基于护理记录的监督式机器学习模型用于住院患者压疮风险的早期预测

为什么褥疮在现代医院仍然重要

压疮——通常称为褥疮——听起来像是个老问题，但它们仍然是医院护理中严重且代价高昂的并发症。对于病情严重或行动不便的人，这些损伤可在短时间内形成，导致疼痛、感染并延长住院时间。本研究探讨了护理人员在入院最初数小时内已经收集的信息，是否可以结合现代计算技术来识别最可能发生此类损伤的患者，从而使医护人员在损害发生前采取干预。

长时间卧床带来的隐患

当皮肤及更深层组织在床或椅子与下方骨骼之间长时间受压时，会形成压疮。超过十分之一的住院成人会出现这些伤口，特别是在重症监护或急诊病区，不能自由移动的患者比例更高。除疼痛和感染风险外，这些损伤也带来沉重的经济负担——仅在美国每年就高达数百亿美元。传统的风险评估表，例如广泛使用的布雷登评分（Braden Scale），能帮助护士估计风险，但它们可能错过一些危险不明显的患者，例如出现失禁、肥胖或有复杂病情的人。

将常规护理记录作为早期预警信号

研究人员想知道，是否只用护士在患者住院前八小时内常规收集的基本信息，就能预测压疮的发生。在智利圣地亚哥的一家大型公立医院，他们从不同病区（包括急诊、外科和重症监护）收集了446名患者的数据。护士记录了年龄、身高、体重、入院病区、对他人护理的依赖程度、是否存在失禁、是否使用特殊床垫、体位更换或约束等简单信息。任何到院时已存在的伤口都被仔细区分开来，研究只关注在院内发生的压疮。

教计算机识别高风险患者

基于这些记录，团队构建了几种“监督式”机器学习模型——从示例中学习模式的计算程序。他们测试了五种不同方法，包括决策树、逻辑回归、支持向量机、极端梯度提升（XGBoost）以及一种流行的随机森林方法，该方法将许多简单决策树组合成更强的预测器。在训练模型之前，他们清理并整理了原始护理记录，使用既定的统计方法填补缺失值，并选择了13个信息量最大的特征。然后将数据反复拆分为训练组和测试组，以评估每种模型区分会和不会发展为压疮的患者的能力。

数据显示谁最易发生压疮

研究中约有19%的患者发生了院内获得性压疮。分析显示，一些早期的护理观察具有特别的重要性。较高的总体风险评分、更大的体重和身高、对护理的高度依赖以及被收治到某些病区（如成年内外科病房和重症监护病房）与更多压疮相关。失禁（尤其是粪便性或混合性失禁）、使用约束以及先前使用特殊防压床垫的存在也表明风险更高。在测试的模型中，随机森林方法表现最佳：它在超过五分之四的病例中正确区分了高低风险患者，并且精确度很高，意味着当它标记某位患者为高风险时，通常是准确的。

从计算机评分到更好的床边护理

为了使系统在繁忙病区实用，研究人员将其调整为更重视精确率，而不是捕捉每一个可能的病例。这样可以减少误报数量，使护士能够将预防资源（如频繁翻身、仔细皮肤检查和特殊床垫）集中在最可能受益的患者身上。虽然这意味着部分有风险的患者可能不会被标记，但作者认为可靠的预警更有可能在日常实践中获得信任和使用。他们强调该模型旨在支持而非替代临床判断。

这对患者和医院意味着什么

简言之，研究表明医院可以利用入院最初数小时已收集的信息来驱动一个数字化的“褥疮早期预警系统”。仅凭13项基本护理观察和一个训练良好的计算模型，医护人员就能识别出一小部分非常可能发生压疮的患者，并在严重损害发生前进行干预。尽管该工具仍需在其他医院和医疗体系中验证，但它为将常规床边记录转化为更智能、更及时的保护措施提供了有前景的途径，特别是针对最脆弱的患者。

引用: 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

关键词: 压疮, 褥疮预防, 护理记录, 医院中的机器学习, 患者风险预测