急診擁擠預測模型的研究進展

李春燕，黃 萍，周田田，何靜靜

南京大學醫學院附屬鼓樓醫院，江蘇 210008

急診擁擠（emergency department overcrowding)是指急診科和醫院所能提供的醫療資源不能滿足實際出現的醫療需求的狀態[1]。隨著醫療服務需求的快速增長，急診醫療資源供需失衡日趨嚴重，急診擁擠現象在醫院較為普遍，并逐漸成為全球范圍內亟待解決的公共衛生問題[2]。已有研究表明，急診擁擠會導致病人候診時間延長、預后不良、醫療錯誤率增加、醫護工作人員壓力加重等諸多不良后果[3-6]。風險預警模型作為評估急診擁擠狀態的有效工具，可為臨床醫護人員早期準確識別急診擁擠提供借鑒，同時為急診科管理者及時掌握急診科工作狀態和運行規律、進行科學質量管理、合理調配人力資源等提供參考。現對急診擁擠風險預警模型的研究現狀進行歸納、總結，以期為臨床工作提供指導。

1 國外風險預測模型的研究現狀

1.1 急診需求實時分析指標（READI）模型

1.1.1 源模型 該模型由加利福尼亞大學布魯迪醫學院團隊在2001 年研發[7]，其計算公式為急診需求值(demand value,DV)=(BR+PR)×AR。其中BR（bed ratio）用于評估每項治療所占空間，其計算公式為BR=(急診人數+預測到達人數-預測離開人數)/急診總空間；PR(provider ratio)=每小時到達的病人數/醫生平均每小時處理病人數；AR（acuity ratio）用于評估急診病人的平均疾病嚴重程度，其計算公式為∑(病情分檢種類)×每個種類病人例數/病人總數。DV＞7 提示急診擁擠將要出現。

1.1.2 發展與應用 Hoot 等[8]進行了為期8 周的研究，通過受試者工作特征（ROC）曲線下面積(AUC)評估READI、急診科工作指數（EDWIN）[9]、國家急診科擁 擠 度 評 分（NEDOCS）[10]、急 診 工 作 評 分（Work Score）[11]4 個模型對急診擁擠的判別力，結果顯示，READI 的AUC 值為0.65，其他3 個模型的AUC 值分別 為0.81，0.88，0.90，在 此 研 究 中READI 驗 證 效 果不佳。

1.1.3 特點與用途 READI 模型可利用急診信息系統完成評估，不需要復雜的數據收集或計算，且可以實時進行。公式中BR 值可用于預測急診高峰時間；AR值可衡量當地社區疾病負擔；PR 值可衡量急診員工工作效率，提示管理者通過教育或優化配置提升效率。READI 模型研制時間較早，仍需其他多中心外部驗證證實其預測性能及實用性。

1.2 EDWIN 模型

1.2.1 源模型 該模型由華克貝絲醫學中心、耶魯大學醫學部共同研發[9]，其計算公式為：EDWIN=∑niti/Na(BT-BA)。其中，ni表示急診各分診級別病人人數，ti表示分診級別[按照美國急診嚴重指數（Emergency Severity Index,ESI）[12]分為1～5 級，并將級別數與對應嚴重程度進行倒置以適應模型，倒置后5 級為最嚴重]，Na表示當班醫生數，BT表示急診總床位數，BA表示急診入院病人數。在8 h 輪班中，使用EDWIN 模型2 h 進行1 次測量取值，最終計算評分總和，評分＜1.5 分提示狀態良好，評分為1.5～2.0 分提示繁忙，評分＞2.0 分提示發生擁擠。

1.2.2 發展與應用 有研究者在35 d、225 個時間點使用EDWIN 模型評估急診擁擠度，期間共納入2 647例病人，并將結果與醫生、護士的主觀擁擠度評分進行對比，結果顯示，兩者有顯著相關性[加權系數=0.61，95%CI 為（0.53，0.69）]，該 模 型 具 有 一 定 實 用 性[9]。Brouns 等[13]在2017 年1 項回顧性隊列研究中,根據荷蘭急診科特點對EDWIN 模型進行修正形成mEDWIN 模型，將EDWIN 計算公式中用于確定分診級別的ESI 替換為該地區常用的曼徹斯特分診系統（MTS），將EDWIN 計算公式中的BA替換為占床數，并在BT前增加1 個常數“30”，以防止出現模型分母為0 的錯誤，使用mEDWIN 模型每小時計算1 次得分，通過數據收集和四分位數計算初步確定急診擁擠的臨界值為0.28 分，并在31 496 例病人中進行模型驗證，結果顯示，mEDWIN 臨界值0.28 分的敏感度和特異度分別為99.5%和84.5%，且mEDWIN 得分與占床率有顯著相關性[95%CI（0.945，0.950）]。

1.2.3 特點與用途 EDWIN 模型考慮了病人、醫師、診室三方面因素，適用于評估不同規模和容量的急診擁擠度狀況，且數據易于收集，在急診擁擠分級預警及提醒管理人員采取轉移措施方面具有潛在意義，但模型未包括護理人力、區域居民數量、醫學生參與等相關因素，未來可結合醫院、社區數據系統，提高該模型預測的準確性。

1.3 NEDOCS 模型

1.3.1 源模型 該模型由加利福尼亞大學大衛醫學中心、杜魯門醫療中心共同研制[10]，其計算公式為NEDOCS=-20+85.8×(急診病人總數/急診床位數)+600×(急診入院病人人數/醫院總床位數)+13.4×機械通氣人數+0.93×病人入院最長等待時間+5.64×最短待床時間）。其中，急診病人總數包括等待就診的病人、綠色通道的病人等一切在急診區域有診療需求的病人，急診床位數包括固定床位和可加床位總數，最短待床時間指從病人進入急診到有床位的最短時間。根據NEDOCS 得分可將急診擁擠程度分為5 個等級：0～50 分表示不忙碌，51～100 分表示忙碌，101～140 分表示擁擠，141～180 分表示危險，＞180分表示災難。

1.3.2 發展與應用 2013 年Anneveld 等[14]在荷蘭1 所急診科驗證NEDOCS 模型的準確性，結果顯示，NEDOCS 模型與護士、醫生主觀感受評分一致程度為中等水平（Kappa 值分別為0.50 和0.53）。Wang 等[15]在2014 年的研究顯示，NEDOCS 模型在評估超高容量的急診科擁擠度時可能不準確。2018 年Jobé 等[16]在比利時的2 所學術型醫院、1 所地區醫院將NEDOCS 模型與急診占床率（OR）、醫護人員主觀評分進行臨床比較，結果顯示，NEDOCS 與OR 顯著相關（Pearson 相關系數分別為0.973，0.974 和0.972），且NEDOCS、OR、醫護人員主觀評分三者之間也顯著相關。但Ilhan 等[17]在2020 年的研究顯示，NEDOCS 模型不適合評估該院急診擁擠狀況。

1.3.3 特點與用途 NEDOCS 模型自創建以來在國際上應用較為廣泛，其包含指標較為全面，公式計算可通過數據系統完成，已有多名研究者在不同國家和地區完成對該模型的驗證。但近年來有研究顯示，NEDOCS 模型對于急診擁擠度的測量不夠準確，原因可能與人口增加、科室環境改變及相關政策影響等有關。未來仍需不斷探索該模型及其改良版的準確性和適用性。

1.4 Work Score 模型

1.4.1 源模型 該模型由波士頓SKE 醫療中心、哈佛醫學院等共同研制[11]，參考Asplin 等[18]提出的急診擁擠因素三大環節——輸入因素、過程因素、輸出因素，確定計算公式為Work Score=3.23×(候診人數/急診診療區數)+0.097×(∑[ESI]倒置數/當班護士數)+10.92×(已確定住院但未分配至病床人數/急診診療區數)，ESI 倒置數即為ESI 級別與嚴重程度倒置后的結果。當公式計算結果＞6.3 分時，提示救護車需要分流。

1.4.2 發展與應用 研究者于2003 年收集急診室就診數據，其中，奇數月數據用于制定模型，偶數月數據用于驗證模型，并以救護車轉向率作為判斷急診擁擠的標準。Logistic 回歸結果顯示，Work Score 與救護車轉向率之間具有良好的相關性[輸入環節的95%CI 為（2.82，3.64），過程環節的95%CI 為（0.07，0.12），輸出環節的95%CI 為（10.51，11.33）]，ROC 曲線顯示臨界值為6.3 分的敏感度和特異度分別為86%和80%，模型預測性良好[11]。

1.4.3 特點與用途 該模型根據輸入、過程、輸出三大環節確定預測指標，具有科學性和可行性，模型在驗證中選擇救護車轉向率作為結局指標，存在一定主觀性，且在急診流量過高時救護車轉向率可能被低估。目前針對Work Score 的外部驗證相對較少，仍需多中心、大樣本研究驗證模型的準確性。

1.5 ICMED 模型

1.5.1 源模型 該模型由劍橋大學學者在2012 年研制[19]，模型通過德爾菲法確定了8 項量化急診擁擠指標，分別為90%的救護車抵達至卸載病人完畢時長＞15 min、未接受診療即離開的病人數量≥5%、等待分診時長＞5 min、急診室占床率＞100%、90%的病人在急診滯留總時長＞4 h、等待醫生診療時長＞30 min、90%的病人等候住院病床時長＞2 h、等候住院病床病人數＞10%。

1.5.2 發展與應用 Boyle 等[20]在英格蘭4 所醫院急診科觀察84 h，完成對ICMED 模型的驗證，結果顯示，ICMED 模型評分與醫生視覺模擬量表有良好的相關性（Spearman 相關系數為0.60，P＜0.001），但模型在預測臨床醫生危險感知方面性能較差，可能與其驗證中數據收集量有限，出現急診擁擠危險總次數較少有關。Boyle 等[21]在4 所醫院急診科收集了簡易ICMED 模型（sICMED 模型，刪除了ICMED 模型計算公式中不易實時記錄的“未接受診療即離開的病人數量”指標）和NEDOCS 模型的實時觀察結果，并與臨床醫生視覺模擬量表進行比較，簡單的回歸模型顯示，sICMED 模型和NEDOCS 模型與危險感知和擁擠度感知之間顯著相關（P＜0.000 1)。Boyle 等[22]在5 個國家的7 個急診科對sICMED 進行外部驗證，結果顯示，sICMED 模型在預測擁擠和臨床醫生危險感知方面有效性中等，預測效果在不同國家和醫院之間有差異。

1.5.3 特點與用途 ICMED 模型指標數據較易收集，計算方法簡單，更加易于推廣，且除急診擁擠度以外，該模型對臨床醫生危險感知度有一定預測作用，可為急診管理人員決策提供指導。目前，ICMED 模型和sICMED 模型的外部驗證結果均顯示預測性良好，未來可推廣至更多國家和地區進行多輪驗證。

1.6 SEAL 模型

1.6.1 源模型 該模型由瑞典學者Wretborn 等[23]在2015 年研制，其計算公式為1.589+1.80×緊急病人比例+1.39×病人平均等待醫生時間+14.73×病人平均在急診總消耗時間-1.10×急診占床率，其計算結果范圍為1～6，其中，6 代表最高工作負荷。公式中的緊急病人比例定義為一級和二級護理需求的病人占急診病人總數比例。

1.6.2 發展與應用 在模型內部驗證中，研究人員在瑞典不同規模的5 所急診科（包含城市地區和鄉村地區）收集了233 個時間點的變量數據和醫護人員對急診工作負荷的評估數據，結果顯示，SEAL 模型結果與工作負荷評估具有良好相關性（P＜0.001）。模型建立后，研究人員在2 個流量較大的急診室分別進行7 d 和14 d 的數據收集驗證，收集指標與原模型相同，時間點因急診室特點差異略有調整，結果顯示，模型與醫護人員主觀工作負荷具有良好相關性（P＜0.001）[23]。Wretborn 等[24]2021 年在原有模型基礎上結合當地急診現狀推出改良版SEAL 模型，即mSEAL 模型，其計算公式為mSEAL=1.49+9.42×過去1 h 內急診病人總消耗時間+0.18×從急診掛號到第1 次接觸醫生時間，mSEAL 模型與SEAL 模型關聯性良好，在4 所醫院333 個時間點進行的外部驗證結果顯示，mSEAL 模型與急診員工工作負荷相關性良好。

1.6.3 特點與用途 SEAL 模型適用于測量不同規模和特點的急診科室擁擠度，可用于急診工作量的實時監控，mSEAL 模型數據更易收集，但模型中緊急病人比例指標使用瑞典常用的瑞典快速緊急分流與治療系統（RETTS），外推時可能需要改進。SEAL 模型與mSEAL 模型均沒有探索擁擠度臨界值，且模型數據來源于醫護人員手動輸入的電子病歷，可能存在誤差，未來可嘗試繼續優化模型。

1.7 Eiset 等[25]構建的模型

1.7.1 源模型 該模型由Eiset 等[25]在2016 年研制，其 計算公式為Q(t+1)=Q(t)+A(t)-D(t)，其中，Q 表示排隊人數，A 表示到達人數，D 表示離開人數，t表示時間點，t+1 表示下個時間點，以30 min 為時間間隔，該公式表示某個時間點的排隊人數=上個時間點（30 min 前）的排隊人數+新進入急診人數-離開人數。

1.7.2 發展與應用 納入1 所醫院的41 693 例病人進行模型驗證，結果顯示，當該醫院急診科排隊人數達到19 例時，急診占床率接近100%，發生急診擁擠的危險性較大。白班、晚班、夜班不同班次間排隊人數和到達人數差異有統計學意義（P＜0.001），工作日和周末結果差異有統計學意義（P＜0.05），工作日白班、晚班、夜班出現排隊人數≥19 例的高擁擠風險頻率分別為54%、56%和＜1%，周末白班、晚班、夜班出現排隊人數≥19例的高擁擠風險頻率分別為21%、27%和＜1%[25]。1.7.3 特點與用途 Eiset 等[25]構建的模型計算較為簡便，未對擁擠閾值進行界定，可以在不同規模的急診科嘗試通用，但中間環節可能存在多種誤差，如在繁忙階段對病人進出記錄收集不準確或缺失，模型對急診擁擠風險的預測是一種模糊概念。未來可延伸進行多中心研究，增加護士首次評估、醫師首次診療等指標的子隊列驗證，合理應用電子病歷，建立更加標準化的模型。

2 我國風險預測模型的研究現狀

2.1 多維急診科擁擠評分量表（MEDOS）

2.1.1 源模型 該量表由北京協和醫院徐騰達等[26]在2016 年編制，量表由3 個部分、共12 個條目（9 項客觀條目、3 項主觀條目）組成。①急診系統部分：包括急診總床位占用率、搶救室床位占用率、廊廳/過道診治病人數、近2 h 心肺復蘇和新進搶救室病例數、生命臟器功能支持設備數量。②醫院相關部分：包括重癥監護室（ICU）滿負荷狀況（床位使用率）、急診病人流出道梗阻率、急診滿負荷狀況（持續時間）。③外部相關因素：包括急診診室外候診病人數、最近1 個看醫生病人候診時間、近8 h 啟動救護車轉向情況、未看醫師離開急診現象。每項條目按照實際狀況賦0～3 分或0～4 分，之后再計算總和，滿分為40 分。

2.1.2 發展與應用 徐騰達等[26]進行了為期6 個月的量表初步測試，研究結果表明，在552 個測量點中MEDOS 均分為（25.4±5.8）分，用折半信度檢驗量表內部一致性，系數為0.817（P＜0.01），提示MEDOS 具有良好信度。

2.1.3 特點與用途 MEDOS 是為評價三級綜合醫院急診科擁擠度而設計，量表直觀量化，可用于實時評估，數據采集復雜性不大，12 個條目包含定類、定序、定距、定比4 種測量層次，提升了量表操作性和項目可行性。但目前仍缺乏對該量表的外部驗證，未來需要更多同行參與，不斷修訂和完善評估方法，推進我國急診擁擠領域的研究。

2.2 國家急診科擁擠度評分改良模型（NEDOCSBJ）

2.2.1 源模型 該模型由北京協和醫院徐騰達等[27]在2016 年編制，其計算公式為NEDOCSBJ=83.563×(Pbed/Bt)+7.201×(Xn)+0.116×Wtime+0.302×ABI+2.835。其中Pbed/Bt表示急診在床治療病人數/急診額定床位數，Xn表示生命支持設備數，Wtime表示最近1 個看醫師病人候診時間，ABI 表示流出道梗阻率。

2.2.2 發展與應用 徐騰達等[27]在552 個時間點的測量結果中得出NEDOCSBJ均分為（136.0±24.5）分，得分中位數為136 分，且與視覺模擬評分量表（VAS-m）、MEDOS 有良好相關性（r=0.630，P＜0.01；r=0.939，P＜0.01）。NEDOCSBJ與MEDOS 的組內相關分析結果和Bland-Altman 圖顯示有較好一致性,兩者差值均分為11.96 分，在可接受范圍。

2.2.3 特點與用途 NEDOCSBJ有潛在的預報價值，考慮到各環節的供需問題，信度較好，但其適用性具有兩面性：若信息系統先進，評分結果即可實時、直觀顯示；但對信息系統落后的機構來說較為困難。該模型可能存在國家或地域性差異問題，影響測量方法的推廣，難以開展多中心的研究。

2.3 陳嵐等[28]開發的急診擁擠度預警系統

2.3.1 源模型 陳嵐等[28]在醫院原有的急診搶救留觀系統、預檢系統、叫號系統基礎上，提取部分急診擁擠度評估指標關鍵參數，包括急診各診室就診流量，最近1 例就診病人的等待時間，等待就診人數，預計等待時間，搶救室、復蘇室、應急區域占用床位率，最長滯留時間，留觀病人平均滯留時間等，開發出急診擁擠度預警系統，系統數據在屏幕上顯示并實時更新。

2.3.2 發展與應用 預警系統應用6 個月后，急診病人搶救室滯留時間顯著短于應用前（P＜0.01），未發生意外事件及院外轉運病人因等待而轉運的情況[28]。

2.3.3 特點與用途 急診擁擠度預警系統的應用有利于規范候診病人的再分診時間和可等待救治的響應時間，有利于合理安排危重癥病人救治區域，有利于盡早介入分流困難和滯留時間較長的病人。該系統僅在1 所三級綜合性醫院開發并應用，結合信息化手段有效實現急診擁擠的預警及干預，我國其他綜合性醫院可借鑒相關經驗開發適合自身的急診擁擠預警系統。

3 小結

國內外針對急診擁擠預測模型的研究不斷深入，主要采用了Logistic 回歸分析方法，但各模型納入指標不完全相同，涵蓋了當班醫生數、急診總床位數、急診入院病人數、疾病嚴重程度、機械通氣人數、最短待床時間、病人平均等待醫生時間、病人平均在急診總消耗時間、急診占床率、生命支持設備數等。國外模型尚未在國內各級醫院驗證，可能并不完全適用于我國醫院急診室，但對我國開展急診擁擠相關研究具有一定借鑒意義。目前，我國醫護人員對于開展急診擁擠預測模型的認識尚不足，其預測模型較少應用到臨床工作當中。因此，臨床人員需結合實際，選擇合適的預測模型進行急診擁擠風險預測，在此基礎上，建立符合我國急診擁擠預測模型的臨床信息系統，提高醫療護理工作效率，減輕急診擁擠帶來的危害。