Tidig förutsägelse av risk för trycksår hos inneliggande patienter med övervakade maskininlärningsmodeller baserade på omvårdnadsjournaler

Varför liggsår fortfarande spelar roll i moderna sjukhus

Tryckskador—ofta kallade liggsår—kan låta som ett gammaldags problem, men de är fortfarande en allvarlig och kostsam komplikation av sjukhusvård. De kan uppstå snabbt hos personer som är svårt sjuka eller har svårt att röra sig, och leder till smärta, infektioner och längre vårdtider. Denna studie undersöker om information som sjuksköterskor redan samlar in under de första timmarna efter inläggning kan kombineras med moderna datorbaserade metoder för att identifiera vilka patienter som löper störst risk att utveckla dessa skador, så att personalen kan sätta in åtgärder innan skada uppstår.

Dolda faror vid att ligga stilla

En tryckskada uppstår när hud och djupare vävnader kläms mellan en säng eller stol och benet under under för lång tid. Mer än en av tio inneliggande vuxna utvecklar dessa sår, särskilt de på intensivvårds- eller akutenheter som inte kan röra sig fritt. Utöver smärta och infektionsrisk medför skadorna en stor ekonomisk börda—i USA handlar det om tiotals miljarder dollar varje år. Traditionella checklistor, såsom den ofta använda Braden-skalan, hjälper sjuksköterskor att uppskatta risk, men de kan missa patienter vars risk inte är uppenbar, till exempel personer med inkontinens, fetma eller komplexa medicinska problem.

Använda rutinmässiga omvårdnadsanteckningar som tidiga varningssignaler

Forskarlaget undrade om det är möjligt att förutsäga tryckskador genom att enbart använda den grundläggande information som sjuksköterskor rutinmässigt samlar in inom de första åtta timmarna av patientens sjukhusvistelse. På ett stort offentligt sjukhus i Santiago, Chile, samlade de data från 446 patienter över många avdelningar, från akuten och kirurgi till intensivvård. Sjuksköterskor noterade enkla uppgifter som ålder, längd, vikt, vilken avdelning patienten lades in på, hur beroende patienten var av hjälp, om det fanns inkontinens samt om specialmadrasser, positionförändringar eller fysiska tvångsmedel användes. Eventuella sår som redan fanns vid ankomsten separerades noggrant från de som uppstod senare, så studien fokuserade endast på skador som utvecklades under sjukhusvistelsen.

Lära datorer att upptäcka högriskpatienter

Utifrån dessa journaler byggde teamet flera "övervakade" maskininlärningsmodeller—datorprogram som lär sig mönster från exempel. De testade fem olika angreppssätt, inklusive beslutsträd, logistisk regression, supportvektormaskiner, extrem gradientboosting och en populär metod kallad Random Forest, som kombinerar många enkla beslutsträd till en starkare prediktor. Innan modellerna tränades rensade och organiserade de de råa omvårdnadsanteckningarna, fyllde i saknade värden med etablerade statistiska metoder och valde ut 13 av de mest informativa variablerna. Data delades sedan upp upprepade gånger i tränings- och testgrupper för att utvärdera hur väl varje modell kunde skilja mellan patienter som senare utvecklade tryckskada och de som inte gjorde det.

Vilka som löper störst risk, enligt data

Cirka 19 % av patienterna i studien utvecklade en sjukhusförvärvad tryckskada. Analysen visade att vissa tidiga omvårdnadsobservationer vägde särskilt tungt. Högre sammantagna riskscore, större kroppsvikt och längd, stort beroende av omvårdnad samt inläggning på vissa avdelningar, såsom vuxen medicinsk-kirurgisk avdelning och intensivvård, var kopplade till fler skador. Förekomst av inkontinens—särskilt fekal eller blandad inkontinens—fysiska tvångsmedel och tidigare användning av specialmadrasser mot tryck var också signaler på högre risk. Bland de testade dator-modellerna presterade Random Forest bäst: den skiljde korrekt mellan högrisk- och lågriskpatienter i mer än fyra av fem fall och uppnådde mycket hög precision, vilket innebär att när den flaggade en patient som högrisk var det vanligtvis korrekt.

Från datorpoäng till bättre vård vid sängen

För att göra systemet praktiskt i hektiska vårdavdelningar justerade forskarna det för att gynna precision framför att fånga varje möjligt fall. Detta minskar antalet falska larm, så att sjuksköterskor kan rikta preventiva resurser—såsom frekventa lägesändringar, noggranna hudkontroller och specialmadrasser—mot de patienter som mest sannolikt har nytta av dem. Även om detta innebär att vissa i riskzonen kanske inte flaggas, menar författarna att tillförlitliga varningar är mer benägna att bli betrodda och använda i vardagspraktiken. De betonar att modellen är avsedd att stödja, inte ersätta, kliniskt omdöme.

Vad detta betyder för patienter och sjukhus

Kort sagt visar studien att sjukhus skulle kunna använda information de redan samlar in under de första timmarna efter inläggning för att driva ett digitalt "tidigt varningssystem" för liggsår. Med bara 13 grundläggande omvårdnadsobservationer och en vältränad datormodell kan personal identifiera en liten grupp patienter som har mycket hög sannolikhet att utveckla tryckskador och ingripa innan allvarlig skada uppstår. Även om verktyget fortfarande behöver testas i andra sjukhus och vårdsystem erbjuder det ett lovande sätt att förvandla rutinmässiga sängnära anteckningar till smartare och mer tidigt skydd för några av de mest utsatta patienterna.

Citering: 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

Nyckelord: trycksår, förebyggande av liggsår, omvårdnadsjournaler, maskininlärning på sjukhus, patientriskförutsägelse