[发明专利]一种基于大数据挖掘模型预测住院压力性损伤愈合的方法

权利要求书

1.一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：包括以下步骤：

步骤一：首先收集人口学特征资料：包括年龄、性别、入院科室、住院天数；

步骤二：收集压力性损伤相关情况：包括Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积、压力性损伤来源，同一身体部位发生多处压力性损伤计为1例压力性损伤录入分析，对于发生1例以上压力性损伤患者，压力性损伤分期以分期最高处录入分析，压力性损伤面积以总创伤面积录入分析；

步骤三：收集患者健康状况和疾病资料：包括主要诊断、合并疾病个数、有无慢性基础疾病合并征、有无恶性肿瘤、有无周围血管疾病、MAP、体温情况；

步骤四：收集血常规和血生化指标：包括红细胞计数、血红蛋白值、总蛋白值、白蛋白值；

步骤五：收集干预措施：包括伤口处理、保护性敷料的使用、床垫的使用、翻身间隔时间、营养支持；

步骤六：以压力性损伤愈合与否为因变量对可能影响压力性损伤愈合的相关因素进行单因素分析，符合正态分布或近似正态分布计量资料的组间比较采用独立样本t检验，非正态分布计量资料的组间比较采用Mann-Whitney U检验，计数资料组间比较采用卡方检验或Fisher精确检验，等级资料的组间比较采用秩和检验，将单因素分析中P<0.05的变量进一步纳入多因素二元logistic回归分析，以寻找独立危险因素，将回归分析中P<0.1的变量纳入回归方程中，建立Logistic回归模型，将最终纳入Logistic回归方程中的变量引入StataSE 15软件，建立列线图预测模型；

步骤七：对列线图预测模型进行区分度和校准度评价，预测模型的区分度可用AUCROC进行评价，预测模型的校准度可用拟合优度检验和校正曲线进行评价，采用灵敏度和特异度来确定列线图预测模型的预测截断值。

2.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤二中Braden评分、压力性损伤发生部位、合并压力性损伤个数、压力性损伤分期、压力性损伤面积均取入院初次评估结果录入分析。

3.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤三中主要诊断、合并疾病个数以及慢性基础疾病合并征情况由医疗记录单中“出院诊断”获得，MAP由入院首次血压值计算所得，其公式为：(收缩压+2×舒张压)/3，体温情况由体温单获得，均采用腋温,正常值范围为36℃～37℃。

4.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤四中红细胞计数、血红蛋白值、总蛋白值、白蛋白值指标均取出院前最新检验值，由病历资料血常规检验报告单以及血生化检验报告单获得。

5.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤七中预测模型的校准度可用拟合优度检验和校正曲线进行评价，拟合优度检验P>0.20即认为校准度可以接受。

6.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤七中预测模型的区分度用AUCROC进行评价,AUCROC的数值范围为0.5～1.0，数值越大表明其预测的真实性越高，预测模型鉴别能力越强。

7.根据权利要求1所述的一种基于大数据挖掘模型预测住院压力性损伤愈合的方法，其特征在于：所述步骤七中列线图预测模型的预测截断值的确定采用ROC曲线研究中的灵敏度和特异度图判断列线图预测模型的预测截断值，预测截断值的确定，应以灵敏度和特异度都比较高为理想，即灵敏度和特异度曲线相交点所对应的概率值为截断值。