Ранняя предсказательная оценка риска пролежней у госпитализированных пациентов с использованием контролируемых моделей машинного обучения на основе сестринских записей

Почему пролежни всё ещё актуальны в современных больницах

Пролежни — часто называемые «pressure injuries» или язвами от давления — могут звучать как пережиток прошлого, но остаются серьёзным и дорогостоящим осложнением медицинской помощи в стационаре. Они могут развиваться быстро у тяжело больных пациентов или тех, кто не может свободно двигаться, вызывая боль, инфекции и удлинение времени пребывания в больнице. В этом исследовании изучается, можно ли связать информацию, которую медсёстры уже собирают в первые часы после поступления, с современными компьютерными методами, чтобы выявлять пациентов с повышенным риском развития пролежней и вмешиваться до появления значительного повреждения.

Скрытая опасность неподвижности

Пролежень образуется, когда кожа и более глубокие ткани сдавливаются между кроватью или креслом и лежащей под ними костью слишком долго. Более чем у одного из десяти госпитализированных взрослых развиваются такие раны, особенно у пациентов в отделениях интенсивной терапии или неотложной помощи, которые не могут свободно двигаться. Помимо боли и риска инфекции, эти поражения наносят и серьёзный финансовый урон — в США годовые затраты исчисляются десятками миллиардов долларов. Традиционные чек-листы, такие как широко используемая шкала Брейдена, помогают медсёстрам оценивать риск, но они могут пропускать людей, чья опасность не очевидна, например при недержании, ожирении или при сложной сопутствующей патологии.

Использование рутинных сестринских записей как ранних сигнальных показателей

Авторы исследования проверили, возможно ли предсказать развитие пролежней, используя только базовую информацию, которую медсёстры обычно фиксируют в первые восемь часов пребывания пациента в стационаре. В большой государственной больнице в Сантьяго (Чили) они собрали данные 446 пациентов из различных отделений — от неотложки и хирургии до реанимации. Медсёстры записывали простые сведения: возраст, рост, вес, отделение, в которое поступил пациент, степень зависимости от посторонней помощи, наличие недержания, а также использовались ли специальные матрацы, смена позы или физические ограничения. Любые раны, уже имевшиеся при поступлении, были тщательно отделены от тех, что возникли позже, поэтому в исследование вошли только пролежни, развившиеся в условиях госпиталя.

Обучение компьютеров распознавать пациентов с высоким риском

На основе этих записей команда разработала несколько «контролируемых» моделей машинного обучения — программ, которые учатся находить закономерности по примерам. Они протестировали пять подходов: деревья решений, логистическую регрессию, опорные векторы (SVM), метод экстремального градиентного бустинга и популярный алгоритм Random Forest, который объединяет множество простых деревьев решений в более сильный предиктор. Перед обучением модели очистили и упорядочили исходные сестринские записи, заполнили пропущенные значения общепринятыми статистическими методами и выбрали 13 наиболее информативных признаков. Затем данные многократно делили на тренировочные и тестовые наборы, чтобы оценить, насколько каждая модель умеет различать пациентов, у которых развивался пролежень, и тех, у кого нет.

Кто по данным подвержен наибольшему риску

Примерно 19% пациентов в исследовании развили пролежни, приобретённые в стационаре. Анализ показал, что некоторые ранние сестринские наблюдения имели особую значимость. Более высокие суммарные оценки риска, больший вес и рост, высокая зависимость от ухода и поступление в определённые отделения — например, взрослые хирургико-терапевтические и реанимационные — были связаны с увеличением числа пролежней. Наличие недержания — особенно калового или смешанного — применение физических ограничителей и ранее использованные специальные противопролежневые матрацы также указывали на повышенный риск. Среди протестированных моделей лучше всех показал себя Random Forest: он корректно разделял пациентов на группы высокого и низкого риска в более чем четырёх из пяти случаев и достигал очень высокой точности, то есть когда модель помечала пациента как высокого риска, это обычно было верно.

От компьютерных оценок к лучшему уходу у постели больного

Чтобы система была практична в загруженных отделениях, исследователи настроили её так, чтобы отдавать предпочтение точности над полной чувствительностью. Это сокращает число ложных тревог, позволяя медсёстрам сосредоточить профилактические ресурсы — частую смену положения, тщательные осмотры кожи и специальные матрацы — на тех пациентах, кто наиболее вероятно получит пользу. Хотя это означает, что часть находящихся в риске пациентов может не быть отмечена, авторы утверждают, что надёжные предупреждения с большей вероятностью будут приняты и использованы в повседневной практике. Они подчёркивают, что модель должна поддерживать, а не заменять клиническое суждение.

Что это означает для пациентов и больниц

Проще говоря, исследование показывает: больницы могут использовать информацию, которую уже собирают в первые часы после поступления, чтобы запитать цифровую «систему раннего предупреждения» о пролежнях. Всего 13 базовых сестринских наблюдений и хорошо обученная модель позволяют выделить небольшую группу пациентов с высокой вероятностью развития пролежней и вмешаться до серьёзного повреждения. Хотя инструмент ещё нужно протестировать в других больницах и системах здравоохранения, он предлагает перспективный способ превращать рутинные записи у постели в более умную и своевременную защиту для одних из самых уязвимых пациентов.

Цитирование: 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

Ключевые слова: пролежни, профилактика пролежней, сестринские записи, машинное обучение в больницах, прогнозирование риска пациентов