论文部分内容阅读
目的:1、构建基于证据的PICC相关性血栓风险因素评估指标体系,为构建风险评估工具提供理论依据。2、建立基于机器学习的PICC相关性血栓预测模型,验证与评价该模型预测的精准性,实现PICC血栓高风险的精准预测。3、基于机器学习模型结果构建方便实用的PICC相关性血栓风险评估工具,为PICC置管患者血栓的个性化科学预防工作提供理论依据与技术支持。方法:1、PICC相关性血栓高危风险因素评估指标的构建:基于前期PICC相关性血栓高危风险因素最佳证据总结,进行两轮德尔菲专家函询,根据德尔菲专家函询结果,确认PICC相关性血栓高危风险因素评估指标。2、PICC相关性血栓风险预测模型的构建:在确定PICC相关性血栓风险因素的基础上,研制了PICC血栓风险因素调查表,收集2016年1月-2020年10月在某三级甲等综合医院的PICC置管患者临床资料。将所有患者数据按照7:3随机分为测试集与验证集,用于模型的构建及验证。利用机器学习算法构建PICC相关性血栓风险预测SVM模型,采用遗传算法对模型进行优化,结合MCC、F1指标及AUC综合评估模型的性能,通过SHAP值对构建的机器学习模型进行整体和局部解释,并形成个体化患者PICC相关性血栓风险评估图。3、PICC相关性血栓风险可视化评估工具的构建:运用专家小组会议法,纳入3名护理专家、1名建模专家、1名软件工程师,根据机器学习预测模型的结果,确定风险预测模型呈现方式最终版本,开发网页版PICC相关性血栓风险评估工具。结果:1、PICC相关性血栓高危风险因素评估指标的构建:两轮专家函询问卷回收率和有效率均为100%,专家权威系数为0.835,第一轮函询专家协调系数为0.398（P＜0.001）,三级指标重要性赋值均数在2.72±0.96～4.78±0.43之间;删除、修改部分指标后进入第二轮专家函询,专家协调系数为0.312（P＜0.001）,三级指标重要性赋值均数在3.56±0.62～4.78±0.43之间,最终确定了 65个评估指标,包括个体因素指标31个,肿瘤因素指标12个,治疗因素指标5个,置管因素指标17个。2、PICC相关性血栓风险预测模型的构建:共调查了626例患者,438例在建模组,188例在验证组,建模组发生血栓率为26.02%（114/438）,验证组发生血栓率为26.06%（49/188）。模型的预测因子为:大手术史、高风险肿瘤、血红蛋白值、BMI值、原发肿瘤部位、血浆纤维蛋白原、D-2聚体、肿瘤转移、中性粒细胞值、年龄、放疗史、血小板值、靶向治疗、基础疾病个数、性别、白细胞值、肿瘤转移部位高危、急性感染、置管侧肢体、活化部分凝血酶原时间。优化后的SVM模型AUC、MCC和F1结果在训练集上均为1,在测试集上分别为0.95、0.91和0.95,表明本模型能够充分预测PICC相关性血栓高风险患者。同时,利用SHAP值绘制了单个个体患者的PICC相关性血栓影响因素图。3、PICC相关性血栓风险可视化评估工具的构建:根据前期研究结果,确定PICC相关性血栓风险预测模型呈现方式最终版本,构建网页版可视化评估工具,完成评估工具的初步研发,可以通过在线方式精准预测PICC相关性血栓高危患者及其影响因素。结论:1、基于循证和德尔菲法构建的PICC相关性血栓高危风险因素评估指标科学可靠,有助于早期识别PICC相关性血栓风险因素,全面评估血栓形成风险。2、基于机器学习构建的SVM模型,其区分度、准确度等综合性能均较理想,能够精准识别PICC相关性血栓高危患者,同时SHAP值可解释影响模型的整体因素,并给出个体患者发生PICC血栓风险的可视化图谱,有助于护士采取针对性护理措施,预防血栓发生发展。3、网页版PICC相关性血栓评估工具,登录方便快捷,页面简洁流畅,方便护士随时随地使用,对于高风险患者,可结合可视化影响因素分析结果进行个体干预,以期降低PICC相关性血栓风险的发生率,提高患者的生活质量,降低医疗成本,改善健康结局。