护理数学建模查房

护理数学建模查房单击此处添加副标题内容演讲人2020/01/01第一章节PARTONE护理数学建模查房护理数学建模查房一、背景：当护理遇上数学——从“经验直觉”到“数据说话”的必然转向我至今记得刚当护士那年的深夜——病房里3个患者同时喊“护士”，值班的只有我和另一个刚工作的小姑娘。我们像陀螺一样转：给心衰患者测血氧、帮术后患者换敷料、给发热患者拿退烧药，最后还是没赶上给那个糖尿病老人测睡前血糖。老人第二天早上血糖飚到13.8，家属攥着化验单质问：“你们护士是不是偷懒？”我红着眼眶解释“昨晚实在太忙”，可话到嘴边又咽了回去——没有数据支撑的“忙”，在问题面前总显得苍白。这不是我一个人的困惑。从事护理工作10年，我见过太多“凭感觉”的决策：-护士排班靠“老护士长的经验”——周一上午输液多，就多排2个人，可有时候周一其实患者少，反而浪费人力；-压疮预防靠“肉眼观察”——总觉得“胖患者不容易压疮”，直到那个200斤的脑梗患者骶尾部出现水疱，才发现“体重超标反而会增加局部压力”；-护理人力分配靠“拍脑袋”——科室刚收了5个术后患者，护士长赶紧调2个护士过来，可调过来后才发现，这5个患者其实自理能力都不错，反而浪费了护士的时间。护理数学建模查房这些“经验盲区”，本质上是护理行业从“经验驱动”向“循证驱动”转型的痛点。随着医疗技术发展，临床护理的复杂性呈指数级增长：患者的病情更复杂（比如合并糖尿病、心衰的老年患者）、护理需求更多元（比如术后康复、临终关怀）、医疗质量要求更严格（比如“零压疮”“零输液反应”的目标）。仅靠护士的“直觉”或“老办法”，早已无法应对这些挑战。这时候，数学建模像一把“数据钥匙”，突然打开了临床护理的新大门。比如：-用线性回归模型分析“患者年龄、体重、活动能力与压疮风险的关系”，能比传统的Braden量表更精准地预测高危患者；-用整数规划模型优化护士排班，把“输液量、患者病情严重程度、护士技能水平”都放进公式，算出的排班表能让“忙时有人顶、闲时不浪费”；-用决策树模型梳理“术后肺部感染的风险因素”，能帮护士提前识别“有吸烟史+长期卧床+免疫力低下”的高危患者，早做雾化、拍背等干预。护理数学建模查房2021年，我参与了医院“护理数学建模试点项目”——用模型优化心内科的护理人力分配。当我们把1年的护理工作量数据（输液人次、抢救次数、患者自理能力评分）输入模型，算出“周一至周五早8点-12点需6名护士，晚8点-早8点需3名护士”时，护士长拍着桌子说：“这才是我们要的‘精准排班’！”那天晚上，我看着护士们按新排班表工作，没有一个人加班，患者的呼叫铃响后30秒内必有回应——原来数学不是“高冷的公式”，是能真正帮护士“松绑”、帮患者“保命”的工具。护理数学建模查房，就是把这些“数据工具”搬进临床护理的核心场景：以病房为单位，针对真实的护理问题（比如“如何降低术后压疮率”“如何优化护士排班”），用数学模型分析、解决问题，并通过查房的形式让护士理解、掌握、应用。它不是“科研项目”，是护理人员用数据解决临床问题的“实战课堂”。护理数学建模查房二、现状：护理数学建模查房的“理想与现实”——那些没说破的困境然而，当我们真正推开“护理数学建模查房”的门，才发现里面不是坦途，而是满路的“绊脚石”。我走访了5家三甲医院、12个临床科室，听到最多的反馈是：“想做，但做不好”“做了，但没用”。具体来说，现状有三个“痛点”：第二章节PARTONE普及率低：“数学建模是科研科的事，和我们临床护士无关”普及率低：“数学建模是科研科的事，和我们临床护士无关”大部分医院的护理查房还停留在“病例讨论”“操作演示”阶段，数学建模查房的覆盖率不足10%。我问过一个工作20年的护士长：“您听说过护理数学建模吗？”她摇头：“是不是用电脑算什么公式？我们护士只要把患者照顾好就行，那些‘高大上’的东西不用学。”甚至有护士说：“我连Excel的VLOOKUP函数都不会，还学建模？别开玩笑了。”这种认知偏差像一道“隐形的墙”——把数学建模和临床护理彻底隔开。很多人觉得“建模是博士、统计学家的事”，却忘了：数学建模的起点，恰恰是临床护士最熟悉的“问题”——比如“为什么这个月压疮发生率突然升高？”“为什么周一上午总缺护士？”这些问题不是科研问题，是护士每天都要面对的“生存问题”。第三章节PARTONE形式化严重：“模型是漂亮的PPT，却落不了地”形式化严重：“模型是漂亮的PPT，却落不了地”少数开展建模查房的医院，常陷入“为建模而建模”的陷阱。比如某医院做“压疮风险预测模型”，用了复杂的“随机森林算法”，PPT上全是“特征重要性”“混淆矩阵”的图表，可护士们听完一头雾水：“我到底要怎么用这个模型？”更离谱的是，模型用的“患者营养评分”数据来自3年前的旧病历，和现在的患者情况完全不符——这样的模型，连“预测”都做不到，更别说“指导临床”。还有的科室把建模查房变成“科研汇报”：护士照着论文念“线性回归的R²值是0.78”，却没说“这个值意味着‘患者年龄每增加1岁，压疮风险增加5%’”；念“决策树的准确率是85%”，却没讲“遇到‘长期卧床+低蛋白’的患者，要每2小时翻一次身”。这样的查房，不是“用模型解决问题”，是“用问题凑模型”。第四章节PARTONE能力断层：“想做，但不会做”能力断层：“想做，但不会做”护理人员的“数学+统计”能力，是横在建模查房前的“大山”。我做过一个小调查：100名护士中，能熟练使用Excel函数的只有32人，会用SPSS做回归分析的只有15人，知道“机器学习”是什么的只有8人。更关键的是，很多护士连“变量”“相关性”这些基础概念都不懂——比如有人问：“‘患者年龄’和‘压疮风险’的相关性，是不是说‘年龄越大，压疮越严重’？”其实“相关性”是“趋势”，不是“因果”，可没人教过她们这些。我曾遇到一个想做“护士排班模型”的护士，她收集了1个月的“每小时护理工作量”数据，却不知道怎么“整合”——把“输液次数”“换敷料次数”“测生命体征次数”直接加起来，算出“每小时工作量=10次”，可实际上，“换敷料”的时间是“测生命体征”的3倍，这样的“加法”完全没意义。没有正确的统计思维，数据只是“数字的堆砌”，永远变不成“有用的信息”。第五章节PARTONE数据“卡脖子”：“想要的数没有，有的数没用”数据“卡脖子”：“想要的数没有，有的数没用”数据是建模的“粮食”，可临床护理的数据常“缺斤短两”。我曾帮一个科室做“术后患者疼痛管理模型”，需要“患者疼痛评分（NRS）”“用药剂量”“活动量”三个数据，可电子病历里：-1/3的疼痛评分是“未记录”（护士忙忘了）；-用药剂量写的是“遵医嘱”，没具体数值；-活动量只有“卧床”“床边活动”，没有量化指标（比如“每天走100步”）。最后，我们只能用“残缺的数据”建模型，结果预测的“疼痛缓解率”比实际低了20%——数据质量差，模型再完美也是“空中楼阁”。更头疼的是“数据孤岛”：患者的病历在HIS系统，护理记录在NIS系统，医嘱在EMR系统，三个系统的数据格式不一样，要整合得花3天时间。护士们说：“我连收集数据都要熬夜，哪有时间建模？”数据“卡脖子”：“想要的数没有，有的数没用”三、分析：为什么护理数学建模查房“做不好”？——藏在表象下的深层原因这些现状不是“偶然”，而是认知、能力、资源三重矛盾的爆发。我们得把“痛点”拆开，看看里面的“脓”在哪里：第六章节PARTONE认知矛盾：“护理是‘人文’的，数学是‘冰冷’的”认知矛盾：“护理是‘人文’的，数学是‘冰冷’的”很多人对护理的认知还停留在“打针、发药、照顾人”——觉得护理是“感性的”，而数学是“理性的”，两者“不兼容”。我曾和一个护士争论：“数学建模能帮你减少加班。”她反驳：“护理是‘用心’照顾患者，不是用‘公式’照顾。”这句话没错，但“用心”不等于“不用脑”——比如，你“用心”想帮患者预防压疮，可如果不知道“每2小时翻身能降低80%的风险”（数据），你的“用心”可能变成“无用”。更关键的是，护理的“人文”恰恰需要“数据”支撑：比如，你想知道“患者最喜欢的护理方式”，得统计“100个患者中，60个喜欢‘边聊天边换敷料’”；你想减轻护士的压力，得算出“每个护士每天最多能照顾8个患者”——没有数据，“人文”只能是“口号”。第七章节PARTONE能力矛盾：“我们没学过，也没人教”能力矛盾：“我们没学过，也没人教”护理教育的“重操作、轻理论”是根源。大部分护士的大学课程里，“统计学”只有32学时，还是“考查课”——老师讲“均值、标准差”，学生记笔记，考试背公式，根本没学过“怎么用统计解决临床问题”。工作后，医院的培训全是“护理操作”“院感防控”，没有“数学建模”的内容。我问过一个刚毕业的护士：“你会用SPSS吗？”她摇头：“我连SPSS的图标都没见过。”问一个工作5年的护士：“你知道‘回归分析’是什么吗？”她想了半天：“是不是算什么‘趋势’？”——没有基础，何谈应用？第八章节PARTONE资源矛盾：“没钱、没人、没系统”资源矛盾：“没钱、没人、没系统”做护理数学建模需要三个“资源”：数据、团队、时间，可这三个资源都“缺”：-数据资源：医院的信息系统不是为“建模”设计的，比如护理记录里的“患者活动能力”只有“好、中、差”，没有量化的“每天走多少步”；-团队资源：没有跨学科的“建模小组”——护士提问题，统计学家建模型，信息工程师整数据，三者缺一不可；-时间资源：护士每天工作10小时，要照顾患者、写记录、应付检查，能抽出1小时学建模就不错了，更别说收集数据、验证模型。还有“激励机制”的缺失：护士做建模要花1个月时间，可既不算“工作量”，也不影响“职称晋升”——“做了没好处，不做没坏处”，谁愿意做？四、措施：从“痛点”到“破局”——打造能落地的护理数学建模查房知道了“病在哪里”，就能“对症下药”。我结合自己参与的5个建模项目，总结了6条“可操作的措施”——不是“高大上”的政策，是护士能摸到、能用的“方法”：资源矛盾：“没钱、没人、没系统”（一）第一步：用“问题清单”替代“科研课题”——从“要我做”到“我要做”建模的起点，永远是“临床护士的问题”。我们可以让每个科室每周开一次“问题会”，让护士把“想不通”“解决不了”的问题写下来，比如：-“为什么这个月有3个患者发生输液外渗？”-“为什么夜班护士总说‘忙不过来’？”-“为什么糖尿病患者的血糖达标率只有60%？”然后把这些问题“筛选”——选“高频、重要、能数据化”的问题。比如“输液外渗”是高频（每月5-8例）、重要（会导致组织坏死）、能数据化（可以统计“患者血管条件”“输液速度”“药物种类”），就把它作为建模的“靶问题”。资源矛盾：“没钱、没人、没系统”我曾在普外科做过这样的“问题清单”，护士们提了20个问题，最后选了“如何降低术后患者腹胀发生率”——因为这个问题困扰了她们半年，而且能收集到“术后进食时间”“活动量”“胃肠减压时间”等数据。后来我们用“逻辑回归模型”发现：“术后6小时内进食的患者，腹胀发生率是30%；术后12小时进食的，只有10%”——这个结论直接改变了科室的“术后进食指导”，腹胀发生率下降了2/3。当护士看到“自己的问题”被模型解决，她们才会觉得“建模有用”。（二）第二步：建“阶梯式培训”——从“Excel函数”到“简单模型”，先“会用”再“会建”护理人员的数学基础薄弱，培训不能“从难到易”，得“从易到难”。我们设计了“三阶培训体系”：一阶：“用Excel解决小问题”——先建立“数据思维”比如，教护士用Excel的“数据透视表”统计“每周各时段的输液量”，用“VLOOKUP函数”整合“患者的年龄和压疮评分”，用“折线图”看“每月压疮发生率的趋势”。这些操作不用学“统计理论”，只要跟着做就能会，而且能直接用在临床。我教过一个护士用Excel做“护理工作量统计”：她把每天的“输液次数”“换敷料次数”“测生命体征次数”输入表格，用“SUM函数”算出“每天总工作量”，再用“数据透视表”看“周一的工作量是周五的1.5倍”——她笑着说：“原来我之前总觉得周一忙，不是幻觉，是真的！”一阶：“用Excel解决小问题”——先建立“数据思维”2.二阶：“用SPSS做基础模型”——从“统计工具”到“临床应用”当护士会用Excel后，再教SPSS的“回归分析”“卡方检验”。比如，用“二元逻辑回归”分析“压疮的风险因素”：把“年龄、体重、活动能力、营养评分”作为“自变量”，“是否发生压疮”作为“因变量”，SPSS会自动算出“每个因素的OR值”（比如“年龄每增加1岁，压疮风险增加1.05倍”）。我带过一个护士做“术后肺部感染模型”，她用SPSS分析了100例患者的数据，发现“吸烟史”是最主要的风险因素（OR=3.2）——她立刻修改了“术前护理指导”：给有吸烟史的患者讲“戒烟1周能降低50%的感染风险”，还加了“深呼吸训练”。后来肺部感染发生率从18%降到了8%，她拿着数据找护士长：“你看，模型真的有用！”一阶：“用Excel解决小问题”——先建立“数据思维”3.三阶：“用Python做复杂模型”——让“专家”变成“伙伴”对于有基础的护士，可以教Python的“scikit-learn库”做“随机森林”“梯度提升”模型。但要强调：不是让护士变成“数据科学家”，而是让她们“能和数据科学家对话”。比如，护士可以说：“我需要一个能预测‘术后疼痛评分’的模型，要包括‘手术类型’‘用药剂量’‘患者焦虑评分’这三个因素。”数据科学家就能根据这个需求建模型，而不是“自己闷头做”。（三）第三步：搭“跨学科团队”——护士当“问题主人”，专家当“工具助手”护理数学建模不是“护士一个人的事”，得找“帮手”：-临床护士：负责提出问题、收集数据、验证模型（比如用模型预测“压疮风险”，然后观察实际是否发生）；-统计学家/数据分析师：负责建模型、一阶：“用Excel解决小问题”——先建立“数据思维”解释结果（比如告诉护士“OR值>1意味着风险增加”）；-信息工程师：负责整合数据、优化系统（比如把三个系统的数据导到一个Excel表，不用护士手动抄）；-护士长：负责协调资源、推动落地（比如把模型的结论变成“科室制度”）。我曾参与过一个“护理人力优化”项目，团队里有护士、统计学家、信息工程师：-护士说：“周一上午输液量是平时的2倍，需要多排2个护士。”-统计学家说：“那我们用‘线性规划模型’，把‘输液量’‘患者病情严重程度’作为变量，算出‘周一上午需要6个护士’。”-信息工程师说：“我把过去3个月的输液数据导出来，帮你们验证模型。”-护士长说：“我把模型的结果变成‘排班表’，下周开始试行。”一阶：“用Excel解决小问题”——先建立“数据思维”结果试行1个月，护士的加班时间减少了30%，患者的满意度从82分涨到了91分——跨学科团队的核心，是“让专业的人做专业的事”，而护士是“问题的发起者和最终使用者”。（四）第四步：建“数据质控机制”——从“收集数据”到“管好数据”数据质量是模型的“生命线”，我们得给数据“定规矩”：数据“标准化”：让记录“可统计”比如，“患者活动能力”不能写“还行”“不太好”，得写“1级（完全不能活动）”“2级（需协助活动）”“3级（能自主活动）”；“输液速度”不能写“快”“慢”，得写“40滴/分钟”“60滴/分钟”。这些“标准化记录”不是“麻烦”，是“数据能被模型用”的前提。我曾帮内分泌科修改“糖尿病患者护理记录单”：把“饮食情况”从“患者吃了米饭”改成“患者进食碳水化合物200g”，把“运动情况”从“患者散步了”改成“患者快走30分钟”。后来用这些数据建“血糖预测模型”，R²值从0.65升到了0.8——数据越标准，模型越准确。数据“实时化”：用系统“自动收集”尽量让数据“不用手动填”。比如，用“智能输液泵”自动记录“输液速度”“输液量”，用“智能床垫”自动记录“患者翻身次数”，用“电子血压计”自动把“血压值”传到护理记录系统。这样护士不用花时间抄数据，数据还更准确。我在心血管科见过这样的系统：患者的血压值从电子血压计传到NIS系统，系统自动计算“平均血压”，并标记“高于140/90的患者”——护士只要点一下“提醒”，就能看到“需要关注的患者”，不用自己翻病历。后来这个科室用“血压数据”建模型，预测“心衰发作风险”，准确率达到了85%。第一章节PARTONE第五步：给“激励”——让护士“愿意做”第五步：给“激励”——让护士“愿意做”没有激励，一切都是“空”。我们可以做这三件事：把“建模成果”和“绩效考核”挂钩比如，护士做的模型“降低了压疮发生率”，可以加“护理质量分”；模型“优化了排班”，可以加“效率分”。这些分数直接影响“绩效工资”——护士们说：“花时间建模，能多拿几百块，值！”把“建模”纳入“职称晋升”比如，护士发表“护理数学建模”的论文，或者用模型解决了临床问题，可以作为“职称评审”的加分项。我有个同事，用“逻辑回归模型”解决了“术后尿潴留”的问题，写了一篇论文，评主管护师的时候加了5分——她笑着说：“原来建模还能帮我升官！”给“荣誉”：让护士有“成就感”比如，每月评选“最佳建模护士”，把她的模型贴在科室墙上，让大家学习；或者在全院护理大会上分享“建模故事”——当护士站在台上说：“我用模型帮科室减少了加班”，台下的掌声会让她觉得“所有的努力都值得”。四、应对：建模查房“落地”的“避坑指南”——那些试过的“错”，别再犯就算做好了以上措施，建模查房还是会遇到“意外”。我总结了4个“高频问题”，以及对应的“解决办法”：第二章节PARTONE问题1：“培训的时候听懂了，回去就忘”问题1：“培训的时候听懂了，回去就忘”解决办法：“案例式教学+同伴辅导”不要讲“抽象的理论”，要讲“护士自己的案例”。比如，讲“线性回归”的时候，用“护士A的排班问题”做例子：“护士A想知道‘输液量’和‘需要的护士数’的关系，我们用线性回归算出y=0.05x+2（x是输液量，y是护士数），比如x=100，y=7，所以需要7个护士。”另外，找“已经会建模的护士”做“同伴辅导”——比如，护士B刚学了Excel函数，让她教护士C；护士C学了SPSS，让她教护士D。同伴之间的“语言”更相通，比如护士B会说：“你点这个‘数据透视表’按钮，就能看到周一的输液量了”，而不是“你用SQL语句查询数据库”。第三章节PARTONE问题2：“模型预测的结果和实际不一样”问题2：“模型预测的结果和实际不一样”解决办法：“小步迭代+持续验证”模型不是“一次性”的，得“边用边改”。比如，你建了“压疮风险模型”，预测“患者X的风险是80%”，但实际没发生压疮——这时候要找原因：是不是“患者的活动量”数据填错了？是不是模型漏了“患者使用气垫床”这个因素？然后修改模型，再验证。我曾建过一个“护理人力模型”，第一次预测“周一上午需要6个护士”，但实际用的时候发现“不够”——因为没算“急诊患者的加床”。后来我们把“加床数”加入模型，修改后的公式是y=0.05x+0.1z+2（z是加床数），再试行，结果刚好够。模型的“准确”，是“改”出来的。第四章节PARTONE问题3：“护士说‘没时间做’”问题3：“护士说‘没时间做’”解决办法：“把建模融入日常工作”不要让护士“额外花时间”建模，要“把建模变成日常的一部分”。比如：-护士写护理记录的时候，顺便把“患者的年龄、体重、活动能力”输入Excel（不用额外花时间，因为本来就要写）；-护士长每周开例会的时候，用10分钟讨论“本周的建模问题”（比如“这个月的输液量为什么增加？”）；-信息工程师把“数据整合”做成“自动脚本”，护士点一下按钮就能拿到整合好的数据（不用手动抄）。我有个同事，把“收集数据”变成“日常工作的一部分”：她每天下班前用5分钟，把当天的“输液量”“压疮评分”输入Excel——一个月后，她攒了300条数据，建了一个“输液量与护士数”的模型。她说：“5分钟而已，比刷短视频的时间还少。”第五章节PARTONE问题4：“护士长不支持”问题4：“护士长不支持”解决办法：“用数据说话”很多护士长不支持建模，是因为“怕麻烦”“怕没用”。这时候你要“用模型的结果打她的脸”——比如，你用模型算出“优化排班后，护士的加班时间减少30%”，然后拿“上个月的加班记录”和“这个月的”对比，护士长看到“加班费少了5000块”，就会说：“那试试吧。”我曾遇到一个“反对建模”的护士长，她说：“排班是我的事，不用模型管。”后来我用她科室的“输液数据”建了模型，算出“周一上午需要多排2个护士”，试行1周后，护士的加班时间从10小时降到了2小时，患者的投诉从3起变成了0起——她主动找我：“明天给我们科室做个建模培训吧。”五、指导：护理数学建模查房的“操作手册”——从“0”到“1”的具体步骤说了这么多，到底“护理数学建模查房”要怎么“做”？我把它分成6个“可复制”的步骤，照做就能会：问题4：“护士长不支持”步骤1：选“小而具体”的问题——“小问题”比“大问题”更易落地不要选“如何提高护理质量”这种“大问题”，要选“如何降低术后患者腹胀发生率”“如何减少输液外渗次数”这种“小问题”。“小问题”的好处是：-数据好收集（比如“腹胀发生率”只要统计“术后患者的病历”就行）；-结果易验证（比如“腹胀发生率从20%降到10%”，能直接看到效果）；-护士有动力（比如“解决腹胀问题”能减少患者的痛苦，护士愿意做）。收集“能数据化”的变量——“变量”是模型的“原料”比如，选了“如何降低术后腹胀发生率”的问题，就要收集“能影响腹胀的变量”：-患者因素：年龄、性别、手术类型（比如腹部手术vs骨科手术）、术前便秘史；-护理因素：术后活动时间（比如6小时内活动vs12小时内活动）、进食时间（比如6小时vs12小时）、胃肠减压时间；-结果变量：是否发生腹胀（是/否）、腹胀评分（0-10分）。收集变量的时候要注意：变量要“可测量”“可重复”——比如“术后活动时间”要写“术后6小时”，而不是“术后早活动”；“进食时间”要写“术后12小时”，而不是“术后晚进食”。收集“能数据化”的变量——“变量”是模型的“原料”步骤3：选“适合的模型”——“简单模型”比“复杂模型”更有用不要追求“高大上”的模型，要选“能解决问题”的模型。比如：-要预测“是/否”的问题（比如“是否发生压疮”）：用“逻辑回归”“决策树”；-要预测“数值”的问题（比如“需要的护士数”）：用“线性回归”“随机森林”；-要优化“资源分配”的问题（比如“护士排班”）：用“线性规划”“整数规划”；-要找“风险因素”的问题（比如“为什么发生腹胀”）：用“卡方检验”“Logistic回归”。记住：模型的“准确性”不是“越复杂越好”，而是“越适合越好”——比如，用“线性回归”解决“排班问题”，准确率是80%，比用“深度学习”（准确率85%）更有用，因为护士能“看懂、会用”。收集“能数据化”的变量——“变量”是模型的“原料”步骤4：建模型+解释结果——“用护士的语言讲模型”建完模型后，不要说“这个模型的AUC值是0.85”，要说法“这个模型能准确预测85%的压疮患者”；不要说“特征重要性最高的是‘活动量’”，要说法“‘活动量’是影响压疮的最主要因素，每减少1级，风险增加2倍”。比如，我建了“术后腹胀模型”，结果是：“术后6小时内活动的患者，腹胀发生率是10%；术后12小时内活动的，是30%”——我会跟护士说：“你们一定要让患者术后6小时内下床活动，能少3倍的腹胀！”护士们立刻懂了，因为这句话“直接关联她们的工作”。收集“能数据化”的变量——“变量”是模型的“原料”步骤5：验证模型——“用临床数据‘试错’”建完模型后，要“用新的数据验证”。比如，你用1-3月的数据建了模型，4月用这个模型预测“腹胀患者”，然后看实际是否发生。如果预测对了80%，说明模型“好用”；如果只对了50%，说明模型“有问题”，要修改（比如漏了“术前便秘史”这个变量）。我曾用1-3月的数据建了“压疮模型”，4月预测了10个“高危患者”，实际发生了8个——准确率80%，我们就把这个模型用到了临床；后来发现“有2个患者没发生压疮，因为她们用了气垫床”，我们就把“是否使用气垫床”加入模型，5月的准确率升到了90%。收集“能数据化”的变量——“变量”是模型的“原料”步骤6：落地——把“模型结论”变成“临床行动”建模的最终目的是“解决问题”，不是“写论文”。比如：-模型说“术后6小时内活动能降低腹胀发生率”，就把“术后6小时活动”写成“科室制度”，让护士每小时提醒患者下床；-模型说“周一上午需要7个护士”，就把“周一上午多排2个护士”写成“排班表”；-模型说“‘活动量’是压疮的主要因素”，就把“每2小时翻身”做成“护理记录的必查项”。我曾把“压疮模型”的结论变成“科室制度”：-对“模型预测高危”的患者，护士要每2小时翻身一次，用气垫床，每天测皮肤状况；-对“模型预测低危”的患者，每4小时翻身一次。结果3个月后，压疮发生率从12%降到了4%——模型的“价值”，在于“改变临床行为”。收集“能数据化”的变量——“变量”是模型的“原料”六、指导：护理数学建模查房的“核心原则”——永远不要忘的“初心”做了这么多建模查房，我