא להתגלות, אך המחברים טוענים שאזהרות מהימנות יותר צפויות להיות מהימנות ונוצלות בשגרה הקלינית. הם מדגישים שהמודל נועד לתמוך, לא להחליף, את השיפוט הרפואי.

מה המשמעות עבור מטופלים ובתי חולים

במילים פשוטות, המחקר מראה שבתי חולים יכולים להשתמש במידע שהם כבר אוספים בשעות הראשונות לאחר הקבלה כדי להניע "מערכת אזהרה מוקדמת" דיגיטלית לפצעי לחץ. בעזרת רק 13 תצפיות סיעודיות בסיסיות ומודל מחשב מאומן היטב, הצוות יכול לזהות קבוצה קטנה של מטופלים שסביר מאוד שיפתחו פציעות לחץ ולפעול לפני שייווצר נזק חמור. על אף שהכלי עדיין זקוק לניסויים בבתי חולים ובמערכות בריאות אחרות, הוא מציע דרך מבטיחה להפוך רישומים שגרתיים ליד המיטה להגנה חכמה ומוצלחת יותר עבור חלק מהמטופלים הפגיעים ביותר.

ציטוט: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

מילות מפתח: פציעות לחץ, מניעת פצעי לחץ, תיעוד סיעודי, למידת מכונה בבתי חולים, חיזוי סיכון לחולה