文献速递儿科与产科急症

家长识别儿童重症的能力

Parental Ability to Identify Severe Illnesses in Their Children.
PubMed 文献 · JAMA Netw Open · 2026-02-02
一句话结论家长中度至高度担忧识别儿童重症敏感性91.0%但特异性仅17.5%,不能单独作为分诊决策工具,需结合临床评估。

该诊断研究在芬兰北部一家三级儿科急诊开展,纳入2375对儿童青少年-家长配对,家长在医生评估前完成36项结构化问卷。567例(23.9%)符合重症定义。家长中度至高度担忧(Q1)敏感性最高(91.0%,95%CI 88.3%-93.2%)但特异性最低(17.5%,95%CI 15.8%-19.4%)。机器学习模型预测住院的AUROC为0.71(95%CI 0.65-0.77),最重要的预测问题为家长对治疗需要的判断(Q5)、家长担忧(Q1)和总体状况(Q35)。作者认为家长担忧可作为初始筛查指标,但需结合临床评估和客观指标以避免不必要的升级医疗。

要点

  • 家长中度至高度担忧识别儿童重症敏感性91.0%(95%CI 88.3%-93.2%),特异性仅17.5%(95%CI 15.8%-19.4%),假阳性多。
  • 家长认为孩子需要治疗(Q5)敏感性74.2%(95%CI 70.3%-77.8%),是机器学习模型中最重要的住院预测问题(特征重要性0.141)。
  • 家长感觉孩子特别病重或情况严重(Q15)特异性72.7%(95%CI 70.1%-75.2%),但敏感性仅49.4%(95%CI 44.3%-54.5%)。
  • 机器学习模型预测住院AUROC 0.71(95%CI 0.65-0.77),预测PICU入住AUROC 0.84(95%CI 0.71-0.98),2岁以下发热患儿预测住院AUROC仅0.61(95%CI 0.46-0.76)。
  • 作者认为家长担忧是重要红旗但须结合临床评估解读,用于家长的数字工具在实施前需仔细验证。

适用人群与场景

  • 0至16岁急性疾病患儿及其家长,就诊于芬兰北部一家大学医院儿科急诊,提供初级、二级和三级诊疗服务。
  • 纳入在医生评估前完成问卷的儿童青少年-家长配对;排除无法用芬兰语沟通的家庭。
  • 研究期间8500例就诊,因高峰拥挤或人员不足有6048例未获问卷提供;最终分析2375例。

诊断标准与关键阈值

  • 重症定义为满足以下1项或以上:入住儿科重症监护室(PICU)、住院治疗超过24小时、需要静脉或鼻胃管补液、需要静脉抗生素超过24小时(院内或家中)、氧饱和度低于93%或需要吸入药物治疗、过敏性休克、需要住院或入PICU的中毒、或需要外科干预。

红旗征与不能漏的情况

  • 家长中度至高度担忧(Q1)识别重症敏感性91.0%(95%CI 88.3%-93.2%),但特异性仅17.5%(95%CI 15.8%-19.4%),作者认为家长担忧是重要红旗,须结合临床评估解读以避免不必要的升级医疗。

研究设计与关键结果

  • 诊断准确性研究,纳入2375对儿童青少年-家长配对(平均[SD]年龄5.4[4.6]岁;女性1140例[48.0%]),567例(23.9%)符合重症标准。
  • 家长中度至高度担忧(Q1)敏感性最高(91.0%,95%CI 88.3%-93.2%)但特异性最低(17.5%,95%CI 15.8%-19.4%);2岁以下发热患儿中Q1敏感性93.7%(95%CI 87.4%-97.4%)。
  • 家长认为需要治疗(Q5)敏感性74.2%(95%CI 70.3%-77.8%);家长感觉孩子特别病重(Q2)敏感性55.7%(95%CI 50.9%-60.5%),感觉情况严重(Q15)敏感性49.4%(95%CI 44.3%-54.5%)。
  • 特异性方面,Q15最高(72.7%,95%CI 70.1%-75.2%),Q2为67.7%(95%CI 65.2%-70.1%);具体儿科问题中Q16特异性最高(89.1%,95%CI 87.6%-90.5%)。
  • 机器学习模型预测住院AUROC 0.71(95%CI 0.65-0.77),最重要问题为Q5(特征重要性0.141)、Q1(0.047)、Q35(0.046);预测PICU入住AUROC 0.84(95%CI 0.71-0.98),最重要问题为Q31、Q33、Q18;2岁以下发热患儿预测住院AUROC 0.61(95%CI 0.46-0.76)。
  • 探索性家长评分(Q1、Q5、Q35组合)预测住院AUROC 0.64(95%CI 0.61-0.66),最佳截断值≥10时敏感性40.3%(95%CI 36.2%-44.4%)至66.7%(95%CI 46.0%-83.5%),特异性72.3%(95%CI 70.5%-74.1%)至79.4%(95%CI 77.5%-81.2%);预测PICU入住AUROC 0.73(95%CI 0.68-0.78)。

证据类型、等级与局限

  • 证据类型:诊断准确性研究(诊断队列研究),遵循STARD报告规范。
  • 局限:部分家长未参与研究,可能影响结果的普遍性;未收集家长教育水平或社会经济状况数据;仅纳入芬兰语家庭,结果可能不完全适用于语言多样化人群;分诊护士的简短互动可能轻微影响家长回答,可能轻微高估诊断准确性。

对床旁实践的改变

  • 作者认为家长担忧可作为识别需要紧急评估儿童的初始筛查指标,但因其产生大量假阳性,不能作为繁忙急诊中的独立决策工具。
  • 作者认为家长对年幼儿童的评估具有挑战性,提示针对2岁以下儿童的算法在实施前需要针对性验证。
  • 作者认为用于家长的数字工具在临床决策中使用前必须仔细评估,实施前需仔细验证。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「指南或共识出处」,故未列出这些栏目。
全文中译20 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2026 Feb 17;9(2):e2559998. doi: 10.1001/jamanetworkopen.2025.59998

引言

在髙收入国家,儿童严重感染已变得罕见。1 大多数急性病患儿经历的是自限性疾病,可在家中进行管理。2 尽管如此,儿科急诊科(ED)就诊量仍在增加。3 因此,即使在医疗专业人员中,早期识别儿童严重疾病也具有挑战性。已开发疾病严重程度评分和分诊指南以改善对重症患儿的识别。4,5,6

数字工具可能改善儿童严重疾病的检测。7 尽管虚拟医疗日益普及,但关于家长能否准确评估症状或识别子女严重疾病的数据有限。在初级保健环境中,家长高度担忧以及家长直觉认为“这次疾病不一样”与儿童严重发热性疾病相关。8,9,10,11 患儿家庭与治疗团队之间的协作可改善严重感染的及时识别。12 临床医生应积极倾听家长的担忧和观察,以改善儿科患者的预后。13 迫切需要进一步了解家长的担忧是否能为识别严重疾病增加诊断价值。14

在本研究中,我们评估了家长分诊问题的诊断准确性。我们应用机器学习来识别哪些家长观察指标最能预测因急性疾病就诊于儿科急诊科的儿童和青少年中的严重疾病。

方法

伦理批准与知情同意

芬兰奥卢大学医院伦理委员会(Oulu University Hospital Ethics Committee, Oulu, Finland)审查并批准了本诊断性研究的研究方案。根据机构政策,观察性诊断准确性研究不需要书面知情同意。临床试验注册不需要。本研究按照诊断准确性研究报告标准(STARD)报告指南进行报告。

研究设计与监督

本研究旨在探讨不同家长分诊问题的诊断准确性(图1)。研究队列包括2019年8月至2021年7月期间在芬兰北部一所大学医院儿科急诊科就诊的2375对儿童或青少年-家长配对。该儿科急诊科为0至16岁患有急性疾病的儿童和青少年提供初级、二级和三级护理服务。在研究期间,8500名儿童和青少年就诊于急诊科。除无法用芬兰语交流外,未应用系统性排除标准。由于就诊高峰拥挤或工作人员有限,未向6048名儿童和青少年的家长提供家长问卷。家长拒绝的情况不常见。本分析于2024年5月8日至2025年5月25日进行。这是一项由研究者发起的诊断性队列研究。

图1. 研究流程图。本图展示了研究期间因急性疾病到儿科急诊就诊的儿童和青少年的流程。在8500名儿童和青少年中,6048名患者的父母未被提供父母分诊调查问卷。共招募了2452对儿童或青少年-父母配对,其中45名患者需要立即由医疗急救团队评估,32名患者识别码缺失或问卷未作答。最终分析样本包括2375名儿童和青少年,其中567名患者(23.9%)患有严重疾病,1808名患者(76.1%)患有轻度疾病。MET表示医疗急救团队。 查看原图 ↗

父母分诊问卷

同意参与的家长被建议单独或与伴侣共同完成问卷。问卷包括36个条目,基于儿童或青少年的症状及家长的观察(补充材料1中的附录1)。问卷条目来源于既往医疗保健专业人员用于评估幼儿和青少年的工具(急性疾病观察量表)(补充材料1中的附录2)。其他问题反映了临床相关症状和既往发表的疾病严重程度量表。5,15,16,17,18 家长未获得任何额外指导,且在一次就诊期间仅可完成问卷一次。

严重疾病定义

严重疾病定义为以下1项或多项:入住儿科重症监护病房(PICU)、住院治疗持续超过24小时、需要静脉或鼻胃管补液、需要静脉抗生素治疗超过24小时(住院或在家)、氧饱和度低于93%或需要吸入药物治疗、过敏性休克、需要住院或入住PICU的中毒、或外科干预。我们查阅了患者的医疗记录以获取病史并确定门诊和住院诊疗、再入院及诊断。

样本量与诊断试验准确性

研究开始前,我们估算了达到目标灵敏度和特异度所需的最小样本量。19 我们假设最有效的父母问题应与严重疾病的灵敏度(所需总最小样本量:257名儿童和青少年)和特异度(所需总最小样本量:2310名儿童和青少年)从90%提高至95%相关。因此,我们决定至少招募2300对儿童或青少年-父母配对。我们比较了父母问题在识别急性疾病儿童和青少年严重疾病方面的诊断准确性。我们计算了这些问题在所有儿童和青少年中以及2岁以下发热性疾病儿童中的灵敏度和特异度,并附95%CI。

统计分析

应用机器学习于问卷数据以预测患者结局

我们使用机器学习对问卷数据进行患者结局预测。我们分别分析了2个数据集:所有患者以及2岁以下发热性疾病儿童。我们从分析中剔除了患者特征及非问卷或无关数据。由于某些亚组样本量较小,结局变量被归为简单的“否”和“是”两类。

我们在Python 3.13.3版本(Python软件基金会)中使用scikit-learn(1.3.0版本)进行机器学习分析。20使用Pandas 2.2.3版本在经Excel软件2504版本(微软公司)格式化的Python中操作数据,并使用NumPy 2.2.5版本对重要特征进行重新排序。作为预处理,我们从数据框中移除了除待预测特定结局外的非问卷数据。仅纳入问卷完整填写且无任何缺失值的儿童和青少年进行分析。

数据为分类变量且已编码,因此未进行进一步预处理。数据集被随机分为训练集和测试集,80%的患者进入训练集,20%的患者进入测试集。由于大多数变量的类别规模不均衡,采用分层方式进行拆分,以确保数据拆分过程中各类别的比例一致。

我们训练了5种算法,包括随机森林、线性支持向量分类、梯度提升、K近邻和极端随机树,以确定性能最佳的分类器。使用随机搜索交叉验证进行超参数调优(补充材料1中的e表1),并将性能最佳的参数重新拟合至最终分类器。调优过程中使用100次迭代、10折嵌套交叉验证,随机状态设为123。性能最佳的分类器基于梯度提升算法训练(补充材料1中的e表2)。鉴于本研究的目的是数据挖掘与结局相关的最重要特征,而非构建一个有效分类器来估计未知数据,因此性能最佳的分类器未在新数据集上进行外部验证。

我们绘制了受试者工作特征(ROC)曲线以及分类最重要的十个特征的条形图。在本研究中,ROC曲线下面积(AUROC)值0.5至0.6、>0.6至0.7、>0.7至0.8、>0.8至0.9和>0.9分别被认为基本无准确性、准确性较差、中等良好准确性、良好准确性和极好准确性。所有图形均使用Matplotlib 3.8.4版本绘制。21除使用机器学习外,我们还对家长分诊问题进行了向前逐步多因素logistic回归分析以预测重症(补充材料1中的e表3)。

家长评分识别重症的探索性分析

为评估组合关键条目是否与超越单问题性能的更好判别能力相关,我们随后根据机器学习分析中特征重要性最高的3个家长问题(Q1、Q5和Q35)构建了一个简单评分。使用ROC曲线和AUROC值及95%CI评估总分值的判别能力(补充材料1中的e表3和e表4)。

结果

患者特征

共有2375对儿童或青少年及其父母在医生评估前完成了问卷(儿童或青少年平均[SD]年龄为5.4[4.6]岁;女性1140名[48.0%])(图1;表1)。在接触的2452个家庭中,77个因需要立即救治(45个家庭)或问卷空白(32个家庭)而被排除。在2375名纳入患者中,共有841名儿童和青少年(35.4%)年龄小于2岁,493名儿童和青少年(20.8%)存在基础疾病,最常见的是过敏或哮喘。在769名儿童和青少年(32.4%)中,症状在家庭到达急诊科后24小时内开始。大多数儿童和青少年(1056名患者[44.5%])为无转诊自行就诊患者,而643名患者(27.1%)经初级保健医生转诊后就诊,617名患者(26.0%)在致电电话分诊服务后就诊,56名患者(2.4%)由急救救护车送达。总体而言,537名儿童和青少年(22.6%)被收入院,28名(1.2%)收入PICU。最常见的诊断为上呼吸道感染(271名患者[11.4%])、腹痛(148名患者[6.2%])、不明原因发热(144名患者[6.1%])以及毛细支气管炎或喘息(125名患者[5.3%])。

表1. 患者基线特征 查看原表 ↗

患有严重疾病的儿童和青少年

共有567名儿童和青少年(23.9%)至少符合1项严重疾病标准。所使用的严重疾病标准如下:收入PICU(28名患者)、住院治疗超过24小时(369名患者)、需要静脉或鼻胃管补液(148名患者)、需要静脉抗生素治疗超过24小时(140名患者)、伴血氧饱和度低于93%的呼吸窘迫(45名患者)、需要吸入药物治疗(190名患者)、过敏性休克(9名患者)、需要住院的中毒(2名患者)以及需要手术治疗(43名患者)。

家长分诊问题的应答率

大多数家长力求完成整份问卷,2265名家长(95.4%)回答了最后一个问题(图2和表2)。应答率最高的问题是关于家长担忧程度(Q1;2358名家长[99.3%])(图2和表2)。大多数家长就其孩子是否需要治疗发表了意见(Q5;2267名家长[95.5%]),以及他们是否认为自己的孩子状况良好、足以像平常一样玩耍和社交(Q4;2347名家长[98.8%])。相比之下,家长难以回答其孩子是否病情异常或严重,回答这些问题的人数为1612名家长(67.9%;Q2)至1861名家长(78.4%;Q15)。关于儿童或青少年的具体问题,如进食时疲倦(Q14;1940名家长[81.7%])、对父母的关注(Q16;2008名家长[84.5%])、对环境的反应(Q33;2078名家长[87.5%])以及哭闹模式(Q12;2106名家长[88.7%]),应答率较低。

图2. 家长分诊问题识别严重疾病的应答率、灵敏度和特异度森林图。灵敏度和特异度以95%CI表示。对问题的“是”回答被视为阳性检测结果。AIOS表示急性疾病观察量表。 查看原图 ↗
表2. 在儿科急诊伴有发热的2岁以下儿童中识别严重急性疾病的应答率、灵敏度和特异度 查看原表 ↗

直觉感受问题的灵敏度

在单个问题中,中至高度父母担忧(Q1)对所有儿童和青少年识别重症的敏感度最高(91.0%;95% CI,88.3%-93.2%),对年龄最小者亦最高(93.7%;95% CI,87.4%-97.4%)(表2,图2)。父母对子女是否需要治疗的意见(Q5)敏感度为74.2%(95% CI,70.3%-77.8%)。询问父母是否感觉有严重问题(Q15)以及儿童或青少年是否异常患病(Q2)的问题敏感度较低,分别为49.4%(95% CI,44.3%-54.5%)和55.7%(95% CI,50.9%-60.5%)。

特异性儿科问题的敏感度

特异性儿科问题在识别儿童和青少年重症方面敏感度较低。此类问题的敏感度范围为17.8%(95% CI,14.7%-21.2%)(Q16)至57.8%(95% CI,53.4%-61.9%)(Q3)(图2)。在特异性儿科问题中,敏感度最高的是Q3(“孩子是否明显疲倦?”;57.8%;95% CI,53.4%-61.9%)和Q4(“您的孩子是否状态良好,能够正常玩耍和社交?”;57.6%;95% CI,53.4%-61.7%)。特异性儿科问题在发热疾病的幼儿中表现较好,敏感度范围为27.3%(95% CI,19.2%-36.6%)(Q14)至76.4%(95% CI,67.3%-83.9%)(Q12)(表2)。

直觉感受问题的特异度

在直觉感受问题中,Q15(“您是否觉得您的孩子特别患病或有什么严重问题?”)对重症的特异度最佳,为72.7%(95% CI,70.1%-75.2%)(图2),Q2(“孩子是否异常患病?”)的特异度为67.7%(95% CI,65.2%-70.1%)。父母担忧(Q1)尽管敏感度高,但特异度最低(17.5%;95% CI,15.8%-19.4%)。

单个儿科问题的特异度

在特异性儿科问题中,Q16(“当您与孩子说话时,他/她是否比平时更少关注您?”)特异度最高(89.1%;95% CI,87.6%-90.5%)(图2)。Q14(“您的孩子在进食时是否变得疲倦或精疲力竭?”;85.4%;95% CI,83.7%-87.1%)、Q32(“您的孩子是否比平时更嗜睡?”;85.0%;95% CI,83.3%-86.7%)和Q36(“您填写本问卷时您的孩子是否哭闹过?”;85.4%;95% CI,83.6%-87.0%)的特异度约为85%。Q35由父母评估孩子的健康状况,其特异度最低(43.6%;95% CI,41.2%-46.0%)。

预测重症的机器学习和逻辑回归

在使用所有父母问题的机器学习分析中,预测住院的准确度中等(AUROC,0.71;95% CI,0.65-0.77)。对模型预测最重要的问题是Q5(父母对治疗需要的意见;特征重要性评分,0.141),其次是Q1(父母担忧;特征重要性评分,0.047)和Q35(一般状况;特征重要性评分,0.046)(图3A-B)。预测入住ICU的准确度相似(AUROC,0.84;95% CI,0.71-0.98),其中Q31(皮肤和一般外观)是最重要的问题,其次是Q33(对环境的反应)和Q18(对治疗的反应)(图3C-D)。在2岁以下发热疾病患儿中,机器学习预测住院的表现较差(AUROC,0.61;95% CI,0.46-0.76)(图3E-F)。

在 logistic 回归分析中(补充材料 1 中的 eTable 3),使用所有家长问题,以下家长问题与住院相关:儿童或青少年看起来异常病重(Q2)、需要紧急治疗(Q5)、或对家长的关注减少(Q16),或家长感觉有严重问题(Q15)。关于儿童或青少年玩耍和社交能力(Q4)或看起来异常病重(Q2)以及家长担忧(Q15)的家长问题与 PICU 入住相关。

图 3。基于问卷数据使用梯度提升算法的家长评估特征重要性的受试者工作特征(ROC)曲线和条形图。对每个估计绘制 ROC 曲线,y 轴为真阳性率或灵敏度,x 轴为假阳性率或 1 − 特异度。此外,每个估计中问卷最重要的 10 个问题以条形图描绘,x 轴为重要性评分。AUROC 表示受试者工作特征曲线下面积;PICU,儿科重症监护病房。 查看原图 ↗

识别严重疾病的探索性家长评分

当结合机器学习模型中最重要的 3 个问题(Q1、Q5 和 Q35)时,探索性家长评分在识别需要住院的儿童和青少年方面显示出较差的诊断测试性能,AUROC 为 0.64(95% CI,0.61-0.66)(补充材料 1 中的 eTable 4)。对于需要住院的疾病,在最佳截断值(评分 ≥10)下,灵敏度从 40.3%(95% CI,36.2%-44.4%)到 66.7%(95% CI,46.0%-83.5%)不等,特异度从 72.3%(95% CI,70.5%-74.1%)到 79.4%(95% CI,77.5%-81.2%)不等。对于 PICU 入住,AUROC 为 0.73(95% CI,0.68-0.78);最佳截断值 10 的灵敏度从 66.7%(95% CI,46.0%-83.5%)到 77.8%(95% CI,57.7%-91.4%)不等,特异度从 62.7%(95% CI,60.7%-64.7%)到 75.2%(95% CI,73.4%-76.9%)不等。

讨论

在这项涉及儿科急诊科 2375 对儿童或青少年-家长配对的诊断研究中,使用到达时完成的简单问卷评估了家长识别其孩子严重疾病的能力。评估家长直觉的问题在识别其孩子严重急性疾病方面表现出高灵敏度。因此,在我们的机器学习分析中,预测严重疾病最重要的家长观察是那些关于儿童或青少年一般状况、感知需要紧急医疗护理以及家长担忧的问题。然而,具有高灵敏度的家长问题的特异度较低。当在机器学习模型或探索性家长评分中组合一组问题时,这与较差的总体诊断性能相关。

识别严重急性疾病在幼儿中较为困难。22 儿童和青少年的严重急性疾病通常以非特异性表现开始,随后进展为危及生命的状况。23 大多数分析家长对急性病患儿评估的研究采用的是定性设计,或仅纳入发热患儿。9,10,24,25 本研究结果与既往初级保健研究一致,表明家长的直觉感受是儿童或青少年严重疾病的警示信号。8,9 更重要的是,我们的研究表明,尽管家长担忧或直觉感受相关问题在识别严重疾病方面具有极佳的敏感性,但大多数家长问题的特异性较低。这与机器学习模型或探索性家长评分中通过AUROC测量的较差诊断性能相关。这些发现提示,虽然家长担忧能够识别可能需要紧急评估的儿童和青少年,但也会产生许多假阳性,因此不能在繁忙的急诊科环境中作为独立的决策工具使用。

疾病严重程度评分系统已被开发用于预测急性病患儿的严重疾病。4,5,6,26 也有一些努力试图创建供家长使用的评分系统。11,27 据报道,家长甚至能在护士和医生之前识别出其孩子的严重疾病。28 我们的研究表明,如果家庭面对一套善意但过于复杂的问题,这种宝贵的家长能力可能会丧失。因此,强调简单家长问题的方法可能会增强对患有严重疾病的儿童和青少年的识别。

医疗保健的数字化有可能改变儿童严重疾病的管理。在此前一项涉及294名流感样症状儿童的试点验证研究29中,家长使用基于网络的决策支持工具来确定其孩子是否需要在急诊科立即就医。该算法的敏感性较高,为93%,但特异性较差,为13%。在另一项研究30中,126名家长在初级保健环境中使用了智能手机应用程序“我应该去看医生吗”;与分诊护士的建议相比,该应用程序的敏感性和特异性分别为84%和74%。机器学习目前被认为可应用于儿科护理的许多方面,包括临床决策。31 如果数据集有效且可靠,机器学习是一种有效工具。我们的结果表明,关于患有急性疾病的儿童和青少年的家长分诊问题在用于临床决策之前必须经过仔细评估。值得注意的是,在我们的研究中,家长对幼儿的评估似乎具有挑战性。这提示针对2岁以下儿童的算法在实施前需要有针对性的验证。

优势与局限性

本研究具有多项优势。我们在2个流行病学年期间招募了一个在到达儿科急诊科时的大型儿童和青少年队列。该队列代表了不同年龄组,并包含轻度和重度疾病,反映了临床实践中的急诊分诊。我们审查了所有患者的病历,以获得准确的病史并确定其健康结局。我们使用多变量分析和机器学习来评估某些问题组合是否与更好的可预测性相关。

本研究也存在局限性。尽管我们达到了预设样本量,但部分家长未参与研究,这可能影响结果的普适性。我们未收集家长教育水平或社会经济状况的数据。然而,一项先前的研究32显示,家长年龄和教育水平与其预测子女严重细菌感染的能力无关。亲子互动不良(本研究未测量)已被证明与临床判断特异性低和资源过度使用相关。33,34此外,由于仅纳入芬兰语家庭,我们的发现可能无法完全推广至语言多样化人群。另外,尽管参考标准(如住院、PICU入住和需要静脉治疗)是独立于问卷确定的,但简短的分诊互动(如分诊护士的评论或观察)可能影响了部分家长在填写问卷时对子女病情的解读。这种微妙的影响不太可能系统性地影响临床决策,但可能对家长的回答产生轻微影响,从而可能高估诊断准确性。

结论

在这项针对急诊科就诊的急性疾病儿童和青少年的诊断研究中,家长担忧是严重疾病的高灵敏度指标,但特异性低。虽然家长担忧是一个重要的警示信号,但应结合临床评估进行解读,以避免不必要的医疗升级。专为家长使用的数字工具在实施前需要仔细验证。

参考来源

  1. Pöyry H, Turunen J, Ritola E, et al. Parental Ability to Identify Severe Illnesses in Their Children. JAMA Netw Open. 2026. PMID: 41701491. doi:10.1001/jamanetworkopen.2025.59998
  2. 全文:PMC12914493(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12914493/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。