基于肢體肌力及TcPO2構建ICU病人壓力性損傷預測模型

王雅萍 王晨 李莉 蔣葉偉 張耀文

Construction of a predictive model of pressure injury in ICU patients based on the combination of limb muscle strength and TcPO₂

WANG Yaping， WANG Chen， LI Li， JIANG Yewei， ZHANG Yaowen

Suzhou Ninth Hospital Affiliated to Soochow University， Jiangsu 215200 China

Corresponding Author? WANG Chen， E?mail： ur985ty@163.com

Abstract? Objective：To establish a predictive model of pressure injury （PI） in intensive care unit （ICU） patients by combining limb muscle strength and transcutaneous oxygen pressure （TcPO₂） with clinical data.Methods：429 patients admitted to the ICU of our hospital from April 2021 to January 2023 were retrospectively selected as the research objects.The patients were divided into a training set （n=299） and a test set （n=130） according to the ratio of 7∶3 by random sampling.Logistic regression model was used to analyze the influencing factors of pressure injury in patients，and random forest algorithm was used to construct a random forest model.The area under the receiver operating characteristic （ROC） curve，sensitivity，and specificity were used to evaluate the predictive efficacy of the two models.Results：71 cases occurred pressure injury among 299 patients in the training set， with an incidence of 23.75%.Multivariate analysis showed that diabetes mellitus，APACHE?Ⅱ score， Braden score，TcPO₂，limb muscle strength， mechanical ventilation，and use of vasoactive drugs were the influencing factors of PI in ICU patients （P<0.05）.The order of importance of predictors in the random forest model was TcPO₂，APACHE?Ⅱ score，limb muscle strength，Braden score，mechanical ventilation，use of vasoactive drugs，and combination of diabetes. The test set was introduced to verify the prediction efficiency of the two models. It was found that the area under the ROC curve of the logistic regression model was 0.871， the sensitivity was 84.5%，and the specificity was 81.4%.The area under the ROC curve of the random forest model was 0.912， the sensitivity was 88.5%，and the specificity was 84.2%.Conclusions：TcPO₂， APACHE?Ⅱ score， limb muscle strength，Braden score， mechanical ventilation，use of vasoactive drugs， and combination of diabetes were the influencing factors of PI risk in ICU patients. Furthermore， the predictive performance of the random forest model for PI risk in ICU patients was better than that of the Logistic regression model.

Keywords?? ?intensive care unit， ICU； pressure injury； limb muscle strength； transcutaneous oxygen pressure； prediction model

摘要? 目的：采用肢體肌力及經(jīng)皮氧分壓（TcPO₂）聯(lián)合臨床資料構建重癥監(jiān)護病房（ICU）病人壓力性損傷的預測模型。方法：回顧性選取2021年4月—2023年1月我院ICU收治的429例病人作為研究對象。通過隨機抽樣按照7∶3比例將病人分為訓練集（n=299）與測試集（n=130）。采用Logistic回歸模型分析病人發(fā)生壓力性損傷的影響因素，并借助隨機森林算法構建隨機森林模型。采用受試者工作特征（ROC）曲線下面積、靈敏度、特異度評價模型的預測效能。結果：訓練集299例病人中71例發(fā)生壓力性損傷，發(fā)生率為23.75%。多因素分析顯示，合并糖尿病、急性生理與慢性健康狀況（APACHE?Ⅱ）評分、Braden評分、TcPO₂、肢體肌力、機械通氣、使用血管活性藥是ICU病人發(fā)生壓力性損傷的影響因素（P<0.05）。隨機森林模型中預測因子重要性由高到低依次為TcPO₂、APACHE?Ⅱ評分、肌體肌力、Braden評分、機械通氣、使用血管活性藥物、合并糖尿病。測試集中，Logistic回歸模型的ROC曲線下面積為0.871，靈敏度為84.5%，特異度為81.4%；隨機森林模型的ROC曲線下面積為0.912，靈敏度為88.5%，特異度為84.2%。結論：ICU病人發(fā)生壓力性損傷的影響因素為TcPO₂、APACHE?Ⅱ評分、肢體肌力、Braden評分、機械通氣、使用血管活性藥物、合并糖尿病，且隨機森林模型對ICU病人壓力性損傷風險的預測性能優(yōu)于Logistic回歸模型。

關鍵詞? 重癥監(jiān)護病房；壓力性損傷；肢體肌力；經(jīng)皮氧分壓；預測模型

doi：10.12102/j.issn.1009-6493.2024.09.006

重癥監(jiān)護病房（intensive care unit，ICU）是危重癥病人強化醫(yī)療的場所，因病情特殊性，病人治療期需長期臥床，容易發(fā)生壓力性損傷（pressure injuries，PI）。壓力性損傷是因局部組織受強烈和（或）長時間壓力、壓力聯(lián)合剪切力所致皮膚與深部軟組織的局部損傷，會延長病人住院時間，甚至增加感染、皮膚局部彌散性微血管內(nèi)凝血、急性皮膚衰竭等并發(fā)癥發(fā)生，危害極大。目前認為微循環(huán)血流障礙、缺氧與壓力性損傷發(fā)生存在關聯(lián)^[1]。經(jīng)皮氧分壓（transcutaneous oxygen pressure， TcPO₂）監(jiān)測技術通過電極與皮膚連接，能有效反映組織和細胞實際的氧供應量及皮膚的微循環(huán)功能狀態(tài)^[2]，對評估ICU病人的壓力性損傷風險具有一定價值^[3]。然而監(jiān)測電極膜屬一次性耗材，若連續(xù)動態(tài)測量TcPO₂，病人的醫(yī)療費用高。肢體活動能加速全身血液流動，降低微循環(huán)血流障礙，肌力則是保證肢體活動時肌肉收縮的重要力量。尚未檢索到有關肢體肌力與ICU病人的壓力性損傷有關的報道。為能準確評估ICU病人的壓力性損傷風險，本研究結合病人肢體肌力、TcPO₂及臨床資料，分析與病人壓力性損傷相關的影響因素并構建Logistic回歸模型，通過繪制列線圖使其直觀實用。隨后依托大數(shù)據(jù)挖掘技術，借助隨機森林算法建立隨機森林模型，將其與Logistic回歸模型進行對比，旨在為醫(yī)務人員提供更為精準的ICU病人壓力性損傷風險預測模型。

1? 資料與方法

1.1 一般資料

回顧性選取2021年4月—2023年1月我院ICU收治的429例病人作為研究對象。通過隨機抽樣按7∶3比例將入選的429例病人分為訓練集299例和測試集130例。納入標準：1）首次入住ICU，且年齡>18歲；2）入住ICU前無壓力性損傷；3）在ICU 住院時間≥72 h；4）具有肢體肌力、TcPO₂評估者。排除標準：1）燙傷、燒傷者；2）精神疾病病人；3）入院前脊髓損傷、重度腦挫裂傷、重癥肌無力等神經(jīng)和肌肉疾病；4）肢體殘疾、不穩(wěn)定性骨折或金屬假肢；5）存在偏癱或截癱者；6）在ICU住院期間死亡者；7）合并皮膚病，如系統(tǒng)性紅斑狼瘡、銀屑病等。

1.2 資料收集

1.2.1 一般資料

1）人口學特征：年齡、體重指數(shù)（BMI）、性別、基礎疾病；2）入院時指標：生命體征、急性生理和慢性健康評分?Ⅱ（APACHE?Ⅱ評分）、Braden量表評分、TcPO₂、肢體肌力、白細胞計數(shù)、血小板計數(shù)、凝血酶原時間、纖維蛋白原、白蛋白；3）治療措施：是否機械通氣、是否手術、是否用血管活性藥物等。

1.2.2 肢體肌力

通過肌力6級記錄法測評病人的肢體伸縮能力，再反方向給予阻力，測試病人對阻力的克服力。根據(jù)測試情況將肢體肌力劃分0～5級，等級越高表示肢體肌力越強^[4]。評估完成后，選擇病人上下肢體肌力等級平均數(shù)的整數(shù)為病人的肌力。

1.2.3 TcPO₂測量

病人入住ICU 2 h內(nèi)，采用經(jīng)皮氧分壓監(jiān)測儀（丹麥雷度公司生產(chǎn)，型號：TcM4 Series）測量TcPO₂。操作方法：1）病人臥于醫(yī)用氣墊床上，取左側臥位，雙手放于身體兩側，雙腿自然伸直；2）暴露骶尾部皮膚，乙醇消毒擦拭；3）取出定環(huán)貼于病人臀溝上1橫指與脊柱中點連線的交叉處，取出電極嵌入定環(huán)貼固定，調(diào)整電極并保持導線松弛，監(jiān)測儀測得數(shù)值，穩(wěn)定10 min后記錄3次數(shù)據(jù)，取平均值為測量結果。

1.2.4 壓力性損傷

參照《2019年版國際《壓力性損傷的預防與治療：臨床實踐指南》^[5]中的壓力性損傷判別標準判別是否發(fā)生壓力性損傷。

1.3 統(tǒng)計學方法

采用SPSS 22.0軟件進行分析，符合正態(tài)分布的定量資料以均數(shù)±標準差（x±s）表示，比較采用t檢驗；定性資料以例數(shù)、百分比（%）表示，比較采用χ²檢驗；以P<0.05表示差異有統(tǒng)計學意義。通過多因素Logistic回歸分析篩選出ICU病人發(fā)生壓力性損傷的影響因素，采用R4.0.3軟件將各影響因素進行可視化獲得列線圖；運行Random Forest包實現(xiàn)隨機森林算法建立隨機森林模型，模型構建過程中主要包含2個重要的模型參數(shù)，分別是決策樹的數(shù)量（ntree）和數(shù)的最大深度（mtry），采用網(wǎng)格搜索方式對ntree、mtry參數(shù)進行參數(shù)調(diào)優(yōu)，通過袋外誤差率評估變量重要性以解釋隨機森林模型。引入測試集驗證模型，采用受試者工作特征（ROC）曲線分析2種模型的預測效能。

2? 結果

2.1 訓練集ICU病人的資料特征與壓力性損傷影響因素的單因素分析

訓練集299例病人在ICU治療期間有71例發(fā)生壓力性損傷（壓力性損傷組），發(fā)生率為23.75%，228例未發(fā)生壓力性損傷（非壓力性損傷組）。壓力性損傷組與非壓力性損傷組在合并糖尿病比例、APACHE?Ⅱ評分、Braden評分、TcPO₂、肢體肌力、機械通氣比例、使用血管活性藥比例方面比較，差異均有統(tǒng)計學意義（P<0.05），見表1。

2.2 訓練集ICU病人發(fā)生壓力性損傷影響因素的多因素分析

以ICU病人是否發(fā)生壓力性損傷（否=0，是=1）作為因變量。將單因素分析中差異有統(tǒng)計學意義的項目作為自變量，對分類資料賦值（糖尿病：無=0，是=1；機械通氣：否=0，是=1；使用血管活性藥：否=0，是=1），定量資料原值代入。多因素Logistic回歸分析顯示，合并糖尿病、APACHE?Ⅱ評分、Braden評分、TcPO₂、肢體肌力、機械通氣、使用血管活性藥是ICU病人發(fā)生壓力性損傷的影響因素（P<0.05）。見表2。

2.3 ICU病人發(fā)生壓力性損傷風險的預測模型

2.3.1 Logistic回歸模型

基于多因素Logistic回歸分析結果的回歸系數(shù)與常數(shù)項構建模型：Logit（P）=-5.875+0.406×糖尿病（有）+0.784×APACHE?Ⅱ評分-0.312×Braden評分-0.597×TcPO₂-0.658×肢體肌力+0.951×機械通氣+0.599×使用血管活性藥。利用R軟件繪制列線圖將Logistic回歸模型可視化，以圖形表達的每個指標數(shù)值對應得分相加得到總分，將總分轉化為風險的預測概率，見圖1。

2.3.2 隨機森林模型

將多因素回歸分析篩選的風險因素作為特征輸入隨機森林模型，利用訓練集數(shù)據(jù)訓練模型。在訓練模型之前，采用網(wǎng)格搜索方式對隨機森林模型的ntree、mtry參數(shù)進行參數(shù)調(diào)優(yōu)，經(jīng)驗證，參數(shù)mtry為3、ntree為500時，袋外數(shù)據(jù)錯誤率最低，見圖2。隨機森林模型結果顯示， ICU病人壓力性損傷風險的影響因素重要性排序為：TcPO₂>APACHE?Ⅱ評分>肢體肌力> Braden評分>機械通氣>使用血管活性藥物>合并糖尿病，見圖3。

2.4 ICU病人壓力性損傷風險的預測模型驗證

將模型所得的預測變量作為測試變量，以ICU病人發(fā)生壓力性損傷與否為狀態(tài)變量進行ROC曲線繪制。訓練集中Logistic回歸模型ROC曲線下面積（AUC）為0.906，靈敏度為87.5%，特異度為83.9%；隨機森林模型的AUC、靈敏度和特異度均為1.000。引入測試集數(shù)據(jù)進行測試，結果發(fā)現(xiàn)，Logistic回歸模型的AUC為0.871[95%CI（0.745，0.932）]，靈敏度為84.5%，特異度為81.4%；隨機森林模型的AUC為0.912[95%CI（0.809，0.967）]，靈敏度為88.5%，特異度為84.2%，見圖4。表明隨機森林模型的預測效能高于Logistic回歸模型。

3? 討論

3.1 ICU病人壓力性損傷的發(fā)生現(xiàn)狀

壓力性損傷是重癥醫(yī)學科的常見并發(fā)癥。姚秀英等^[6]研究發(fā)現(xiàn)，ICU病人的壓力性損傷發(fā)生率為16.4%。一項薈萃分析發(fā)現(xiàn)，ICU病人壓力性損傷患病率為12.2%～24.5%^[7]。本研究結果發(fā)現(xiàn)，ICU病人治療期間壓力性損傷發(fā)生率為23.75%。壓力性損傷的發(fā)生取決于不同人群以及醫(yī)務人員對病人壓力性損傷風險因素的預防管理。基于壓力性損傷預防大于治療的理念，為制定有效預防措施，需加強對ICU病人發(fā)生壓力性損傷風險預測和相關機制探討。

3.2 ICU病人壓力性損傷的影響因素

本研究結果顯示，合并糖尿病、APACHE?Ⅱ評分、Braden評分、TcPO₂、肢體肌力、機械通氣、使用血管活性藥均是ICU病人發(fā)生壓力性損傷的影響因素。究其原因：1）2019年版國際《壓力性損傷的預防與治療：臨床實踐指南》^[5]提出糖尿病所引起的灌注變化及神經(jīng)病變會影響皮膚敏感性和耐受性，需納入壓力性損傷風險中考慮。還有學者發(fā)現(xiàn)糖尿病是壓力性損傷的危險因素^[8]，與本研究結果相符。伴有糖尿病的病人，體內(nèi)長期糖代謝紊亂會導致廣泛性小血管內(nèi)皮增生、缺氧、損傷及神經(jīng)病變，影響身體排汗，改變皮膚狀態(tài)，致使皮膚受壓力、剪切力、排泄物等因素刺激時易破損，因而壓力性損傷發(fā)生風險較高。2）APACHE?Ⅱ是臨床上評估病人病情危重情況的工具，相關研究表明其評分越高，病人壓力性損傷風險越大^[9]，與本研究結果相符。病人APACHE?Ⅱ評分高時病情嚴重，突出電解質(zhì)、水分及生化參數(shù)異常程度高，而身體水分缺失或電解質(zhì)失衡會增加皮膚缺氧狀態(tài)，使皮膚受壓后出現(xiàn)損傷。3）Braden量表是臨床用于評估壓力性損傷風險的常用工具。但有研究表明，Braden量表對ICU病人壓力性損傷風險預測效能欠佳^[10]，可能是此量表多為主觀判斷，過度依賴評分者的經(jīng)驗判斷。高娟等^[11]研究發(fā)現(xiàn)，Braden評分聯(lián)合TcPO₂指標可提升對壓力性損傷的預測效能。TcPO₂能反映皮膚組織細胞的實際氧供應量和微血管功能狀況。當檢測到ICU病人TcPO₂水平較低時，預示其皮膚血管灌注差，皮膚局部組織存在缺氧，會影響代謝廢物排泄，造成皮膚微血管擴張、水腫，導致皮膚無法承受長時間的壓力、剪切力，因而皮膚組織潰爛和壞死等損傷的發(fā)生風險高。4）為預防ICU病人臥床期間出現(xiàn)微循環(huán)障礙，醫(yī)務人員常囑咐或幫助病人翻身、肢體伸屈活動，從而達到促進病人的全身血液流動。肢體肌力作為一個體格檢查指標，能有效反映病人的肢體活動能力。肢體肌力強的病人在臥床期間能有效進行自主肢體伸屈活動；相反，肢體肌力弱影響其自主翻身、肢體伸屈活動，會增加局部血液淤滯風險，使身體長時間受壓導致血管內(nèi)氧氣、養(yǎng)料供給和代謝廢物排出受限，增加壓力性損傷發(fā)生風險。5）需機械通氣病人普遍存在氧合障礙和血液循環(huán)障礙，其中氧合障礙所導致的細胞攜氧能力降低，會使皮膚組織缺氧，皮膚變得干燥，增加皮膚脆性。另外，機械通氣過程中，為了預防呼吸機相關性肺炎，醫(yī)務人員通常會將病人床頭抬高30°～45°^[12]，而這種體位會極大增加病人著位點皮膚摩擦力及剪切力，從而增加壓力性損傷發(fā)生風險。6）由于ICU病人病情變化急驟，在翻身移動時所致的血流動力學改變，存在心臟驟停、休克等危險情況。臨床通常會采用血管活性藥物收縮皮膚、黏膜血管，增加外圍阻力，使血壓回升，以保證重要生命器官的微循環(huán)血流供給^[13]。莊秋楓等^[14]研究發(fā)現(xiàn)，使用血管活性藥物是ICU病人發(fā)生壓力性損傷的危險因素，與本研究結果相符。盡管使用血管活性藥能保障生命器官微循環(huán)血流供給，但卻會反向導致外周皮膚的血流供給減少，易造成皮下組織缺氧，增加皮膚組織壞死風險，因而使用血管活性藥物的病人更易出現(xiàn)壓力性損傷。

3.3 ICU病人壓力性損傷風險的預測模型

目前，關于ICU病人壓力性損傷風險的預測模型多基于傳統(tǒng)的統(tǒng)計學方法構建^[6，15]，穩(wěn)定性較差，可能原因是傳統(tǒng)的統(tǒng)計學方法無法較好地擬合高維數(shù)據(jù)點的分布。近年來，機器學習（如隨機森林、支持向量機、決策樹等算法）模型在預測模型的構建中取得重大進展，且穩(wěn)定性好^[16?17]。本研究同時構建ICU病人壓力性損傷風險的Logistic回歸模型和隨機森林模型，經(jīng)引入測試集數(shù)據(jù)進行驗證發(fā)現(xiàn)，Logistic回歸模型的AUC為0.871[95%CI（0.745，0.932）]，靈敏度為84.5%，特異度為81.4%；隨機森林模型的AUC為0.912[95%CI（0.809，0.967）]，靈敏度為88.5%，特異度為84.2%，證實隨機森林模型的預測效能高于Logistic回歸模型。隨機森林算法是機器學習模型中的一種經(jīng)典算法，具有處理高維數(shù)據(jù)的優(yōu)勢，引入隨機性，模型不易過度擬合，因而準確度高、穩(wěn)定性強。在本研究中，隨機森林模型中的TcPO₂、APACHE?Ⅱ評分、肢體肌力、Braden評分、機械通氣、使用血管活性藥物、合并糖尿病7個指標均為重癥醫(yī)學科需要注意的重要指標，醫(yī)務人員可根據(jù)這些指標預測ICU病人的壓力性損傷發(fā)生風險。

4? 小結

ICU病人的壓力性損傷發(fā)生風險與TcPO₂、APACHE?Ⅱ評分、肢體肌力、Braden評分、機械通氣、使用血管活性藥物、合并糖尿病有關。基于隨機森林算法構建預測模型，可對ICU病人的壓力性損傷風險進行更精準的預測。但本研究設計為回顧性的單中心研究，樣本來源單一，可能存在一定的選擇性偏倚和信息偏倚，加之醫(yī)學大數(shù)據(jù)的復雜性和個體差異，今后仍需進一步探究。

參考文獻：

[1]? DEMARR? L，VERHAEGHE S，ANNEMANS L，et al.The cost of pressure ulcer prevention and treatment in hospitals and nursing homes in Flanders：a cost-of-illness study[J].International Journal of Nursing Studies，2015，52（7）：1166-1179.

[2]? LEENSTRA B，WIJNAND J，VERHOEVEN B，et al.Applicability of transcutaneous oxygen tension measurement in the assessment of chronic limb-threatening ischemia[J].Angiology，2020，71（3）：208-216.

[3]? 王愛鵬，柳瑩，高春平，等.經(jīng)皮氧分壓及二氧化碳分壓在ICU壓力性損傷風險評估中的應用[J].中華急危重癥護理雜志，2021，2（1）：74-78.

WANG A P，LIU Y，GAO C P，et al.Application of transcutaneous oxygen pressure and carbon dioxide pressure in the risk assessment of pressure injury in ICU patients[J].Chinese Journal of Emergency and Critical Care Nursing，2021，2（1）：74-78.

[4]? LI Z B，WANG M R，ZHANG L W，et al.Neuronavigation-guided corticospinal tract mapping in brainstem tumor surgery：better preservation of motor function[J].World Neurosurgery，2018，116：e291-e297.

[5]? 顧夢倩，趙燕燕，陳圣枝，等.2019年版國際《壓力性損傷的預防與治療：臨床實踐指南》解讀[J].河北醫(yī)科大學學報，2021，42（5）：497-500.

GU M Q，ZHAO Y Y，CHEN S Z，et al.Interpretation of the 2019 edition of "International Prevention and Treatment of Stress Injury：a Guide to Clinical Practice"[J].Journal of Hebei Medical University，2021，42（5）：497-500.

[6]? 姚秀英，耿麗，張理想，等.ICU患者壓力性損傷預測風險列線圖模型的建立[J].護理學報，2019，26（11）：55-59.

YAO X Y，GENG L，ZHANG L X，et al.Establishment of Nomogram model for prediction of pressure injury risk in ICU patients[J].Journal of Nursing （China），2019，26（11）：55-59.

[7]? CHABOYER W P，THALIB L，HARBECK E L，et al.Incidence and prevalence of pressure injuries in adult intensive care patients：a systematic review and meta-analysis[J].Critical Care Medicine，2018，46（11）：e1074-e1081.

[8]? 宋文靜，管曉萍，李蓉，等.成人開顱手術壓瘡的風險因素研究[J].中國全科醫(yī)學，2015，18（11）：1270-1273;1279.

SONG W J，GUAN X P，LI R，et al.Risk factors for pressure ulcers in adult patients undergoing craniotomy[J].Chinese General Practice，2015，18（11）：1270-1273;1279.

[9]? 韓妹，符楊，張春雨.老年重癥患者壓力性損傷風險模型構建[J].中國老年學雜志，2022，42（13）：3234-3237.

HAN M，F(xiàn)U Y，ZHANG C Y.Construction of risk model of stress injury in elderly patients with severe illness[J].Chinese Journal of Gerontology，2022，42（13）：3234-3237.

[10]? 馬妍，張玉勤，張春琰.早期預警評分聯(lián)合Braden評分對急診老年危重癥病人預后的評估效果[J].實用老年醫(yī)學，2022，36（5）：483-486.

MA Y，ZHANG Y Q，ZHANG C Y.Predictive value of Modified Early Warning Score combined with Braden score for the prognosis of emergency elderly critically ill patients[J].Practical Geriatrics，2022，36（5）：483-486.

[11]? 高娟，羅嫚麗，梁美景，等.重癥監(jiān)護室患者壓力性損傷的危險因素及Braden評分和經(jīng)皮氧分壓的預測價值分析[J].現(xiàn)代生物醫(yī)學進展，2022，22（16）：3163-3167.

GAO J，LUO M L，LIANG M J，et al.Risk factors for pressure injury in intensive care unit patients and the predictive value analysis of Braden score and transcutaneous oxygen pressure[J].Progress in Modern Biomedicine，2022，22（16）：3163-3167.

[12]? 徐萍，唐冰，翟懷香，等.床頭抬高角度對機械通氣重癥患者呼吸機相關性肺炎及壓瘡影響的Meta分析[J].中華現(xiàn)代護理雜志，2017，23（23）：3002-3006.

XU P，TANG B，ZHAI H X，et al.Effects of bedside elevation angle on ventilator-associated pneumonia and pressure sores in critically ill patients with mechanical ventilation：a Meta analysis[J].Chinese Journal of Modern Nursing，2017，23（23）：3002-3006.

[13]? CHOI B K，KIM M S，KIM S H.Risk prediction models for the development of oral-mucosal pressure injuries in intubated patients in intensive care units：a prospective observational study[J].Journal of Tissue Viability，2020，29（4）：252-257.

[14]? 莊秋楓，肖世極，周秀花，等.重癥監(jiān)護病房患者院內(nèi)獲得壓力性損傷的危險因素分析[J].護理學雜志，2021，36（3）：53-56.

ZHUANG Q F，XIAO S J，ZHOU X H，et al.Pressure injury risk factors in critical care patients[J].Journal of Nursing Science，2021，36（3）：53-56.

[15]? 祁進芳，董正惠，李陽，等.ICU患者頭面部器械相關性壓力性損傷風險預測模型的構建[J].護理學報，2022，29（19）：11-15.

QI J F，DONG Z H，LI Y，et al.Construction of risk prediction model of craniofacial medical device-related pressure injury in ICU patients[J].Journal of Nursing （China），2022，29（19）：11-15.

[16]? SULTAN A S，ELGHARIB M A，TAVARES T，et al.The use of artificial intelligence，machine learning and deep learning in oncologic histopathology[J].Journal of Oral Pathology & Medicine，2020，49（9）：849-856.

[17]? LU H X，YAO Y D，WANG L，et al.Research progress of machine learning and deep learning in intelligent diagnosis of the coronary atherosclerotic heart disease[J].Computational and Mathematical Methods in Medicine，2022，2022：3016532.

（收稿日期：2023-03-27；修回日期：2024-04-03）

（本文編輯 崔曉芳）