护理研究

序号	前项	后项	支持度	置信度	提升度	χ²值	P
1	是否镇静=F	是否约束=F	40.602	73.973	1.157	6.170	0.013
2	年龄>60岁	导管周围皮肤状态未评估=T	39.098	70.070	1.183	7.191	0.007
3	置管天数>7 d	导管周围皮肤状态未评估=T	35.338	72.308	1.217	7.769	0.005
4	疼痛评分=中度	陪护人员责任心不强=T	42.105	86.154	1.102	3.854	0.050
5	非计划拔管发生在夜班=T，当班护士工作年限=>3~5年	陪护人员责任心不强=T	33.835	100.000	1.279	17.081	<0.001
6	病人文化程度=中学，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
7	意识状态=意识躁动，陪护人员责任心不强=T	非计划拔管发生在夜班=T	23.308	96.875	1.251	7.702	0.006
8	置管天数>7 d，接班时未评估导管状态=T	导管周围皮肤状态未评估=T	33.835	73.770	1.242	8.581	0.003
9	是否镇静=F，接班时未评估导管状态=T	是否约束=F	39.098	74.286	1.162	5.981	0.014
10	导管类型=静脉导管，接班时未评估导管状态=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	30.075	97.561	1.642	33.542	<0.001
11	疼痛评分=中度，是否约束=F，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
12	年龄>60岁，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
13	意识状态=意识躁动，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	21.805	96.667	1.248	6.835	0.009
14	接班时未评估导管状态=T，陪护人员责任心不强=T，当班护士工作年限=>3~5年	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
15	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T	导管周围皮肤状态未评估=T	30.827	74.545	1.255	7.883	0.005
16	年龄>60岁，吸烟史=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	30.075	100.000	1.279	14.175	<0.001
17	导管类型=静脉导管，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
18	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	33.835	97.826	1.263	14.988	<0.001
19	年龄>60岁，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	31.579	71.186	1.198	5.263	0.022
20	导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	年龄>60岁	31.579	70.000	1.258	8.105	0.004

序号	前项	后项	支持度	置信度	提升度	χ²值	P
1	是否镇静=F	是否约束=F	40.602	73.973	1.157	6.170	0.013
2	年龄>60岁	导管周围皮肤状态未评估=T	39.098	70.070	1.183	7.191	0.007
3	置管天数>7 d	导管周围皮肤状态未评估=T	35.338	72.308	1.217	7.769	0.005
4	疼痛评分=中度	陪护人员责任心不强=T	42.105	86.154	1.102	3.854	0.050
5	非计划拔管发生在夜班=T，当班护士工作年限=>3~5年	陪护人员责任心不强=T	33.835	100.000	1.279	17.081	<0.001
6	病人文化程度=中学，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
7	意识状态=意识躁动，陪护人员责任心不强=T	非计划拔管发生在夜班=T	23.308	96.875	1.251	7.702	0.006
8	置管天数>7 d，接班时未评估导管状态=T	导管周围皮肤状态未评估=T	33.835	73.770	1.242	8.581	0.003
9	是否镇静=F，接班时未评估导管状态=T	是否约束=F	39.098	74.286	1.162	5.981	0.014
10	导管类型=静脉导管，接班时未评估导管状态=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	30.075	97.561	1.642	33.542	<0.001
11	疼痛评分=中度，是否约束=F，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
12	年龄>60岁，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
13	意识状态=意识躁动，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	21.805	96.667	1.248	6.835	0.009
14	接班时未评估导管状态=T，陪护人员责任心不强=T，当班护士工作年限=>3~5年	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
15	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T	导管周围皮肤状态未评估=T	30.827	74.545	1.255	7.883	0.005
16	年龄>60岁，吸烟史=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	30.075	100.000	1.279	14.175	<0.001
17	导管类型=静脉导管，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
18	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	33.835	97.826	1.263	14.988	<0.001
19	年龄>60岁，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	31.579	71.186	1.198	5.263	0.022
20	导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	年龄>60岁	31.579	70.000	1.258	8.105	0.004

发生在夜班	是否约束	是否躁动	导管评估缺失	陪护责任心不强	疼痛	置管天数（d）	年龄（岁）		发生非计划拔管（%）
是	是	是	是	是	重度	<7	>60	66.67	33.33
是	是	是	是	是	中度	<7	>60	85.71	14.29
是	是	是	否	是	轻度	≥7	>60	66.67	33.33
是	是	否	是	是	中度	<7	>60	80.00	20.00
是	是	否	是	是	中度	≥7	>60	66.67	33.33
是	是	否	是	是	轻度	≥7	>60	75.00	25.00
是	否	是	是	是	中度	≥7	0~20	66.67	33.33
是	否	是	是	是	中度	≥7	>60	80.00	20.00
是	否	是	是	是	轻度	≥7	>40~60	66.67	33.33
是	否	是	否	是	中度	≥7	>60	66.67	33.33
是	否	否	是	是	重度	<7	>60	80.00	20.00
是	否	否	是	是	重度	<7	>60	75.00	25.00
是	否	否	是	是	中度	<7	>60	90.00	10.00
是	否	否	是	是	中度	<7	>40~60	80.00	20.00
否	是	是	否	是	中度	<7	>40~60	33.33	66.67
否	是	是	否	否	重度	<7	>40~60	20.00	80.00
否	是	是	否	否	中度	<7	>40~60	5.26	94.74
否	是	是	否	否	轻度	<7	>40~60	7.69	92.31
否	是	否	否	否	重度	<7	>20~40	14.29	85.71
否	否	是	否	否	轻度	<7	>40~60	12.50	87.50
否	否	否	否	否	轻度	<7	>20~40	1.49	98.51
否	否	否	否	否	中度	<7	>20~40	1.14	98.86
否	否	否	否	否	中度	<7	>60	6.25	93.75

发生在夜班	是否约束	是否躁动	导管评估缺失	陪护责任心不强	疼痛	置管天数（d）	年龄（岁）		发生非计划拔管（%）
是	是	是	是	是	重度	<7	>60	66.67	33.33
是	是	是	是	是	中度	<7	>60	85.71	14.29
是	是	是	否	是	轻度	≥7	>60	66.67	33.33
是	是	否	是	是	中度	<7	>60	80.00	20.00
是	是	否	是	是	中度	≥7	>60	66.67	33.33
是	是	否	是	是	轻度	≥7	>60	75.00	25.00
是	否	是	是	是	中度	≥7	0~20	66.67	33.33
是	否	是	是	是	中度	≥7	>60	80.00	20.00
是	否	是	是	是	轻度	≥7	>40~60	66.67	33.33
是	否	是	否	是	中度	≥7	>60	66.67	33.33
是	否	否	是	是	重度	<7	>60	80.00	20.00
是	否	否	是	是	重度	<7	>60	75.00	25.00
是	否	否	是	是	中度	<7	>60	90.00	10.00
是	否	否	是	是	中度	<7	>40~60	80.00	20.00
否	是	是	否	是	中度	<7	>40~60	33.33	66.67
否	是	是	否	否	重度	<7	>40~60	20.00	80.00
否	是	是	否	否	中度	<7	>40~60	5.26	94.74
否	是	是	否	否	轻度	<7	>40~60	7.69	92.31
否	是	否	否	否	重度	<7	>20~40	14.29	85.71
否	否	是	否	否	轻度	<7	>40~60	12.50	87.50
否	否	否	否	否	轻度	<7	>20~40	1.49	98.51
否	否	否	否	否	中度	<7	>20~40	1.14	98.86
否	否	否	否	否	中度	<7	>60	6.25	93.75

基于关联规则的非计划拔管风险因素分析及预测模型构建

宋俊瑶 ¹ , 杨静 ²^,^*^,^* , 冷安明 ² , 黄婉 ¹

护理研究 | 综合研究 2026,40(17): 3098-3103

收起

护理研究 |综合研究 2026 , 40 (17) : 3098 -3103

基于关联规则的非计划拔管风险因素分析及预测模型构建

全屏

宋俊瑶¹, 杨静²^,^*^,^*, 冷安明², 黄婉¹

作者信息

¹贵州中医药大学护理学院，贵州 550000

²贵州省人民医院

通讯作者:

杨静，E-mail：147774658@qq.com

YANG Jing, E-mail: 147774658@qq.com

作者简介:

宋俊瑶，护士，硕士研究生在读

Analysis of risk factors for unplanned extubation based on association rules and construction of a predictive model

Junyao SONG¹, Jing YANG², Anming LENG², Wan HUANG¹

Affiliations

¹School of Nursing, Guizhou University of Traditional Chinese Medicine, Guizhou 550000 China

²Guizhou Provincial People's Hospital

出版时间: 2026-09-10 doi: 10.12102/j.issn.1009-6493.2026.17.021

文章导航

摘要

收起

目的

通过关联规则挖掘非计划拔管的多因素组合模式，并构建贝叶斯网络预测模型。

方法

采用回顾性病例对照研究，收集贵州省某三级甲等医院2013年1月—2023年12月133例非计划拔管病人及350例对照病人的临床资料，运用Apriori算法进行关联规则挖掘，筛选强关联规则；同时运用最大最小爬山算法（MMHC）构建贝叶斯网络预测模型，分析各因素间的因果关系及风险概率。

结果

共筛选出20条强关联规则。夜班、护士工作年限、陪护责任心不强、导管评估缺失、疼痛、躁动、约束状态、置管天数及年龄等因素与非计划拔管密切相关；贝叶斯网络模型包含10个节点和14条有向边，高风险组合下非计划拔管发生率可达90%。

结论

非计划拔管是多因素交互作用的结果，交接班评估缺失是核心风险环节。本研究构建的预测模型具有良好的风险识别与预测能力，可为临床非计划拔管预警与干预提供量化工具。

关键词

非计划拔管 / 交接班 / 关联规则 / 不良事件 / Apriori算法 / 贝叶斯网络

Abstract

收起

Objective

To explore multifactor combination patterns of unplanned extubation using association rule mining and to construct a Bayesian network predictive model.

Methods

A retrospective case-control study was conducted.Clinical data were collected from 133 patients with unplanned extubation and 350 control patients at a tertiary grade A hospital in Guizhou province between January 2013 and December 2023.The Apriori algorithm was used to mine association rules and screen strong association rules. Meanwhile,the max-min hill-climbing(MMHC) algorithm was employed to construct a Bayesian network predictive model,which was used to analyze causal relationships and risk probabilities among various factors.

Results

A total of 20 strong association rules were identified. Factors such as night shift,years of nursing experience,caregiver responsibility lacking,omission of catheter assessment,pain,agitation,restraint status,catheter retention time,and age were closely associated with unplanned extubation.The Bayesian network model consisted of 10 nodes and 14 directed edges,and the incidence of unplanned extubation under high-risk combinations could reach 90%.

Conclusions

Unplanned extubation results from the interaction of multiple factors,with omission of assessment during handover representing a core risk link.The predictive model constructed in this study demonstrates strong risk identification and predictive capabilities,providing a quantitative tool for early warning and intervention in clinical settings.

Key words

unplanned extubation / handover / association rules / adverse events / Apriori algorithm / Bayesian network

引用本文

宋俊瑶, 杨静, 冷安明, 黄婉. 基于关联规则的非计划拔管风险因素分析及预测模型构建. 护理研究, 2026 , 40 (17) : 3098 -3103 . DOI: 10.12102/j.issn.1009-6493.2026.17.021

Junyao SONG, Jing YANG, Anming LENG, Wan HUANG. Analysis of risk factors for unplanned extubation based on association rules and construction of a predictive model[J]. Chinese Nursing Research, 2026 , 40 (17) : 3098 -3103 . DOI: 10.12102/j.issn.1009-6493.2026.17.021

正文

收起

非计划拔管（unplanned extubation,UEX）指任何意外所致的拔管，即非诊疗计划范畴内的拔管^[1]。其中病人因素导致的非计划拔管占84.2%以上^[2]，是医院常见的不良事件之一，其频率也成为衡量病人护理质量的一个重要指标^[3]，非计划拔管发生率已纳入国家护理质量数据平台进行监控^[4-5]。据统计，国外非计划拔管发生率为2.7%~39.8%^[6-8]，我国非计划拔管发生率为0.83%~33.60%^[9-11]，非计划拔管发生后需要重新插管率高达34%~52%^[6,12]。发生非计划拔管可能导致病人身体损伤、增加痛苦、延长住院时间，甚至危及病人生命，同时也是导致医患矛盾的重要事件之一^[13]。

目前，非计划拔管风险因素相关研究多采用单因素分析或Logistic回归模型等方法，虽有一定成效，但难以充分揭示多因素之间的交互作用与组合效应^[14]。非计划拔管往往是病人、护理、管理因素等多维因素共同作用的结果，单一视角的分析易忽略其复杂的发生机制^[15]。同时，随着医院信息化建设的不断进步，电子病历系统（hospital information system，HIS）中存留大量的非计划拔管发生前、发生过程中、发生后的数据，为深入挖掘其风险组合模式提供了可能。关联规则（association rules）是数据挖掘的一个重要分支，主要探索事物数据库、关系数据库和其他信息存储中的大量数据之间隐藏的规律^[16]，能够从海量数据中识别出频繁共现的因素组合^[17-19]，而贝叶斯网络则能在此基础上构建因果结构，实现风险概率的动态推理^[20-21]，二者结合既可弥补传统方法在多因素组合分析上的不足，又能实现从“因素识别”到“风险预测”的闭环建模^[22]，但目前结合关联规则和贝叶斯网络展现非计划拔管不良事件的研究较少。因此，本研究将Apriori关联规则算法与贝叶斯网络模型相结合，旨在系统挖掘非计划拔管的多因素组合模式，并构建可解释、可量化的风险预测模型，为完善临床非计划拔管的精准防控提供数据支持与决策依据。

1　对象与方法

收起

1.1　研究对象

本研究采用回顾性研究方法。病例组选取贵州省某三级甲等医院2013年1月—2023年12月上报的133例非计划拔管事件病历。为构建贝叶斯网络预测模型并增强其泛化能力，选取同期住院、未发生非计划拔管的350例置管病人作为对照组，对照组在收治科室、置管类型等基本临床特征上与病例组进行匹配。病例组纳入标准：未经医护人员同意的自行拔管、导管滑脱或因导管堵塞、感染等问题而提前拔管的病历；对照组纳入标准：病例组同期住院的置管病人且未发生任何非计划拔管事件。排除标准：明确诊断为精神疾病者；严重缺项或存在逻辑错误的病历。本研究已通过贵州省人民医院伦理委员会审批[批号：伦理学（科研）（2021）10号]。

1.2　研究工具

参照贵州省护理质量控制中心护理不良事件上报内容设计不良事件采集表，包括病人一般资料、护士资料、事件概况及风险因素、事件转归及处理措施、事件发生经过和原因分析。本研究将数据分为4部分：1）一般资料，包括病历号、性别、年龄、病人文化程度、吸烟史、收治科室等；2）疾病资料，包括住院诊断、是否镇静意识状态、疼痛评分、重症监护室治疗史、活动状态、约束状态等；3）导管数据，包括置管天数、导管名称、导管风险类型、导管固定方式、是否重新置管、拔管史；4）管理数据，包括发生非计划拔管时的病区上班人数、特级/一级护理人数、当班护士工作年限、接班时是否检查导管状态、接班时是否检查皮肤状态、陪护人员类别、陪护人员是否有责任心等。由经过授权的研究人员在HIS和医院不良事件上报系统中进行数据提取、整理和挖掘，确保信息安全。

1.3　数据预处理

1）数据清洗：补全缺失的信息。2）数据一致性处理：将收治科室名称统一、陪护人员类别统一等。3）数据离散化处理：将护士工作年限分为<2年、>2~5年、>5~10年、>10~20年、>20年；将疼痛分为轻度、中度、重度；将40余种管道分为静脉导管、术区引流管、气管插管导管、气管切开管套管、胃管、尿管,以及符合条件=T、不符合条件=F。

1.4　统计学处理

1.4.1　关联规则数据挖掘

采用Apriori算法进行非计划拔管数据挖掘，找出关联规则。根据预处理后的数据量和数据属性特点设置最小支持度和最小置信度，支持度是相互关联的数据在数据集中出现的次数占总数据集的比重；置信度表示关联规则的强度，反映规则的可信程度；提升度反映自变量（X）对因变量（Y）的影响程度，提升度>1，表明X与Y存在正相关关系。为查找出更多属性之间的潜在关联，本研究使用递减的最小支持度阈值，数据设定最小支持度为10%，最小置信度50%，提升度>1。

1.4.2　贝叶斯网络预测模型

贝叶斯网络模型通过结构学习与参数学习构建，主要有3种方式：1）基于专家知识确定贝叶斯网络模型的节点及结构；2）基于数据的模型构建，即网络结构及参数学习均依赖于训练集；3）结合专家知识与数据模型构建，即网络结构形成依赖于专家知识及训练集数据。专家纳入标准：具有本科及以上学历，并有从事外科护理、内科护理、护理管理或急危重症护理工作，且专业领域与危重症护理、外科护理、患者安全管理等相关护理工作10年以上；具有副高级及以上职称；愿意参与本研究。排除标准：在专家研判问卷中全部条目均选择“很不熟悉”者；问卷填写质量明显欠佳（如存在大面积缺填、逻辑矛盾等）者；因故无法全程参与者。本研究主要采用第3种方法。采用R4.4.1软件的“bnlearn”包构建贝叶斯网络模型，采用最大最小爬山算法（max-min hill-climbing，MMHC）构建非计划拔管贝叶斯网络模型^[23]，利用极大似然估计法根据已知的节点的状态对未知节点进行概率推断；采用Netica 6.09软件绘制贝叶斯网络图形。检验水准为双侧检验，α=0.05。

2　结果

收起

2.1　纳入专家及病人基本资料

共20名专家参加此次问卷调查，其中主任护师2人，副主任护师18人；从事内科护理2人，外科护理5人，急危重症护理9人，护理管理4人；工作年限10~20年13人，>20~30年4人，>30年3人；博士研究生3人，硕士研究生7人，本科10人。

本组133例发生非计划拔管事件病人中，男92例（69.2%），女41例（30.8%）；年龄（65.95±16.70)岁，有吸烟史86例（64.7%）；静脉导管53例（39.8%），非静脉导管80例（60.2%）；非计划拔管发生后重新置管66例（49.6%）；发生在内科病区38例（28.6%），外科病区40例（30.1%），重症监护病房35例（26.3%），其他病区10例（7.5%）；当班护士工作年限≤3年24例（18.0%），>3~5年55例（41.4%），>5~10年40例（30.1%）、>10~20年13例（9.8%）、>20年1例（0.8%）。

2.2　关联规则

通过 Apriori 算法挖掘出强关联规则24 608条，根据多次参数调整后，满足所有参照最低指标的关联规则共101条；根据临床护理专家综合研判，结合专业及医院临床特点，最终确定20条关联规则，见表1。

2.3　非计划拔管不良事件的贝叶斯网络模型

在关联规则数据挖掘的基础上采用MMHC算法构建非计划拔管不良事件贝叶斯网络模型，该模型包括10个节点、14条有向边（见图1）。模型显示，是否发生在夜班、是否约束、是否躁动、接班时是否评估导管状态、疼痛评分、接班时是否评估皮肤状态、置管天数、年龄与非计划拔管不良事件直接相关，且为父节点；是否镇静、护士工作年限、置管天数、是否发生在夜班、疼痛评分、是否出现躁动与非计划拔管间接相关。

2.4　非计划拔管不良事件的风险推理

根据是否发生非计划拔管的父节点可推理出非计划拔管的发生风险（见表2）。例如，当“夜班=T、约束=F、躁动=T、导管未评估=T、陪护人员责任心不强=T、疼痛=中度、置管>7 d、年龄>61岁”时，非计划拔管发生概率高达90%以上。相反，在低风险条件下（如无疼痛、年轻、短置管时间等），非计划拔管概率可降至1.14%~6.25%。

3　讨论

收起

本研究基于贵州省某三级甲等医院非计划拔管数据，综合运用Apriori算法与贝叶斯网络模型，从数据挖掘与概率推理两个维度系统识别非计划拔管的风险因素及其作用机制，为临床风险预警与干预策略制定提供依据。

3.1　非计划拔管风险呈现为可辨识的组合风险因素

本研究首先利用Apriori算法扫描临床数据，其核心价值在于充当“探针”，从复杂的医疗记录中高效地识别出那些反复共同出现、并高度可能导致非计划拔管的高风险因素组合，即临床“症状群”。这一分析揭示了非计划拔管事件背后鲜明的场景化特征。例如，规则5（夜班=T,护士工作年限=>3~5年→陪护人员责任心不强=T）和规则11（疼痛=中度,约束=F,陪护人员责任心不强=T→夜班=T）等，清晰地指出非计划拔管并非由单一因素引发，而是特定场景下病人因素（疼痛、躁动）^[24]、护理因素（约束、评估）^[25-26]、管理因素（夜班、护士资历）^[27]及系统支持因素（陪护）^[28]相互交织、共同作用的结果。此外,本研究发现，护理评估环节的断裂，尤其是“接班时未评估导管状态”与“导管周围皮肤状态未评估”，构成了一个基础性的、高发的风险枢纽。规则2、3、8、10等共同描绘了这一风险图景：例如，规则8（置管天数>7 d,接班时未评估导管状态=T→导管周围皮肤状态未评估=T，支持度33.84%，置信度73.77%）表明，对于长期置管的病人，如果交接班时未对导管本身进行规范评估，那么其导管周围皮肤状态也极有可能被忽略；这并非孤立的疏忽，而是一个系统性的评估缺失链条。长期置管本身易导致皮肤浸渍、过敏或固定物松脱，若评估环节缺失，可能导致非计划拔管关键的警示信号无法被及时发现和处理，从而引起病人因不适增加拔管的风险。这一发现与李静等^[29]对腹腔引流管脱管原因的分析一致，强调了将导管与周围皮肤视为一个整体进行管理的重要性。因此，关联规则在此刻画的是一个从“未执行关键评估”到“潜在问题被掩盖”，最终走向“不良事件发生”的清晰前兆路径。

3.2　风险因素通过清晰的因果路径揭示非计划拔管的发生

为了基于关联规则分析识别出的高风险组合，本研究进一步采用贝叶斯网络模型揭示了各因素间的因果依赖关系。模型结果显示，“接班时未评估导管状态”是非计划拔管的直接父节点，而“导管周围皮肤状态未评估”是其直接后继节点，这一结构从因果层面证实了关联规则8的发现，揭示了评估缺失的内在逻辑链条。值得注意的是，“护士工作年限”通过影响“接班时是否评估导管状态”间接调控非计划拔管风险，表明护理人员的专业素养是保障导管安全的基础性因素。本研究的网络结构还显示，“夜班”与“陪护人员责任心不强”之间存在双向影响关系，这与规则5、6、11、12相互印证，说明夜班环境与陪护质量下降可能形成恶性循环。这些因果路径共同构成了一个以“评估缺失”为核心，涉及人员、管理、环境等多层面的风险网络，为制定针对性干预措施提供了方向。

3.3　构建的风险预测模型具有较高的临床应用价值

本研究构建的贝叶斯网络模型在量化风险评估方面展现出良好的性能。当输入“夜班=T、约束=F、躁动=T、接班时未评估导管状态=T、陪护人员责任心不强=T、疼痛=中度、置管>7 d、年龄>60岁”这一高风险组合时，模型输出的非计划拔管发生概率超过90%。这一结果不仅验证了关联规则分析发现的高危组合的极端风险，更重要的是为临床提供了具体的风险量化工具。与传统的风险评估方法相比，本模型能够根据病人的具体特征组合进行个性化风险计算，使护理人员能够准确识别需要重点监护的病人，实现护理资源的优化配置。此外，模型的条件概率结果显示，在改善关键风险因素后非计划拔管发生率下降，如确保导管评估和适当约束后，风险概率可降低至30%以下，这为临床干预效果评估提供了参考。

4　小结

收起

基于本研究结果，建议临床采取以下针对性措施。首先，建立以交接班为核心的导管评估标准化流程，确保导管状态及周围皮肤得到系统评估；其次，加强夜班时段的人力资源配置和陪护人员管理；最后，将本研究构建的预测模型与临床信息系统整合，实现非计划拔管风险的实时预警。但本研究仍存在局限性：样本均来自同一医疗机构，结论的外推性需进一步验证；“陪护责任心”等变量的评估存在主观性；模型尚未进行大规模前瞻性验证。未来研究应开展多中心合作，扩大样本量，并探索将更多客观指标纳入预测模型，进一步提升模型的准确性和实用性。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

么莉.护理质量指标监测基本数据集实施指南2022版[M].北京:科学技术文献出版社,2022:10.

,Sun

,Xu

.Unplanned extubation among critically ill adults:a systematic review and meta-analysis[J].Intensive and Critical Care Nursing,2022,70:103219.

沈萍,王清,冯波,等.住院患者非计划拔管风险评估量表的编制及信效度检验[J].护理学杂志,2022,37(4):53-56.

么莉.护理敏感质量指标监测基本数据集实施指南[M].北京:人民卫生出版社,2018.

么莉.护理敏感质量指标实用手册2016版[M].北京:人民卫生出版社,2016:1.

Gupta

,Espinosa

,Penikilapate

,et al.Impact of performance improvement strategies on unplanned extubation in an inner-city intensive care unit[J].Therapeutic Advances in Respiratory Disease,2025,1:19.

Savino

B A C

,Guidi

D F

,Planard

S H F

,et al.Single versus shared ICU rooms and the risk of unplanned extubation:a real-world cohort showing tube displacement as an early signal[J].Cureus,2026,18(1):e440834.

Mekonnen

A S

,Kebede

,Demissie

D B

.Incidence,outcome and determinants of unplanned extubation among pediatric intensive care unit Addis Ababa,Ethiopia,2023:nested,unmatched case-control study design[J].Pediatric Health,Medicine and Therapeutics,2023,1:347-359.

Wang

,Qi

,Shi

,et al.Adverse events and contributing factors in Chinese nursing homes:a multisite cross-sectional study[J].Frontiers in Public Health,2025,13:1518552.

Ding

,Ma

,Gao

,et al.Effect of ICU quality control indicators on VAP incidence rate and mortality:a retrospective study of 1 267 hospitals in China[J].Critical care(London,England),2022,26(1):405.

W J

,Mi

,Huang

,et al.Predicting unplanned extubation risk in patients with endoscopic nasobiliary drainage[J].World Journal of Gastrointestinal Surgery,2025,17(12):112175.

Ali

,Almahdi

,Algarni

S S

,et al.Trends,risk factors,and outcomes of unplanned extubation in a neonatal intensive care unit:a seven-year retrospective study[J].Frontiers in Pediatrics,2025,13:1593335.

金环,喻姣花,王玉梅,等.非计划性拔管中行为形成因子与人为差错的定性分析[J].护理学杂志,2018,33(4):52-54.

沈鸣雁,冯志仙,陈翔,等.成人住院患者非计划拔管数据挖掘与分析[J].中国护理管理,2022,22(1):233-237.

宋佳雪,吴英,彭程,等.机器学习法在护理不良事件管理中的应用研究进展[J].护理研究,2023,37(23):4251-4256.

曾雷.关联规则挖掘中Apriori算法的研究[D].重庆:重庆邮电大学,2016.

杨健健,马小琴.关联规则应用于护理领域的研究现状[J].护理管理杂志,2022,22(1):49-52.

吴觅之,余红梅,潘红英,等.住院患者胃管非计划拔管的数据挖掘及防范对策分析[J].中华急危重症护理杂志,2022,3(4):360-364.

丁四清,陆晶,秦春香,等.数据挖掘在护理不良事件管理中的应用进展[J].中华护理杂志,2019,54(6):873-877.

张俊光,徐振超.研发项目风险概率评估方法研究:基于动态贝叶斯网络研究视角[J].软科学,2015,29(2):131-135.

王桢珍,姜欣,武小悦,等.信息安全风险概率计算的贝叶斯网络模型[J].电子学报,2010,38(S1):18-22.

,Shi

,Liu

,et al.Variance risk identification and treatment of clinical pathway by integrated bayesian network and association rules mining[J].Entropy,2019,21(12):1191.

Moe

S J

,Carriger

J F

,Glendell

.Increased use of Bayesian network models has improved environmental risk assessments[J].Integrated Environmental Assessment and Management,2020,17(1):53-61.

贾瑛.ICU气管插管患者非计划性拔管的原因分析及干预措施[J].医药前沿,2017,7(15):373-374.

邓媛丽.ICU气管插管非计划性拔管影响因素的病例对照研究[J].中外医学研究,2017,15(16):153-154.

高露青,黄丽华.成人气管插管患者发生非计划性拔管危险因素的系统评价[J].护理与康复,2018,17(1):63-69.

郑汉阳,袁艳,胡萍芬.ICU病房气管插管非计划性拔管的原因分析与对策[J].护理与康复,2014,13(6):571-573.

高雪婷,苏洁.胆囊结石病人ERCP术后非计划性拔管的影响因素[J].循证护理,2024,10(9):1689-1692.

李静,娄小平,鲁丰华.61例腹腔引流管脱管原因分析及护理对策[J].中国临床护理,2021,13(12):769-771.

2026年第40卷第17期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.17.021

接收时间：2025-11-12
首发时间：2026-10-30
出版时间：2026-09-10

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-11-12
修回日期：2026-05-18

基金

作者信息

¹贵州中医药大学护理学院，贵州 550000

²贵州省人民医院

通讯作者:

杨静，E-mail：147774658@qq.com

YANG Jing, E-mail: 147774658@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.17.021

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

序号	前项	后项	支持度	置信度	提升度	χ²值	P
1	是否镇静=F	是否约束=F	40.602	73.973	1.157	6.170	0.013
2	年龄>60岁	导管周围皮肤状态未评估=T	39.098	70.070	1.183	7.191	0.007
3	置管天数>7 d	导管周围皮肤状态未评估=T	35.338	72.308	1.217	7.769	0.005
4	疼痛评分=中度	陪护人员责任心不强=T	42.105	86.154	1.102	3.854	0.050
5	非计划拔管发生在夜班=T，当班护士工作年限=>3~5年	陪护人员责任心不强=T	33.835	100.000	1.279	17.081	<0.001
6	病人文化程度=中学，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
7	意识状态=意识躁动，陪护人员责任心不强=T	非计划拔管发生在夜班=T	23.308	96.875	1.251	7.702	0.006
8	置管天数>7 d，接班时未评估导管状态=T	导管周围皮肤状态未评估=T	33.835	73.770	1.242	8.581	0.003
9	是否镇静=F，接班时未评估导管状态=T	是否约束=F	39.098	74.286	1.162	5.981	0.014
10	导管类型=静脉导管，接班时未评估导管状态=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	30.075	97.561	1.642	33.542	<0.001
11	疼痛评分=中度，是否约束=F，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
12	年龄>60岁，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	31.579	100.000	1.279	15.299	<0.001
13	意识状态=意识躁动，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	21.805	96.667	1.248	6.835	0.009
14	接班时未评估导管状态=T，陪护人员责任心不强=T，当班护士工作年限=>3~5年	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
15	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T	导管周围皮肤状态未评估=T	30.827	74.545	1.255	7.883	0.005
16	年龄>60岁，吸烟史=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T	陪护人员责任心不强=T	30.075	100.000	1.279	14.175	<0.001
17	导管类型=静脉导管，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	30.075	100.000	1.291	14.866	<0.001
18	置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T，陪护人员责任心不强=T	非计划拔管发生在夜班=T	33.835	97.826	1.263	14.988	<0.001
19	年龄>60岁，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	导管周围皮肤状态未评估=T	31.579	71.186	1.198	5.263	0.022
20	导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T	年龄>60岁	31.579	70.000	1.258	8.105	0.004

序号

前项

后项

支持度

置信度

提升度

χ²值

是否镇静=F

是否约束=F

40.602

73.973

1.157

6.170

0.013

年龄>60岁

导管周围皮肤状态未评估=T

39.098

70.070

1.183

7.191

0.007

置管天数>7 d

导管周围皮肤状态未评估=T

35.338

72.308

1.217

7.769

0.005

疼痛评分=中度

陪护人员责任心不强=T

42.105

86.154

1.102

3.854

0.050

非计划拔管发生在夜班=T，当班护士工作年限=>3~5年

陪护人员责任心不强=T

33.835

100.000

1.279

17.081

<0.001

病人文化程度=中学，非计划拔管发生在夜班=T

陪护人员责任心不强=T

31.579

100.000

1.279

15.299

<0.001

意识状态=意识躁动，陪护人员责任心不强=T

非计划拔管发生在夜班=T

23.308

96.875

1.251

7.702

0.006

置管天数>7 d，接班时未评估导管状态=T

导管周围皮肤状态未评估=T

33.835

73.770

1.242

8.581

0.003

是否镇静=F，接班时未评估导管状态=T

是否约束=F

39.098

74.286

1.162

5.981

0.014

导管类型=静脉导管，接班时未评估导管状态=T，非计划拔管发生在夜班=T

导管周围皮肤状态未评估=T

30.075

97.561

1.642

33.542

<0.001

疼痛评分=中度，是否约束=F，陪护人员责任心不强=T

非计划拔管发生在夜班=T

30.075

100.000

1.291

14.866

<0.001

年龄>60岁，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T

陪护人员责任心不强=T

31.579

100.000

1.279

15.299

<0.001

意识状态=意识躁动，接班时未评估导管状态=T，陪护人员责任心不强=T

非计划拔管发生在夜班=T

21.805

96.667

1.248

6.835

0.009

接班时未评估导管状态=T，陪护人员责任心不强=T，当班护士工作年限=>3~5年

非计划拔管发生在夜班=T

30.075

100.000

1.291

14.866

<0.001

置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T

导管周围皮肤状态未评估=T

30.827

74.545

1.255

7.883

0.005

年龄>60岁，吸烟史=T，接班时未评估导管状态=T，非计划拔管发生在夜班=T

陪护人员责任心不强=T

30.075

100.000

1.279

14.175

<0.001

导管类型=静脉导管，导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T

非计划拔管发生在夜班=T

30.075

100.000

1.291

14.866

<0.001

置管天数>7 d，接班时未评估导管状态=T，陪护宣教不足=T，陪护人员责任心不强=T

非计划拔管发生在夜班=T

33.835

97.826

1.263

14.988

<0.001

年龄>60岁，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T

导管周围皮肤状态未评估=T

31.579

71.186

1.198

5.263

0.022

导管周围皮肤状态未评估=T，接班时未评估导管状态=T，陪护人员责任心不强=T，非计划拔管发生在夜班=T

年龄>60岁

31.579

70.000

1.258

8.105

0.004

发生在夜班	是否约束	是否躁动	导管评估缺失	陪护责任心不强	疼痛	置管天数（d）	年龄（岁）		发生非计划拔管（%）
是	是	是	是	是	重度	<7	>60	66.67	33.33
是	是	是	是	是	中度	<7	>60	85.71	14.29
是	是	是	否	是	轻度	≥7	>60	66.67	33.33
是	是	否	是	是	中度	<7	>60	80.00	20.00
是	是	否	是	是	中度	≥7	>60	66.67	33.33
是	是	否	是	是	轻度	≥7	>60	75.00	25.00
是	否	是	是	是	中度	≥7	0~20	66.67	33.33
是	否	是	是	是	中度	≥7	>60	80.00	20.00
是	否	是	是	是	轻度	≥7	>40~60	66.67	33.33
是	否	是	否	是	中度	≥7	>60	66.67	33.33
是	否	否	是	是	重度	<7	>60	80.00	20.00
是	否	否	是	是	重度	<7	>60	75.00	25.00
是	否	否	是	是	中度	<7	>60	90.00	10.00
是	否	否	是	是	中度	<7	>40~60	80.00	20.00
否	是	是	否	是	中度	<7	>40~60	33.33	66.67
否	是	是	否	否	重度	<7	>40~60	20.00	80.00
否	是	是	否	否	中度	<7	>40~60	5.26	94.74
否	是	是	否	否	轻度	<7	>40~60	7.69	92.31
否	是	否	否	否	重度	<7	>20~40	14.29	85.71
否	否	是	否	否	轻度	<7	>40~60	12.50	87.50
否	否	否	否	否	轻度	<7	>20~40	1.49	98.51
否	否	否	否	否	中度	<7	>20~40	1.14	98.86
否	否	否	否	否	中度	<7	>60	6.25	93.75

发生在夜班

是否约束

是否躁动

导管评估
缺失

陪护责任心不强

疼痛

置管天数（d）

年龄（岁）

发生非计划拔管（%）

是

否

是

重度

>60

66.67

33.33

是

中度

>60

85.71

14.29

是

否

是

轻度

≥7

>60

66.67

33.33

是

否

是

中度

>60

80.00

20.00

是

否

是

中度

≥7

>60

66.67

33.33

是

否

是

轻度

≥7

>60

75.00

25.00

是

否

是

中度

≥7

0~20

66.67

33.33

是

否

是

中度

≥7

>60

80.00

20.00

是

否

是

轻度

≥7

>40~60

66.67

33.33

是

否

是

否

是

中度

≥7

>60

66.67

33.33

是

否

是

重度

>60

80.00

20.00

是

否

是

重度

>60

75.00

25.00

是

否

是

中度

>60

90.00

10.00

是

否

是

中度

>40~60

80.00

20.00

否

是

否

是

中度

>40~60

33.33

66.67

否

是

否

重度

>40~60

20.00

80.00

否

是

否

中度

>40~60

5.26

94.74

否

是

否

轻度

>40~60

7.69

92.31

否

是

否

重度

>20~40

14.29

85.71

否

是

否

轻度

>40~60

12.50

87.50

否

轻度

>20~40

1.49

98.51

否

中度

>20~40

1.14

98.86

否

中度

>60

6.25

93.75