基于數據挖掘技術構建導管相關感染關聯規則的應用與展望

夏 婧,歐陽慶,申 丹,張 智,劉清梅,肖 真,盧 軍

留置中心靜脈導管、導尿管已廣泛應用于危重癥病人的治療中,但隨之發生的導管相關感染給病人的最終治療效果帶來影響。研究顯示,由于中心靜脈導管相關血流感染(catheter related blood stream infection,CRBSI)所致死亡率為12%～40%,帶來的經濟負擔歸因于CRBSI的成本中位數為3 528.6美元,是農民人均凈收入(1 561.7美元)的2.3倍[1-2];美國疾病控制和預防中心研究顯示醫院發生導尿管相關尿路感染(catheter-associated urinary tract infection,CAUTI)的占比達到醫院獲得性感染的9%[3]。鑒于循證策略,通過有效的護理干預可以使65%～70%的CAUTI和CRBSI得到有效預防[4],為幫助臨床護士早期識別導管感染風險[5-6],通過數據分析技術對導管相關感染的臨床數據進行挖掘,預測發生導管相關感染的強關聯規則,實現對高危風險因素的精準預測。基于數據挖掘(data mining,DM)融合了智能與統計技術,在醫療等領域得到廣泛應用。本研究對數據挖掘在導管相關感染防控中的應用進行綜述,以期為臨床降低導管相關感染提供新的護理管理思路和方法。

1 數據挖掘概述及關聯規則法

數據挖掘由美國計算機協會(ACM)在1995年提出[7],是在大量的、復雜的、模糊的數據中通過數據準備、數據挖掘和結果輸出3個階段來提取具有潛在應用價值的信息或模式,實現關聯分析、聚類分布、規律探索等功能。關聯規則法是數據挖掘常用的技術之一。Agrawal[8]在1993年首次提出,具有反映項與項之間的相關關系的作用。次年Agrawal提出了最經典的Apriori算法[9],此算法是通過探索數據之間未知的、潛在的關聯聯系,挖掘數據的顯性和隱性價值。Apriori算法在分析數據與事物特征之間的關聯關系中常常易被接受與解釋,已經作為一種數據分析技術,在購物籃分析、推薦系統、醫療診斷方面得到廣泛應用。

2 數據挖掘技術的多學科應用

國內應用數據挖掘技術涉及的領域主要集中在金融、電信、臨床醫學等。在金融行業財務報表的重大錯報風險識別中,徐靜等[10]運用數據挖掘找出流動比率、速動比率、現金比率等10個重要變量,構建分類預測模型為注冊會計師精準判斷財務報表重大錯報線索提供決策支持。在電子電信行業中王圓春等[11]提出基于關聯規則挖掘的頻譜數據挖掘,能很好地得到各種電磁參量的關聯關系,起到全面評價電磁環境的作用。數據挖掘技術因其對多量數據、多類數據、多變數據具有優越的處理和分析作用,已成為至關重要的數據分析技術。

隨著醫療健康產業信息化水平的不斷提升,云計算、大數據等得到深度融合,醫學數據已不再局限于單一管理,而是通過科學有效的數據分析輔助技術向臨床應用等方向發展。作為醫學研究的前沿領域,數據挖掘在醫學上應用較廣泛的區域集中在醫學診斷規則化、醫學影像處理、臨床醫學決策等[12],主要是通過對海量醫療數據進行集中、整合、分析,最終得到隱藏其中的具有研究意義的醫療資源。談俊燕等[13-14]運用關聯規則Apriori算法對高尿酸血癥病人的常規代謝指標數據進行挖掘,找出慢性病之間的關聯強度,確定了高血壓、肌酐、三酰甘油等是高尿酸血癥的重要危險因素。蘆錳等[15]以阿爾茨海默病為主題,分析中醫藥治療首方劑使用規律,得出治療整體原則,為臨床用藥的選擇提供指導建議。數據挖掘技術在臨床醫學中運用,不僅能讓臨床工作者有效整合龐大的健康醫療數據,還能利用數據項集找出關聯規則,支持臨床決策。

3 數據挖掘在護理數據管理中的應用

3.1 數據挖掘在護理領域中的應用

數據挖掘技術作為一種數據處理核心技術已在臨床醫學、藥學等領域得到廣泛應用,然而在護理學研究中的應用率不到25%[16],不過基于關聯規則的數據挖掘可以發現更多的護理新規律[17]。國家衛生健康委員會頒布的《全國護理事業發展規劃(2021—2025年)》[18]文件中明確提出,借助信息化達到逐步實現護理管理精細化的要求。隨著智慧醫療的發展,醫療機構已逐漸實現各區域內多數據的互通與共享,大量護理信息數據不斷迭代,只有通過對長期積累的數據進行深度開發,才可以挖掘出數據的更大潛能,達到優化護理服務流程的目的[19]。但目前護理數據的大量積累與護理數據的管理滯后導致出現“護理數據豐富、護理知識缺乏”的困局[20]。馬麗莉等[21]指出將護理數據服務于護理學科還存在巨大的開發空間,從目前現代智慧護理發展現況來看[22],護理數據的資源整合、數據處理技術的運用、護理信息人才發展等問題仍然存在,亟需充分運用新型數字技術來達到“十四五”數字經濟發展規劃[23]中關于推動醫療健康領域資源數字化供給和服務的要求。

將護理數據與數據挖掘技術相結合,實現從收集的護理數據中獲取頻繁項集,提煉有價值的信息,從而發現護理高風險因素的潛在關聯,并依據強關聯規則制定護理風險防范機制。

3.2 數據挖掘在分析護理風險預警中的應用

在臨床護理工作中常遇到病人疾病的復雜多變、病情的迅速發展,進一步增大了護理風險,護理安全管理需由不良事件的原因分析前移至風險預警管理,以此干預護理高風險因素。王婧[24]就胃腸管非計劃性拔管的原因分析中收集到的數據進行關聯規則運算,得出意識、高齡、約束等6條高風險因素,改良了重點時段、重點環節、重點方式的管理流程,將胃腸管非計劃性拔管的風險阻斷在前期的預警中,有效杜絕不良事件的發生。杜婷婷等[25]在基于關聯規則算法的數據挖掘中,獲取手術室護理安全事件的特性,涵蓋醫護溝通、制度執行、關注人群、人員培訓等關聯因素,制定安全風險預警流程規范,對安全事件的防范體系建立提供指導性意見。Lucero等[26]通過對臨床護理記錄數據進行觀察性病例對照研究,發現了發生院內跌倒新的高風險因素,包括易致跌倒藥物的使用數量、血紅蛋白水平、物理治療的實施以及護理人員排班搭配等。量變引發質變,運用數據挖掘技術將復雜數據中的潛在規律挖掘出來,為臨床風險防范的制定提供嚴謹的科學依據。

3.3 數據挖掘在分析護理決策中的應用

病人在住院周期內有來源于各項檢驗數據、影像數據、疾病信息、護理評估等產生的醫療數據,存在信息量大、涉及部門廣等特點,臨床需要花費大量時間進行分析,致使臨床護士在繁忙的工作中很難短時間內做出精準理想的決策[27]。在信息數據量龐大的背景下數據挖掘技術已被開發為減少錯誤決策的方法[28],并試圖用以改善臨床各個領域的決策過程。章玲等[29]對中醫護理干預下乳腺增生常用的腧穴配伍規律進行關聯規則分析,提取出以胸腹部居多的腧穴處方,以及使用頻次較多的前3位穴位,進一步為決策穴位的選擇提供可靠的循證依據。在護理決策支持系統過程中通過數據挖掘技術的運用,對復雜的護理數據進行綜合分析,達到化繁為簡獲得理想的輸出決策結果。

3.4 數據挖掘在分析導管相關感染中的應用

3.4.1 數據挖掘輔助預測院內感染風險

使用關聯規則法識別醫院獲得性感染是新穎且有用的方法[30],Park等[31]運用數據挖掘技術識別發生CRBSI的頻繁項集因素包括女性、年齡>50歲、導管留置時間長(>48 h)、存在嚴重潛在疾病等,最后研究得出每位病人獲得更多的護理時間能讓病人得到更好的護理結果,降低CAUTI發生率。數據挖掘技術以探索和分析過程,建立風險預測模型來解決醫院獲得性感染問題。有研究證實使用數據挖掘技術能成功預測CRBSI,其準確率高達89.7%,預測風險有助于更好實施有效的護理計劃,降低住院成本[32]。邊靜等[33]通過關聯規則對國家護理質量數據平臺中呼吸機相關性肺炎發生的風險因素進行挖掘,得出52條關聯規則,從而指導臨床對高危病人落實精準的預防措施。

3.4.2 數據挖掘應用在降低導管相關感染的可行性

導管相關感染是阻礙醫療質量和技術發展的要素之一,為減少導管相關感染,國家衛生健康委醫院管理研究所在2021年發布了預防血管內導管相關性血流感染過程質控工具包(試用版)[34],全國護理質量促進聯盟發布了護理質量過程管控工具包——預防CAUTI集束化護理措施和核查表(以下簡稱集束化護理措施和核查表),臨床運用評價指引和集束化管理措施作為預防導管相關感染的主要干預手段,但因缺乏基于導管感染數據的分析與研究[35],難以達到預判導管相關感染發生的關聯因素,對導管相關性感染發生率的降低仍缺乏預警機制及新的管理方法。

運用數據挖掘技術分析病人并發導管相關感染的相關信息,包括年齡、性別、置管人員資質、置管無菌屏障的建立、導管的維護等方面,形成數據項集從而構建導管相關感染關聯規則,為置管病人并發導管相關感染的風險預警提供科學支持,指導臨床護理工作。

4 小結與展望

綜上所述,運用關聯規則的數據挖掘技術是臨床護理安全管理的利器,給臨床實踐與信息化管理帶來發展動力,在輔助護理預警、護理決策、早期識別感染風險等方面有著豐碩的成果。目前,臨床預防導管相關感染使用預防血管內導管相關性血流感染過程質控工具包(試用版)中的置管依從性評價指引已有2年時間,集束化護理措施和核查表也已有廣泛的運用,臨床積累了大量評價數據與感染數據,因此可以通過運用基于關聯規則的數據挖掘技術來明確置管依從性評價指引和集束化護理措施及核查表對預防導管相關感染的臨床意義,從而構建導管相關感染關聯規則,挖掘出新的護理知識,制定個性化導管置管與維護評價指引清單,進一步指導導管相關感染預防措施的開展。