目的为初步明确院前急救全程信息化管理软件应用对严重创伤院内急诊救治质控时间的影响,特实施本项目。方法纳入符合纳排标准的严重创伤患者42例,以项目组完成"浙里急救"信息软件开发实施为时间节点,将符合纳排标准的严重创...目的为初步明确院前急救全程信息化管理软件应用对严重创伤院内急诊救治质控时间的影响,特实施本项目。方法纳入符合纳排标准的严重创伤患者42例,以项目组完成"浙里急救"信息软件开发实施为时间节点,将符合纳排标准的严重创伤患者基于救治团队成员进行匹配,分为对照组与观察组。对照组患者采取常规院前院内信息交接管理流程,观察组患者采取基于院前急救信息化交接流程;评价院前急救信息化交接对两组患者严重创伤救治急诊质控时间的影响。结果对比两组患者损伤控制性处置环节相关质控指标发现,较对照组患者,观察组患者更早获得绿色通道建档(2.0 min vs.0.0 min),更早完成血标本采集(4.0 min vs.2.0 min),首次给药时间更早(4.0 min vs.2.0 min),院内首剂氨甲环酸给药时间更早(8.0 min vs.5.0 min),损伤控制性处置完成时间较对照组更早完成(15.0 min vs.12.0 min,),以上质控相关指标比较差异均具有统计学意义(P<0.01)。在急诊救治关键质控指标考核方面,观察组患者多学科救治院前启动例次(7 vs.1)、多学科救治团队到达时间(14.0 min vs.6.0 min),观察组患者更早完成CT扫描(CT扫描完成时间23.0 min vs.20.0 min),观察组患者更早送出急诊室转入手术/病房住院(急诊室滞留时长60.5 min vs.49.4 min),以上质控相关指标差异均具有统计学意义(均P<0.05)。结论院前急救全程信息化管理软件的应用可以加快创伤患者院内急诊救治质控流程运行,缩短严重创伤患者急诊室滞留时长,提升患者急诊室救治效率。展开更多
目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对...目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对象,对其重症医学特征数据和第三代儿童死亡风险(pediatric risk of mortality,PRISMⅢ)评分系统的相关数据进行收集和处理,基于逻辑回归、决策树模型、Relief算法3种机器学习模型构建风险预测模型,利用反向传播神经网络构建转诊结局预测模型对风险预测模型所选医学特征进行验证和分析,探寻影响院际转运风险的关键医学特征。结果在纳入的549例转诊患儿中,新生儿222例(40.44%),非新生儿327例(59.56%),院内死亡50例,病死率为9.11%。对所收集的151项重症患儿医学特征数据进行数据处理,三种模型各自选取影响转诊结局的前15项重要的特征,共有34项入选。其中决策树模型所选特征与PRISMⅢ指标的重叠度为72.7%,高于逻辑回归的36.4%和Relief算法的27.3%,且训练预测精确率为0.94,也高于纳入所有特征训练精确率0.90,表明决策树模型是一种具有良好临床实用性的预测模型。在决策树入选的前15项重要特征中,通过量化特征的小提琴图对转诊结局影响的大小排序为:碱剩余、总胆红素、钙离子、总耗时、动脉氧分压、血液(包括白细胞、血小板、凝血酶原时间/凝血活酶时间)、二氧化碳分压、血糖、收缩压、心率、器官衰竭、乳酸、毛细血管再充盈时间、体温、发绀,其中有8项重要特征与PRISMⅢ的指标重叠,分别是收缩压、心率、体温、瞳孔反射、神志状态、酸中毒、动脉氧分压、二氧化碳分压、血液、血糖。利用决策树分别对新生儿和非新生儿两个数据集选择有高度影响的前15个医学特征,共有19项特征入选,其中新生儿与非新生儿的重要特征之间有8个差异项和11个重叠项。结论机器学习模型可作为预测重症患儿院际转运风险的可靠工具。决策树模型具有较佳的性能,有助于识别影响院际转运风险的关键医学特征,提高重症患儿院际转运的成功率。展开更多
文摘目的为初步明确院前急救全程信息化管理软件应用对严重创伤院内急诊救治质控时间的影响,特实施本项目。方法纳入符合纳排标准的严重创伤患者42例,以项目组完成"浙里急救"信息软件开发实施为时间节点,将符合纳排标准的严重创伤患者基于救治团队成员进行匹配,分为对照组与观察组。对照组患者采取常规院前院内信息交接管理流程,观察组患者采取基于院前急救信息化交接流程;评价院前急救信息化交接对两组患者严重创伤救治急诊质控时间的影响。结果对比两组患者损伤控制性处置环节相关质控指标发现,较对照组患者,观察组患者更早获得绿色通道建档(2.0 min vs.0.0 min),更早完成血标本采集(4.0 min vs.2.0 min),首次给药时间更早(4.0 min vs.2.0 min),院内首剂氨甲环酸给药时间更早(8.0 min vs.5.0 min),损伤控制性处置完成时间较对照组更早完成(15.0 min vs.12.0 min,),以上质控相关指标比较差异均具有统计学意义(P<0.01)。在急诊救治关键质控指标考核方面,观察组患者多学科救治院前启动例次(7 vs.1)、多学科救治团队到达时间(14.0 min vs.6.0 min),观察组患者更早完成CT扫描(CT扫描完成时间23.0 min vs.20.0 min),观察组患者更早送出急诊室转入手术/病房住院(急诊室滞留时长60.5 min vs.49.4 min),以上质控相关指标差异均具有统计学意义(均P<0.05)。结论院前急救全程信息化管理软件的应用可以加快创伤患者院内急诊救治质控流程运行,缩短严重创伤患者急诊室滞留时长,提升患者急诊室救治效率。
文摘目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对象,对其重症医学特征数据和第三代儿童死亡风险(pediatric risk of mortality,PRISMⅢ)评分系统的相关数据进行收集和处理,基于逻辑回归、决策树模型、Relief算法3种机器学习模型构建风险预测模型,利用反向传播神经网络构建转诊结局预测模型对风险预测模型所选医学特征进行验证和分析,探寻影响院际转运风险的关键医学特征。结果在纳入的549例转诊患儿中,新生儿222例(40.44%),非新生儿327例(59.56%),院内死亡50例,病死率为9.11%。对所收集的151项重症患儿医学特征数据进行数据处理,三种模型各自选取影响转诊结局的前15项重要的特征,共有34项入选。其中决策树模型所选特征与PRISMⅢ指标的重叠度为72.7%,高于逻辑回归的36.4%和Relief算法的27.3%,且训练预测精确率为0.94,也高于纳入所有特征训练精确率0.90,表明决策树模型是一种具有良好临床实用性的预测模型。在决策树入选的前15项重要特征中,通过量化特征的小提琴图对转诊结局影响的大小排序为:碱剩余、总胆红素、钙离子、总耗时、动脉氧分压、血液(包括白细胞、血小板、凝血酶原时间/凝血活酶时间)、二氧化碳分压、血糖、收缩压、心率、器官衰竭、乳酸、毛细血管再充盈时间、体温、发绀,其中有8项重要特征与PRISMⅢ的指标重叠,分别是收缩压、心率、体温、瞳孔反射、神志状态、酸中毒、动脉氧分压、二氧化碳分压、血液、血糖。利用决策树分别对新生儿和非新生儿两个数据集选择有高度影响的前15个医学特征,共有19项特征入选,其中新生儿与非新生儿的重要特征之间有8个差异项和11个重叠项。结论机器学习模型可作为预测重症患儿院际转运风险的可靠工具。决策树模型具有较佳的性能,有助于识别影响院际转运风险的关键医学特征,提高重症患儿院际转运的成功率。
