基于关联规则的重症监护室患者气管插管非计划拔管事件特征性因素分析

韩咏琪，胡清文，陈好，李雪艳，徐小群

1.温州医科大学 护理学院，浙江 温州 325035；2.温州医科大学附属第一医院 护理部，浙江 温州 325015；3.温州医科大学附属第一医院 肝胆外科，浙江 温州 325015

气管插管非计划拔管（unplanned endotracheal extubations, UEE）是指未经医护人员同意患者自行将气管导管拔出（又称自行拔管）或者其他原因包括医护人员操作不当造成的气管导管意外脱落（又称意外拔管）[1]。国外研究报告UEE的发生率为3.0%～16.0%[2]，我国的UEE发生率较国外略高，为4.5%～22.1%[3]。气管插管患者若发生UEE可能导致患者呼吸困难、气道损伤、再插管困难甚至死亡[4]，而拔管后重新插管亦可威胁患者生存，增加呼吸机相关性肺炎发生的风险[5]。美国医疗机构评审联合委员会和中国医院协会均将提升管路安全列入《2019年患者安全目标》[6]。关联规则（association rules）是一种描述性的数据挖掘[7]，近年来有研究者开始将其应用于护理领域[8-10]，但尚未见其应用于UEE中。本研究采用Apriori算法对温州医科大学附属第一医院的UEE事件进行数据挖掘和分析，共获得16条强关联规则，现报告如下。

1 对象和方法

1.1 研究对象 本研究为回顾性研究，从温州医科大学附属第一医院的医院安全（不良）事件管理平台中导出2018年1月1日至2021年8月31日重症监护室患者的气管插管安全事件119例。纳入标准：①重症监护室气管插管患者；②气管插管意外脱落、患者未经医护人员同意自行拔除的气管插管、医护人员操作不当所导致的气管插管拔管。排除标准：患者明确诊断有精神疾病。病例剔除标准：①无病案号；②护理记录未体现拔管；③空白条目过多；④逻辑错误。剔除4例无病案号和6例护理记录中未体现拔管的案例，最终纳入109例案例。

1.2 数据收集 参照浙江省护理质量控制中心护理不良事件上报内容设计气管插管安全事件数据收集表，包括：①患者一般资料：病案号、性别、年龄、职业、文化程度、宗教信仰、吸烟史、饮酒史、手术史、费用形式、入院时间、病区名称等；②疾病资料：临床诊断、疼痛评分、生活自理能力（activity of daily living, ADL）评分、格拉斯哥昏迷评分（Glasgow coma scale, GCS）、气管插管安全事件发生时患者的情况（意识状态、活动状态、约束状态、镇静剂使用、Richmond躁动-镇静量表评分）等；③导管相关：拔管前管道持续留置天数、是否重新置管等；④科室管理相关：事发时病区在岗人数、病区在院患者数、班次、事件责任护士工作年限、是否有护理实习生参与等。

1.3 数据预处理 通过我院电子护理平台补全缺失信息（性别、年龄、职业、手术史、ADL评分、插管深度等），剔除无用信息（姓名、病案号、报告编号、发现人工号、发现人姓名等），统一病区名称。对数值变量中的连续型变量进行离散化处理再进行赋值，把年龄、ADL评分、GCS、Braden评分、体温、心率、置管天数、护患比等变量根据不同分级进行离散化处理并赋值。其余分类变量如性别、职业、宗教信仰、文化程度、费用形式、吸烟史、手术史等根据分类进行赋值。变量名称及赋值方法见表1。

表1 资料中各变量名称及赋值方法

1.4 关联规则参数设定 查找数据中的频繁项集并生成关联规则，关联规则是形如X→Y的表达式，其中前项为X，后项为Y[11]，其中支持度（support）、置信度（confidence）和提升度（lift）是关联规则中重要的相关概念。支持度为项集出现的次数，体现关联规则的重要性；置信度为关联规则的强度，体现关联规则的可信度；提升度反映关联规则中X与Y的相关性[12]。若关联规则的支持度和置信度都高于阈值，则认为是强关联规则，提升度＞1的认为是有效的强关联规则，反之则是无效的强关联规则[11]。本研究关联规则参数设定为：最小支持度= 20%，最小置信度=60%，提升度大于1。

1.5 数据挖掘过程 Apriori算法是关联规则数据挖掘的常用算法。首先从原始数据集合中找出所有频繁项集，频繁项集的标准为本研究设定的最小支持度，表示为“Ln”，项集出现的次数表示为“Cn”，n表示项集中纳入的变量数。逐步从“Ln”中产生“L（n+1）”，直到无法再找到更长的频繁项集。再从所有频繁项集中筛选出有强关联关系的前后项，得出强关联规则，强关联规则的标杆为本研究设定的最小可信度。

1.6 统计学处理方法 将导出的事件数据录入Excel软件，建立UEE事件数据库。利用SPSS26.0软件进行数据分析，计量资料采用±s描述，计数资料采用频数、百分比描述。利用R语言软件基于Apriori算法进行数据挖掘，建立关联规则数据挖掘模型，并对关联规则的前后项进行χ2检验。保留有统计学意义（P＜0.05）的关联规则。

2 结果

2.1 基本资料描述 109件UEE安全事件中，男76例，女33例。UEE发生时间以夜班为主，占比41.28%。发生时患者状态以非操作时为主，占比为84.41%。发生UEE事件中，无镇静、不清醒、有约束患者分别占比53.21%、59.63%、87.16%。从所患疾病看，以神经系统疾病和呼吸系统疾病患者发生UEE最多，事件责任人年资以5～10年为主，占比30.27%，具体见表2。

表2 患者UEE事件基本情况描述

2.2 关联规则分析 通过Apriori算法筛选出满足支持度≥20%，置信度≥60%，提升度＞1的关联规则进行χ2检验后筛选出309条规则，先由2名研究者结合临床经验进行筛选，最后参考3名副高及以上职称的护理专家意见，最终找出16条关联规则（见表3）。

表3 UEE关联规则列表

3 讨论

3.1 关联规则应用于UEE数据挖掘的可行性 关联规则能够寻找和挖掘数据库中各项目集之间的关联性以及内在关系，是目前应用较多的一种数据挖掘的方法[13]，使用关联规则能够评估患者的危险因素，找出影响该临床问题的关联因素，从而指导临床护理人员采取有效措施进行前瞻性预防和护 理[14]。UEE的发生是多种因素共同导致的，使用传统统计方法或者凭借经验无法获取更多有效的信息，因此将关联规则应用于UEE是必要且有效的。本研究小组由信息科、重症监护室、护理部等部门组成，收集109例事件的资料，应用Apriori算法进行关联规则分析，通过调整支持度对规则进行约束，并根据重症监护室情景的合理性和实用性，讨论筛选出16条关联规则，包括了患者因素、治疗因素、导管因素、管理因素和环境因素，充分利用了护理数据，探索出了新的UEE发生规律，为护理人员预防该类事件的发生提供了新视角[15]。

3.2 早期识别、正确评估UEE高风险患者 本研究显示，发生气管拔管时患者处于非操作状态占84.41%，处于被动翻身、护理操作等状态占15.59%，提示UEE可能与患者自身因素有关。规则1～3发现，约束不到位、气管插管留置1～2 d、拔管前血压升高、无镇静与发生气管拔管时患者处于非操作状态有关联，规则4～6提示，夜班、护患比低、年龄大于60岁、有吸烟史、神志清醒与男性有关联，规则7～9提示，文化程度低、有过手术史、发生气管拔管时患者处于非操作状态、无镇静与高龄有关联。有研究[16-18]认为，性别、年龄、疾病类别、肌力、意识状态、疼痛等患者自身因素是UEE的危险因素。老年患者由于身体器官会出现程度不一的退行性改变，对气管插管的耐受性较差，尤其是男性吸烟患者，插管使气道更容易受到刺激，而吸烟者本身的自我调节能力较差，行为具有冲动性[11]，且患者文化程度偏低，加上术后易出现疼痛等不适，对管道防护的依从性下降。规则12～14提示，拔管前心动过速、约束不到位、有镇静、神经系统疾病与神志不清醒呈强关联，规则16中提示，体温升高与UEE相关联。这可能与机体出现体温升高、血压升高、心率加快时，患者易出现生理性躁动有关，国内ICU治疗指南[19]中提出躁动的患者容易与呼吸机发生对抗。规则15提示发生气管拔管时患者处于非操作状态、神志清醒、躁动与气管插管持续留置1～2 d有强关联，这可能与患者在早期置管时期还无法适应，舒适度下降有关。上述因素叠加大大增加拔管风险，提醒医护人员应重视监护仪警报异常，早期识别、正确评估UEE高风险患者。但国内外尚缺乏针对性和可操作性均强的UEE风险评估工具，目前评估工具包括UEE风险评估表[4，20]、风险预测模型[21]等，但评估内容普遍较多，增加临床护士的工作量，因此建议医院建立一个UEE预警系统，提高预警速度和准确性[16]。

3.3 加强医护沟通，保证呼吸机支持患者的有效镇静与约束 规则1、3、8、10～14、16显示，拔管前约束不到位、镇静不正确是UEE的风险因素。良好的约束可以限制患者的活动，减少患者拔管的机会，而约束不当会导致患者舒适度下降，增加患者危险性的动作。还有研究者认为，施行缩减约束方案可以降低UEE的发生率，这与缩减约束有利于减少皮肤损伤，缓解患者生理、心理不适有关[22]。镇静是重症监护室一项重要的治疗手段，合理的镇静可以减轻患者的焦虑、躁动和应激反应，而不恰当地使用镇静剂则可能引起患者躁动或谵妄，致人机不协调[23]。证据认为，镇静策略的选择、镇静不充分、镇静药物的使用对UEE的发生都会有影响[24]，与本研究结果一致。目前临床上缺乏约束适用性评估工具和标准，医护人员对镇静镇痛实施方法、镇静深度、日常评估、镇静唤醒等专科知识掌握不全，约束执行落实情况的评估和检查力度不够，需要加强医护合作，制定科室约束与镇静的评估标准，采用多途径对科室医护人员进行镇静、约束有效性知识培训。

3.4 规范气道管理，建立规范化的撤机流程 在本次纳入研究的109例UEE事件中，未重新插管的65例，占比59.63%，说明存在一部分患者符合撤机的条件，但是未及时撤机。由于本研究不是针对撤机展开分析，未纳入撤机的相关因素，因此无法筛选出符合临床的重新插管的关联规则。目前临床上医护人员对拔管时机掌握不充分，临床医师对于患者是否能够撤机多按照经验来决策[25]，未能正确按照呼吸机管理的相关规范执行，医院未开展呼吸功能评定信息系统的建设，无法对需要计划拔管的患者进行信息预警提醒。AWANG等[26]制定机械通气脱机过程的护理实践指南，使护士能够参与到呼吸机脱机的决策中，刘秀梅等[27]总结ICU成人机械通气患者气管插管拔管管理的最佳证据。因此建议ICU建立呼吸治疗师团队，参考气道管理的指南、专家共识等，通过呼吸功能评定信息系统的建设，正确把握患者拔管的指征，建立规范化的撤机流程，进行气道的安全管理，确保患者安全。

3.5 合理安排人力资源，重点关注UEE知识的掌握 规则10、11提示，夜班、拔管前约束不到位、未镇静与事件发生时病区护患比＜1/3呈强关联。ICU护士夜班工作量繁重，相比白班人力资源配备不 足[28]，且ICU病房各类仪器运作声及报警声不可避免[29]，夜班期间护理人员更加容易产生报警疲劳，夜间护理安全事件占比75.68%，需要特别重视夜间患者的气道管理。卫生部《2012年推广优质护理服务工作方案》提出，重症监护病房护患比要求为（2.5～3）:1[30]，目前我国对夜班的护患比没有相应规定[31]。当护患比低于1/3时，夜班护士的工作负荷增加，对病情突变的患者容易识别不到，导致发生UEE。患者护理结局的好坏，与护理人力的配备有直接关系，建议改善ICU护士轮班方式、限定夜班数量及科学量化工作负荷[32]，加大对ICU护理人员配备的力度，注意新老护士搭配，夜班加强巡视，尽量减少护士跨房间管理患者的风险，确保患者安全。

不同工作年资的护士在关联规则中未有所体现，但5～10年工作年资的护士上班时患者发生UEE事件占比最高，占总数30.27%，这可能与该年资段的护士在科室的人数占比最高有关，目前该年资护士作为科室骨干，负责照护的患者病情相对较重，护理风险增加，因此对该年段的护士要求更高。因此ICU所有护士要强化UEE培训，包括管道固定、非计划拔管风险评估、有效镇静、有效约束等，并组织开展UEE应急预案演练，提高安全意识。

4 小结

本研究使用关联规则，对109例UEE事件进行数据挖掘和讨论分析，从患者、管理、治疗、导管和环境这五个角度进行探索，结果提示临床医护人员在气管插管管理过程中，应重点关注男性、神经系统疾病、文化程度低、有吸烟史、有手术史、年龄≥60岁、未镇静、神志清醒、躁动、谵妄低风险患者的UEE风险，加强夜间有效巡视，对气管插管患者进行有效镇静与必要约束，增进医护沟通，建立规范化的撤机流程，加强相关培训，降低UEE的发生率。

本研究的局限在于数据仅来自于一家综合性医院，未来可以扩大样本量，进行多中心研究，并纳入更全面的UEE相关因素，如气管插管固定方式和固定材料、气囊压力的管理等。