基于可解释机器学习与电子健康记录的术后感染风险校正结局评估及其在医疗质量监测中的应用价值

　　本研究通过对比电子健康记录（EHR）自动化模型与人工病历审查（ACS-NSQIP标准）的术后感染风险校正结果，证实了使用简洁统计模型（ASPIN）从EHR数据中准确估计医院层面感染标准化发生率比值（O/E）的可行性，为大规模手术质量监测提供了高效、可扩展的解决方案。

　　

BACKGROUND

术后并发症发生频率高、成本巨大，且随着人口老龄化和共病现象日益普遍，其发生率预计将持续攀升。^1,2 根据美国外科医师学会国家手术质量改进计划（ACS-NSQIP）数据，接受大型手术的患者中13%会出现术后并发症，其中超过半数源于感染。³ 并发症不仅严重影响医疗系统运行，还会降低患者生活质量，增加医疗负担。

MATERIALS AND METHODS

本研究经科罗拉多多机构审查委员会批准（编号#20-1862）。数据来源包括：1）2013年6月30日至2019年10月16日期间科罗拉多大学医疗系统（UCHealth）五家医院所有手术的结构化电子健康记录（EHR）；2）同期的本地ACS-NSQIP登记数据（约占全部EHR手术数量的7%）。

RESULTS

在2013年6月30日至2019年10月16日期间，EHR中共识别出跨越9个外科专业的661,664台手术。我们仅保留每位患者30天内首台手术，最终得到来自307,335名患者的441,047台独立手术。仅0.05%（227例）因缺乏术前EHR数据被排除。在31,579例ACS-NSQIP收录病例中，97%（30,603例）成功与EHR数据链接。

DISCUSSION

我们证明，应用简洁统计模型分析结构化电子健康记录（EHR）数据，可得出与人工病历审查高度一致的感染并发症风险校正结局，且能扩展至全部手术人群，提供更精确的评估结果。该方法在手术部位感染（SSI）中表现最佳，且随特定感染发生率上升，其准确度进一步提高。ASPIN系统可辅助或最终替代人工审查，以极低的系统成本实现感染监测。

CONCLUSIONS

基于结构化电子健康记录（EHR）的ASPIN模型能够以极低的医疗系统成本，增强甚至最终取代人工图表审查，实现风险校正后的术后感染监测。该系统可及时生成外科医生层级的绩效报告。