开发用于医疗信息系统中数据挖掘的压力损伤预测指标系统：一项顺序混合方法研究

《Advances in Skin & Wound Care》：Developing a Pressure Injury Predictive Indicator System for Data Mining in Health Care Information Systems: A Sequential Mixed-Methods Study

医院获得性压疮（PI）预测指标系统构建及验证。采用改进德尔菲法结合随机森林特征选择，从电子病历系统提取14项指标（3类），专家共识度83.3%-100%，自动提取与手动一致性Cohen's κ 0.64-1.00，预测模型准确率95.26%。该系统为PI自动预警提供基础，需结合临床实践优化。

　　

摘要通俗语言总结

---

目的：

医院获得性压力损伤（PI）的发病率作为医疗质量的关键指标，呈现出上升趋势。本研究的目的是确定潜在PI的预测指标，并确保这些预测指标能够从电子病历系统中自动提取。

方法：

研究方法分为两部分。第一部分是改进后的Delphi方法用于指标开发，包括与临床医疗提供者的访谈、文献回顾、研究小组会议以及Delphi调查；第二部分是特征选择，包括使用结构化查询语言从医疗信息系统（HIS）中提取指标，并利用随机森林（Random Forest）技术进行指标筛选。

结果：

构建了一个预测指标系统（每个指标都配有特征提取规则），该系统包含3个类别和14个指标。专家们对所有指标达成了共识（平均值在4.28±0.65至4.94±0.23之间；变异系数在4.63%至17.20%之间；一致性比率在83.30%至100.00%之间）。手动提取与计算机自动提取的结果一致性良好，Cohen κ得分在0.64至1.00之间。该简洁有效的预测模型的准确率为95.26%。

结论：

该预测指标系统可用于HIS中的自动PI预测。在未来的研究和实际医疗环境中，还需要进行大量改进。

通俗语言总结：医院获得性压力损伤（PI）的发生率正在增加，这凸显了改进预测方法的必要性。本研究开发了一个利用电子病历自动识别潜在PI的系统。研究人员采用了改进的Delphi方法来创建指标，并使用随机森林技术进行特征选择。该系统包含3个类别的14个指标，专家们对此达成高度共识，手动提取与自动提取方法之间也具有较高的一致性。该预测模型的准确率为95.26%。尽管效果令人满意，但在实际医疗环境中仍需进一步优化，以提升PI的预防和护理质量。

本文由机器生成，可能存在不准确之处。常见问题解答