Prediction of inpatient pressure ulcers based on routine healthcare data using machine learning methodology

פצעי לחץ הם אחד מסיבוכי האשפוז המטרידים ביותר, כאלה שיכולים להתפתח בשקט תוך ימים ספורים ולהותיר השלכות כאובות על מטופלים מוגבלי תנועה, מונשמים או במצב חמור. בתי חולים רבים מחויבים לדווח עליהם כמדד לבטיחות המטופל, אך ניבוי מדויק מיהם המטופלים שבסיכון אמיתי נותר אתגר לא פתור, שכן גורמי הסיכון קשורים זה בזה באופן מורכב שקשה לשיטות סטטיסטיות מסורתיות לפענח.

מחקר זה מציג ניסיון להתמודד עם המורכבות הזו באמצעות שיטת למידת מכונה מתקדמת בשם Bayesian Additive Regression Trees, שמאפשרת לזהות דפוסים ואינטראקציות בין משתנים מבלי להניח מראש איזו צורה מתמטית הקשר ביניהם צריך לקבל. תוך ניתוח נתוני שירות שוטפים של כמעט 150 אלף מקרי אשפוז בבית חולים אוניברסיטאי בגרמניה על פני חמש שנים, נבחנה השאלה כיצד גורמים הקשורים לאופן הטיפול הרפואי, כמו משך הרדמה, מספר מחלקות מערבות, סיבת קבלה וטיפול נמרץ עם או בלי הנשמה, משפיעים על הסיכוי להתפתחות פצע לחץ, מעבר לגורמי הסיכון המוכרים כגיל ותחלואה נלווית.

מעבר לשאלת גורמי הסיכון, נבדקה גם היכולת המעשית של המודל לחזות מראש אילו מטופלים ספציפיים עומדים לפתח פצע לחץ, בהשוואה לשיטות סטטיסטיות מוכרות אחרות. השאלה אם מודל מתקדם שמזוהה כמצוין לפי מדדים סטטיסטיים מקובלים אכן מתרגם ליכולת ניבוי קלינית שימושית בפועל, היא שאלה שהתשובה עליה עשויה להפתיע.