一种基于数据挖掘技术的护理不良事件风险预测方法和系统与流程

1.本发明涉及计算机技术领域，具体为一种基于数据挖掘技术的护理不良事件风险预测方法和系统。


背景技术：

2.医疗不良事件是指在临床诊疗活动及医院运行过程中，任何可能影响病人的诊疗结果、增加病人的痛苦和负担、并可能引发医疗纠纷的因素和事件。据世界卫生组织（who）统计，每年全球4.21亿例住院病例中，超过4200万名患者发生过不良事件。《患者安全目标》、三级综合医院评审细则中均包含医疗安全不良事件的条款，2021年2月20日，国家卫健委印发《2021年国家医疗质量安全改进目标的通知》，将提高医疗质量安全不良事件报告率作为目标之一。
3.分析不良事件相关数据，进而发现制度、流程、临床实践过程中存在的问题，提出持续改进建议，是保障患者安全的重要前提。由于受传统思维模式的影响，担心惩罚及医疗纠纷的发生或者“事不关己、高高挂起”的心态，导致员工对不良事件上报的主动性不足，上报数量与实际发生数量相比缺口较大。
4.我院一直营造“医院安全，人人有责”的安全文化氛围，不良事件网络上报平台允许上报者匿名上报并给予每例20元奖励，上报平台嵌入oa系统，员工可通过手机、内网oa随时随地上报，实现了网络化、非责备、高效的报告系统。但护理部在归档病历审核、护理文书查检过程中，仍发现有漏报事件。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种基于数据挖掘技术的护理不良事件风险预测方法和系统，以克服现有相关技术所存在的上述技术问题，本发明的目的是运用数据挖掘技术对电子病历病程记录、医嘱进行分析与筛查，借助关联规则及时发现漏报的护理不良事件。
6.为实现上述目的，本发明提供如下技术方案：一种基于数据挖掘技术的护理不良事件风险预测方法，所述的方法包括以下步骤：步骤一：锁定跌倒、非计划拔管护理不良事件；步骤二：根据跌倒关键词、各管路医嘱下达文本，结合管路更换时间与医嘱频率的关联规则，制定风险预测数据挖掘表达式；步骤三：从病程记录、医嘱中发现可疑跌倒及非计划拔管不良事件。
7.优选的，所述跌倒、非计划拔管护理不良事件包括跌倒、鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管。
8.优选的，还包括制定风险预测数据挖掘表达式，所述风险预测数据挖掘表达式包括跌倒风险预测表达式、鼻胃管非计划性拔管风险预测表达式、尿管非计划性拔管风险预测表达式、气管导管非计划拔管风险预测表达式。
9.优选的，所述风险预测表达式包括：跌倒风险预测表达式设定关键词，从医生病程记录中提取；鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管风险预测表达式，依据各管路医嘱下达文本及临床更换频率，提取医嘱下达文本频率多于实际更换频率的病历。
10.本发明还提供如下技术方案：一种基于数据挖掘技术的护理不良事件风险预测系统，包括数据锁定模块、数据存储管理模块、事件分析模块、数据处理模块和数据挖掘模块；所述数据锁定模块主要用于跌倒、非计划拔管护理不良事件进行锁定；所述数据存储管理模块主要用于存储数据锁定模块锁定的跌倒、非计划拔管护理不良事件；所述事件分析模块用于根据跌倒关键词、各管路医嘱下达文本，结合管路更换时间与医嘱频率的关联规则，制定风险预测数据挖掘表达式；所述数据处理模块用于从病程记录、医嘱中发现可疑跌倒及非计划拔管不良事件；所述数据挖掘模块包括数据源整合子模块、关联词存储子模块、挖掘子模块、输出子模块和反馈子模块。
11.优选的，所述数据源整合子模块将用户输入的搜索词和预先存储的关键词进行相关性匹配，形成所述搜索词和所述关键词之间对应关联的至少一种数据源；所述关联词存储子模块将数据源整合子模块中形成的搜索词和关键词之间关联的数据源发送给所述数据存储管理模块进行存储；所述挖掘子模块与数据存储管理模块之间进行数据联系，构成网络拓扑关系图，并作数据挖掘；所述输出子模块根据用户输入的不同需求，将数据挖掘的数据显示，供用户选择；所述反馈子模块用于将用户满意度的信息回复给数据源整合子模块。
12.与现有技术相比，本发明的有益效果是：（1）本发明为一种基于数据挖掘技术的护理不良事件风险预测方法和系统，通过数据挖掘技术识别可能漏报的患者安全目标相关护理不良事件，利用病程记录关键词及医嘱下达文本，结合不同管路更换时间，寻找医嘱下达频率与非计划性拔管之间的潜在关联，制定跌倒/坠床、鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管风险预测表达式；（2）本发明为一种基于数据挖掘技术的护理不良事件风险预测方法和系统，实现了医生病程记录中出现的跌倒事件关键词的病历自动化抽取，对于医嘱下达频率与管路更换时间间隔逻辑不符的病历，能够自主识别；（3）本发明为一种基于数据挖掘技术的护理不良事件风险预测方法和系统，通过对筛选出的可疑不良事件从专业角度再次复合确认，护理管理部门能够主动掌握患者安全目标相关事件的实际情况，避免了“临床上报就知晓，不上报就不知晓”的缺陷，为不良事件的主动识别提供依据，为护理管理部门通过不良事件制定处理措施和流程改进，提高预警行动奠定了基础，此外，本发明紧随医院信息化不断推进与应用的步伐，操作方便，使大数据技术更好地为人类健康做贡献，值得进一步推广。
附图说明
13.图1为本发明的方法流程图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例
15.一种基于数据挖掘技术的护理不良事件风险预测方法，所述的方法包括以下步骤：步骤一：锁定跌倒、非计划拔管护理不良事件。
16.具体的，参照《2019版中国医院协会患者安全目标》，将跌倒/坠床、鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管作为护理不良事件防漏报管理的重点。
17.举例：（1）跌倒/坠床不良事件:2021年4月1日凌晨4:30患者刘**关厕所灯时突然出现肢体不稳，臀部着地。9:42医生病程中记录患者跌倒事项，住院患者工作站—护理报表—护理工作质量表中显示此案例。
18.（2）胃管脱管不良事件：患者许**，女，70岁，2020年12月30日以“脑梗死”收入院，入院后遵医嘱给予留置胃管。2021年1月1日23:08，家属告知护士、医生病人将胃管拔出。医生查看病人后嘱勿从口中进食，次日晨给予重置胃管。临时医嘱单显示2020年12月30日、2021年1月2日分别下达胃管置管术，住院患者工作站—护理报表—护理工作质量表中显示有2次胃管置管医嘱。
19.（3）气管插管脱管不良事件：患者朱**，2021年4月19日18点因病情变化，医生给予气管插管。4月20日0:20，护士测气囊压力时发现气囊压力存在缓慢压力下降情况，考虑气囊漏气，报告医生，给予更换气管插管。临时医嘱单显示4月19日、4月21日分别下达气管插管术医嘱，住院患者工作站—护理报表—护理工作质量表中显示有2次气管插管医嘱。
20.步骤二：根据跌倒关键词、各管路医嘱下达文本，结合管路更换时间与医嘱频率的关联规则，制定风险预测数据挖掘表达式。
21.具体的：1.跌倒类事件：深度学习以往跌倒类事件医生病程记录、护士专科记录单中的关键词，对出现此类关键词的病历自动化提取。对医生病程记录中“跌倒”、“摔倒”、“晕倒”、“滑倒”、“绊倒”、“蹲坐在地”、
“”
滑落在地“、“坠床”的病历筛选、显示。
22.2.非计划拔管事件：确定各管路医嘱下达文本，寻找医嘱下达频率、管路更换时间之间的潜在关联，对医嘱下达文本频率多于实际更换频率的病历自主识别。
23.（1）胃管脱管：对临时医嘱中“留置胃管”、“胃管置管术”、“重置胃管”、“置胃管”、“下胃管1次”5个关键词，出现2次及以上的病历筛选、显示。因胃管更换时间为42天，远大于平均住院日，因此仅对关键词出现的频率进行筛选。
24.（2）尿管脱管：对临时医嘱中“导尿”出现2次，且2次之间时间间隔《7天的病历筛选、显示。因尿管更换时间为7天。
25.（3）呼吸机脱管：对临时医嘱“可视喉镜辅助下气管插管术”出现2次及以上的病历筛选、显示。
26.3. 进一步，基于数据挖掘技术预测的的跌倒、非计划拔管的可疑案例，包括事件类型、住院号、id号、患者姓名、科室、异常字段信息，在住院护士工作站—统计查询—统计报表查询—护理报表—护理工作质量报表中显示。
27.4.进一步，对于系统筛选出的可疑不良事件，从专业角度出发，根据患者病情经过人工复合，确认是否为跌倒、非计划拔管不良事件。
28.步骤三：从病程记录、医嘱中发现可疑跌倒及非计划拔管不良事件。
29.进一步的，所述跌倒、非计划拔管护理不良事件包括跌倒、鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管。
30.进一步的，还包括制定风险预测数据挖掘表达式，所述风险预测数据挖掘表达式包括跌倒风险预测表达式、鼻胃管非计划性拔管风险预测表达式、尿管非计划性拔管风险预测表达式、气管导管非计划拔管风险预测表达式。
31.进一步的，所述风险预测表达式包括：跌倒风险预测表达式设定关键词，从医生病程记录中提取；鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管风险预测表达式，依据各管路医嘱下达文本及临床更换频率，提取医嘱下达文本频率多于实际更换频率的病历。
32.本发明还提供如下技术方案：一种基于数据挖掘技术的护理不良事件风险预测系统，包括数据锁定模块、数据存储管理模块、事件分析模块、数据处理模块和数据挖掘模块；所述数据锁定模块主要用于跌倒、非计划拔管护理不良事件进行锁定；所述数据存储管理模块主要用于存储数据锁定模块锁定的跌倒、非计划拔管护理不良事件；所述事件分析模块用于根据跌倒关键词、各管路医嘱下达文本，结合管路更换时间与医嘱频率的关联规则，制定风险预测数据挖掘表达式；所述数据处理模块用于从病程记录、医嘱中发现可疑跌倒及非计划拔管不良事件；所述数据挖掘模块包括数据源整合子模块、关联词存储子模块、挖掘子模块、输出子模块和反馈子模块。
33.进一步的，所述数据源整合子模块将用户输入的搜索词和预先存储的关键词进行相关性匹配，形成所述搜索词和所述关键词之间对应关联的至少一种数据源；所述关联词存储子模块将数据源整合子模块中形成的搜索词和关键词之间关联的数据源发送给所述数据存储管理模块进行存储；所述挖掘子模块与数据存储管理模块之间进行数据联系，构成网络拓扑关系图，并作数据挖掘；所述输出子模块根据用户输入的不同需求，将数据挖掘的数据显示，供用户选择；所述反馈子模块用于将用户满意度的信息回复给数据源整合子模块。
34.本发明运用数据挖掘技术识别可能漏报的患者安全目标相关护理不良事件，利用
病程记录关键词及医嘱下达文本，结合不同管路更换时间，寻找医嘱下达频率与非计划性拔管之间的潜在关联，制定跌倒/坠床、鼻胃管非计划性拔管、尿管非计划性拔管、气管导管非计划拔管风险预测表达式。实现了医生病程记录中出现的跌倒事件关键词的病历自动化抽取，对于医嘱下达频率与管路更换时间间隔逻辑不符的病历，能够自主识别。对筛选出的可疑不良事件从专业角度再次复合确认，护理管理部门能够主动掌握患者安全目标相关事件的实际情况，避免了“临床上报就知晓，不上报就不知晓”的缺陷，为不良事件的主动识别提供依据，为护理管理部门通过不良事件制定处理措施和流程改进，提高预警行动奠定了基础。此外，本发明紧随医院信息化不断推进与应用的步伐，操作方便，使大数据技术更好地为人类健康做贡献，值得进一步推广。
35.在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
36.在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
37.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。