基于病人臨床信息的護理風(fēng)險預(yù)警模型的建立與驗證

孫雪松，鄭西川

上海交通大學(xué)附屬第六人民醫(yī)院，上海 200233

基于病人臨床信息的護理風(fēng)險預(yù)警模型的建立與驗證

孫雪松，鄭西川

上海交通大學(xué)附屬第六人民醫(yī)院，上海 200233

目的探討基于病人臨床信息的護理風(fēng)險預(yù)警模型的建立方法，用于早期識別高風(fēng)險患者，及時采取干預(yù)措施。方法篩選采集某院HIS系統(tǒng)中2013年9月1日～2014年9月1日出院或死亡的120例患者資料，用Logistic回歸篩選出與病人病情轉(zhuǎn)歸有明顯相關(guān)性的臨床指標(biāo)，并建立回歸方程，計算死亡概率P值。然后選擇2015年6月1日～2015年12月30日出院和死亡病人各25例，統(tǒng)計其出院或死亡前24 h內(nèi)每小時的各指標(biāo)值，計算死亡概率P，繪制每位病人的P值散點圖，以驗證模型的有效性。結(jié)果通過建立回歸方程計算得知當(dāng)P≥0.6567時，提示病人具有較高的死亡風(fēng)險。模型驗證結(jié)果顯示，當(dāng)P＞0.5時，病情惡化甚至死亡的可能性較大，該模型的預(yù)測結(jié)果與實際情況基本一致。結(jié)論應(yīng)用Logistic回歸分析，建立基于HIS系統(tǒng)的預(yù)警模型，能較好預(yù)測病人病情轉(zhuǎn)歸，且獲取數(shù)據(jù)容易，具有較高的時效性。

護理風(fēng)險預(yù)警；Logistic回歸分析；臨床指標(biāo)；模型建立

護理風(fēng)險是指住院患者在護理過程中可能發(fā)生的一切不安全事件[1]，如護理差錯事故、護理投訴事件、護理意外事件、病情惡化、并發(fā)癥等[2]。護理風(fēng)險預(yù)警是指對護理服務(wù)的全過程實施動態(tài)監(jiān)測，對不安全事件進行分析和預(yù)警，為醫(yī)院預(yù)防風(fēng)險、解決風(fēng)險提供依據(jù)[2]。如何識別和篩選已存在或潛在高風(fēng)險患者，是護理風(fēng)險預(yù)警的重點。Wood等[3]的研究表明，住院病人在發(fā)生心搏驟停之前的數(shù)小時內(nèi)，常出現(xiàn)生理異常情況，而護士的重要職責(zé)之一就是對早期生理異常信號保持警惕，以決定采取干預(yù)措施[4]。

隨著醫(yī)院信息化發(fā)展，利用信息化技術(shù)建立預(yù)警系統(tǒng)以提高風(fēng)險預(yù)警效率，引起了研究者的關(guān)注。目前已有研究者結(jié)合數(shù)學(xué)建模方法和計算機技術(shù)，建立了信息化預(yù)警系統(tǒng)。國外應(yīng)用較多的有早期預(yù)警評分[5]（Early Warning Score，EWS）、改良版早期預(yù)警評分[6]（Modifed Early Warning Score，MEWS）、基于統(tǒng)計學(xué)原理的數(shù)學(xué)模型[7]以及Rothman指數(shù)評估[8-9]等方法。然而，EWS和MEWS多應(yīng)用于重癥監(jiān)護系統(tǒng)，當(dāng)應(yīng)用于普通病房時，誤報率較高；基于統(tǒng)計學(xué)原理所建立的數(shù)學(xué)模型，其應(yīng)用往往不具有普遍性；Rothman指數(shù)評估多應(yīng)用于美國醫(yī)院[10]，是否適用于我國還有待進一步研究。國內(nèi)護理風(fēng)險預(yù)警的方法有德爾菲法篩選預(yù)警指標(biāo)體系并建立預(yù)警方程[1,11]、將傳統(tǒng)的紙質(zhì)護理評估量表軟件化以及護理評估量表與EWS相結(jié)合的方法[2,11-12]。然而，這些方法多依賴于護士評估，系統(tǒng)的自動化程度較低。

綜上，國內(nèi)外信息化護理風(fēng)險預(yù)警方式各有優(yōu)勢和不足。基于病人臨床信息的護理風(fēng)險預(yù)警模型應(yīng)當(dāng)以醫(yī)院HIS系統(tǒng)為基礎(chǔ)，具有自動采集病人臨床信息、自動更新數(shù)據(jù)、實時監(jiān)測病人病情的功能。本文在國內(nèi)外護理風(fēng)險預(yù)警方式基礎(chǔ)上，以上海某三甲綜合醫(yī)院病人資料為基礎(chǔ)，用Logistic回歸分析法，建立了一種基于病人臨床信息的護理風(fēng)險預(yù)警模型，用于監(jiān)測早期生理異常信號，在病人出現(xiàn)較高死亡風(fēng)險時能及時提醒護理人員采取干預(yù)措施。

1 模型原理及建模過程

1.1 Logistic回歸分析模型的原理

Logistic回歸分析是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘、疾病自動診斷，例如探討引發(fā)疾病的危險因素，并根據(jù)危險因素預(yù)測疾病發(fā)生的概率。以胃癌疾病分析為例，因變量為是否胃癌，值為“是”或“否”，自變量則可以包括很多，如年齡、性別、飲食習(xí)慣、幽門螺桿菌感染等。通過Logistic回歸分析，可以得到自變量的權(quán)重，從而可以大致了解哪些因素是胃癌的危險因素。然后，根據(jù)各因素及其權(quán)值，列出回歸方程，并進一步預(yù)測一個人患癌癥的可能性。研究人員經(jīng)過大量的分析實踐，發(fā)現(xiàn)Logistic回歸模型可以很好地滿足對分類數(shù)據(jù)的建模需求，因此，目前Logistic回歸分析已經(jīng)成為了分類因變量的標(biāo)準建模方法。

1.2 Logistic回歸分析建立模型的過程

設(shè)P為某事件發(fā)生的概率，X1，X2...，Xn表示各自變量，β0，β1...βn表示常數(shù)項及自變量的權(quán)重。引入Logit變換[13]，進行回歸方程的擬合，如公式(1)：

Logit(P)為因變量，與自變量呈線性關(guān)系，由此建立包含n個自變量的Logistic回歸模型，如公式(2)：

由公式(1)(2)可逆推得：

繪制P值的ROC曲線并計算最大Youden指數(shù)[14]。ROC曲線和Youden指數(shù)可以確定合理的預(yù)測概率閾值，即將預(yù)測概率大于（或小于）多少的研究對象判斷為陽性（或陰性）結(jié)果。

本研究因變量為病人“康復(fù)”或“死亡”，收集能反映病人疾病轉(zhuǎn)歸的因素如收縮壓、舒張壓、心率、呼吸率、血氧飽和度、性別、年齡等，作為自變量。本研究選擇大多數(shù)病人都具有24 h實時獲取的自變量，以動態(tài)監(jiān)測病人身體狀況。利用Logistic回歸分析來確定納入方程的自變量及其權(quán)重，然后建立回歸方程并計算病人風(fēng)險概率值。通過確定最佳閾值，判斷當(dāng)P值大于或等于多少時，可認為病人有可能出現(xiàn)疾病惡化甚至死亡，以提醒護理人員及時采取干預(yù)措施。

2 基于臨床信息的護理風(fēng)險預(yù)警模型的建立

2.1 數(shù)據(jù)采集

查閱某院2013年9月1日～2014年9月1日的病人數(shù)據(jù)資料（不包括產(chǎn)科、婦科和兒科）并篩選出120例病人數(shù)據(jù)。出院病人數(shù)據(jù)為出院前24 h采集，死亡病人數(shù)據(jù)為死亡前24 h的數(shù)據(jù)。病例一般資料，見表1。

表1 病例一般資料

2.2 統(tǒng)計分析

統(tǒng)計工具采用SPSS 19.0中文版。變量設(shè)置：收縮壓、舒張壓、心率、呼吸率、血氧飽和度（SpO2）依次設(shè)為X1、X2、X3、X4、X5，性別設(shè)為X6（1表示男性，2表示女性），年齡設(shè)為X7，病人狀態(tài)設(shè)為y（0表示康復(fù)，1表示死亡）。統(tǒng)計結(jié)果表明，變量X1、X3、X4、X5與疾病轉(zhuǎn)歸更具相關(guān)性。根據(jù)公式(2)，建立包含收縮壓、心率、呼吸率和血氧飽和度（SpO2）的回歸方程如下：

Logit(P)=37.565+0.076X1+0.150X3-0.276X4-56.472X5

計算死亡概率P值，繪制ROC曲線（圖1）并計算Youden指數(shù)：

圖1 ROC曲線

該模型的Youden指數(shù)最大值為P=0.6567，當(dāng)P≥0.6567時，提示病人具有較高的死亡風(fēng)險，護理人員需要采取干預(yù)措施。

3 基于臨床信息的護理風(fēng)險預(yù)警模型的驗證

3.1 數(shù)據(jù)采集

查閱2015年6月1日～2015年12月30日的病人資料（不包括產(chǎn)科、婦科和兒科），篩選出50例病人數(shù)據(jù)，其中25例康復(fù)出院，25例死亡。康復(fù)病人的數(shù)據(jù)為出院前24 h，每小時采集一次。死亡病人數(shù)據(jù)為死亡前24 h，每小時采集一次。病人年齡18周歲以上，病人科室分布：CCU（5例，占總例數(shù)10%，康復(fù)3例，死亡2例）、ICU（6例，占總例數(shù)12%，康復(fù)3例，死亡3例）、心胸外科（4例，占總例數(shù)8%，康復(fù)4例）、神經(jīng)外科（3例，占總例數(shù)6%，死亡3例）、創(chuàng)傷中心（7例，占總例數(shù)14%，康復(fù)4例，死亡3例）、急診EICU（8例，占總例數(shù)16%，康復(fù)5例，死亡3例）、急診外科（6例，占總例數(shù)12%，康復(fù)6例）、創(chuàng)傷中心病區(qū)（8例，占總例數(shù)16%，康復(fù)1例，死亡7例）、心血管外科（3例，占總例數(shù)6%，康復(fù)3例）。

3.2 模型驗證結(jié)果

計算病人的死亡概率P，以時間為橫坐標(biāo)，P值為縱坐標(biāo)，繪制每個病人24 h的P值散點圖，圖2為節(jié)選的4例病人的P值散點圖。

對比兩組散點圖可以看出，死亡病人在死亡前24 h的P值比較高（＞0.5），波動幅度比較大，或呈上升趨勢，說明病人病情不穩(wěn)定，情況危急，病情惡化甚至死亡的可能性較大；康復(fù)病人在出院前24 h的P值比較低（＜0.5），波動平緩，或呈下降趨勢，說明病人病情平穩(wěn)，病情惡化甚至死亡的可能性較低。驗證表明，該模型的預(yù)測結(jié)果與實際情況基本一致。

4 討論

圖2 病人P值散點圖

基于病人臨床信息的護理風(fēng)險預(yù)警模型，可直接從臨床信息系統(tǒng)中調(diào)取數(shù)據(jù)，實時監(jiān)測患者病情，以便于早期識別潛在危重患者，及時采取干預(yù)措施，為患者提供更優(yōu)質(zhì)的護理服務(wù)。當(dāng)信息系統(tǒng)中數(shù)據(jù)有更新時，預(yù)警模型也能實時更新，有較高的時效性。隨著移動醫(yī)療的發(fā)展，將護理預(yù)警系統(tǒng)應(yīng)用于手持無線設(shè)備，便于護士隨時隨地觀察病人病情，在發(fā)生緊急情況時，及時獲取病人信息，從而提高護理風(fēng)險應(yīng)對能力。

本文提供了一種建立護理風(fēng)險預(yù)警模型的方法，但是所篩選的臨床指標(biāo)較少，僅選擇了收縮壓、舒張壓、心率、呼吸率、血氧飽和度、性別、年齡7個指標(biāo)，并最終篩選了收縮壓、心率、呼吸率和血氧飽和度4項生理指標(biāo)來建立回歸方程，未能包含檢驗檢查、護理評估等指標(biāo)。病人所在醫(yī)院是以急診骨科創(chuàng)傷為特色的綜合性醫(yī)院，入選病例有一定的選擇性偏倚。在實際應(yīng)用中，應(yīng)結(jié)合醫(yī)院實際情況，建立更有效的護理風(fēng)險預(yù)警系統(tǒng)。

[1] 陳蘭.護理風(fēng)險評估預(yù)警系統(tǒng)的研制與應(yīng)用[J].護理學(xué)雜志, 2011,26(7):53-54.

[2] 吳茜,龔美芳,孫曉,等.住院患者護理高危風(fēng)險預(yù)警預(yù)控體系構(gòu)建與運作[J].護理學(xué)報,2015,22(1):16-20.

[3] Wood J,Smith A.Active management should prevent cardiopulmonary arrest[J].BMJ,1999,31(8):51-52.

[4] Despins LA,Scott-Cawiezell J,Rouder JN.Detection of patient risk by nurses:a theoretical frmework[J].JAN,2009,10(16):465-474.

[5] 高美華.改良早期預(yù)警評分系統(tǒng)結(jié)合GCS評分系統(tǒng)在急診腦外傷患者分診中的應(yīng)用[D].長沙:中南大學(xué),2014:2.

[6] Kirkland LL,Malinchoc M,O’Byrne M,et al.A clinical deterioration prediction tool for internal medicine patients[J].Am J Med Qual,2013,28(2):135-142.

[7] Rothman MJ,Rothman SI,Joseph Beals J 4th,et al.Development and validation of a continuous measure of patient condition using the Electronic Medical Record[J].J Biomed Inform,2013,46(5):837-848.

[8] Tepaset JJ 3rd,Rimar JM,Hsiao AL,et al.Automated analysis of electronic medical record data reflects the pathophysiology of operative complications[J].Surgery,2013,154(4):918-924.

[9] 孫亞凌,蔡新宇,張德剛.建立住院病人日常醫(yī)療風(fēng)險預(yù)警信息管理系統(tǒng)的探討[J].中國醫(yī)院統(tǒng)計,2009,16(3):232-234.

[10] 高天翼,李瑞,許曄瓊,等.OGG1 Ser326Cys多態(tài)性與結(jié)直腸癌發(fā)病風(fēng)險的meta分析[J].中國醫(yī)療設(shè)備,2012,27(11):21-25.

[11] 陳永琴,田繼書,魏大瓊,等.集團化醫(yī)院護理安全預(yù)警管理與成效[J].重慶醫(yī)學(xué),2015,44(3):401-403.

[12] 諸海燕,郭航遠,馬紅麗,等.以信息化為載體的護理風(fēng)險評估預(yù)警系統(tǒng)應(yīng)用[J].醫(yī)院管理論壇,2014,31(2):18-19.

[13] 張文彤.SPSS統(tǒng)計分析高級教程[M].北京:高等教育出版社,2004: 177.

[14] 劉新平.改良早期預(yù)警評分在ICU的臨床應(yīng)用[D].蚌埠:蚌埠醫(yī)學(xué)院, 2011:21.

Establishment and Verification of a Nursing Risk Pre-warning Model Based on Patient Clinical Information

SUN Xue-song, ZHENG Xi-chuan
The 6thPeople’s Hospital Affiliated to Shanghai Jiaotong University, Shanghai 200233, China

ObjectiveTo introduce the establishment method of a nursing risk pre-warning model based on patient clinical information so as to early recognize high-risk patients in the early stage and take intervention measures promptly.MethodsThe clinical information of 120 patients who had been discharged from a certain hospital or dead between September 1st2013 and September 1st2014 were selected from HIS (Hospital Information Systems). The indictors which were obviously related with disease development were selected by using Logistic regression analysis to establish the regression equation and calculatePvalues. Then, 25 patients discharged from the hospital and another 25 patients who had been dead were selected respectively. Their indicators were collected hourly within 24 hours before their discharging from the hospital or death to calculate and mark the probability of death asP. The scatter plot for every patient was made in order to validate the effectiveness of the model.ResultsThe establishment of regression equation was used to calculatePvalues.P≥0.6567 suggested that the patient had a higher risk of death. According to the model validation results,P＞0.5 indicated that the disease was likely to become worse or even more likely to die. The predicted results of the model were basically consistent with the actual situation.ConclusionApplication of logistic regression analysis to establish pre-warning model based on HIS can make predictions of patients’ disease development and obtain data easily with high timeliness.

nursing risk pre-warning; logistic regression analysis; clinical indicators; model establishment

R197.32

A

10.3969/j.issn.1674-1633.2016.06.030

1674-1633(2016)06-0110-04

2015-12-09

2016-01-11

上海市信息化發(fā)展專項基金資助項目（201101049）。

鄭西川，高級工程師。

通訊作者郵箱：zhengxc116@163.com