一项关于第二阶段压疮结局的纵向研究，采用机器学习技术识别相关因素

《Advances in Skin & Wound Care》：A Longitudinal Investigation of Stage 2 Pressure Injury Outcomes With Machine Learning Technique to Identify Relevant Factors

　　血清白蛋白、Braden量表评分、血红蛋白、伤口大小等因素与压力性损伤（PIs）病情恶化显著相关，而终末期肾病、性别、心肌梗死关联性较低。本研究通过随机森林与超群集方法分析71例Stage 2 PI患者数据，构建预测模型并识别关键风险因素，为PI预防提供新策略。

　　压力性损伤（Pressure Injuries, PIs）已成为全球医疗健康领域的重要问题，其社会经济负担日益显著。随着医疗资源的紧张和患者护理需求的增加，如何有效预防和管理PIs变得尤为关键。本研究旨在利用机器学习技术，探索与PIs恶化高度相关的变量，从而为临床提供更具针对性的干预策略。

### 一、研究背景与意义

压力性损伤，也称为压疮，是一种由于局部组织长时间受到压力或剪切力作用而导致的皮肤和皮下组织损伤。其形成与多种因素相关，包括患者的基础疾病、营养状况、护理质量以及环境因素等。据相关统计，每年约有250万患者出现PIs，导致约6万例死亡，并且每位患者的护理成本可达2.9万至15.1万美元。因此，建立一个有效的预测模型，能够识别哪些因素最可能促进PIs的恶化，对于改善患者预后、降低医疗成本具有重要意义。

尽管已有大量研究探讨了PIs的成因和相关风险因素，但不同研究之间存在一定的分歧，特别是在哪些因素对PIs的发展或恶化影响最为显著方面。例如，某些研究认为年龄、营养状况、慢性疾病（如糖尿病、高血压、肾功能不全）以及护理措施（如翻身频率、使用气垫床）是重要的预测指标，而另一些研究则强调了个体差异和临床环境的复杂性。因此，如何在这些因素中筛选出最具有预测价值的变量，成为研究的一个关键挑战。

### 二、研究方法与技术路径

本研究采用了一种机器学习方法，特别是随机森林（Random Forest, RF）算法，并结合了超集成（Hyperensemble Approach, HEA）策略，以提高模型的准确性和稳定性。研究对象为2018年5月至2021年6月期间，在某医院接受治疗的71例Stage 2 PIs患者。根据伤口进展的情况，将患者分为两组：一组为伤口恶化的患者（Group A，14例），另一组为伤口愈合的患者（Group B，57例）。

在变量选择方面，研究团队参考了以往关于PIs风险因素的文献，综合考虑了内在因素和外在因素。内在因素包括患者的年龄、性别、营养状态、基础疾病（如糖尿病、高血压、肾功能不全、心肌梗死）、吸烟习惯、意识水平、活动能力等。外在因素则涉及环境条件，如压力、剪切力、摩擦力、湿度、护理方式等。最终确定了24个可能影响PIs恶化的变量，并将其作为分析对象。

为了克服数据不平衡问题，研究者采用了混合随机抽样技术，生成了100个平衡的数据集。其中，对多数类（Group B）进行欠采样，对少数类（Group A）进行过采样，以确保模型能够更全面地识别两种情况。每个数据集均用于训练一个包含50,000棵决策树的随机森林模型，随后将所有模型的结果进行超集成处理，以提高整体预测的鲁棒性和准确性。

在模型评估方面，研究者计算了多种指标，包括OOB（Out-of-Bag）误差率、AUC（Area Under the Curve）、准确率、敏感度和特异度等。其中，AUC值为0.8606，表明模型在区分PIs恶化和愈合方面具有较高的能力。同时，通过计算“平均准确度下降”（Mean Decrease Accuracy, MDA）来评估各变量的重要性，并利用“部分依赖图”（Partial Dependence Plot, PDP）进一步解释各变量对PIs恶化的影响。

### 三、研究结果与发现

分析结果显示，以下变量与PIs恶化具有高度相关性：血清白蛋白水平、Braden量表评分、血红蛋白水平、伤口大小、血清血尿素氮（BUN）、身体质量指数（BMI）、血清蛋白水平以及血清肌酐水平。相比之下，某些变量如终末期肾病（ESRD）、性别和心肌梗死（MI）则与PIs恶化关联较弱。

进一步分析发现，血清白蛋白水平超过2.5 g/dL时，PIs恶化的风险显著降低；血红蛋白水平高于11.0 g/dL时，同样具有预防PIs恶化的潜力；而伤口大小小于25 cm2则与伤口恶化呈负相关。这些发现为临床护理提供了重要的参考，表明通过监测和改善患者的营养状况、血红蛋白水平以及控制伤口面积，可能有效降低PIs恶化的风险。

值得注意的是，尽管某些传统风险评估工具（如Braden量表）被广泛用于PIs的预测，但本研究中其AUC值仅为0.68，远低于所构建的随机森林模型（AUC为0.86），这说明传统方法在某些情况下可能不足以准确预测PIs的恶化。此外，研究团队还发现，尽管一些变量如BMI、血清蛋白和肌酐水平在PIs的发展中具有重要影响，但在预测恶化方面的作用相对有限。

### 四、讨论与临床意义

在讨论部分，研究者回顾了过去30年关于PIs风险因素的大量研究，并指出这些研究存在一定的差异。例如，一些研究强调年龄和营养状况的重要性，而另一些则关注慢性疾病和护理干预措施。这种差异可能源于不同研究人群的特征、数据来源以及分析方法的不同。

本研究采用的随机森林模型在处理非平衡数据方面表现出色，能够有效识别关键变量，并通过部分依赖图直观展示各变量对PIs恶化的影响。研究团队发现，血清白蛋白、血红蛋白和伤口大小是预测PIs恶化的三大核心变量。这与以往的研究结果在一定程度上有所重叠，但本研究的发现更具针对性，因为其重点在于“恶化”而非“发展”或“复发”。

此外，研究者还指出，尽管某些变量如BMI、血清蛋白和肌酐水平在PIs的发展中具有显著影响，但在预测恶化方面的作用有限。这表明，PIs的恶化可能受到更复杂的因素影响，而不仅仅是基础疾病或生理指标的变化。因此，未来的护理策略应更加关注动态变化的变量，如伤口大小、营养状况和血红蛋白水平，以实现更精准的干预。

### 五、研究局限性

尽管本研究在方法学上具有一定的创新性，但仍存在一些局限性。首先，研究数据来源于单一机构，样本量相对较小，可能影响模型的普适性。虽然通过超集成技术部分缓解了这一问题，但未来研究仍需扩大样本范围，以验证模型的可靠性。

其次，确保患者在整个研究期间接受一致的护理管理较为困难。尽管研究团队制定了统一的护理指南并培训护理人员，但在实际操作中，护理措施仍可能因个人差异或医院环境的不同而有所变化。这可能导致某些变量的实际影响被低估或高估。

第三，研究中未考虑伤口是否伴有坏死组织（eschar），这可能影响伤口愈合的判断。在某些情况下，坏死组织的存在可能预示着更严重的溃疡，从而增加恶化风险。因此，未来的研究应将这一变量纳入分析，以提高模型的全面性。

第四，研究者分析了与PIs发展或复发相关的风险因素，但本研究的重点是“恶化”这一特定现象。由于“发展”和“恶化”在临床语境中存在一定的差异，因此需要谨慎解读研究结果，避免混淆概念。

最后，研究中将一些复合量表（如Braden量表和ECOG评分）作为独立变量进行分析，这可能导致变量之间的冗余，从而影响模型的稳定性。因此，未来的研究应进一步优化变量选择，减少冗余，提高模型的准确性。

### 六、研究结论与展望

综上所述，本研究利用机器学习技术，成功识别了与PIs恶化高度相关的变量，并验证了随机森林模型在预测PIs恶化方面的有效性。研究结果表明，血清白蛋白、血红蛋白和伤口大小是关键的预测指标，提示在临床护理中应更加重视这些变量的监测和管理。此外，该研究为开发PIs预防工具提供了理论依据，有助于制定更有效的护理策略，以减少PIs恶化带来的不良后果。

然而，研究仍需进一步完善。例如，扩大样本来源、优化变量选择、提高护理干预的一致性，以及考虑更多影响因素（如伤口位置、坏死组织的存在）等。此外，未来的研究可以结合更多的临床数据和长期随访结果，以更全面地评估PIs恶化的风险因素，并探索更精准的预测模型。通过不断优化和验证，机器学习技术有望在PIs的预防和管理中发挥更大的作用，为患者提供更个性化的护理方案。