Wczesne przewidywanie ryzyka odleżyn u pacjentów hospitalizowanych przy użyciu nadzorowanych modeli uczenia maszynowego opartych na zapisach pielęgniarskich

Dlaczego odleżyny wciąż mają znaczenie we współczesnych szpitalach

Urazy uciskowe — często nazywane odleżynami — mogą brzmieć jak problem z przeszłości, jednak wciąż są poważnym i kosztownym powikłaniem opieki szpitalnej. Mogą rozwijać się szybko u osób ciężko chorych lub mających trudności z poruszaniem się, powodując ból, infekcję i wydłużenie hospitalizacji. W niniejszym badaniu sprawdzono, czy informacje, które pielęgniarki już zbierają w pierwszych godzinach po przyjęciu, można połączyć z nowoczesnymi technikami komputerowymi, aby wykryć pacjentów najbardziej narażonych na te urazy, tak aby personel mógł zainterweniować, zanim wystąpią poważne szkody.

Ukryte zagrożenia wynikające z długiego leżenia

Uraz uciskowy powstaje, gdy skóra i głębsze tkanki są zbyt długo ściskane między łóżkiem lub krzesłem a leżącymi pod nimi kośćmi. Ponad jedna na dziesięć hospitalizowanych dorosłych osób rozwija te rany, zwłaszcza pacjenci oddziałów intensywnej terapii lub ratunkowych, którzy nie mogą swobodnie się poruszać. Poza bólem i ryzykiem infekcji, odleżyny niosą ze sobą duże obciążenie finansowe — liczone w dziesiątkach miliardów dolarów rocznie tylko w Stanach Zjednoczonych. Tradycyjne listy kontrolne, takie jak szeroko stosowana skala Bradena, pomagają pielęgniarkom ocenić ryzyko, ale mogą przeoczyć osoby, których niebezpieczeństwo nie jest oczywiste, na przykład pacjentów z nietrzymaniem moczu, otyłością czy złożonymi problemami medycznymi.

Wykorzystanie rutynowych notatek pielęgniarskich jako sygnałów wczesnego ostrzegania

Badacze zapytali, czy można przewidzieć wystąpienie odleżyn, używając jedynie podstawowych informacji, które pielęgniarki rutynowo gromadzą w ciągu pierwszych ośmiu godzin pobytu pacjenta w szpitalu. W dużym szpitalu publicznym w Santiago w Chile zebrano dane od 446 pacjentów z różnych oddziałów, od izby przyjęć i chirurgii po oddziały intensywnej terapii. Pielęgniarki zapisywały proste informacje, takie jak wiek, wzrost, masa ciała, na jaki oddział przyjęto pacjenta, jak bardzo był zależny od pomocy innych, czy miał problemy z nietrzymaniem, oraz czy stosowano specjalne materace, zmiany pozycji lub środki unieruchamiające. Wszelkie rany obecne już przy przyjęciu zostały starannie odseparowane od tych, które pojawiły się później, dlatego badanie koncentrowało się wyłącznie na urazach rozwiniętych w trakcie hospitalizacji.

Nauczanie komputerów rozpoznawania pacjentów wysokiego ryzyka

Na podstawie tych zapisów zespół zbudował kilka nadzorowanych modeli uczenia maszynowego — programów komputerowych, które uczą się wzorców na podstawie przykładów. Przetestowano pięć różnych podejść, w tym drzewa decyzyjne, regresję logistyczną, maszyny wektorów nośnych, ekstremalne wzmacnianie gradientowe oraz popularną metodę Random Forest, która łączy wiele prostych drzew decyzyjnych w silniejszego predyktora. Przed trenowaniem modeli dane pielęgniarskie zostały oczyszczone i uporządkowane, brakujące wartości uzupełniono przy użyciu uznanych metod statystycznych, a spośród cech wybrano 13 najbardziej informatywnych. Dane były następnie wielokrotnie dzielone na zbiory treningowe i testowe, aby ocenić, jak dobrze każdy model potrafi rozróżnić pacjentów, u których rozwinęła się odleżyna, od tych, u których się nie rozwinęła.

Kto jest najbardziej narażony, według danych

Około 19% pacjentów w badaniu rozwinęło odleżynę nabyte w szpitalu. Analiza wykazała, że niektóre wczesne obserwacje pielęgniarskie miały szczególne znaczenie. Wyższe ogólne oceny ryzyka, większa masa ciała i wzrost, wysoki stopień zależności od opieki pielęgniarskiej oraz przyjęcie na niektóre oddziały, takie jak oddziały internistyczno-chirurgiczne dla dorosłych i intensywnej terapii, wiązały się z większą liczbą urazów. Obecność nietrzymania — zwłaszcza kałowego lub mieszanego — środki unieruchamiające oraz wcześniejsze stosowanie specjalnych materacy przeciwodleżynowych także sygnalizowały wyższe ryzyko. Spośród testowanych modeli komputerowych metoda Random Forest wypadła najlepiej: poprawnie rozdzielała pacjentów wysokiego i niskiego ryzyka w ponad czterech przypadkach na pięć i osiągała bardzo wysoką precyzję, co oznacza, że gdy oznaczała pacjenta jako wysokiego ryzyka, zwykle miała rację.

Od wyników komputerowych do lepszej opieki przy łóżku pacjenta

Aby uczynić system praktycznym na zatłoczonych oddziałach, badacze dostosowali go tak, by faworyzował precyzję zamiast wykrywać każdą możliwą przypadek. Zmniejsza to liczbę fałszywych alarmów, dzięki czemu pielęgniarki mogą skoncentrować zasoby zapobiegawcze — takie jak częste zmiany pozycji, staranne kontrole skóry i specjalne materace — na pacjentach, którzy najprawdopodobniej na tym skorzystają. Choć oznacza to, że część pacjentów zagrożonych może nie zostać wykryta, autorzy argumentują, że wiarygodne alerty są bardziej prawdopodobne do zaakceptowania i stosowania w codziennej praktyce. Podkreślają, że model ma wspierać, a nie zastępować, osąd kliniczny.

Co to oznacza dla pacjentów i szpitali

Mówiąc wprost, badanie pokazuje, że szpitale mogłyby wykorzystać informacje, które już zbierają w pierwszych godzinach po przyjęciu, aby zasilić cyfrowy „system wczesnego ostrzegania” przed odleżynami. Mając zaledwie 13 podstawowych obserwacji pielęgniarskich i dobrze wytrenowany model komputerowy, personel może zidentyfikować niewielką grupę pacjentów, którzy bardzo prawdopodobnie rozwiną odleżyny, i interweniować zanim wystąpi poważne uszkodzenie. Choć narzędzie wymaga jeszcze przetestowania w innych szpitalach i systemach opieki zdrowotnej, oferuje obiecujący sposób przekształcenia rutynowych notatek przy łóżku pacjenta w inteligentniejszą, bardziej terminową ochronę dla niektórych z najbardziej podatnych pacjentów.

Cytowanie: 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

Słowa kluczowe: odleżyny, zapobieganie odleżynom, zapisy pielęgniarskie, uczenie maszynowe w szpitalach, przewidywanie ryzyka pacjenta