大数据信息分析医院普外手术后切口感染相关因素及预防措施

刘阳

【摘要】    目的：大数据分析观察普外手术后切口感染的相关因素以及预防措施。方法：大数据调取我院收治的普外科手术切口感染患者作为本次的研究对象，共有1090例患者接受普外手术，108例患者出现感染情况，将对这些患者的手术切口感染因素进行研究与调查，讨论预防措施。结果：经过大数据观察后发现年龄≥60岁、性别：男、切口长度≥10cm、手术时间≥2h、住院时间≥7d以及切口类型均为导致患者出现切口感染的相关因素。结论：为了减少感染情况，需要做好术后清创引流，对老年患者加强照顾，并且对切口长度较大的患者精心照顾，以达到减少感染发生的目的。

【关键词】    大数据信息    切口感染    普外手术    因素与预防

大数据技术几乎应用于电信、金融、教育、医疗、军事、电子商务乃至政府决策等各个领域[1]。大数据是指具有五大特点，分别是，数据量大、数据类型多样、数据生成和更新速度快、数据来源于现实世界以及高价值和低价值密度等[2-3]。大数据分析包括传统的机器学习、深度学习，是大数据的潜规则和潜在价值的一种方法。在实施数据分析时主要包括数据预处理、数据标注、数据特征选择、基于算法的数据分析模型、基于算法的数据检测模型、进一步反馈优化模型等过程，大数据技术在医疗领域的项目管理逐渐引起人们的关注[4-6]。临床中手术切口感染是非常常见的，在医院的感染防控工作中，手术切口感染预防是非常重要的，感染情况不仅会影响到手术的治疗有效性以及病患的预后情况，而且还可能导致患者出现并发症，严重将会导致患者死亡，造成医患纠纷[7-8]。随着医学技术的不断进步，医护人员更需要重视切口感染情况的预防，了解切口感染的因素，通过科学有效的医疗治疗以及多手段的预防，减少并发症以及感染情况的发生。本次研究主要以医院普外手术后切口感染相关因素及预防措施为主，本次研究报道如下。

一、资料与方法

1.1基本资料

本次研究使用大数据信息调取我院2018年2月至2020年2月收治的1090例接受普外手术的患者进行研究，其中共有108例普外手术后切口感染患者，男女比例为72例与36例，年龄为35～72岁，平均年龄为（57.28±7.21）岁，所有患者的病历相关资料均保存完整。

1.2方法

目前，大数据分析方法已广泛应用于医学研究中。与传统研究相比，在研究数据方面，大数据分析方法可以使用海量数据和更多种类的临床数据[9]。它可以利用医嘱的时间序列和空间密度等低值密度的临床数据，可以利用病人的远程监测数据，对结果、疾病诊断模型的准确性、诊断的准确性、诊断的准确性等进行实时动态分析，采用大数据分析方法建立的疾病分类模型和疾病预后预测模型具有较高的实用价值[10-12]。本次研究将采用大数据信息调取的方法进行开展，对患者的电子病历进行调取，对患者的基本信息进行调查，主要包括，性别、年龄以及合并症等问题，再对患者的治疗情况进行观察，包括手术类型，手术时间以及抗生素的使用情况，对数据进行分析与观察。

1.3切口感染诊断标准

如果经过观察发现患者的手术切口有红、肿、热、痛等症状，并且发现分泌物为脓性且渗漏;手术之后伤口自然裂开，有脓性分泌物，患者的体温为39℃以上，对切口进行深部引流以及穿刺引流时发现有脓性物质，并且对患者的病原菌培养之后标准符合切口感染的诊断标准，则表示患者为切口感染。

1.4统计学方法

为了确定两组差异，本次研究将采用SPSS 26.0统计学软件来对两组的数据情况进行分析，变量通过t来进行检验，数据通过X?校验，计数资料采用百分比表示，计量数据采用t标准差表示，对两组数据进行对比，最终得出P 〈 0.05时则表示具有统计学意义。

二、结果

经过观察后发现年龄≥60岁、切口长度≥10cm、手术时间≥2h、住院时间≥7d以及切口类型均为导致患者出现切口感染的相关因素。（见表1）

三、讨论

大数据分析的应用将迅速而广泛地出现在整个医疗机构和医疗行业。本文所描述的数据检索和统计分析表明，大数据应用需要一系列专业技能，为保证临床数据分析的准确，需要多种运算方法，包括：复杂数据的处理、集成、分析，并能帮助医务工作者充分了解数据分析的结果。为此，需要医学和其他专業技能的合作[13-16]。

手术切口感染是较为常见的，而且可能发生在各种类型的手术术后，对于医院来说感染防控工作是非常重要的，感染情况的发生不仅会影响到手术的效果，而且还会对患者的预后情况造成影响，患者也可能出现并发症情况。由于引发普外手术切口感染的情况较多，在治疗过程中需要对多个方面进行监控。对于年龄较大的患者，更加需要对其重视，增加检查次数;对于切口长度较长且切口类型特殊的患者，则需要在手术后为患者及时清理切口，并且给予患者抗生素，减少感染情况的发生，手术后为患者做好引流、清创、清洁工作。此外，在手术过程中还需要减短手术时间与住院时间，给予患者微创手术进行治疗，真正落实治疗效果的提升，减少感染情况的发生，为患者准备好干净整洁的病房，让患者能够安心养病。

目前，基于大数据分析方法的研究还有很大的发展空间。未来大数据研究领域，需要进一步提高原始数据的质量和数量，在验证临床大数据的准确性和模型的有效性方法中可以开展更多的前瞻性队列研究，在这个进程中需要广大科学家和医学研究人员的密切合作，将会有益于更多更高质量的医学，从而提高普外科疾病的诊疗水平[17-19]。通过对临床和其他数据存储库的数据管理和分析，大数据可以获得前所未有的洞察力，并作出更明智的决策[20]。

综上所述，为了真正减少感染情况的出现，手术后需要对手术切口进行清理，并且加强对切口长度较长，年龄较大患者的监护，必要时给予患者抗生素，加强护理真正减少感染情况的发生。

参  考  文  献

[1]Tan SS，Gao G，Koch S.Big data and analytics in health·care[J].Methods Inf Med，2015，54（6）：546-547.DOI：lO.3414/mel5.06.1001.

[2]Obermeyer z，Emanuel EJ.Predicting the future-big data，machine learning，and clinical medicine[J].N Engl J Med，2016，375（13）：1216·1219.D01：10.1056/NElMpl606181.

[3]Rumsfeld JS，Joynt KE，Maddox TM.Big data analytics toimprove cardiovascular care：promise and challenges[J].Nat Rev Cardiol，2016，13（6）：350.DOI：10.1038/nrcardio.2016.42.

[4]Drovandi CC，Holmes C，McGree Ji，et a1.Principles ofexperimental design for big data analysis[J].Stat Sci，2017，32（3）：385-404.DOI：10.1214/16-sis604.

[5]李岩， 李海霞. 基层医院普外科手术切口感染相关因素及预防措施[J]. 医药卫生（文摘版）：00102.

[6]Green A K，Reederhayes K E，Corty R W，et al.The Project Data SphereInitiative：Accelerating

[7]Cancer Research by Sharing Data [J].Oncologist，2015，20（5）：464-472.

[8]Sydes M R，Johnson A L，Meredith S K，et al.Sharing data from clinical trials：the rationale for a controlled access approach[J].Trials，2015，16（1）：1-6.

[9]Lawler M，Siu L L，Rehm H L，et al. All the Worlds a Stage：Facilitating Discovery Science and Improved Cancer Care through the Global Alliance for Genomics and Health[J]. Cancer Discovery，2015，5（11）：1133.

[10]Zhu C Q，Santos G D C，Ding K，et al. Role of KRAS and EGFR as biomarkers of response to erlotinib in National Cancer Institute of Canada Clinical Trials Group Study BR. 21[J]. Journal of Clinical Oncology，2008，26（26）：4268 - 4275.

[11]Collins F S，Varmus H. A New Initiative on Precision Medicin[e J]. N Engl J Med，2015，372（9）：793 - 795.

[12]Dagi T F. Seven Ethical Issues Affecting Neurosurgeons in the Context of Health Care Reform[ J].Neurosurgery，2017，80（4S）：S83.

[13]Nguyen T，Khosravi A，Creighton D，et al. EEG data classification using wavelet features selected by Wilcoxon statistics[ J]. Neural Computing & Applications，2015，26（5）：1193 - 1202.

[14]Rahman H，Begum S，Ahmed M U. Ins and Outs of Big Data：A Review[M]/ / International Conference on IoT Technologies for HealthCare. Springer International Publishing，2016：44 - 51.

[15] Kalid N，Zaidan A A，Zaidan B B，et al. Based Real Time Remote Health Monitoring Systems：A Review on Patients Prioritization and Related”Big Data”Using Body Sensors information and Communication Technology[ J]. Journal of Medical Systems，2018，42（2）：30.

[16]News M. Making Sense of Big Data[J]. Biotechniques，2013，60（3）：108.

[18]徐志祥，王瑩.我国医疗行业大数据应用现状及政策建议[J].中国卫生信息管理杂志， 2017，14（6）：822-825.

[19]孟群，毕丹，张一鸣，等.健康医疗大数据的发展现状与应用模式研究[J].中国卫生信息管理杂志，2016，13（6）：547-552.

[20]谭彬，刘晓峰，邱岚，等.大数据安全管理及关键技术研究[J].网络空间安全，2017，8（12）： 25-28.