汉化版Cubbin & Jackson量表与Braden量表在ICU压疮风险评估中的应用比较

目的测定Braden量表、汉化版CubbinJackson量表在ICU患者中使用的临床效度。方法由2名调查员应用Braden量表、汉化的CubbinJackson量表同时对169例入住ICU患者进行压疮风险评估,计算各评估工具的灵敏度、特异度、阳性预测值、阴性预测值。结果169例中发生压疮25例,Braden量表及汉化的CubbinJackson量表的预测临界值分别在13分和24分时灵敏度、特异度、阳性预测值、阴性预测值最佳;Braden量表的灵敏度、特异度、阳性预测值、阴性预测值分别为32.00%、90.97%、38.09%、88.51%,汉化版CubbinJackson量表分别为56.00%、95.14%、66.67%、92.57%;两者的ROC曲线下面积分别是0.63和0.88。结论汉化版CubbinJackson量表较Braden量表更适合于ICU患者的压疮风险评估。     

7种营养筛查工具对癌症患者营养筛查准确性的网状Meta分析

目的 使用网状Meta分析比较不同营养筛查工具在癌症患者营养筛查中的准确性,为临床营养筛查工具的正确选择提供循证依据。方法 检索中国知网、万方数据库、维普、中国生物医学文献数据库、Cochrane Library、PubMed、Web of Science、Embase数据库,收集有关营养筛查工具的诊断性试验研究文献,检索时间从各数据库建库至2021年10月。采用Stata15.0和WinBUGS1.4.3进行统计分析。结果 共纳入22篇文献,包含5 936例患者。网状Meta分析排序结果显示,在7种营养筛查工具中,患者主观整体营养状况评估表(PG-SGA)灵敏度和阴性预测值的累积排序概率曲线下面积最高,营养不良通用筛查工具(MUST)特异度、阳性预测值和准确度的累积排序概率曲线下面积最高;聚类分析结果显示,MUST在7种癌症患者营养筛查工具中距离原点最远。结论 MUST可作为癌症患者营养筛查的首选工具,PG-SGA可作为首次确诊癌症患者营养筛查工具,但需进一步研究。     

COMHON量表和Braden量表在ICU纵隔术后患者压力性损伤风险评估中的比较

目的比较COMHON量表和Braden量表在ICU纵隔手术后患者压力性损伤风险评估中的预测效能。方法便利选取胸腔外科行纵隔手术治疗后入住ICU的232例患者为研究对象,采用COMHON量表和Braden量表对其进行压力性损伤风险评估。结果在72 h观察期内共29例(12.5%)患者发生压力性损伤,分期均为1期。使用两种量表评估时,压力性损伤组与非压力性损伤组量表总评分差异有统计学意义(均P0.01)。Braden量表ROC曲线下面积为0.747,当总分为13.5分时,约登指数为0.522,预测价值最大;COMHON量表ROC曲线下面积为0.976,当总分为9.5分时,约登指数为0.828,预测价值最大。结论 Braden量表和COMHON量表均可有效评估ICU纵隔手术后患者压力性损伤发生风险,而COMHON量表的预测效能高于Braden量表。     

手术室专用Munro压力性损伤风险评估量表的研究进展

本文通过文献复习,阐述手术室专用Munro压力性损伤风险评估量表的研究进展,以期为手术患者压力性损伤的风险因素筛查及管理提供参考.     

不同筛查工具对脑卒中后误吸筛查准确性的网状Meta分析

目的采用网状Meta分析方法评价常用误吸筛查工具的筛查价值.方法计算机检索PubMed、TheCochraneLibrary、Em-base、CINAHL、Web of Science、中国知网、万方数据库、维普数据库和中国生物医学文献数据库,搜集建库至2020年3月脑卒中后床边筛查工具筛查误吸的研究.由2名研究者独立...     

无创通气设备不同连接方式对NICU患儿鼻部压力性损伤的网状Meta分析

目的 采用网状Meta分析评价无创通气设备不同连接方式对NICU患儿鼻部压力性损伤发生的影响。方法 全面检索中英文数据库中通过不同连接方式进行无创通气的随机对照试验,检索时间为建库至2023年3月。按照文献纳入、排除标准筛选文献,并进行质量评价和数据提取。采用StataSE14.0软件进行网状Meta分析。结果 共纳入24篇文献,涉及鼻塞、鼻面罩、鼻导管、交替使用鼻塞和鼻面罩、头盔、细长导管、带短鼻导管的面罩7种无创通气连接方式。网状Meta分析结果显示,鼻部压力性损伤发生概率从小到大依次为头盔、鼻导管、鼻面罩、交替使用鼻塞和鼻面罩、鼻塞;减少鼻部3期压力性损伤发生率排序第1名为交替使用鼻塞和鼻面罩。结论 头盔与其他连接方式比较的置信区间大,可信度不高。推荐鼻导管作为NICU患儿无创通气的最佳连接方式。交替使用鼻塞和鼻面罩可以减少鼻部3期压力性损伤的发生,可结合医院实际情况进行选择。     

儿童压力性损伤风险评估量表的比较分析

目的比较分析国内外儿童压力性损伤风险评估量表,为不断改进儿童压力性损伤评估内容提供参考。方法计算机检索国内外数据库、相关网站,检索时限均从建库至2019年1月,纳入已发布的儿童压力性损伤风险评估量表,对纳入量表的相关内容进行分析。结果共纳入15个量表,其中2个中文量表。量表条目3～11个,涵盖29个评价项目,均给出明确的评判标准或对应护理措施,5个量表进行了信效度检验,6个量表给出了敏感性和特异性结果。被较多评估量表纳入的评价项目为移动能力、营养状况、组织灌注/氧合、医疗设备、体质量等。结论本研究纳入的15个量表都存在不同程度的局限性。可参考应用较多的评价项目,结合我国临床实际,进一步构建信效度高、敏感性和特异性好的儿童压力性损伤评估工具。     

ICU应激性高血糖风险评估工具的构建

目的 构建ICU应激性高血糖风险评估工具,为预防ICU患者发生应激性高血糖提供参考。 方法 采用Meta分析筛选ICU应激性高血糖的影响因素并提取其参数,基于参数构建Logistic回归模型,利用Rstudio软件生成的模拟数据绘制模型散点图确定风险等级划分节点,绘制风险评估图。收集ICU患者相关数据对风险评估图进行验证。 结果 纳入7篇文献,引入年龄＞60岁、肺部疾病等9个因素构建Logistic回归模型。选取发病概率为36.1%和53.4%作为低、中、高危的划分节点,绘制风险评估图。经过临床验证其ROC曲线下面积为0.776（95%CI 0.669~0.883）,敏感度0.706,特异度为0.846。 结论 基于Meta分析的结果构建的ICU患者应激性高血糖风险评估工具预测准确性较高,对早期快速识别ICU应激性高血糖高危患者有着重要意义。     

中文版Braden QD压力性损伤风险评估量表在患儿中的信效度研究

目的 对Braden QD压力性损伤风险评估量表进行汉化并检验其信效度.方法 在获得原量表作者授权后,对原量表进行翻译、回译、检译、跨文化调适以及预调查,形成中文版Braden QD量表;采用方便抽样法选取323例住院患儿进行问卷调查,以测量量表的信度和效度.结果 量表的Cronbach's α系数为0.760,折半信...     

ICU谵妄评估工具诊断准确性系统评价再评价

目的 对ICU谵妄评估工具诊断准确性试验系统评价进行再评价。方法 2022年4月,计算机检索7个英文和3个中文数据库中与ICU谵妄评估工具诊断准确性相关的系统评价,由2名研究人员独立进行文献筛选,资料提取,方法学及证据质量评价。通过GRADE pro GDT（Guideline Development Tool）在线工具进行证据质量分级。使用重叠百分比,重叠区域及修正重叠区域对纳入系统评价中的原始研究重复情况进行分析。结果 共纳入5篇系统评价,3篇为高质量,2篇为中等质量。整体证据质量级别为低和极低。ICU意识模糊评估法合并敏感度为0.77~0.84,合并特异度为0.95~0.97。纳入研究修正重叠区域为0.24。结论 ICU意识模糊评估法可能是ICU患者谵妄评估的最佳工具,但证据质量级别低。亟待构建诊断准确性试验系统评价质量评价工具,未来指南改编可应用系统评价再评价为推荐意见的形成提供证据来源。     

International consensus on pressure injury preventative interventions by risk level for critically ill patients: A modified Delphi study

The aim of this modified Delphi study was to determine a minimum pressure injury preventative intervention set for implementation relative to critically ill patients' risk level. Preventative interventions were identified via systematic review, risk levels categorised by an intensive‐care‐specific risk‐assessment‐scale (COMHON Index), and panel members (n = 67) identified through an international critical care nursing body. Round 1: panel members were asked to rate implementation of 12 interventions according to risk level (low, moderate, high). Round 2: interventions were rated for use at the risk level which received greatest round 1 support. Round 3: interventions not yet achieving consensus were again rated, and discarded where consensus was not reached. Consensus indicated all patients should receive: risk assessment within 2‐hours of admission; 8‐hourly risk reassessment; and use of disposable incontinence pads. Additionally, moderate‐ and high‐risk patients should receive: a reactive mattress support surface and a heel off‐loading device. High‐risk patients should also receive: nutritional supplements if eating orally; preventative dressings (sacral, heel, trochanteric); an active mattress support surface; and a pressure‐redistributing cushion for sitting. Repositioning is required at least 4‐hourly for low‐risk, and 2‐hourly for moderate‐ and high‐risk patients. Rigorous application of the intervention set has the potential to decrease pressure injuries in intensive care.     

ICU经口气管插管患者口腔黏膜压力性损伤研究进展

对ICU经口气管插管患者口腔黏膜压力性损伤发生率、高发部位、影响因素、评估方法及防护策略进行综述,以期使临床医护人员了解及重视ICU经口气管插管患者口腔黏膜压力性损伤,为采取有效防护措施提供参考。     

ICU患者压疮危险因素的Meta分析

目的系统分析重症监护室(ICU)患者压疮发生的危险因素。方法计算机检索中国知网(CNKI)、中国生物医学文献数据库(CBM)、万方数据库、维普中文生物医学期刊、Pub Med,Web of Science,Springer,Cochrane Library数据库,并对文献进行筛选,运用Stata/SE 12.0软件对符合纳入标准的文献进行Meta分析。结果 12篇文献符合纳入标准,发生压疮患者1 217例,未发生压疮患者5 538例,共纳入压疮危险因素17个,其中高龄、吸烟、发热、平均动脉压低、水肿、糖尿病史、入住ICU时间延长、镇静、糖皮质激素、血管活性药物、血管加压素、机械通气、机械通气时间延长、白蛋白和血红蛋白水平低15个是ICU住院患者压疮发生的危险因素。对各危险因素发表偏倚进行分析,结果显示发表偏倚不明显。结论 ICU患者发生压疮的危险因素较多,需采取针对性措施预防ICU患者压疮的发生。     

Braden量表对住院患者压疮危险预测效度的Meta分析

目的对前瞻性诊断研究进行Meta分析,以评价Braden量表对住院患者压疮危险预测的有效性。方法计算机检索Cochrane图书馆、PubMed、Springlink、EBSCO、中国知网、维普数据库和万方数据库和其他方式收集关于压疮危险评估量表预测压疮的前瞻性试验研究。利用诊断性研究质量评价工具(QUADAS-2)对纳入的文献进行质量评价,并采用Meta-Disc1.4软件进行数据分析。结果最终纳入20篇文献,共5 896例患者。显示合并灵敏度为0.71(95%CI0.67~0.74),合并特异度为0.69(95%CI0.68~0.70),SROC曲线下面积为0.78。结论 Braden量表作为单独指标对压疮的预测有效性为中等水平。关于Braden量表对住院患者压疮预测的有效性仍需更多研究证实。     

Risk factors for the prognosis of acute kidney injury under the Acute Kidney Injury Network definition: a retrospective, multicenter study in critically ill patients

Aim: Despite significant advances in medical management and therapeutics, acute kidney injury (AKI) is still a common and serious complication with high morbidity and mortality in hospitalized patients, especially in patients admitted to the intensive care unit (ICU). The primary purpose of this study is to apply the definition proposed by the Acute Kidney Injury Network (AKIN) to investigate the incidence, 28‐day mortality and risk factors for the prognosis of AKI in ICU. Methods: In this retrospective study, data from a cohort of 4642 patients admitted to five ICUs were analyzed. Univariate and multivariate analyses were performed to investigate the risk factors for prognosis of AKI. Results: A total of 1036 patients were enrolled. AKI occurred in 353 of them (34.1%) under the AKIN criteria and the mortality was 54.4%. Multivariable analysis showed that variables related to the prognosis of AKI were: four or more (≥4) organ failed systems (odds ratio (OR) = 25.612), AKI III (OR = 14.441), AKI II (OR = 4.491), mechanical ventilation (OR = 7.201), sepsis (OR = 4.552), severe acute pancreatitis (OR = 3.299), base serum creatinine (OR = 1.004) and the length of stay in ICU (OR = 1.050). Conclusions: For critically ill patient, the ICU mortality of AKI was correlated with various independent risk factors, especially AKI II, AKI III, severe acute pancreatitis and multiple organ failed systems.     

老年住院患者复合跌倒风险评分表的构建及应用研究

目的 构建老年住院患者复合跌倒风险评分表,提高老年住院患者跌倒风险评估准确性。方法 整合约翰霍普金斯跌倒评定量表和HendrichⅡ跌倒风险模型作为初始条目;采用前瞻性研究,收集42 490例老年住院患者跌倒发生情况及相关风险因素,通过χ2检验和logistic回归分析确定跌倒的影响因素,构建老年住院患者复合跌倒风险评分表。将复合跌倒风险评分表在1 663例老年住院患者中进行验证。结果 logistic回归分析得到18项危险因素,将各危险因素的风险比值比（OR）进行赋值,总分为100分。验证结果显示,老年住院患者复合跌倒风险评分表的ROC曲线下面积为0.825（95%CI：0.798~0.852）,最佳截断值为7.5分,灵敏度为0.736,特异度为0.771。结论 老年住院患者复合跌倒风险评分表能有效预测老年住院患者的跌倒风险,有助于临床护理人员及时筛查出高危患者,从而进行有针对性的预防干预。     

Munro与Braden压疮评估表用于手术患者压疮评估预测效度比较

目的比较Munro与Braden评估表预测手术患者压疮的效果。方法 2名护士分别应用2种评估表,同时、独立、连续地于术前、手术结束、术后返回病房2h内对111例外科手术患者进行压疮风险评估,另1名护士在手术结束、返回病房交接、术后24h、48h、72h评估压疮发生情况并记录,计算ROC曲线下面积、灵敏度和特异度。结果手术结束11例发生压疮(9.9%),术后24h内共有4例压疮患者,其中2例新发(1.8%);Munro评估表术前、中、后的ROC曲线下面积分别为0.850、0.889、0.864,高于Braden评估表(0.727、0.724、0.600);术前、中、后Braden评估表最佳临界值分别为19分、13分、14分,灵敏度分别为0.545、0.909、0.250,特异度0.700、0.350、0.916;术前、中、后Munro评估表最佳临界值为9分、22分、29分,灵敏度分别为0.818、0.909、0.750,特异度为0.610、0.730、0.822。结论 Munro评估表评估压疮更具有针对性,对手术压疮诊断价值高于Braden评估表,但在使用过程中需要与其他医务人员配合,且个别评估指标不是常规监测项目,增加了护理工作量,需进一步研究和加以完善。     

Scott Triggers评分表与Munro量表评估手术患者压力性损伤的效果比较

目的比较Scott Triggers(ST)评分表与Munro量表对手术患者压力性损伤发生的评估效果,为临床选择合适的评估工具提供参考。方法使用ST评分表和Munro量表对413例手术患者进行压力性损伤风险评估,以术后压疮实际发生数为金标准,采用ROC曲线和Bayes判别分析ST评分表与Munro量表的评估能力。结果共有43例(10.41%)手术患者发生压力性损伤;ST评分表与Munro量表曲线下面积分别是0.626(95%CI:0.578～0.673)、0.670(95%CI:0.622～0.715),两者差异无统计学意义(P0.05);交叉验证法对函数进行验证,Munro量表与ST评分表的正判率,分别为89.60%、89.80%。结论 ST评分表和Munro量表评估效果相近均可用于手术患者压力性损伤的评估,ST评分表条目少而简洁,应用更便捷。     

Risk predictions of hospital-acquired pressure injury in the intensive care unit based on a machine learning algorithm

Pressure injury (PI), or local damage to soft tissues and skin caused by prolonged pressure, remains controversial in the medical world. Patients in intensive care units (ICUs) were frequently reported to suffer PIs, with a heavy burden on their life and expenditures. Machine learning (ML) is a Section of artificial intelligence (AI) that has emerged in nursing practice and is increasingly used for diagnosis, complications, prognosis, and recurrence prediction. This study aims to investigate hospital-acquired PI (HAPI) risk predictions in ICU based on a ML algorithm by R programming language analysis. The former evidence was gathered through PRISMA guidelines. The logical analysis was applied via an R programming language. ML algorithms based on usage rate included logistic regression (LR), Random Forest (RF), Distributed tree (DT), Artificial neural networks (ANN), SVM (Support Vector Machine), Batch normalisation (BN), GB (Gradient Boosting), expectation–maximisation (EM), Adaptive Boosting (AdaBoost), and Extreme Gradient Boosting (XGBoost). Six cases were related to risk predictions of HAPI in the ICU based on an ML algorithm from seven obtained studies, and one study was associated with the Detection of PI risk. Also, the most estimated risksSerum Albumin, Lack of Activity, mechanical ventilation (MV), partial pressure of oxygen (PaO2), Surgery, Cardiovascular adequacy, ICU stay, Vasopressor, Consciousness, Skin integrity, Recovery Unit, insulin and oral antidiabetic (INS&OAD), Complete blood count (CBC), acute physiology and chronic health evaluation (APACHE) II score, Spontaneous bacterial peritonitis (SBP), Steroid, Demineralized Bone Matrix (DBM), Braden score, Faecal incontinence, Serum Creatinine (SCr) and age. In sum, HAPI prediction and PI risk detection are two significant areas for using ML in PI analysis. Also, the current data showed that the ML algorithm, including LR and RF, could be regarded as the practical platform for developing AI tools for diagnosing, prognosis, and treating PI in hospital units, especially ICU.