学术报告

主要作者及研究机构：
本文的第一作者为 Dana Arad，合作者包括 Ariel Rosenfeld 和 Racheli Magnezi。主要的研究合作机构为 Bar-Ilan University 的管理系、健康管理项目，以及以色列卫生部的患者安全部门。论文发表于 Patient Safety in Surgery 杂志，文章的发表时间为 2023 年。

研究的学术背景：
文中研究聚焦的领域为围手术期中患者的安全问题，特别是与“never event”（从不应该发生的事件）相关的外科手术安全风险。这些“never event”指的是手术中发生的完全可以预防的重大错误，如错误手术部位和遗留异物等。这类事件会带来严重的患者伤害或死亡，同时也显著增加医疗成本。尽管国际上推出了诸如 WHO 手术安全核查表（surgical safety checklist）和手术物品计数等安全标准，但这些事件的发生率并未显著下降。以色列的数据表明，手术异物遗留的发生率为每10万例手术中3.2例，而错误部位手术发生率预计为每10万例手术1例。

本研究的目标是应用机器学习（machine learning）技术识别和量化手术过程中“never event”发生的风险因素，并基于手术特性提出具体的改进措施，以提升患者安全和医疗质量。

研究流程的详细描述：
研究共包括以下几个主要步骤和流程。

1. 数据收集与样本描述：
   数据来源为以色列29家医院，从中获取了9234例手术观察记录和101例“never event”的反向根本原因分析（Root Cause Analysis, RCA）。其中：
   • 观察数据涵盖了2018年1月至2019年2月间无“never event”发生的手术，采用预先定义的93项特征集对手术过程进行记录。
   • RCA 数据涵盖了2016年1月至2020年2月间所有发生的“never event”，包括49例错误手术部位事件（type A）和52例异物遗留事件（type B）。

手术观察由经过8小时培训的人员完成，每例记录转化为包含93特征的数据向量。在回顾性分析的RCA数据中，由于特征丢失率高达40%，研究采用了迭代数据补全算法（Iterative Data Imputation）进行修正。

1. 机器学习方法与分析技术的应用：
   研究采用随机森林（Random Forest）算法，结合 Extra Tree Classifier 构建预测模型。模型包含以下三部分：
   • 模型1：区分普通手术观察记录与所有“never event”。
   • 模型2：区分普通手术和错误手术部位事件（type A）。
   • 模型3：区分普通手术和异物遗留事件（type B）。

为应对数据不平衡问题（101例“never event”对比9234例正常观察），研究使用了成本敏感训练方法，并通过10折交叉验证技术评估模型性能。此外，为量化特征的重要性，研究利用 Gini impurity（基尼不纯度）测量技术评估各特征对“never event”发生概率的影响。

1. 安全标准特征的划分和分析处理：

   • 数据中特别关注了手术安全核查表中的三个时间段：术前（pre-procedure）、进入手术间（sign-in）和术中暂停核查（time-out）。
   • 手术物品的计数分为三个阶段：皮肤切开前，关闭腔体/筋膜前，以及术后皮肤关闭后。

2. 组合特征的分析：
   针对单一和成对特征对“never event”发生的影响分别进行了建模和分析，探讨不同特征组合在复杂手术环境中的协同风险。

主要研究结果：

• 特征与风险的关联性分析：
  研究共识别出24种与“never event”相关的因素。这些因素在不同外科科室中的影响差异很大。例如：
  • 泌尿科、骨科和普通外科中的某些特征对风险的影响超过900%；妇科、心脏科的特征影响则集中在0%到900%。

对错误手术部位事件的主要影响因素包括：手术时间小时（增加风险85.56%到122.91%）、护士人数为两人（增加风险66.26%-87.92%）。而手术时间为1-2小时时，风险显著降低（下降60.96%）。

• 组合特征影响：
  将两个特征组合分析时，某些科室的风险显著增加。例如：

  • 在普通外科，一组特定特征组合的风险增加到13600%；而单一特征下风险增加仅为1287%。
  • 骨科中发现，手术计数结果不一致和手术时间在1-2小时范围内的组合使风险增加1500%-1950%。

• 模型性能：
  使用的三个随机森林模型的 AUC 值（Area Under Curve）介于0.81到0.85，显示出模型在预测能力上的高准确性。

研究结论与意义：
通过机器学习技术，本文定量揭示了手术“never event”发生的未知风险因素及其影响大小。研究发现，“一刀切”的标准化安全核查方法可能不足以有效预防手术中的重大错误，每个手术环境和类型需要根据风险特征进行调整。此外，强化核查表和计数流程的执行，特别是加强沟通和团队协作，将有助于降低这些事件的发生率。

本研究的亮点： - 利用机器学习方法探讨医疗安全的创新尝试。 - 基于实际数据和根因分析，揭示了新颖的风险因素。 - 提出了调整安全标准以优化手术环境的具体建议。

未来展望：
作者建议通过跨国数据共享扩充样本量，并持续记录和分析新发生的“never event”，以进一步完善模型的优化和预测能力。此外，研究强调了定制化手术安全方案和加强团队协作的重要性，为手术流程质量改进提供了新的理论依据和实践方向。