目的:探究多学科诊疗模式(multidisciplinary team,MDT)在慢性难愈合创面诊疗中的应用成效,为优化此类疾病的临床诊疗提供新思路。方法:回顾性分析2015年1月至2023年10月在北京大学第三医院接受手术治疗的慢性难愈合创面患者的临床资料...目的:探究多学科诊疗模式(multidisciplinary team,MDT)在慢性难愈合创面诊疗中的应用成效,为优化此类疾病的临床诊疗提供新思路。方法:回顾性分析2015年1月至2023年10月在北京大学第三医院接受手术治疗的慢性难愈合创面患者的临床资料,共纳入患者456例,包括男性290例,女性166例,平均年龄(49.4±16.9)岁。根据是否进行术前MDT讨论,将患者分为MDT讨论组和非MDT讨论组。MDT总体执行流程包括:启动与医务处备案、收集资料与初次MDT讨论、告知患者诊疗方案并严格执行、病情变化需再次MDT讨论。比较两组患者的一般临床资料、麻醉风险分级、合并症(高血压、糖尿病、冠心病)、慢性难愈合创面的发生病因与部位等资料的差异。治疗效果的主要观察与结局指标包括入院后达到创面愈合所需的手术次数、创面愈合后的复发率、围手术期并发症(肺部感染、严重心血管事件、静脉血栓栓塞症、脑卒中及谵妄等)的发生率、患者满意度评分等。结果:MDT讨论组患者189例,非MDT讨论组患者267例,两组患者的年龄、性别、体重指数、美国麻醉医师协会(American Society of Anesthesiologists,ASA)分级、合并症、慢性难愈合创面的病因与部位等临床资料差异无统计学意义(P>0.05)。MDT讨论组与非MDT讨论组患者获得创面愈合所需的平均手术次数分别为(2.1±1.1)次与(2.8±1.6)次,差异有统计学意义(P<0.001),这种差异在糖尿病溃疡、外伤或手术后感染、放疗后不愈合等3个病因造成的慢性难愈合创面中也有统计学意义(P<0.05)。非MDT讨论组患者在创面痊愈后的复发率是18.0%,稍高于MDT讨论组的14.3%,但差异无统计学意义(P>0.05)。在围手术期并发症方面,非MDT讨论组的发生率也较MDT讨论组高(3.7%vs.2.6%),但差异无统计学意义(P>0.05)。患者满意度方面,MDT讨论组的评分显著高于非MDT讨论组,差异有统计学意义(96.5 vs.91.1,P=0.028)。结论:多学科诊疗模式能够显著减少慢性难愈合创面患者的住院手术次数,提升治愈效率,提高患者满意度,是优化慢性难愈合创面临床诊疗成效的推荐模式。展开更多
目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口...目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征,首先应用无监督机器学习算法(K均值聚类和层次聚类)进行表型识别,然后应用有监督机器学习算法(轻量级梯度增强机)进行表型预测,并结合机器学习可解释性算法SHAP识别重要特征;最后通过传统统计学方法,对各表型间的临床特征差异与临床结局差异进行验证。结果在22517例脓毒症患者中发现了3种临床特征及结局显著不同的临床表型。其中表型1患者的死亡风险最高(28 d死亡率为46.4%),以肾功能异常和疾病严重程度评分升高为主;表型3患者的死亡风险最低(28 d死亡率为11.2%),神经功能评分最佳。通过可解释性机器学习,识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷量表评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征(首日最差值)在表型识别(AUC≥0.89)和表型预后预测(AUC≥0.74)方面表现良好。在患者出ICU后28 d、60 d、90 d及1年内,表型3的死亡风险均最低(HR<1)。结论利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型,并筛选出6个关键临床特征,预期将在脓毒症亚型分类及预后评估中发挥重要作用,有助于患者的个体化治疗。展开更多
文摘目的:探究多学科诊疗模式(multidisciplinary team,MDT)在慢性难愈合创面诊疗中的应用成效,为优化此类疾病的临床诊疗提供新思路。方法:回顾性分析2015年1月至2023年10月在北京大学第三医院接受手术治疗的慢性难愈合创面患者的临床资料,共纳入患者456例,包括男性290例,女性166例,平均年龄(49.4±16.9)岁。根据是否进行术前MDT讨论,将患者分为MDT讨论组和非MDT讨论组。MDT总体执行流程包括:启动与医务处备案、收集资料与初次MDT讨论、告知患者诊疗方案并严格执行、病情变化需再次MDT讨论。比较两组患者的一般临床资料、麻醉风险分级、合并症(高血压、糖尿病、冠心病)、慢性难愈合创面的发生病因与部位等资料的差异。治疗效果的主要观察与结局指标包括入院后达到创面愈合所需的手术次数、创面愈合后的复发率、围手术期并发症(肺部感染、严重心血管事件、静脉血栓栓塞症、脑卒中及谵妄等)的发生率、患者满意度评分等。结果:MDT讨论组患者189例,非MDT讨论组患者267例,两组患者的年龄、性别、体重指数、美国麻醉医师协会(American Society of Anesthesiologists,ASA)分级、合并症、慢性难愈合创面的病因与部位等临床资料差异无统计学意义(P>0.05)。MDT讨论组与非MDT讨论组患者获得创面愈合所需的平均手术次数分别为(2.1±1.1)次与(2.8±1.6)次,差异有统计学意义(P<0.001),这种差异在糖尿病溃疡、外伤或手术后感染、放疗后不愈合等3个病因造成的慢性难愈合创面中也有统计学意义(P<0.05)。非MDT讨论组患者在创面痊愈后的复发率是18.0%,稍高于MDT讨论组的14.3%,但差异无统计学意义(P>0.05)。在围手术期并发症方面,非MDT讨论组的发生率也较MDT讨论组高(3.7%vs.2.6%),但差异无统计学意义(P>0.05)。患者满意度方面,MDT讨论组的评分显著高于非MDT讨论组,差异有统计学意义(96.5 vs.91.1,P=0.028)。结论:多学科诊疗模式能够显著减少慢性难愈合创面患者的住院手术次数,提升治愈效率,提高患者满意度,是优化慢性难愈合创面临床诊疗成效的推荐模式。
文摘目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征,首先应用无监督机器学习算法(K均值聚类和层次聚类)进行表型识别,然后应用有监督机器学习算法(轻量级梯度增强机)进行表型预测,并结合机器学习可解释性算法SHAP识别重要特征;最后通过传统统计学方法,对各表型间的临床特征差异与临床结局差异进行验证。结果在22517例脓毒症患者中发现了3种临床特征及结局显著不同的临床表型。其中表型1患者的死亡风险最高(28 d死亡率为46.4%),以肾功能异常和疾病严重程度评分升高为主;表型3患者的死亡风险最低(28 d死亡率为11.2%),神经功能评分最佳。通过可解释性机器学习,识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷量表评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征(首日最差值)在表型识别(AUC≥0.89)和表型预后预测(AUC≥0.74)方面表现良好。在患者出ICU后28 d、60 d、90 d及1年内,表型3的死亡风险均最低(HR<1)。结论利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型,并筛选出6个关键临床特征,预期将在脓毒症亚型分类及预后评估中发挥重要作用,有助于患者的个体化治疗。
