急診留觀患者病情變化風險預測模型的構建

張馨桐，王艷梅，潘欣欣，奚曉波，張書迪，劉道粵

部分急診患者在留觀期間雖尚未出現明顯的異常體征、癥狀改變，但病情隨時可能加重。目前，低年資護士專業知識薄弱、工作經驗缺乏，可能未及時發現患者病情加重，而耽誤了最佳救治時機[1-3]。及時準確評估和預測患者病情已成為急診留觀護理工作重點[2]。留觀患者的病情風險變化通常指發生呼吸衰竭、呼吸心臟驟停、急性心肌梗死、休克等，需轉入?？撇》俊CU病房或死亡等一系列病情惡化的表現[4]。校正改良早期預警評分由改良早期預警評分(Modified Early Warning Score, MEWS)發展而來，是被廣泛應用于臨床病情評估的評分工具，其與?？浦笜寺摵蠎?，有更高的精準性[5]。鑒此，本研究通過系統文獻回顧、專家小組討論和病例回顧研究，將校正MEWS作為建模條目之一，構建急診留觀病情變化風險預測模型，旨在提早預測患者病情變化。

1 對象與方法

1.1對象 獲得醫院倫理審批后，采用病例回顧研究，納入2020年4～7月上海市浦東新區公利醫院急診留觀患者。納入標準：①年齡≥18 歲；②所需各項資料完整(包括患者一般資料、生命體征資料、用藥資料、實驗室檢驗結果以及搶救、死亡記錄)；排除標準：急診留觀時間不足24 h。本研究共納入10個影響因子，根據建模樣本量需要自變量的5～10倍，據本院2020年1～3月351例樣本測得急診留觀患者轉入?？撇》?、搶救和死亡的發生率為38.18%(134/351)，因此本研究所需樣本量至少為10×10÷38.18%=262例，最終入組568例。采用隨機數字法，按7∶3的比例，建模組400例，驗證組168例。

1.2方法

1.2.1構建風險預測評分 ①基于文獻學習，檢索篩選與急診留觀患者病情變化相關的因素，形成初選條目池，進行兩次專家小組討論，最終模型納入10個影響因子。②病例回顧收集患者一般資料。包括性別、年齡、病種、基礎疾病數(基礎代謝障礙疾病、免疫功能低下疾病、重大慢性消耗性疾病)、本次入院是否出現低蛋白血癥及高乳酸血癥、是否使用血管活性藥物、呼吸興奮劑、抗心律失常藥物及校正MEWS。本研究選取唐維駿等[6]制定的校正MEWS，包括體溫、心率、呼吸頻率、收縮壓、意識和血氧飽和度6項基礎生命體征信息，各項正常計0分，根據異常程度分別計1～3分，其中呼吸頻率計0～2分，總分17分，得分越高病情越危重。③確定結局指標。根據文獻回顧及專家小組討論，收集患者的搶救記錄和轉入?？撇》?ICU、死亡、好轉出院等轉歸記錄[7]，以患者轉入?？撇》?ICU、發生搶救、死亡確定為發生病情變化，資料收集時間點為患者病情變化發生前1 h。④構建Logistic回歸模型。將建模組發生病情變化及未發生病情變化患者的一般資料進行比較，將差異有統計學意義的變量作為自變量，是否發生病情變化為因變量構建Logistic回歸模型。將回歸分析的預測因子納入評分條目，預警模型賦分參照Sullivan等[8]的計分方法，即先根據Logistic賦值列出各項參照類別，參考值記為Wij；再計算各項參考值與參照類別對照值的差值，并乘以各項β系數，記為βi(Wij-WiREF)；最后各項條目分別除以所有變量中的最小β系數(記為B)算出各自變量的分數。采用ROC曲線確定截斷值。

1.2.2驗證風險預測模型 根據驗證組患者資料，計算風險預測評分得分，按評分截斷值預測患者是否會發生病情變化，比較患者的預測結局與實際臨床結局，評價評分的預測準確性。

1.2.3統計學方法 采用SPSS25.0軟件行χ2檢驗、秩和檢驗及t檢驗；Hosmer-Lemeshow檢驗進行Logistic模型擬合度檢驗；ROC曲線下面積(AUC)算出最佳截斷值并評價預測效能；Z檢驗比較風險預測評分與校正MEWS評分的AUC是否存在差異；以靈敏度、特異度、陽性預測率、陰性預測率及一致性檢驗驗證評分系統。檢驗水準α=0.05。

2 結果

2.1建模組與驗證組一般資料比較 見表1。

表1 建模組與驗證組一般資料比較

2.2建模組病情變化的單因素分析 建模組發生病情變化138例，病情變化及無病情變化患者一般資料比較，見表2。

表2 建模組病情變化及無病情變化患者一般資料比較

2.3急診留觀患者病情變化風險預測模型建立 以是否轉入?？撇》?、ICU以及發生搶救、死亡作為因變量，將表2中有統計學意義的9個變量作為自變量進行多因素Logistic回歸分析，相關賦值見表3。結果顯示Logit(P)=-6.739+0.785×年齡+1.125×校正MEWS+3.285×低蛋白血癥+2.634×高乳酸血癥+2.668×呼吸興奮劑+1.501×抗心律失常藥物(表4)。Hosmer-Lemeshow檢驗結果顯示，R2=0.757，P=0.220，模型擬合良好。

表3 自變量賦值表

表4 急診留觀患者病情變化的Logistic回歸分析結果

2.4急診留觀患者病情變化風險預測評分賦分及截斷值 根據建模結果，基于Logistic模型的β系數，將算出的分值四舍五入取整，形成急診留觀患者風險預測評分的評分規則(見表5)，評分范圍為0～41分。建模組ROC曲線下面積中，最大約登指數對應橫縱坐標下的最佳截斷值為9分。

表5 最終納入風險預測評分系統的危險因素賦值

2.5急診留觀患者病情變化風險預測評分與校正MEWS預測能力比較 ROC曲線下面積顯示，構建的風險預測評分(AUC為0.954,95%CI:0.927～0.980)的預測精準度優于校正MEWS(AUC為0.726,95%CI:0.663～0.790)，兩種評分比較，Z=6.671，P=0.000。

2.6急診留觀患者病情變化風險預測評分系統驗證 驗證組評分預測病情變化的結果顯示，AUC為0.985(95%CI0.970～0.999)，約登指數為0.891，靈敏度0.972，特異度0.919，截斷值為9分，陽性檢測率為0.950，陰性檢測率為0.954。驗證組實際發生病情變化62例，根據風險預測評分預測發生病情變化57例，一致性檢驗顯示，Kappa值為0.935，預測結局與實際臨床結局一致性較好。

3 討論

3.1構建急診留觀患者病情變化風險預測評分的意義 急診留觀室收治因急危重癥情況入院的患者，其流量大、流動性強、病種多，在治療和護理方面具有難度[9]。急診醫務人員工作負擔重，一些病情看似平穩但發展隱匿的患者易被忽略，進而發生病情惡化[3]。因此，準確評估并提前預測患者病情變化，對下一步干預指導具有重要意義。通過患者一般資料、實驗室指標、生命體征信息以及藥物使用情況，構建較客觀、全面的針對急診留觀患者的風險預測評分工具，將護理人員從上級或醫囑被動知曉患者病情程度的情況，轉變為主動判斷患者情況，可幫助年輕護士評估患者病情變化，及時發現潛在危重癥患者。從發生病情變化后再處理，轉為預見性護理，可降低因未預見病情變化導致的意外事件發生率，減少醫療資源浪費。

3.2急診留觀患者病情變化的相關危險因素分析

3.2.1校正MEWS 研究指出，呼吸急促、心率異常、意識喪失等是臨床患者發生病情變化的危險因素[10]，而校正MEWS正是由反映生命體征的評分條目構成，其常被用于評估臨床患者，尤其是危重癥患者的病情。研究顯示，校正MEWS結合專科指標如疼痛評分、CT影像學特征[5,11]等，在識別潛在危重患者方面有更高的精準度。本研究發現，校正MEWS每增加一分，病情變化的概率增加2.081倍(OR=3.081)。利用校正MEWS評估患者病情，觀察患者的病情進展，可提高風險預測評分系統對急診留觀患者的病情預測精準度。

3.2.2年齡 老年患者起病隱匿、病情發展快，且病情變化不易被及時觀察到，需要重點關注。在急診留觀患者中，年齡>65歲者占59.66%，且老年患者就診比例呈逐年上升趨勢[5]。本研究建模組平均年齡為(81.35±11.47)歲，且患者年齡每增加10歲，其病情變化概率增加1.192倍(OR=2.192)?？赡芤驗殡S年齡增長，易出現細胞衰老、免疫系統功能下降等機體衰退現象和病情發展不受控。因此，即使急診留觀老年患者的病情暫時平穩，或評分未達到預警值，醫護人員也應重點關注并囑家屬陪護。

3.2.3低蛋白血癥和高乳酸血癥 低蛋白血癥、高乳酸血癥被列為急診危重癥患者死亡的獨立危險因素[12-13]，本研究這兩項指標與患者發生病情變化的關聯顯著，留觀期間低蛋白血癥患者發生病情變化的概率是非低蛋白血癥者的26.712倍，無高乳酸血癥的13.929倍。當患者尤其是高齡患者的能量代謝異常時，攝入的能量不足，易發生低蛋白血癥，進而引起水腫、凝血異常、營養不良，甚至死亡等[14]。此外，乳酸水平也可以反映細胞代謝功能，當氧氣供應或組織灌注不足時，易出現高乳酸血癥，導致末梢循環不佳[15]。因此，面對低蛋白血癥、高乳酸血癥患者，尤其是高齡、休克患者，醫護人員應高度警惕，積極采取措施，保證患者的營養攝入，糾正缺氧和組織灌注不足等問題。

3.2.4使用抗心律失常藥物和呼吸興奮劑 本研究發現，呼吸興奮劑、抗心律失常藥物使用者發生病情變化的概率分別是未使用者的14.415倍和4.488倍。可能因為藥物的使用，使收縮壓、心率、呼吸、氧飽和度暫時維持在正常水平，從而掩蓋病情。本研究現病史資料顯示，中老年高血壓患病率為47.71%(271/568)，這類患者聯合用藥治療高血壓的情況較為常見，其中包括屬于血管活性藥物的血管擴張藥。本研究呼吸興奮劑和抗心律失常藥物多為搶救用藥，而血管活性藥物包括高血壓日常治療用藥，可能對患者發生病情變化的影響作用不明顯，故未納入預警模型。

3.3風險預測評分具有良好的預測效能 本研究構建的模型經Hosmer-Lemeshow檢驗結果顯示，R2=0.757，P=0.220，模型擬合良好。構建的評分系統與校正MEWS預測病情變化的AUC分別為0.954、0.726，經Z檢驗比較顯示，評分系統的預測能力優于校正MEWS。驗證組中，評分系統預測病情變化的AUC為0.985，靈敏度為0.972，特異度為0.919，具有較好的預測準確性；驗證組陽性檢測率為0.950，陰性檢測率為0.954，評分對實際發生病情變化與實際未發生病情變化的判斷準確性高；評分預測結局和實際臨床結局一致性檢驗結果顯示，Kappa值>0.9，兩者的一致性與吻合度較高。Ripoli等[16]報道，62.2%的患者在進入急診留觀室前24 h會發生病情惡化，病情在前10 h會有明顯的異常變化。本研究資料收集時間點為患者病情變化前1 h，這提示醫護人員，當風險預測評分高于9分時，應警惕患者可能在1 h內發生病情變化，護士應報告醫生，遵醫囑用藥，提前備好搶救物品，并密切觀察患者生命體征變化。

4 小結

本研究構建的急診留觀患者病情變化風險預測模型包括年齡、校正MEWS、低蛋白血癥和高乳酸血癥、使用呼吸興奮劑和抗心律失常藥物6個因子，驗證結果顯示該模型能較好地預測急診留觀患者的病情變化。但本研究納入的患者來自一所醫院，疾病類型不同，該評分對于不同疾病患者的病情預測能力尚需進一步檢驗。今后擬開展多中心研究，進一步驗證該評分系統的臨床適用性。