基于电子健康记录的医院获得性压力损伤分类的综合改进定义:比较研究gydF4y2Ba

简介gydF4y2Ba

背景与意义gydF4y2Ba

医院获得性压力损伤，一个关键的护理指标gydF4y2Ba

皮肤或皮下组织的局部损伤是压力损伤(PI)的特征。骨性脊髓炎通常发生在骨突出处或医疗器械下，可能是由于长时间躺在或坐在一个地方而不怎么运动而引起的[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba］．医院获得性PI (HAPI)根据PI的阶段和发生或进展的时间进行分类。HAPI与延长住院时间、高再入院率、生活质量降低和死亡率相关[gydF4y2Ba3.gydF4y2Ba］．根据医疗保险和医疗补助中心(CMS)的数据，HAPI是医院中最常见的可预防的不良事件，也是非正常死亡诉讼中第二常见的索赔[gydF4y2Ba3.gydF4y2Ba］．CMS和医疗保健研究与质量机构(AHRQ)认为HAPI是一个“永远不会发生的事件”，也就是说，在报销方面对提供者有重大经济处罚的事件[gydF4y2Ba4gydF4y2Ba］．2000多家美国医院是国家护理质量指标数据库项目的一部分，用于衡量护理质量指标，即与护理质量直接相关的事件。国家护理质量指标数据库要求参与机构对患者进行季度调查，以估计HAPI的发生率[gydF4y2Ba2gydF4y2Ba］．因此，在医疗保健单位中，关于HAPI发生率的准确信息对于评估护理质量和医院管理者的规划至关重要。gydF4y2Ba

电子健康记录和HAPI识别，机遇和挑战gydF4y2Ba

电子健康记录(EHRs)提供关于现有和新的pi的广泛信息，包括诊断代码;结构图中的特征，如pi的阶段、深度和位置;和PI关键词在半结构化或非结构化临床记录中。使用计算模型在电子病历中自动检测HAPI有助于临床决策和患者护理[gydF4y2Ba5gydF4y2Ba］．HAPI的预测模型取决于数据集的质量、可靠性和一致性。然而，PI筛选、检测和分期的复杂性和主观性影响了PI文档的可靠性。PI文件的可靠性还取决于护理人员及其角色的能力和连续性，以及数据输入或电子病历系统的变化。gydF4y2Ba

尽管在预防和治疗方面取得了进展，但HAPI仍然存在，并且很难从电子病历中识别出来。数据来源提供关于pi的相互矛盾的信息。此外，预测模型的准确性在很大程度上依赖于HAPI的定义和准确的标签。以前使用EHR数据的研究使用了不一致的HAPI定义。有些则描述了指示HAPI的医疗状况[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba6gydF4y2Ba，gydF4y2Ba7gydF4y2Ba];有些人在与住院有关的所有记录中确定HAPI [gydF4y2Ba7gydF4y2Ba-gydF4y2Ba9gydF4y2Ba];其他人则使用先前的实验室数据来预测HAPI [gydF4y2Ba10gydF4y2Ba］．gydF4y2Ba

HAPI标签不一致会影响模型在HAPI分类中的性能，使多个模型的比较复杂化。因此，从EHR数据中正确识别HAPI标签对于HAPI研究至关重要。使用固定基准数据评估HAPI任务的机器学习模型的性能，需要从EHR数据库中访问适当的临床数据，统一多个数据源，并根据监管指南一致使用它们。在这里，我们提出一个满足这些要求的HAPI定义。gydF4y2Ba

朝向统一的HAPI定义和更准确的HAPI分类gydF4y2Ba

我们阐述了使用重症监护医疗信息集市III (MIMIC-III)在电子病历中检测HAPI的挑战[gydF4y2Ba11gydF4y2Ba作为一个案例研究。MIMIC-III是使用最广泛的开放基准数据集之一，建立在CareVue和Metavision EHR系统之上，包括大约5.9万次住院。患者数据包括人口统计学、生命体征、实验室结果、生理测量、诊断、临床和护理记录。gydF4y2Ba

这项研究强调了现有的mimi - iii HAPI定义与CMS和其他监管机构制定的指南之间的差距。我们建议Emory HAPI (gydF4y2BaEHAPIgydF4y2Ba)定义，该定义更符合规管指引。然后，我们展示了我们改进的定义在训练更准确的HAPI分类模型方面的影响。使用来自护士注释者的手动标记集作为HAPI真实值的代理来评估分类性能。gydF4y2Ba

我们的主要贡献如下:gydF4y2Ba

1. 改进的HAPI定义，利用不同的数据源，并说明其可靠性，同时更紧密地遵循临床指南gydF4y2Ba
2. 说明非全面的HAPI定义对训练HAPI预测模型的影响gydF4y2Ba

为了实现这些目标，我们采取以下步骤:(1)描述在MIMIC-III数据集中的不同来源中寻找HAPI证据的挑战，(2)使用护理专业知识与临床信息来优先考虑并结合冲突的数据源，(3)为实际合理的HAPI定义建立核心参数，(4)确定定义对基于树和基于神经网络的HAPI分类器性能的影响。gydF4y2Ba

方法gydF4y2Ba

住院PI数据来源综述gydF4y2Ba

可能包含PI信息的EHR数据有4个主要来源:患者图表事件、诊断代码、笔记和执行的程序。gydF4y2Ba

表事件gydF4y2Ba

图表事件构成结构化临床数据的最大部分，并包括许多医疗服务，包括实验室检测、生命体征、护士评估和患者精神状态等一般指标。图表事件有时间戳，并提供住院期间事件的时间和顺序信息。gydF4y2Ba

诊断代码gydF4y2Ba

出于计费目的，每次住院都包含一组有限的诊断代码。这些代码通常包括住院期间最重要的诊断;然而，财务问题和临床结果与预定代码的不完善映射可能会影响这一点。gydF4y2Ba

笔记gydF4y2Ba

临床记录包括任何非结构化的文本信息，如x线报告、心电图报告、出院总结、入院记录和护理团队的日常记录。gydF4y2Ba

程序代码gydF4y2Ba

程序代码标明了医疗服务和手术的时间。gydF4y2Ba

PI分期是HAPI从入院到出院恶化状态的核心要素。大多数现代临床信息系统，包括MIMIC-III中的Metavision和CareVue临床信息系统和Emory Healthcare的临床数据仓库，都包含PI分期事件和注释。gydF4y2Ba多媒体附件1gydF4y2Ba［gydF4y2Ba12gydF4y2Ba]总结了MIMIC-III中PI数据源的细节。gydF4y2Ba

基于指南的理想HAPI标准gydF4y2Ba

监管机构使用许多元素来确定HAPI，包括入院和出院时pi的存在、阶段的变化、入院期间的单位转移和患者死亡。CMS为HAPI提供了几种纳入和排除标准[gydF4y2Ba13gydF4y2Ba-gydF4y2Ba15gydF4y2Ba］．纳入标准之一是出院时与入院时相比存在一个或多个新的或恶化的pi。这包括2至4期，或因脱落或焦痂、不可拆卸的敷料或设备或深层组织损伤而未分期的PIs。另一个入选标准是入院时未分级的PI，随后进行分级。这在出院评估中被编码为“入院时在场”，其中有最早的评估数字阶段。如果计划或非计划出院评估中遗漏了新的或恶化的2、3和4期，或不可分期的压疮(包括深层组织损伤)的数据，则排除住院。此外，如果患者在住院期间死亡，则不包括住院时间。gydF4y2Ba

新入院患者的标准做法是尽可能在24小时内完成入院评估。AHRQ还建议“入院24小时内综合皮肤评估表现”以准确评估PI率[gydF4y2Ba16gydF4y2Ba］．国家压力伤害咨询小组(NPIAP)参考指南[gydF4y2Ba17gydF4y2Ba]将设施获得率定义为“入院时没有压力损伤，但在设施停留期间发生压力损伤的个人的百分比。”gydF4y2Ba

现有的MIMIC-III HAPI案例定义及其局限性gydF4y2Ba

mimi - iii有4个现有的HAPI定义，将在后面的部分中进行总结。中提供了各种定义的详细流程图gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

时间风险预测的循环加性网络[gydF4y2Ba10gydF4y2Ba]集中在预测HAPI首次出现前48至96小时，或事件日期(DOE)。DOE定义为入院48小时后首次在有时间戳的医院病历中提及PI相关关键词或PI分期图表事件(≥1期)>。其他没有DOE的停留被标记为对照。不幸的是，CANTRIP病例定义包括死亡患者和治愈或改善的pi。gydF4y2Ba

克拉默等[gydF4y2Ba6gydF4y2Ba]试图通过使用前24小时的数据开发一种PI筛查工具。他们仅使用入院后24小时发生的PI分期图事件来识别HAPI病例。它排除了1期pi和“无法分期”的pi以及深层组织损伤pi。与CANTRIP相似，Cramer病例定义包括已故患者和治愈或改善的pi。其他留宿者构成对照组。gydF4y2Ba

索图德等[gydF4y2Ba9gydF4y2Ba]探索了利用否定预处理对临床文本进行PI检测。使用国际疾病分类(ICD)-9代码或临床记录中的pi特定关键词对病例进行定义。与CANTRIP和Cramer定义类似，已死亡、治愈或改善的pi也包括在病例定义中。然而，与CANTRIP和Cramer定义相反，他们没有考虑PI分期图表事件。控制停留被定义为同时缺少ICD-9代码和特定于pi的关键字。gydF4y2Ba

考克斯等[gydF4y2Ba7gydF4y2Ba]的研究重点是通过使用现有文献中选定的变量来识别PI的适当风险因素。他们确定了入院时没有预先存在PI的患者的子集。然而，识别HAPI的纳入和排除标准没有明确提及，因此在此不作介绍。gydF4y2Ba

其他研究则通过使用其他EHR数据库来预测HAPI。兰扎尼等人[gydF4y2Ba8gydF4y2Ba]的研究重点是预测重症监护病房入院后24小时内30天内的PI。他们排除了入院时已经存在PI或在前48小时内发生PI的患者。案例定义与CANTRIP类似，只是没有使用注释。宋等[gydF4y2Ba18gydF4y2Ba]还利用现有文献中的28个相关特征提出了PI风险的早期评估工具。但是，没有详细讨论案例定义。最后，Hyun等人[gydF4y2Ba19gydF4y2Ba]开发了一个机器学习模型来预测HAPI。HAPI案例被定义为包含与PI相关的ICD-9代码的案例。gydF4y2Ba

MIMIC-III中的EHAPI案例定义gydF4y2Ba

在现有和理想的HAPI标准的基础上，我们确定了使用EHR数据创建HAPI案例定义的几个基本要素，并将其应用于MIMIC-III。MIMIC-III有局限性，即关于PI存在的数据源不一致，提取阶段数据以验证入院到出院的PI恶化标准的复杂性，仅在护理记录中对PI进行评论，而不是作为定时结构化数据(gydF4y2Ba图1gydF4y2Ba和部分gydF4y2Ba局限性和未来工作gydF4y2Ba)．这些限制为这个MIMIC-III HAPI案例定义提供了依据。gydF4y2Ba

‎gydF4y2Ba

对于HAPI标准，我们可以包括或排除已故患者，设置最低年龄，并考虑入院后24小时或48小时来确定入院pi状态。HAPI标准的进一步决定包括与PI分期数据相关的临床事件集，HAPI的最小数值阶段，分配给深层组织损伤和不可分期的PI的数值阶段值，以及出院时是否包括或排除愈合或改善的PI。此外，除了分级事件之外，为了确定HAPI标签，我们还考虑了注释中某些关键字或诊断代码的存在。我们对之前的定义提出了一个更全面的版本，gydF4y2BaEHAPI。gydF4y2Ba的gydF4y2BaEHAPIgydF4y2Ba定义基于CMS、NPIAP和AHRQ指南确定的HAPI标准的更新版本[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba14gydF4y2Ba-gydF4y2Ba16gydF4y2Ba］．我们从MIMIC-III的入院、患者和重症监护病房住院表中提取数据，以构建特征并从我们的分析中去除不相关的住院。gydF4y2Ba

我们的病例定义只考虑了新的PI或因出院而恶化的PI，这需要确定每次住院时的PI阶段。如果一个病人多次住院，我们会分别治疗每一次住院。此外，在mimi - iii中，一次住院包括≥1次重症监护病房住院。分期发生在入院后24小时内。Stage 4为深PI，“unable to Stage”被编码为0。入院时无PI分期信息，将分期设为0。出院期为入院24小时后最后一次记录的2级以上阶段，将深层组织损伤视为第3期，“无法分期”视为第5期。“无法分期”设置为第5阶段，以捕捉所有可能的HAPI，无论入院阶段如何。根据NPIAP文件[gydF4y2Ba20.gydF4y2Ba]，深部组织损伤为3期或4期。因此，为了允许由于住院期间的阶段改善而排除在HAPI标准之外，我们将深部组织损伤在入院时编码为4期，出院时编码为3期。gydF4y2Ba

我们排除了不符合共同纳入标准的住宿。四种定义的共同纳入标准如下:(1)至少有一个临床记录，(2)有记录的出院时间为入院后的时间，(3)患者年龄<15岁，(4)没有PI的入院记录。gydF4y2BaEHAPIgydF4y2Ba排除了在医院死亡的病人。我们排除死亡患者有三个原因:(1)遵守CMS指南(包括需要一个出院PI阶段，但在死亡患者中不存在)，(2)计算模型对学习死亡患者的特征而不是HAPI的潜在偏见，以及(3)患有绝症的患者的虚弱和脆弱导致PI的发生，并不能反映护理质量差。我们进行了一项包括已故患者的实验，并观察到一些已故患者在不是HAPI病例时被归类为HAPI。gydF4y2Ba

我们发现一些HAPI案例缺乏PI分期事件，但在他们的笔记中包含PI关键字。因此,gydF4y2BaEHAPIgydF4y2Ba还检查了入院后24小时内笔记中出现的pi相关关键词。我们在入院后24小时内扫描了所有住宿记录中提到的pi相关关键词;如果存在，我们认为这些病例是HAPI病例。我们使用否定检测，并对这些案例的注释进行分析，以确保关键词不存在伪伪(gydF4y2Ba多媒体附件1gydF4y2Ba)．其他留宿者构成对照组。gydF4y2Ba图2gydF4y2Ba属性的流程图gydF4y2BaEHAPIgydF4y2Ba案例定义过程。gydF4y2Ba

保证了的通用性gydF4y2BaEHAPIgydF4y2Ba的定义,gydF4y2Ba多媒体附件1gydF4y2Ba显示了许多临床信息系统中使用的与hapi相关的SNOMED和ICD-10代码。但是，注释的关键字可能需要针对每个医院系统进行调整。的PI列表、关键字和映射的详细信息gydF4y2BaEHAPIgydF4y2Ba， CANTRIP, Cramer和Sotoodeh定义，我们建议读者参考gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba

评估HAPI标签对分类性能的影响gydF4y2Ba

我们比较了MIMIC-III中HAPI分类的3个现有的HAPI定义gydF4y2BaEHAPIgydF4y2Ba定义。系统综述一篇[gydF4y2Ba21gydF4y2Ba]的研究着眼于PI预测和风险评估的数据驱动模型，并得出结论，其中许多预测模型很难进行比较，因为它们没有经过外部验证，也没有使用相同的数据集。gydF4y2Ba

事件时间戳定义gydF4y2Ba

对于每次住院，我们为特征构建确定了一个事件时间戳。其思想是，对于HAPI情况，与HAPI相关的信息不会直接或间接地出现在特征中(即，目标或标签泄漏)。类似地，对于非hapi病例，我们防止了分类器在预测与非hapi停留相关的较长笔记持续时间时产生偏差。HAPI病例的事件时间戳是入院后24小时后发生的第一次PI阶段评估的时间。评估是PI分期图事件或注释中任何已定义的PI关键字的最早时间戳。gydF4y2Ba

对于对照组，我们将非HAPI持续时间分布与HAPI持续时间分布进行匹配。我们将笔记的持续时间(最早的笔记和事件时间戳之间的时间差)建模为随机变量。我们使用gydF4y2Bascikit-learngydF4y2Ba［gydF4y2Ba22gydF4y2Ba]包来学习该随机变量的密度分布(即卡方值最小的估计分布)。然后，我们从这个估计分布中对控制停留的允许音符长度进行采样。每个采样的持续时间都与一个真实的持续时间长度配对，保持排序顺序(即，采样长度和真实长度的第五最小持续时间相互配对)。然后，最小采样长度和真实持续时间长度作为控制停留的事件时间戳(即，最早的注释+采样长度)。因此，如果采样的事件时间戳超过了停留持续时间，那么事件时间戳就是原始停留释放时间。gydF4y2Ba

HAPI分类注意事项gydF4y2Ba

住院时间特征基于病人的记录。然后，机器学习模型只使用事件时间戳之前带有时间戳的笔记或感兴趣的笔记作为特征。如果没有感兴趣的音符，停留就会被排除在实验之外。然后将感兴趣的注释连接到一个文档中。这最大限度地减少了标签或目标泄漏的可能性，其中hapi相关信息直接或间接地出现在特征中。例如，定义的与pi相关的关键字不会出现在连接的文档中。类似地，特征构造排除第一次分期评估之后的注释，从而防止隐含的pi相关单词。因此，特征构造排除了HAPI定义中讨论的所有元素。gydF4y2Ba

分类器gydF4y2Ba

我们选择了2个分类器来证明来自案例或控制定义的HAPI标签的相对影响与分类器的选择无关。我们选择了梯度增强、基于树的分类器和基于顺序神经网络的分类器。后者包括从每个定义的特征中学习的输入词嵌入，一个全局最大池化层和几个密集层。与其他测试的分类器(如决策树、逻辑回归、支持向量机、多层感知器、随机森林或AdaBoost)相比，所选的分类器提供了优越的性能。gydF4y2Ba

对于基于树的分类器(拥有5000个单词的词汇量)，术语频率逆文档频率向量(在前面的部分中描述)是每个停留的特征向量。序列神经网络模型为每个文档使用800字的序列。4种不同的HAPI定义(即CANTRIP, Cramer, Sotoodeh和gydF4y2BaEHAPIgydF4y2Ba)使用相同的特征得出不同定义下的无偏模型性能比较。gydF4y2Ba

训练测试组成与评价指标gydF4y2Ba

由于不同定义的HAPI标准不同，先前论文的样本也不同(例如，gydF4y2BaEHAPIgydF4y2Ba丢弃已故患者，但其他人将其作为病例或对照)。然而，样本中有相当多的病例重叠(gydF4y2Ba图3gydF4y2Ba)．为了进行有效的比较，我们创建了10个不同的测试集，由三部分组成:(1)一致的HAPI案例保留定义一致的地方，(2)随机抽样的一致HAPI控制保留，以及(3)手动注释的定义不一致的地方。对于后者，我们的护理专家，一位合著者(WZ)和她的护士同事(Deborah Silverstein, DNP)根据EHR数据评估并标记了97名患者的HAPI。97个支点组成的每个组成子集与不同标记的支点子集的总大小成比例(表S1)gydF4y2Ba多媒体附件1gydF4y2Ba)．注释不仅依赖于护理指南，还依赖于护理经验和两名护士之间的病例讨论。此外，我们的一位注释护士(Deborah Silverstein, DNP)不知道gydF4y2BaEHAPIgydF4y2Ba从临床医生的角度对样本进行标准和标记。在97例入院病例中，我们的护理专家将19例标记为HAPI。gydF4y2Ba

‎gydF4y2Ba

手动标注的子集通过一致性停留来增强。共有219例HAPI病例被4种定义确定，包括在10个测试样本中。其余3620名非hapi住院患者是从41241名入院患者中随机抽取的，其中所有4种定义都同意标签。每个测试集包含3936个停留点和7%的HAPI流行率。每个测试集之间的主要区别在于3620个随机抽样的非HAPI共识性停留，因为所有测试集中都存在97个手动注释的停留和219个共识性HAPI案例。gydF4y2Ba

对于每个定义，训练样本都是不在共享测试集中的其余符合条件的停留。例如，由于CANTRIP不排除与已故患者的住宿，我们将这些包括在训练样本中。训练标签是使用定义特定的HAPI标准设置的。因此，尽管测试样本和标签是相同的，但为每个定义训练的分类器具有不同的训练集和特定于定义的标签。gydF4y2Ba图3gydF4y2Ba说明了训练分类器的整体过程，包括特征构造和标签确定。gydF4y2Ba

对于实验，训练集的5倍交叉验证确定了最佳的分类器超参数，如表S2所示gydF4y2Ba多媒体附件1gydF4y2Ba．测试性能是10个不同测试和训练数据分区的平均值。在不平衡的分类下，我们报告了精度-召回曲线下的面积(AUPRC)和受试者工作特征曲线下的面积(AUROC)。gydF4y2Ba

道德的考虑gydF4y2Ba

这些患者并没有被明确招募来获得这项工作中使用的数据。通过消除揭示患者身份的属性，对MIMIC-III数据集进行了去识别。gydF4y2Ba

贝斯以色列女执事医疗中心(美国波士顿)和麻省理工学院(美国剑桥)的机构审查委员会批准了MIMIC-III数据库的数据收集、处理和发布。gydF4y2Ba

结果gydF4y2Ba

PI住院的mimi - iii数据源一致性gydF4y2Ba

即使不考虑患者属性或时间，证据显示在MIMIC-III中识别PI病例住院时间的数据源之间存在冲突。gydF4y2Ba图1gydF4y2Ba给出了一个打乱图，该图总结了至少有一个pi数据源指示(共7908次住宿)的4个数据源(即程序代码、诊断代码、笔记和图表事件)中与pi相关的信息的交集。数据源柱状图(左下角)用数据源指示绘制了住宿数量的基数(或大小)。图表事件是最常见的指标(6243/7908,78.95%)，而程序代码只出现在3.53%(279/7908)的停留中。沿着x轴的柱状图描绘了观察到的集合组合之间的交集的大小。结果表明数据源之间的共识有限，因为只有0.25%(20/7908)的保留在所有数据源中都有PI文档。≥3个数据源之间的一致性也相对较低，为945个(927+9+9)。这与49.34%(3902/7908)和9.71%(768/7908)的停留分别只在图表事件和笔记中包含一个指示形成对比。gydF4y2Ba

分析HAPI案例定义的差异gydF4y2Ba

在4个HAPI案例定义的基础上，有8个维度的标准分歧。排除标准包括死亡患者(D1)、最低年龄(D2)和入院时确定pi的时间(D3)。HAPI的确定包括最小PI分期(D4)，考虑深部组织损伤或不可分期事件(D5)，在注释中使用PI特定关键词(D6)，计算恶化或新的PI (D7)，以及使用ICD-9代码(D8)。gydF4y2Ba表1gydF4y2Ba针对4个不同的定义，总结了这8个维度上的决策。从表中可以看出，gydF4y2BaEHAPIgydF4y2Ba定义将死者完全排除在病例或控制之外，并确定PI是否恶化或新发展。Cramer和Sotoodeh定义对HAPI患病率的估计都大大降低，而CANTRIP的患病率最高，为8.46%(4261/50,376)。gydF4y2Ba

图中显示了4个定义之间HAPI的重叠gydF4y2Ba图4gydF4y2Ba．只有4.63%(219/4731)的HAPI保持共享4个定义。CANTRIP的独特阳性停留次数最多(n=1134)，这是由于将PI分期大于1、深层组织损伤和不可分期事件视为阳性。我们观察到315个独特的gydF4y2BaEHAPIgydF4y2Ba，归因于截止时间(CANTRIP为24 vs 48)。gydF4y2BaEHAPIgydF4y2Ba与CANTRIP的重叠率最高，为53.98%(2554/4731)，其次是Cramer(22.53%(1066/4731)和Sotoodeh(17.84%(844/4731)。中提供了使用注释、分期和ICD-9代码为每个定义识别的pi数量的详细信息gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba

HAPI标签对分类性能的影响gydF4y2Ba

我们在每种情况下使用AUPRC和AUROC，评估了在由4个HAPI定义确定的标签上训练的梯度增强和顺序神经网络分类器的性能。gydF4y2Ba表2gydF4y2Ba给出所描述的10个测试集的结果。表S3gydF4y2Ba多媒体附件1gydF4y2Ba根据测试标签来源(即，护士或共识)总结性能。分类器训练gydF4y2BaEHAPIgydF4y2Ba标准优于其他3个标准，AUROC提高至0.03,AUPRC提高至0.11。gydF4y2Ba

单面配对gydF4y2BatgydF4y2Ba测试(1尾)之间gydF4y2BaEHAPIgydF4y2Ba而下一个最佳性能定义(CANTRIP)的结果是gydF4y2BaPgydF4y2Ba的值。用于AUPRC和AUROC，用于性能更好的梯度增强分类器，用于其他分类器和定义(神经网络和CANTRIP除外)的机器epsilon，证明了gydF4y2BaEHAPIgydF4y2Ba定义。在图S6和表S4中，可以进一步分析模型的性能稳定性以及每种设置中最重要的单词gydF4y2Ba多媒体附件1gydF4y2Ba．一个GitHub存储库[gydF4y2Ba23gydF4y2Ba]包含了这些实验的脚本，停留标签的生成，以及其他呈现的结果。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

考虑到数据源之间PI的低并发性，任何HAPI分类都需要仔细协调数据源之间的冲突。在与我们的护理合作者(WZ, RN, PhD;黛博拉·西尔弗斯坦，注册护士，DNP;和RLS, RN, DNP)，我们将数据源可靠性优先排序为(1)图表事件，(2)注释，(3)诊断代码。图表事件出现假阳性的可能性最小，并且比其他两个数据源具有更好的覆盖率。护士指出，病历中的PI指示有假阳性，因为关键字前面有一个否定的词(即，没有PI)，或者表示预防PI的建议。诊断代码只包括最突出的诊断，可能包括早期入院的诊断。此外，它们缺乏时间戳，妨碍了对HAPI恶化状况的调查。由于程序代码不具体，与其他PI来源不一致，我们将它们排除在gydF4y2BaEHAPIgydF4y2Ba定义。gydF4y2Ba

如gydF4y2Ba表2gydF4y2Ba的分类器训练gydF4y2BaEHAPIgydF4y2Ba定义实现了最佳性能。此外，4种定义所得分类器的AUROC一致较高(≥0.86)。高AUROC与CANTRIP结果一致(AUROC为0.87)[gydF4y2Ba10gydF4y2Ba]和Sotoodeh结果(AUROC为0.95)[gydF4y2Ba9gydF4y2Ba］．然而，AUPRC仍然是不可接受的，通过梯度增强获得了最高的性能(0.46)。这些值与现有文献一致，CANTRIP报道的precision和recall分别为0.42和0.71 [gydF4y2Ba10gydF4y2Ba]， Cramer报告的精密度和召回率分别为0.09和0.71 [gydF4y2Ba6gydF4y2Ba］．这表明，为了识别HAPI案例，计算模型产生了相当大一部分假阳性。gydF4y2Ba

局限性和未来工作gydF4y2Ba

cms定义的指南指定HAPI仅是新开发的、未修复的或恶化的pi。不幸的是，这涉及到匹配入院和出院的PI，因为患者可能入院时有>1 PI，出院时有更多或更少的PI。劣化条件单独描述每个PI。然而，鉴于mimi - iii事件表中的数据有限，我们的case标准假设stay只与一个PI相关。进一步分析多个可能的PI位置可以得到更好的分组。然而，除非入院和出院时的皮肤评估以结构化的格式记录，否则匹配pi是困难的。理想情况下，“恶化PI”标准也适用于使用患者病历的PI阳性样本。然而，PI阶段的信息很难从注释中获得，因此在当前的案例定义中没有实现。我们计划在其他数据集中研究HAPI，这些数据集有更好的PI文档实践，以充分理解多个PI的影响。gydF4y2Ba

我们研究的另一个局限性是使用简单的否定检测算法来识别临床记录中PI阳性出现的假阳性。关键字列表忽略结构匹配，如“bedsore: none”，而否定检测主要捕获提到“未观察到bedsore”的文本实例。然而，在更复杂的文本描述中，否定的实例可能会被遗漏，从而在确定的2976个HAPI停留中产生假阳性。手动检查1175的情况下保持标记通过PI关键字提到路线是留给未来的工作。gydF4y2Ba

在97个随机选择的样本之外，增强10个测试集中手工标记的样本是未来研究的另一个途径。小的策展集对于独立分析来说不够大，因为它在测试集之间产生了很大的性能变化。不幸的是，我们的护理注释人员对样本进行注释是劳动密集型的;因此，进一步的注释超出了本文的范围。gydF4y2Ba

此外，我们注意到我们对HAPI定义影响的评估仅基于MIMIC-III。此外，MIMIC-III仅包含在重症监护环境中收集的数据。为了更好地理解HAPI定义的性能影响，需要将影响应用到其他设置，如普通护理单位，以及其他医疗保健系统。我们计划应用这些gydF4y2BaEHAPIgydF4y2Ba在更多的数据集中定义HAPI的标准。gydF4y2Ba

除了对重症监护住院的关注外，mimi - iii还具有独特的人口特征，例如以白种人为主。我们计划测试的普遍性和影响gydF4y2BaEHAPIgydF4y2Ba针对更多具有不同人口统计数据集的案例定义，包括更高比例的非裔美国人、亚裔和西班牙裔个人或不同的保险组合。gydF4y2Ba

最近一项关于PI管理决策支持系统效用的系统综述得出结论，在实践中采用决策支持系统在降低PI发病率和患病率方面具有临床意义，但未观察到统计学意义[gydF4y2Ba24gydF4y2Ba］．这强调了在护士采用数据驱动的PI方法时研究实际挑战的重要性。此外，计算模型的实际部署需要更高的AUPRC以防止误报。因此，一个悬而未决的问题是，除了临床记录之外，整合其他患者信息，如生理测量、患者人口统计数据和药物，是否会产生更好的预测性能。gydF4y2Ba

结论gydF4y2Ba

基于临床数据的HAPI准确定义对于自动化护理质量指标和HAPI机器学习模型的有效比较至关重要。然而，主要挑战之一是PI指标在不同数据源之间的不一致性。我们证明了mimi - iii的3个现有HAPI定义之间缺乏一致性，并强调了每个定义与CMS和AHRQ监管指南之间的差距。然后我们创建了一个细化的定义，即gydF4y2BaEHAPIgydF4y2Ba这更能反映监管准则。我们使用2个不同分类器的实验结果说明了定义对预测性能的影响，当评估一个由2名护士注释者手动标记的小集合和共识集的随机样本(即，所有4个定义在标签上一致)的看不见的组合时。这加强了对高质量的标准化HAPI定义的需求，如gydF4y2BaEHAPIgydF4y2Ba跨多个测试集实现更好的预测性能。gydF4y2Ba