以质量求发展，以服务铸品牌

护理学报 ›› 2020, Vol. 27 ›› Issue (16): 21-24.doi: 10.16460/j.issn1008-9969.2020.16.021

• 文献研究 • 上一篇    下一篇

基于电子病历数据的风险预测模型在临床护理中的应用现状

旷小羿1,2, 侯惠如3   

  1. 1.中国人民解放军医学院,北京 100853;
    2.联参警卫局卫生保健处,北京 100017;
    3.中国人民解放军总医院 第二医学中心 护理部,北京 100853
  • 收稿日期:2020-02-11 出版日期:2020-08-25 发布日期:2020-09-11
  • 通讯作者: 侯惠如（1961-）,女,北京人,硕士,硕士研究生导师,主任护师。E-mail:hhr610626@163.com
  • 作者简介:旷小羿（1987-）,女,四川眉山人,本科学历,硕士研究生在读。
  • 基金资助:
    应用基础研究面上项目（17BJZ50）

  • Received:2020-02-11 Online:2020-08-25 Published:2020-09-11

PDF (PC)

403

赞

摘要： 目的 总结归纳基于电子病历数据的风险预测模型在临床护理应用进展,为风险预测模型的构建提供参考。方法 搜索国内外关于风险预测模型的应用研究文献,从模型构建方式、模型性能指标、应用的护理领域等角度进行综述。结果 基于电子病历数据的风险预测模型在护理领域有一定的开展,能较好地识别患者风险,对护理临床工作具有指导作用,但存在模型构建方式较单一,新技术应用不足,非结构化数据的全面有效提取仍有一定难度、模型性能评价指标不够完善的问题。结论 风险预测模型能在一定程度上识别患者风险,利于护理工作的提前介入和干预,能够更加科学、有效的指导护理临床工作,改善患者结局。

关键词: 电子病历, 风险预测, 预测模型, 数据挖掘

中图分类号: 

  • R47
[1] 杨淼淇,柴华,喻革武. 数字化医院的发展趋势和建设要素[J]. 医学信息, 2010, 23(3):555-556.
[2] Bates DW, Saria S, Ohno-Machado L, et al.Big Data in Health Care: Using Analytics to Identify and Manage High-Risk and High-Cost Patients[J]. Health Aff (Millwood), 2014, 33(7):1123-1131. DOI:10.1377/hlthaff.2014.0041.
[3] Shickel B, Tighe PJ, Bihorac A, et al.Deep Ehr: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record(Ehr)Analysis[J].IEEE J Biomed Health Inform,2018,22(5):1589-1604.DOI:10.1109/JBHI.2017.2767063.
[4] Price WN, Cohen IG.Privacy in the Age of Medical Big Data[J]. Nat Med, 2019, 25(1):37-43. DOI:10.1038/s41591-018-0272-7.
[5] Nelson-Brantley HV, Jenkins P, Chipps E.Turning Health Systems Data into Actionable Information[J]. J Nurs Adm, 2019,49(4):176-178.DOI:10.1097/NNA.0000000000000734.
[6] Austin PC, Tu JV, Ho JE, et al.Using Methods from the Data-Mining and Machine-Learning Literature for Disease Classification and Prediction: A Case Study Examining Classification of Heart Failure Subtypes[J]. J Clin Epidemiol, 2013, 66(4):398-407. DOI:10.1016/j.jclinepi.2012.11.008.
[7] Shah P, Kendall F, Khozin S, et al.Artificial Intelligence and Machine Learning in Clinical Development: A Translational Perspective[J]. NPJ Digit Med, 2019, 2:69. DOI:10.1038/s41746-019-0148-3.
[8] Kohli M, Prevedello LM, Filice RW, et al.Implementing Machine Learning in Radiology Practice and Research[J]. AJR Am J Roentgenol, 2017, 208(4):754-760. DOI:10.2214/ajr.16.17224.
[9] Ge Y, Wang Q, Wang L, et al.Predicting Post-Stroke Pneumonia Using Deep Neural Network Approaches[J].Int J Med Inform, 2019,132(1):33.DOI:10.1016/j.ijmedinf.2019.103986.
[10] Rochefort CM, Buckeridge DL, Forster AJ.Accuracy of Using Automated Methods for Detecting Adverse Events from Electronic Health Record Data:A Research Protocol[J]. Implement Sci, 2015, 10(5):9. DOI:10.1186/s13012-014-0197-6.
[11] 陈沅,吴蓓雯,钱蒨健,等. 成人心血管手术压疮高危预测模型的建立与验证[J]. 护理学杂志, 2019, 34(10):52-54.
[12] 黄华平,何海燕,陈斌,等. 失禁性皮炎风险预测模型的构建及验证研究[J]. 中西医结合护理(中英文), 2019, 5(5):1-5. DOI:10.11997/nitcwm.201905001.
[13] 杨青,王国蓉,江宾,等. 基于决策树的肿瘤患者难免性压疮风险预测模型研究[J]. 护理学杂志, 2019, 34(13): 4-7. DOI:10.3870/j.issn.1001-4152.2019.13.004.
[14] Moon M, Lee SK.Applying of Decision Tree Analysis to Risk Factors Associated with Pressure Ulcers in Long-Term Care Facilities[J]. Healthc Inform Res, 2017, 23(1): 43-52. DOI:10.4258/hir.2017.23.1.43.
[15] 宋杰. 基于大数据技术的皮肤损伤护理不良事件预测模型的构建和平台研发[D]. 北京:中国人民解放军医学院, 2018.
[16] Park JI, Bliss DZ, Chi CL, et al.Knowledge Discovery with Machine Learning for Hospital-Acquired Catheter-Associated Urinary Tract Infections[J].Comput Inform Nurs, 2019, 38(1):8. DOI:10.1097/CIN.0000000000000562.
[17] 刘芬. 老年住院患者PICC相关深静脉血栓危险因素分析及风险评估模型构建[D]. 北京:中国人民解放军医学院, 2017.
[18] 韩莹,李娜. Nomogram预测模型分析早产儿PICC置管并发静脉炎症的风险[J]. 川北医学院学报, 2019, 34(2): 309-312. DOI:10. 3969/j. issn. 1005-3697. 2019. 02.41.
[19] 邢霞,皮红英,郭晓菊. 颅内破裂动脉瘤术前再出血风险预测模型研究[J]. 神经损伤与功能重建, 2017, 12(5): 407-409. DOI:10.16780/j.cnki.sjssgncj.2017.05.009.
[20] 安莹,王艳玲. 慢性阻塞性肺疾病急性加重期患者短期预后预测模型的建立[J]. 中华护理杂志, 2019, 54(1):42-46. DOI:10.3761/j.issn.0254-1769.2019.01.007.
[21] 王娜,李娟,李霞,等. 肝硬化患者肝性脑病风险预测模型的构建及应用研究[J]. 中华护理杂志, 2019, 54(6):805-811. DOI:10.3761/j.issn.0254-1769.2019.06.001.
[22] 张灵芳. 待产期孕妇的风险评估及预测模型的构建[D]. 郑州:郑州大学, 2019.
[23] 张政,杨金红,荆晨晨,等. 肺癌晚期患者死亡风险预测评分系统的构建及评价[J]. 护士进修杂志, 2019, 34(23): 2122-2126. DOI:10.16821 /j. cnki. hsjx.2019.23.003.
[24] 普鹰,张莹,汤佳骏,等. 腹腔镜手术患者术中低体温预测模型的构建及应用[J]. 中华护理杂志, 2019,54(9):1308-1312. DOI:10.3761/j.issn.0254-1769.2019.09.005.
[25] 张家妍,李丽. ICU颅脑损伤术后患者便秘风险预测模型的构建[J]. 临床与病理杂志, 2018, 38(2):329-334. DOI: 10.3978/j.issn.2095-6959.2018.02.017.
[26] Ge Y, Wang Q, Wang L, et al.Predicting Post-Stroke Pneumonia Using Deep Neural Network Approaches[J]. Int J Med Inform, 2019, 132:103986. DOI:10.1016/j.ijmedinf.2019.103986.
[27] CUI J.Overview of Risk Prediction Models in Cardiovascular Disease Research[J]. Ann Epidemiol, 2009, 19(10): 711-717. DOI:10.1016/j.annepidem.2009.05.005.
[28] Wessler BS, Lai Yh L, Kramer W, et al.Clinical Prediction Models for Cardiovascular Disease: Tufts Predictive Analytics and Comparative Effectiveness Clinical Prediction Model Database[J]. Circ Cardiovasc Qual Outcomes, 2015, 8(4):368-375. DOI:10.1161/circoutcomes.115.001693.
[29] 栗伟,赵大哲,李博,等. Crf与规则相结合的医学病历实体识别[J]. 计算机应用研究, 2015, 32(4):1082-1086. DOI: 10.3969 /j. issn.1001-3695. 2015. 04.029.
[30] 包小源,黄婉晶,张凯,等. 非结构化电子病历中信息抽取的定制化方法[J]. 北京大学学报(医学版), 2018, 50(2):256-263.DOI:10.3969 /j.issn.1671-167X.2018.02.010.
[31] Hong N, Wen A, Shen F, et al.Integrating Structured and Unstructured Ehr Data Using an Fhir-based Type System: A Case Study with Medication Data[J]. AMIA Jt Summits Transl Sci Proc, 2018, 2017(1):74-83.
[32] Malmasi S,Hosomura N,Chang LS, et al.Extracting Healthcare Quality Information from Unstructured Data[J]. AMIA Annu Symp Proc, 2017, 2018(1):1243-1252.
[33] 宋杰,章洁,高远,等. 护理不良事件非结构上报内容的自然语言处理及效果比较[J]. 护理学报, 2018, 25(3):1-4.
[34] Zhang C, Ma R, Sun S, et al. Optimizing the Electronic Health Records through Big Data Analytics: A Knowledge-Based View[J]. IEEE Access, 2019, 7:136223-136231. DOI:10.1109/access.2019.2939158.
[35] Tubaishat A.Perceived Usefulness and Perceived Ease of Use of Electronic Health Records among Nurses: Application of Technology Acceptance Model[J]. Inform Health Soc Care,2018, 43(4):379-389.DOI:10.1080/17538157.2017.1363761.
[36] Brom H, Brooks Carthon JM, Ikeaba U, et al.Leveraging Electronic Health Records and Machine Learning to Tailor Nursing Care for Patients at High Risk for Readmissions[J]. J Nurs Care Qual, 2020, 35(1):27-33. DOI:10.1097/NCQ.0000000000000412.
[1] 郑小静, 严红虹, 李慧景, 陈思涓, 陈秀梅. 肝细胞癌伴低血糖症风险预测模型的构建与验证[J]. 护理学报, 2025, 32(4): 53-58.
[2] 伍丽华, 吴心雨, 赖湘瑜, 邓宝贵, 黄泽青, 赵耀, 廖源, 沈彩萍, 李瑜. 人工关节置换术后患者深静脉血栓风险预测模型的系统评价[J]. 护理学报, 2025, 32(3): 12-16.
[3] 李雪, 廖常菊, 张健, 丁娟, 陈晓丽, 胡玉庭. 三级甲等医院ICU护士睡眠障碍的风险预测模型构建及验证[J]. 护理学报, 2025, 32(2): 63-69.
[4] 曹娟, 李方, 于跃, 戴丽, 杨丹丹, 李志华, 徐欣怡, 戴琪, 陈柯宇. 食管癌术后静脉血栓栓塞症风险预测模型的构建及验证[J]. 护理学报, 2024, 31(8): 63-68.
[5] 周越, 张杰, 潘宇帆, 戴雨, 孙羽健, 肖益, 余雨枫. 机械通气患者衰弱风险预测模型的系统评价[J]. 护理学报, 2024, 31(6): 56-61.
[6] 吴觅之, 刘文生, 潘红英, 余红梅, 黄晨. 住院患者器械相关压力性损伤的数据挖掘及防范对策分析[J]. 护理学报, 2024, 31(5): 34-38.
[7] 邢春凤, 李国新, 张广清, 刘雅鑫, 孙晓伟. 产妇产褥期乳房胀痛危险因素分析及风险预测模型构建[J]. 护理学报, 2024, 31(3): 6-11.
[8] 王丽云, 张明慧, 张新月, 沙凯辉. 产后压力性尿失禁风险预测模型的系统评价[J]. 护理学报, 2024, 31(3): 57-62.
[9] 赵国瑞, 刘高明, 张凤, 周颖. 宫颈癌患者术后下肢淋巴水肿风险预测模型的构建及验证[J]. 护理学报, 2024, 31(24): 7-12.
[10] 王月, 刘国庆, 牛聪影, 张振伟, 孙建, 褚友艾, 秦寒枝. 髋部骨折患者术后30天死亡风险预测模型的范围综述[J]. 护理学报, 2024, 31(24): 51-56.
[11] 杨丽娜, 黄蓉, 姚梅琦, 王竹青, 徐怡婷, 谢佩敏. 产后母乳喂养行为中断风险预测模型的系统评价[J]. 护理学报, 2024, 31(23): 59-65.
[12] 章明阳, 刘京辉, 金雁, 徐文琪, 李斌飞, 黄珊, 杜李百合, 侯亚甜, 李小寒. 围手术期低体温风险预测模型的系统评价[J]. 护理学报, 2024, 31(22): 54-60.
[13] 严菁菁, 叶然, 葛莹莹. 基于数据挖掘对头痛吸嗅方的用药规律分析[J]. 护理学报, 2024, 31(2): 75-78.
[14] 陆镇涛, 石福霞, 王玉慧, 郭敬. 基于数据挖掘的耳穴贴压干预癌因性疲乏的临床应用规律[J]. 护理学报, 2024, 31(19): 8-11.
[15] 姜宁宁. 连续性肾脏替代治疗患者低体温发生风险列线图预测模型构建与验证[J]. 护理学报, 2024, 31(19): 65-72.
Viewed
Full text


Abstract

Cited
  Shared   
No Suggested Reading articles found!