早期預警評分系統在普通病房的應用研究進展

任雪麗，周 蓉

1.山西醫科大學護理學院，山西 030001；2.山西醫科大學第二醫院

據統計，3%～18%的普通病房病人住院期間會發生心搏驟停、非計劃轉入重癥監護室（ICU）或危及生命的器官衰竭等嚴重不良事件（serious adverse event，SAE）[1-2]。SAE 既不是突發性的，也不是不可預測的情況，而是一個漸進的過程[3]。多項研究表明，病人在嚴重病情變化前數小時會出現某些生命體征參數紊亂[4]。臨床護士評估病人病情主要依靠個人臨床經驗或主觀感覺，若其對生理指標的異常改變反應不及時容易造成不恰當的護理或延誤救治最佳時機[5]。已有研究顯示，危重病人延遲轉入ICU 與死亡率增加有關，感染性休克病人的抗生素治療每推遲1 h，死亡率約增加8%[6]。因此，有必要制定一個快速、簡便的評估工具幫助護士主動觀察和早期識別潛在的危重病人[7]。20 世紀90 年代末，早期預警評分系統（Early Warning Score，EWS）由Morgan 等提出，包括心率、呼吸頻率、收縮壓、體溫和意識水平5 項生理指標，每項指標被賦予一定的權重和分值，當總分或單項得分超過設定閾值時即會觸發相應的預警監護方案[4]。目前，國內外已發布了100 多個版本的EWS，而改良早期預警評分（Modified Early Warning Score，MEWS）和英國國家早期預警評分（National Early Warning Score，NEWS）是臨床使用廣泛的兩種危重疾病嚴重程度評分系統[8]。近年來，EWS 已在院前急救、院內急救、ICU 等急危重癥領域得到普遍應用，但在普通病區的應用研究仍處于初步探索階段。英國重癥監護協會和倫敦皇家醫學院推薦將MEWS 和NEWS 應用于綜合病房病人的病情風險評估，但其使用效果還有待進一步研究[9-10]?，F就EWS 在普通病房的應用現狀和現存問題進行闡述，旨在為?？撇》繎肊WS 提供參考。

1 EWS 在普通病房的應用

2014 年，中南大學湘雅醫院護理團隊在全院普通病區建立了MEWS 和標準化溝通模式（SBAR）胸卡標準化、MEWS 預警標識欄統一化、評估流程標準化、護理記錄書寫標準化和交接班內容流程化五大病情早期預警流程[11]，這一突破性的臨床實踐提高了護士的預警意識，為醫護間有效溝通病人病情提供了科學、客觀的依據。姚美蓉等[12]回顧性分析了普通病房中醫囑為病危、病重的1 299 例病人的病歷資料，結果顯示，入院時和發生病情變化時的護理級別與對應的MEWS評分比較，差異有統計學意義；轉入ICU 組病人兩時間點的MEWS 得分均高于未轉入ICU 組，死亡組兩時間點的MEWS 得分均最高。表明MEWS 在早期識別潛在危重病人、預測病人預后方面有重要意義。曾芬蓮等[13]分別使用MEWS 和NEWS 對461 例神經外科顱腦損傷病人的病情嚴重程度進行評估，結果表明，與MEWS 相比，NEWS 與病情嚴重程度的相關性更顯著，對病情惡化的預測效能更高。2017 年，英國皇家醫學院對NEWS 進行更新，形成更新版NEWS（NEWS 2）。Peng 等[14]將NEWS 2 與其他24 種類型EWS 預測顱內腫瘤病人術后72 h 內非計劃轉入ICU的效能進行比較，結果顯示,NEWS 2 和病人危險評分（Patient at Risk Score，PARS）的預測效能較高，受試者工作特征（ROC）曲線下面積（AUC）分別為0.86 和0.87。李備等[15]將改良后的NEWS 臨床響應措施應用于普通病房上消化道出血病人護理中，有效降低了意外事件發生率，改善了病人對護理工作的滿意度。王春梅等[16]對325 例腫瘤危重癥病人術后第1 次生命體征值進行NEWS 評分，根據NEWS 的風險分層標準，將NEWS 分值劃分為低危、中危、高危和極高危，以術后30 d 預后為結局指標，結果顯示，死亡組病人NEWS 得分高于存活組，NEWS 風險等級和30 d 內死亡率存在顯著的正相關關系，中危、高危和極高危腫瘤危重癥病人30 d 死亡風險分別是低危病人死亡風險的4.577 倍、8.802 倍和53.571 倍。表明不同風險等級下的NEWS 評分可以量化評估腫瘤危重癥病人的死亡風險。張詠梅等[17]的研究探討了普外科1 221 例病人的MEWS 得分與病情嚴重程度及轉歸的關系，結果發現，MEWS 得分越高病人病情越重，轉歸越差，MEWS識別潛在危重病人和危重病人的最佳截斷值分別為3分和4 分，ROC 曲線下面積分別為0.915 和0.921，表明MEWS 可以幫助醫護人員量化評估病人的病情嚴重程度，前置救治措施，從而降低病死率。

國外學者也為驗證EWS 對于普通病房病人發生病情變化的風險識別能力展開了一系列研究。Zografakis-Sfakianakis 等[18]針對153 例從普通病房轉入ICU 的病人進行了一項觀察性研究，發現15%的病人轉入ICU 前20 h 的MEWS 評分逐漸增加，轉入ICU前最后1 次的MEWS 得分與ICU 死亡率和住院時間顯著相關。Balshi 等[19]的研究還發現，病人轉出ICU時的MEWS 評分與48 h 內ICU 再入院相關，MEWS預測ICU 再入院的ROC 曲線下面積為0.82，≥6 分預測再入院的靈敏度較高。Klepstad 等[3]指出，胃腸外科病人再入ICU 或高依賴病房(HDU)前，NEWS 得分平均每小時增加0.15 分，再入ICU 或HDU 前最后1 次測定的NEWS 得分明顯高于未再入ICU 或HDU 的病人(P＜0.001)。Van Galen 等[20]對1 053 例病人的MEWS評分進行為期1 個月的核查，結果顯示，盡管有1/3 的MEWS 計算錯誤，但MEWS≥3 分的病人明顯發生了更多的不良事件。Heller 等[21]將基于MEWS 的自動預警系統引入外科病房，對3 827 例病人進行為期12 個月的觀察性研究，結果顯示，心搏驟停發生率從應用前的0.53%下降為應用后的0.21%(P＜0.001)，ICU 非計劃入住率從3.6%降至3.0%(P＜0.001)。

國內外多項研究表明EWS 操作簡便，獲取參數方便，能夠有效評估病人病情，預測嚴重不良事件的發生，為醫護人員及時調整不同級別的床旁響應措施提供依據。

2 EWS 的改進

Bedoya 等[22]認為NEWS 對臨床結局的改善微乎其微，超過85%的警報被一線護理人員忽視。唐蓉[2]的研究發現，MEWS 在普通病區對潛在事件、危重事件和危殆事件3 類終點事件的預測效能不足，ROC 曲線下面積僅為0.672。Teasdale[23]指出NEWS 僅依靠快速意識狀態評分系統(AVPU)不足以監測住院病人發生神經功能惡化的風險，應納入睜眼反應、運動反應、瞳孔對光反應等評估指標。Brunker 等[24]的研究也得出AVPU 評分對預測中度神經損傷的敏感度和特異度較差。隨著醫學分科的不斷細化，?？撇町惾遮吤黠@，目前的EWS 僅納入了公共指標，?？铺禺愋暂^差[25]，一定程度上影響了對病人危重病情變化的識別或判斷。因此，有學者開始嘗試將EWS 中的共性指標與專科指標、病人癥狀、主訴、實驗室檢查結果聯合應用于某些特殊疾病的病情評估中，以期進一步提高EWS 的靈敏度和特異度。

2.1 EWS 與其他指標的聯合應用 曾芬蓮等[26]的研究表明，NEWS 結合格拉斯哥昏迷評分（GCS）能較好地預測顱腦損傷病人是否需要轉入ICU 接受更高級別的監護。李曉燕等[27]的研究發現，MEWS 聯合血糖值評分能有效判斷糖尿病急性并發癥病人病情，隨著評分增高，病人病情呈加重趨勢，以轉入ICU 和死亡為預測結局，ROC 曲線下面積均在0.95 以上。Viglino等[28]開發的早期預警評分O2(EWSO2)將EWS 中的生命體征參數與心肺參數(呼吸速率、心率、血氧飽和度、氧濃度分數)相結合，這種新的評分方法在預測呼吸困難病人不良預后方面比NEWS、NEWS 2 和氧合指數（SpO2/FiO2）的準確性更高。Lee 等[29]將優化后的MEWS+SpO2/FiO2評分(MEWS-SF)與MEWS 評分進行比較，結果顯示，MEWS-SF 對轉入ICU 和院內死亡率的預測效能均高于MEWS，可作為識別普通病房惡性血液病病情惡化的有效工具。

2.2 專科病房病人病情變化EWS 的構建 陳圓圓等[30]對995 例顱腦腫瘤開顱手術病人進行前瞻性調查研究，構建了由瞳孔、MEWS 和GCS 評分組成的顱腦腫瘤病人術后病情惡化早期預警模型，其ROC 曲線下面積為0.852[95%CI（0.816，0.887）]，靈敏度、特異度均為80.5%，準確率為85.0%，可較好地預測病人術后嚴重病情變化，如非計劃轉入ICU、非計劃二次手術，為早期實施醫療護理干預提供預警支持。于漫等[31]基于MEWS 形成的心血管疾病早期預警評分量表包括體溫、收縮壓、心率、呼吸、血氧飽和度、意識、心律失常、疼痛評分、年齡9 個條目，Cronbach's α 系數為0.73，與MEWS 評分的相關系數＞0.9，校標關聯效度較好，可幫助護士客觀評估病人疾病的嚴重程度并進行危險分層，為護理決策提供可靠依據。喬成平等[25]采取回顧性病例對照研究方法構建的婦科病人危重病情變化早期預警評估表（GEWS），除納入NEWS 評分7 項參數外，還增加了疾病類型、下腹痛、血紅蛋白濃度、陰道流血量、相關癥狀5 項婦科專科預警指標，該評估表的ROC 曲線下面積為0.96，最佳截斷值為3.5 分，靈敏度為92.32%，特異度為88.85%，與NEWS 相比，GEWS可以更準確地預測病人危重病情變化風險。Kim 等[32]建立的胃腸預警評分(EWS-GI)包含心率、呼吸頻率、ACDH 評分（A 為清醒，C 為模糊，D 為昏睡，H 為無反應）、SpO2/FiO2、肌酐、總膽紅素、凝血國際標準化比值（INR）和乳酸8 項指標，研究發現，其在預測消化內科病人轉入ICU 方面比MEWS 更有效。Bell 等[33]利用病人人口統計學數據、生命體征值、實驗室檢查指標建立病情惡化預測模型，輸出后轉換成1～10 的惡化指數，結果顯示，該指數識別住院病人病情惡化的靈敏度和特異度優于MEWS 和NEWS。O' Brien等[34]通過回顧杜克大學醫院普通病房病人3 年的病歷記錄，構建了包含生命體征、查爾森合并癥指數、實驗室檢驗等多變量的病情惡化風險評估表，經驗證，其ROC 曲線下面積為0.814，高于NEWS 曲線下面積（0.740）。

以上研究均使用了Logistic 回歸分析法構建模型，其優點是研究結果簡單、直觀、易于解釋[35]。隨著機器學習(machine learning，ML)的發展，一些研究者開始嘗試使用決策樹、隨機森林、支持向量機、深度學習等算法開發模型，與EWS 不同，機器學習模型直接從大量數據中學習和挖掘某種規律或關系，可以結合風險評分趨勢，調整不同數量的協變量，并針對不同護理環境和人群進行優化[36]。Pimentel 等[37]基于機器學習算法開發了全院預警電子布告欄系統(HAVEN)，包括靜態(時不變)變量，如性別、年齡和動態(時變)變量，如生命體征、實驗室指標，可在每次記錄新變量時重新計算病人的病情惡化風險，與NEWS、基于實驗室的急性生理學評分(LAPS-2)和電子心搏驟停風險分診評分(eCART)比較后發現，在發生主要結局(心搏驟停和非計劃轉入ICU)的24 h 時間窗內，HAVEN 的ROC曲線下面積高達0.901。在以精度為10%(每評估10例病人得到1 例真陽性結果)的級別下，HAVEN 可提前48 h 區分出超過40%的主要結局事件。Kia 等[38]使用隨機森林算法構建了住院病人病情惡化預測模型（MEWS++），結果顯示病人從普通病房轉至ICU 前6 h，其ROC 曲線下面積為0.85，靈敏度為81.6%，特異度為75.5%。與MEWS 相比，靈敏度提高了37%，特異度提高了11%，ROC 曲線下面積增加了14%。

3 現階段EWS 在識別普通病房病人病情變化中存在的不足

首先，我國學者關于EWS 的研究多集中于評估病人病情嚴重程度、預測預后以及應答程序的應用方面，在?？祁I域的創新性研究較少，未來可進一步探索EWS 在?？撇》恐械膽脙r值，構建適合某些?？萍膊〔∪说?、分辨度較高的病情變化預測模型。值得注意的是，EWS 中某些指標的數值和區間設置有待進一步考量和調整[2]，如NEWS 將收縮壓111～219 mmHg（1 mmHg=0.133 kPa）設為0 分，但多數情況下即使病房病人血壓波動范圍未達到評分取值要求，高于基礎血壓的20%也會引起醫護人員警惕并進行及早干預，不合理的評分標準會導致大量的錯誤警報，造成護士警報疲勞，影響病情評估的準確性。此外，護士是病情觀察的“前哨兵”，也是EWS 有效實施的關鍵，有必要廣泛調查我國各地醫院預警評分工具的臨床應用現狀以及一線護士的使用體驗或經驗。國外研究者通過構建多種形式的教育計劃，如交互式電子學習、跨學科預警評分系統現場培訓課程以及模擬場景幫助護士使用EWS 識別和管理病情惡化的病人。Saab 等[39]的研究發現，EWS 教育計劃在短期內能有效提高護士計算EWS 和記錄生命體征方面的知識、態度和行為。其次，護士通常根據醫囑和病人病情變化進行即刻生命體征測量，測得的數據缺乏實時性，無法動態跟蹤和記錄病情變化趨勢。無線生命體征監測系統可減少護士工作量、提高病人轉運途中的安全性、全天候監測住院病人的MEWS 高值并在病情惡化早期階段觸發警報，有效克服傳統EWS 單一時點測量的局限性[40]。該技術將實時數據自動上傳至醫療電子病歷系統，幫助醫護人員第一時間掌握病人病情發展軌跡，為大數據平臺的搭建和預測模型研究奠定基礎。隨著人工智能的快速發展，生命體征跟蹤系統、臨床決策支持系統和自學習系統的出現不僅彌補了EWS 間歇性評估的缺陷，而且有利于醫護人員借助病人以往的電子病歷信息做出科學的決策[41]。然而，這類研究仍處于初步探索階段，在普通病房的應用仍有很大的發展前景和挖掘空間。再次，病情變化預測模型的構建方法仍存在很大局限性。Stephen 等[42]的系統評價指出，大多數臨床應用的EWS 都存在方法學缺陷和不同程度的偏倚風險，新模型的預測效度和應用效果可能遠不如預期，建議未來的研究應基于個體預后和診斷的多變量預測模型透明報告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis，TRIPOD）規范建立和評估EWS，并調查其對病人臨床結局和安全性的影響。

4 小結

早期識別和干預病人病情變化是減少住院費用、縮短住院時間和維護病人安全的關鍵[2,5]。EWS 在病房的應用有賴于醫院管理者的高度認同和有力推進，EWS 的拓展性研究需要借助大數據平臺的支撐和人工智能技術的優化升級，基于自身特點形成的改良版EWS 的可重復性和外推性有待在多中心、大樣本條件下進一步驗證。如何提高EWS 的靈敏度和特異度仍是研究者面臨的一大挑戰。