夏 婧,欧阳庆,申 丹,张 智,刘清梅,肖 真,卢 军

留置中心静脉导管、导尿管已广泛应用于危重症病人的治疗中,但随之发生的导管相关感染给病人的最终治疗效果带来影响。研究显示,由于中心静脉导管相关血流感染(catheter related blood stream infection,CRBSI)所致死亡率为12%～40%,带来的经济负担归因于CRBSI的成本中位数为3 528.6美元,是农民人均净收入(1 561.7美元)的2.3倍[1-2];美国疾病控制和预防中心研究显示医院发生导尿管相关尿路感染(catheter-associated urinary tract infection,CAUTI)的占比达到医院获得性感染的9%[3]。鉴于循证策略,通过有效的护理干预可以使65%～70%的CAUTI和CRBSI得到有效预防[4],为帮助临床护士早期识别导管感染风险[5-6],通过数据分析技术对导管相关感染的临床数据进行挖掘,预测发生导管相关感染的强关联规则,实现对高危风险因素的精准预测。基于数据挖掘(data mining,DM)融合了智能与统计技术,在医疗等领域得到广泛应用。本研究对数据挖掘在导管相关感染防控中的应用进行综述,以期为临床降低导管相关感染提供新的护理管理思路和方法。

1 数据挖掘概述及关联规则法

数据挖掘由美国计算机协会(ACM)在1995年提出[7],是在大量的、复杂的、模糊的数据中通过数据准备、数据挖掘和结果输出3个阶段来提取具有潜在应用价值的信息或模式,实现关联分析、聚类分布、规律探索等功能。关联规则法是数据挖掘常用的技术之一。Agrawal[8]在1993年首次提出,具有反映项与项之间的相关关系的作用。次年Agrawal提出了最经典的Apriori算法[9],此算法是通过探索数据之间未知的、潜在的关联联系,挖掘数据的显性和隐性价值。Apriori算法在分析数据与事物特征之间的关联关系中常常易被接受与解释,已经作为一种数据分析技术,在购物篮分析、推荐系统、医疗诊断方面得到广泛应用。

2 数据挖掘技术的多学科应用

国内应用数据挖掘技术涉及的领域主要集中在金融、电信、临床医学等。在金融行业财务报表的重大错报风险识别中,徐静等[10]运用数据挖掘找出流动比率、速动比率、现金比率等10个重要变量,构建分类预测模型为注册会计师精准判断财务报表重大错报线索提供决策支持。在电子电信行业中王圆春等[11]提出基于关联规则挖掘的频谱数据挖掘,能很好地得到各种电磁参量的关联关系,起到全面评价电磁环境的作用。数据挖掘技术因其对多量数据、多类数据、多变数据具有优越的处理和分析作用,已成为至关重要的数据分析技术。

随着医疗健康产业信息化水平的不断提升,云计算、大数据等得到深度融合,医学数据已不再局限于单一管理,而是通过科学有效的数据分析辅助技术向临床应用等方向发展。作为医学研究的前沿领域,数据挖掘在医学上应用较广泛的区域集中在医学诊断规则化、医学影像处理、临床医学决策等[12],主要是通过对海量医疗数据进行集中、整合、分析,最终得到隐藏其中的具有研究意义的医疗资源。谈俊燕等[13-14]运用关联规则Apriori算法对高尿酸血症病人的常规代谢指标数据进行挖掘,找出慢性病之间的关联强度,确定了高血压、肌酐、三酰甘油等是高尿酸血症的重要危险因素。芦锰等[15]以阿尔茨海默病为主题,分析中医药治疗首方剂使用规律,得出治疗整体原则,为临床用药的选择提供指导建议。数据挖掘技术在临床医学中运用,不仅能让临床工作者有效整合庞大的健康医疗数据,还能利用数据项集找出关联规则,支持临床决策。

3 数据挖掘在护理数据管理中的应用

3.1 数据挖掘在护理领域中的应用

数据挖掘技术作为一种数据处理核心技术已在临床医学、药学等领域得到广泛应用,然而在护理学研究中的应用率不到25%[16],不过基于关联规则的数据挖掘可以发现更多的护理新规律[17]。国家卫生健康委员会颁布的《全国护理事业发展规划(2021—2025年)》[18]文件中明确提出,借助信息化达到逐步实现护理管理精细化的要求。随着智慧医疗的发展,医疗机构已逐渐实现各区域内多数据的互通与共享,大量护理信息数据不断迭代,只有通过对长期积累的数据进行深度开发,才可以挖掘出数据的更大潜能,达到优化护理服务流程的目的[19]。但目前护理数据的大量积累与护理数据的管理滞后导致出现“护理数据丰富、护理知识缺乏”的困局[20]。马丽莉等[21]指出将护理数据服务于护理学科还存在巨大的开发空间,从目前现代智慧护理发展现况来看[22],护理数据的资源整合、数据处理技术的运用、护理信息人才发展等问题仍然存在,亟需充分运用新型数字技术来达到“十四五”数字经济发展规划[23]中关于推动医疗健康领域资源数字化供给和服务的要求。

将护理数据与数据挖掘技术相结合,实现从收集的护理数据中获取频繁项集,提炼有价值的信息,从而发现护理高风险因素的潜在关联,并依据强关联规则制定护理风险防范机制。

3.2 数据挖掘在分析护理风险预警中的应用

在临床护理工作中常遇到病人疾病的复杂多变、病情的迅速发展,进一步增大了护理风险,护理安全管理需由不良事件的原因分析前移至风险预警管理,以此干预护理高风险因素。王婧[24]就胃肠管非计划性拔管的原因分析中收集到的数据进行关联规则运算,得出意识、高龄、约束等6条高风险因素,改良了重点时段、重点环节、重点方式的管理流程,将胃肠管非计划性拔管的风险阻断在前期的预警中,有效杜绝不良事件的发生。杜婷婷等[25]在基于关联规则算法的数据挖掘中,获取手术室护理安全事件的特性,涵盖医护沟通、制度执行、关注人群、人员培训等关联因素,制定安全风险预警流程规范,对安全事件的防范体系建立提供指导性意见。Lucero等[26]通过对临床护理记录数据进行观察性病例对照研究,发现了发生院内跌倒新的高风险因素,包括易致跌倒药物的使用数量、血红蛋白水平、物理治疗的实施以及护理人员排班搭配等。量变引发质变,运用数据挖掘技术将复杂数据中的潜在规律挖掘出来,为临床风险防范的制定提供严谨的科学依据。

3.3 数据挖掘在分析护理决策中的应用

病人在住院周期内有来源于各项检验数据、影像数据、疾病信息、护理评估等产生的医疗数据,存在信息量大、涉及部门广等特点,临床需要花费大量时间进行分析,致使临床护士在繁忙的工作中很难短时间内做出精准理想的决策[27]。在信息数据量庞大的背景下数据挖掘技术已被开发为减少错误决策的方法[28],并试图用以改善临床各个领域的决策过程。章玲等[29]对中医护理干预下乳腺增生常用的腧穴配伍规律进行关联规则分析,提取出以胸腹部居多的腧穴处方,以及使用频次较多的前3位穴位,进一步为决策穴位的选择提供可靠的循证依据。在护理决策支持系统过程中通过数据挖掘技术的运用,对复杂的护理数据进行综合分析,达到化繁为简获得理想的输出决策结果。

3.4 数据挖掘在分析导管相关感染中的应用

3.4.1 数据挖掘辅助预测院内感染风险

使用关联规则法识别医院获得性感染是新颖且有用的方法[30],Park等[31]运用数据挖掘技术识别发生CRBSI的频繁项集因素包括女性、年龄>50岁、导管留置时间长(>48 h)、存在严重潜在疾病等,最后研究得出每位病人获得更多的护理时间能让病人得到更好的护理结果,降低CAUTI发生率。数据挖掘技术以探索和分析过程,建立风险预测模型来解决医院获得性感染问题。有研究证实使用数据挖掘技术能成功预测CRBSI,其准确率高达89.7%,预测风险有助于更好实施有效的护理计划,降低住院成本[32]。边静等[33]通过关联规则对国家护理质量数据平台中呼吸机相关性肺炎发生的风险因素进行挖掘,得出52条关联规则,从而指导临床对高危病人落实精准的预防措施。

3.4.2 数据挖掘应用在降低导管相关感染的可行性

导管相关感染是阻碍医疗质量和技术发展的要素之一,为减少导管相关感染,国家卫生健康委医院管理研究所在2021年发布了预防血管内导管相关性血流感染过程质控工具包(试用版)[34],全国护理质量促进联盟发布了护理质量过程管控工具包——预防CAUTI集束化护理措施和核查表(以下简称集束化护理措施和核查表),临床运用评价指引和集束化管理措施作为预防导管相关感染的主要干预手段,但因缺乏基于导管感染数据的分析与研究[35],难以达到预判导管相关感染发生的关联因素,对导管相关性感染发生率的降低仍缺乏预警机制及新的管理方法。

运用数据挖掘技术分析病人并发导管相关感染的相关信息,包括年龄、性别、置管人员资质、置管无菌屏障的建立、导管的维护等方面,形成数据项集从而构建导管相关感染关联规则,为置管病人并发导管相关感染的风险预警提供科学支持,指导临床护理工作。

4 小结与展望

综上所述,运用关联规则的数据挖掘技术是临床护理安全管理的利器,给临床实践与信息化管理带来发展动力,在辅助护理预警、护理决策、早期识别感染风险等方面有着丰硕的成果。目前,临床预防导管相关感染使用预防血管内导管相关性血流感染过程质控工具包(试用版)中的置管依从性评价指引已有2年时间,集束化护理措施和核查表也已有广泛的运用,临床积累了大量评价数据与感染数据,因此可以通过运用基于关联规则的数据挖掘技术来明确置管依从性评价指引和集束化护理措施及核查表对预防导管相关感染的临床意义,从而构建导管相关感染关联规则,挖掘出新的护理知识,制定个性化导管置管与维护评价指引清单,进一步指导导管相关感染预防措施的开展。