بررسی عوامل مرتبط با زخم های فشار: یک روش داده کاوی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بررسی عوامل مرتبط با زخم های فشار: یک روش داده کاوی

عنوان لاتین

Exploring factors associated with pressure ulcers: A data mining approach

سابقه و هدف: زخمهای تحت فشار با افزایش تقریبا سه برابر مرگ و میر در بیمارستان بستری هستند. ضروری است که بررسی کنیم که عوامل دیگر علاوه بر مقیاس برادن می توانند پیش بینی زخم های فشار را افزایش دهند. تکنیک های مدل سازی داده کاوی می تواند برای انجام این نوع تحلیل مفید باشد. تکنیک های داده کاوی به طور گسترده ای در مراقبت های بهداشتی مورد استفاده قرار گرفته اند، اما در تحقیقات پرستاری به طور گسترده ای مورد استفاده قرار نمی گیرند. هدف: برای رفع این شکاف روش شناسی، این مقاله بررسی، توضیح و مقایسه خواهد شد چندین مدل داده کاوی برای بررسی عوامل بیمار سطح مرتبط با فشار زخم بر اساس یک مطالعه چهار ساله از بیمارستان های نظامی ایالات متحده است. روش ها: متغیرهایی که در تجزیه و تحلیل قرار گرفته اند به راحتی اطلاعات دموگرافیک و اندازه گیری های پزشکی را در دسترس قرار می دهند. رگرسیون لجستیک، درخت تصمیم گیری، جنگل های تصادفی و اسپیلین های رگرسیون سازگار چند متغیره بر اساس عملکرد و تفسیر پذیری آنها مقایسه شد. يافته ها: مدل هاي تصادفي جنگل داراي بالاترين دقت (C-statistic) بودند متغیرهای زیر به ترتیب اهمیت، بالاترین رتبه را در پیش بینی زخم های تحت فشار دارند: روز در بیمارستان، آلبومین سرم، سن، نیترات اوره خون و نمره کل برادن. نتیجه گیری: داده کاوی، به ویژه جنگل های تصادفی در مدل سازی پیش بینی مفید هستند. آی تی برای بیمارستان ها و سیستم های مراقبت های بهداشتی مهم است برای استفاده از داده های خود در طول زمان برای پیش بینی خطر زخم، برای ایجاد الگوهای ریسک مبتنی بر بیش از کل نمره برادن، و خاص به جمعیت بیمار خود.

Background: Pressure ulcers are associated with a nearly three-fold increase in in-hospital mortality. It is essential to investigate how other factors besides the Braden scale could enhance the prediction of pressure ulcers. Data mining modeling techniques can be beneficial to conduct this type of analysis. Data mining techniques have been applied extensively in health care, but are not widely used in nursing research. Purpose: To remedy this methodological gap, this paper will review, explain, and compare several data mining models to examine patient level factors associated with pressure ulcers based on a four year study from military hospitals in the United States. Methods: The variables included in the analysis are easily accessible demographic information and medical measurements. Logistic regression, decision trees, random forests, and multivariate adaptive regression splines were compared based on their performance and interpretability. Results: The random forests model had the highest accuracy (C-statistic) with the following variables, in order of importance, ranked highest in predicting pressure ulcers: days in the hospital, serum albumin, age, blood urea nitrogen, and total Braden score. Conclusion: Data mining, particularly, random forests are useful in predictive modeling. It is important for hospitals and health care systems to use their own data over time for pressure ulcer risk prediction, to develop risk models based upon more than the total Braden score, and specific to their patient population.