在医疗领域中，精准预测患者风险始终是临床决策的核心挑战。近期，一项刊登于《美国重症监护杂志》的研究，利用机器学习构建了一个预测模型——专门用于预测外科重症患者发生医院获得性压力性损伤的风险。这看似科幻情节，但数据科学正让这种“未卜先知”逐渐成为现实。

研究人员采用机器学习的原因在于，它能高效分析电子健康记录（EHR）中的海量数据。传统预测模型往往需要临床医生手动输入信息才能运行，既耗时又易出错。而该研究基于随机森林算法构建模型，让计算机自主“学习”哪些指标最具风险信号。因此，预测可依托现有数据自动完成，无需额外占用医护人员的精力。

所谓压力性损伤，即俗称的褥疮，是因长期受压导致皮肤或皮下组织受损，需按阶段分级评估损伤程度。一旦发生，通常意味着住院时间延长、医疗费用增加、患者痛苦加剧。研究指出，在美国ICU患者中，医院获得性压力性损伤的发生率约为3%至24%——这一比例不容忽视。若能提前识别高危人群，便可及时开展更多皮肤检查、使用专科病床等干预措施，既能减轻患者痛苦，又可节约医疗资源。

现阶段，该模型可能是首个专门针对重症监护患者预测压力性损伤的机器学习工具。机器学习在医疗领域已用于预测败血症、急性肾损伤等情况，但应用于压力性损伤尚属首次。值得关注的是，现有风险评估工具常将最危重患者一概归为高风险，导致难以在ICU群体内部进行细致区分。而新模型有望实现更精确的风险分层，提供更精细化的评估能力。

研究第一作者、博伊西州立大学助理教授Jenny Alderden博士表示：“当前的风险评估工具无法有效区分重症患者的压力性损伤风险。我们的模型最终可为临床医生提供更深入的见解，协助他们制定针对高危患者的护理方案，并识别出能从某些高成本干预措施中获得最大收益的患者。”换言之，这不仅关乎“谁风险更高”，更关乎“谁的投入回报最大”。

本研究数据来源于盐湖城犹他大学医院，研究团队分析了五年内6376名外科手术患者的电子病历。其中516例出现1期及以上压力性损伤，257例达到2期或以上。这些数字背后是患者真实的痛苦——若机器学习模型能够在临床落地应用，或许就能使部分患者免于这种本可预防的伤害。