文献速递重症综合管理与镇静镇痛

基于手动记录生命体征分布的手动百分位早期预警评分(mCEWS)的推导与验证

Manual centile-based early warning scores derived from statistical distributions of observational vital-sign data.
PubMed 文献 · Resuscitation · 2018-06-04
一句话结论基于手动记录生命体征数据推导的mCEWS在验证集上AUC为0.868,与NEWS的0.867相当,均优于基于连续监测数据的cCEWS的0.808。

研究利用2014年3月至2017年5月牛津大学医院NHS信托四家医院成人住院患者的手动记录生命体征数据,以无监督统计方法(核密度估计)从开发集(301,644条观察,12,153次入院)推导各生命体征的百分位阈值,构建手动百分位早期预警评分(mCEWS)。在独立验证集(1,459,422条观察,53,395次入院)中评估其对24小时内心脏骤停、非计划ICU入住或死亡的复合结局的判别能力。结果显示mCEWS(含吸氧加分)AUC为0.868(95%CI 0.864-0.872),与NEWS的0.867(0.863-0.871)相当,优于连续监测数据推导的cCEWS的0.808(0.804-0.812);性能提升主要归因于呼吸频率阈值的差异。作者认为EWS性能高度依赖于推导所用数据库,无监督统计方法可快速开发候选EWS系统。

要点

  • 验证集中mCEWS(含吸氧额外2分)对24小时内复合结局的AUC为0.868(95%CI 0.864-0.872),与NEWS的0.867(0.863-0.871)相当。
  • 基于连续监测数据的cCEWS在同一验证集上AUC为0.808(95%CI 0.804-0.812),低于mCEWS。
  • mCEWS与cCEWS的性能差异主要由呼吸频率阈值不同解释(替换RR阈值使连续CEWS性能变化约2%)。
  • mCEWS不含吸氧加分时AUC为0.836(0.832-0.840),加入吸氧额外2分后升至0.868。
  • 各EWS系统对复合结局的AUC随观察后时间窗延长(12h、24h、48h)而下降。

适用人群与场景

  • 成人(年龄至少16岁)住院患者,数据来自牛津大学医院NHS信托四家医院(John Radcliffe医院、Horton General医院、Churchill医院、Nuffield Orthopaedic医院)的普通病房。
  • 排除:入院专科为姑息医学的入院;入院当天午夜前活着出院的患者;ICU期间的观察数据不纳入。
  • 开发集:2014年3月24日至2015年9月30日,12,153次入院,301,644条生命体征观察,中位年龄63岁(IQR 49-73),女性49.2%。
  • 验证集:2015年10月1日至2017年5月1日的急诊入院,53,395次入院,1,459,422条生命体征观察,中位年龄68岁(IQR 48-81),女性51.4%。

诊断标准与关键阈值

  • mCEWS评分规则:对每个生命体征,低值阈值设为对应第10、5、1百分位的整数值(分别赋分1、2、3分),高值阈值设为对应第90、95、99百分位的整数值(分别赋分1、2、3分)。
  • SpO2为单侧分布,低值阈值设为对应第20、10、2百分位的整数值(分别赋分1、2、3分)。
  • 体温:低值阈值设为对应第10和1百分位的保留一位小数的值(赋分1和3分),高值阈值设为对应第90和99百分位的保留一位小数的值(赋分1和3分)。
  • 附加评分:若测量时患者接受 supplemental oxygen support(任何吸氧支持),额外加2分(与NEWS评分系统相同)。
  • 评估结局:给定生命体征观察后24小时内发生心脏骤停、非计划ICU入住或死亡(复合主要不良事件);若同一患者多次事件,仅取首次事件。

研究设计与关键结果

  • 研究类型:基于医院数据库的回顾性分析,推导并验证早期预警评分;开发集与验证集来自不同时间段。
  • 开发集:301,644条手动记录生命体征观察,12,153次入院,中位年龄63岁(IQR 49-73),女性49.2%,时间段2014年3月24日至2015年9月30日。
  • 验证集:1,459,422条生命体征观察,53,395次入院,中位年龄68岁(IQR 48-81),女性51.4%,时间段2015年10月1日至2017年5月1日;验证集中发生复合结局的入院数为3,688次,约占全部入院的7%。
  • 主要终点:mCEWS(含吸氧加分)对24小时内复合结局的AUC为0.868(95%CI 0.864-0.872);NEWS的AUC为0.867(95%CI 0.863-0.871);cCEWS的AUC为0.808(95%CI 0.804-0.812)。
  • mCEWS不含吸氧加分时AUC为0.836(95%CI 0.832-0.840)。
  • 其他22个EWS系统的AUC(95%CI)范围为0.768(0.764-0.773)至0.865(0.861-0.869)。
  • 将连续CEWS中各生命体征阈值逐一替换为手动数据推导的阈值,呼吸频率阈值替换使连续CEWS的AUC变化约2%。
  • 各评分系统对复合结局的AUC随观察后时间窗(12h、24h、48h)延长而下降。

证据类型、等级与局限

  • 证据类型:基于医院电子记录数据库的回顾性分析(开发集与验证集),非随机对照试验。
  • 局限:研究基于对住院患者的回顾性分析。
  • 局限:评估各EWS系统时使用了同一患者的重复观察集,依赖于各观察集计算的EWS值相互独立的假设,该假设在实际中可能不成立(即某一时间点的生命体征测量可能与既往测量相关)。
  • 局限:推导连续CEWS阈值的数据集与推导及验证手动CEWS阈值的数据集不同,前者来自不同医院且早约十年。
  • 局限:作者假设呼吸频率记录方法差异(手动CEWS计数胸壁运动 vs 连续CEWS从电子患者监护仪自动记录RR测量值)解释了两种评分系统RR阈值的差异,但不能排除其他因素提供部分解释。
  • 作者指出:需要更多工作来确定患者监护仪记录的生命体征与手动记录的生命体征之间是否存在系统性差异。
  • 作者指出:若将使用手动记录生命体征数据库设计的早期预警评分用于连续记录的生命体征,需谨慎。

对床旁实践的改变

  • 作者认为EWS的性能高度依赖于推导所用数据库;使用手动记录生命体征数据推导的mCEWS在验证集上AUC为0.868,与NEWS的0.867相当。
  • 作者指出将吸氧作为恶化标志纳入评分系统可能存在问题,因不同医院单元吸氧支持方案常不同,且吸氧是临床干预结果,会直接影响所测生理变量( certainly on SpO2);是否纳入评分系统应取决于该医院环境采用的临床方案。
  • 作者指出基于手动记录生命体征数据库设计的EWS若用于连续记录的生命体征需谨慎。
  • 作者认为其无监督统计方法可快速开发针对特定患者群体(如中度至重度COPD患者,当前EWS报告在该群体中表现较差)的候选EWS系统。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译11 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:Resuscitation. 2018 Aug;129:55–60. doi: 10.1016/j.resuscitation.2018.06.003

引言

基于生命体征的早期预警评分(EWS)系统依赖数据驱动方法,为每个生理变量所赋分值推导阈值 [[1], [2], [3], [4]]。尽管这些系统大多基于手工采集的大型生命体征数据库,我们此前使用连续记录的生命体征大型数据集推导了原始的基于百分位的EWS(CEWS)[2]。后者使用了包含来自800余例连接床旁监护仪的急重症住院患者、共64,622小时生命体征数据的大型数据集,以研究各生命体征的统计分布。据此,设计了一个聚合的基于百分位的报警系统,每个生命体征设有七个风险等级带(即分值0、1、2和3,与其他系统所用相同 [1,3,4])。随后,若观测值出现在生命体征分布的极端处,则被视为“异常”;即低值阈值设为分别对应第10、第5和第1百分位的值,高值阈值设为分别对应第90、第95和第99百分位的整数值,分别对应分值1、2和3。使用该方法、基于连续监测数据推导的百分位EWS阈值与其他EWS系统中的阈值不同。特别是呼吸频率(RR)高值阈值存在显著差异 [2]。

多项研究报道了医院环境中连续采集与手工采集的生命体征数据之间存在根本性差异 [[5], [6], [7], [8], [9], [10]];因此,我们原始的基于百分位的EWS不同于使用手工采集生命体征值设计的其他系统,并不令人意外。本文中,我们研究了当百分位来自手工记录数据时,基于百分位系统中各生命体征阈值的变化。随后,我们报告了手动CEWS系统与其他早期预警评分相比,在来自住院患者的大型生命体征数据库上的性能。

方法

本研究获得了牛津研究伦理委员会(REC参考号:16/SC/0264)的健康研究管理局批准。

数据收集

从2014年3月10日或之后入住牛津大学医院NHS信托基金会、并于2017年5月1日或之前出院的成人(年龄至少16岁)中收集生命体征观察数据库。临床工作人员在普通病房床旁使用我们的电子通知与记录系统(SEND)记录患者的生命体征 [11,12]。记录以下数据:观察日期和时间(由SEND自动记录);手动测量的心率、收缩压和舒张压、呼吸频率、体温、使用警觉-言语-疼痛-无反应(AVPU)量表的神经状态、外周血氧饱和度(SpO2);以及测量时患者是否接受补充氧支持的记录。这不包括患者在ICU期间进行的观察。该数据库还包含行政和患者人口学信息,以及患者死亡、心脏骤停、非预期ICU入住及其相应时间,这些信息从患者管理系统和ICU临床信息系统中识别。

本研究考虑了牛津组织旗下四家医院的所有入院患者:约翰·拉德克利夫医院——一家大型大学医院,霍顿综合医院——一家小型地区综合医院,丘吉尔医院——一家大型大学癌症中心,以及纳菲尔德骨科医院。仅考虑年龄至少16岁的成年入院患者,且至少记录有一套完整的电子生命体征。若入院科室为姑息医学,则该次入院被排除在分析之外。入院当天午夜前活着出院的患者数据被排除。

从该数据库中提取了两个数据集。第一个数据集即“开发”数据集,包含2014年3月24日至2015年9月30日期间从12,153次入院(中位年龄(IQR):63(49–73);49.2%为女性)中收集的301,644次生命体征观测(见表1)。该数据集用于使用我们的百分位方法为每个单独的生命体征估算新的阈值,但本次使用的是手工记录的测量值(而非自动测量的数值)。我们使用第二个(“验证”)数据集来评估我们的早期预警评分(EWS)系统的性能,该数据集包含2015年10月1日至2017年5月1日期间急诊入院患者的临床数据。第二个数据集包含来自53,395次入院的1,459,422次生命体征观测,中位年龄(IQR)68(48–81),51.4%为女性(详见表1)。评估前进行了数据预处理。缺失超过两项测量值或生理学上不合理(即记录错误)的生命体征组被排除。对于缺失一项或两项测量值的观测组,缺失值用相应测量的人群均值(来自开发数据集)替代。我们注意到,通过用人群均值替代缺失值,我们假设该测量值对总体早期预警评分无贡献,因为分配给该特定变量的评分为0。

表1 纳入开发数据集和验证数据集的入院患者人口学特征描述。Charlson合并症指数和外科专科的定义依据NHS Digital提供的方法学和规范确定。连续变量以中位数(IQR)[均值]表示。IQR指四分位距。 查看原表 ↗

方法:从生命体征数据库估算阈值

使用观察集开发数据集(其中包括生命体征的人工测量值),并采用Tarassenko等人[2]提出的相同的无监督统计方法,我们获得了除SpO2外每种生命体征的下阈值和上阈值的新值。为了最大限度地利用数据集对分布尾部百分位数进行稳健估计,使用基于核的密度估计器获得了每种生命体征分布的平滑估计。高斯核的带宽使用正态分布近似计算,公式为,其中为样本的标准差[13]。利用从开发数据集估计的每种生命体征所得的(平滑)累积分布,然后将下阈值设置为对应于第10、第5和第1百分位数的整数值,上阈值设置为对应于第90、第95和第99百分位数的整数值(如图1所示),分别对应评分为1、2和3。换言之,当生命体征低于第1百分位数或高于第99百分位数时生成评分3,评分2对应于生命体征位于第1至第5百分位数之间或第95至第99百分位数之间,评分1对应于生命体征位于第5至第10百分位数之间或第90至第95百分位数之间。对于SpO2,由于其分布为单侧分布,下阈值设置为对应于第20、第10和第2百分位数的整数值,分别对应评分为1、2和3(见补充材料-附录A)。对于体温,鉴于下百分位数与上百分位数之间可能值的范围非常小,下阈值设置为对应于第10和第1百分位数的保留一位小数的值,上阈值设置为对应于第90和第99百分位数的保留一位小数的值,分别对应评分为1和3。对该评分系统的一项进一步修改进行了评估:如果患者在测量时接受了补充氧气支持,则额外给予评分2,与NEWS评分系统[3]相同。

图1 由开发数据集计算的呼吸频率的归一化直方图(左)和累积分布函数(cdf)的表示,该数据集包括从入院患者电子采集的呼吸频率人工测量值。对于左侧图表,中央垂直线表示数据的均值,两侧的两条垂直(虚线)线对应一个标准差。对于右侧图表,第1、第5、第10、第90、第95和第99百分位数显示在纵轴上,相应的阈值显示在横轴上。 查看原图 ↗

性能评估

我们使用生命体征验证数据集(独立于用于计算手动CEWS阈值的发展数据集)评估EWS性能。我们使用心脏骤停、非预期重症监护病房(ICU)入住或死亡(归类为主要不良事件)的复合结局评估判别能力,每项均在给定生命体征观察后24小时内发生,如既往研究[1,3,4]所做。当存在多个结局时(例如,心脏骤停后出现非预期ICU入住),仅使用首个发生的事件进行分析。因此,首次事件之后进行的观察集被排除在本分析之外。验证集中具有复合结局的患者入院数为3,688,约占入院总数的7%(见表1)。我们还评估了评分系统对三个单独结局各自的性能。

我们首先在验证数据集上评估了连续CEWS系统[2]的性能。为确定哪些生命体征导致手动CEWS性能差异,我们随后依次评估了替换每个生命体征的手动推导阈值(保持其余生命体征的连续推导阈值不变)的影响。性能使用复合结局的受试者工作特征曲线下面积(AUC)[14]评估,通过确定百分比变化,如下所示:其中是连续百分位数EWS的性能,对应于依次将每个生命体征i的新手动阈值替换后的连续百分位数EWS系统的AUC。

我们随后评估了手动百分位数EWS系统(使用所有生命体征的新阈值以及使用氧支持的额外2分)的性能,并将其与文献中发表的其他EWS系统进行比较。除AUC指标外,我们按照越来越多文献[[15], [16], [17]]的建议,确定了精确率-召回率曲线下面积(AUC-PR)。精确率-召回率曲线是灵敏度(召回率)对阳性预测值(PPV,或精确率)的图,该指标与警报系统对临床医生施加的操作后果和工作量/临床负担相关[16]。

我们还使用辅助推导的结局变量评估了EWS系统的性能(由AUC给出),这些变量包括观察集后12或48小时内复合不良事件的发生。

结果

我们的发展数据集和验证数据集中生命体征的特征见表1。图1显示了手动采集的呼吸频率的直方图(归一化使曲线下面积为1.0)和累积分布函数的示例(其他生命体征的等效图,包括连续采集的生命体征的图,见补充材料-附录A,其基于我们之前的结果[2])。连续CEWS与其手动版本之间评分的差异见表2。

图2展示了当基于连续百分位的早期预警评分(EWS)中每个生命体征的阈值依次被从手动数据集中得出的等效阈值替换时,其性能(以AUC衡量)的变化。改变呼吸频率(RR)的阈值会使原始基于连续百分位的EWS系统性能产生约2%的百分比变化。

不同EWS系统在验证数据集上的性能见表3。我们的连续CEWS在验证数据集上,以一次观察集后24小时内主要不良事件复合结局为指标,AUC为0.808(95% CI,0.804–0.812)。不含补充氧气的手动CEWS的AUC为0.836(0.832–0.840)。当纳入补充氧气时,手动CEWS的AUC为0.868(0.864–0.872),与NEWS的0.867(0.863–0.871)相当。如果考虑AUC-PR值,也观察到相同的趋势(性能提高)。其他EWS使用复合结局的AUC(95% CI)范围为0.768(0.764–0.773)[31]至0.865(0.861–0.869)[4](所有EWS的ROC曲线和精确率-召回率曲线见补充材料-附录B)。使用每个单独结局评估EWS的结果见补充材料-附录C。

图3展示了不同评分系统在观察集后T=12、24或48小时内发生主要不良事件复合结局时的性能。所有评分系统的性能随T的变化趋势一致,随着T增加而下降。

表2 基于百分位的EWS中每个生命体征权重的取值范围,该EWS分别来源于使用床旁监护仪连续采集的生命体征数据,以及手动基于百分位的EWS系统。*吸气氧(Inspired O2),表示使用任何氧气支持,作为EWS系统的单独附加项进行了研究。 查看原表 ↗
图2 当每个生命体征的阈值被从手动记录测量分布中得出的等效阈值替换时,连续CEWS性能(以AUC给出)的百分比变化(%),其他四个生命体征的阈值保持不变。 查看原图 ↗
表3 手动基于百分位的EWS(CEWS)和另外22个早期预警评分(EWS)系统的受试者工作特征曲线下面积(AUC)和精确率-召回率曲线下面积(AUC-PR),以及相应的95%置信区间(CI),以观察集后24小时内心脏骤停、非计划ICU入住或死亡作为(复合)结局。EWS编号(EWS no.)指手稿其他图表和章节中使用的编号。结果按AUC降序呈现,与手稿中讨论的方法学相关的评分结果以高亮显示。[*]表示具有补充氧气支持附加评分的系统。 查看原表 ↗
图3 手动CEWS和另外22个EWS系统在给定观察集后{12、24和48}小时内心脏骤停、非计划ICU入住或死亡复合结局的AUC值。系统编号(横轴)与表3中使用的编号对应。符号“*”表示具有补充氧气支持附加评分的系统。 查看原图 ↗

讨论

我们最初基于百分位的早期预警评分(EWS)系统是利用从床旁监护仪连续获取的生命体征数据开发的。我们采用统计学方法确定每个生理变量的阈值,并据此计算评分。在本研究中,我们应用相同的统计学方法,使用的是由临床工作人员手动获取的生命体征数据,即目前普通病房临床实践中记录生命体征的方法。连续CEWS与我们的新型手动CEWS之间的性能提升主要由呼吸频率阈值的差异所解释。尽管从住院患者手动获取的呼吸频率中位值与从患者监护仪获取的连续数据中的中位值相似,但其分布,尤其是尾部,存在很大差异(见补充材料:附录A),因此阈值也不同,尤其是呼吸频率的上限阈值(呼吸过速)。采用这些阈值,手动CEWS在AUC指标测量下具有更优的判别性能。在一个独立的验证数据集上,手动CEWS——一种无监督的基于百分位的EWS开发方法——产生的AUC值至少与有监督方法(如NEWS)相当,后者在开发过程中使用了患者结局信息。

连续CEWS与手动CEWS之间的性能差异表明,开发EWS所使用的数据库会影响性能。两个训练数据库之间的关键差异在于,连续CEWS的生命体征是(连续)电子记录的。既往研究[6,8]已显示临床工作人员临床测量与电子监护仪之间存在差异。

我们还发现与纳入补充氧疗相关的明显效应。性能最佳的EWS系统(在验证数据集上评估)对患者接受补充氧疗支持时获取的观察数据集纳入额外评分。然而我们注意到,将这一额外信息作为识别病情恶化的标志物可能存在问题,因为不同医院单元在使用补充氧疗支持方面往往有不同的方案。其次,氧疗支持的使用是临床干预的结果,这会直接影响该期间测量的生理变量(当然是SpO2)。尽管氧疗支持的使用提高了EWS系统预测主要不良事件的能力,但其纳入评分系统应取决于该医院环境中采用的临床方案。

通过本文所述对我们基于百分位的早期预警评分(EWS)所做的修改,所提出系统的性能在所有考虑的结局指标上与NEWS相当(表3,补充材料—附录C)。我们基于百分位的方法基于无监督的统计方法学,而非用于估计NEWS阈值的监督方法。我们的方法可以轻松扩展以纳入新变量,而无需重新训练模型,且相同的统计框架可应用于亚人群(例如,患有呼吸系统疾病如慢性阻塞性肺疾病(COPD)的患者)或其他人群(例如,儿科患者)。这种无监督方法是构建EWS系统方法学中的关键区别点,因为大多数现有系统是根据其在T = 24小时识别复合患者结局的能力来优化的。我们的方法假设:如果观测值位于从代表性住院高危患者集合中获取的生命体征分布的极端位置,则应将其视为异常。

我们的研究存在局限性。首先是该研究基于对住院患者的回顾性分析。其次,对于本文所考虑的各种EWS系统的评估,我们在分析中使用了同一患者的重复观测集。这依赖于以下假设:从该患者每个观测集计算出的EWS值是独立的(这是评估EWS系统时的通常假设),而这一假设在实践中可能不成立。(即,某一时间点的生命体征测量值可能与先前的测量值相关。)然而,我们注意到,在评估EWS系统的判别性能时,这一直是文献中报道的所有研究的标准方法学[1,3,4,36]。最后,我们推导连续CEWS评分阈值所用的数据集与推导和验证手动CEWS阈值所用的数据集不同;前者是十年前从不同医院获取的。我们假设,呼吸频率记录方法的差异(手动CEWS中计数胸壁运动 vs. 连续CEWS中从电子患者监护仪自动记录RR测量值)解释了两种评分系统之间RR阈值的差异。然而,我们不能排除其他因素可能提供部分解释的可能性。

尽管存在上述局限性,本研究的结果是明确的。我们的无监督、数据驱动方法允许在出现新的代表性数据集时对模型进行简单调整。数据驱动的EWS系统不仅应考虑用于构建这些系统的不同数据库,还应考虑这些数据库中存储的生理变量的不同记录方法。

需要开展更多工作来确定患者监护仪记录的生命体征与人工记录的生命体征之间是否存在系统性差异。如果将基于人工记录生命体征数据库设计的早期预警评分用于连续记录的生命体征,则需谨慎行事。我们的统计方法还可用于快速开发针对特定患者群体的候选早期预警评分(EWS)系统,例如中度至重度慢性阻塞性肺疾病(COPD)患者,据报道现有早期预警评分在该群体中表现较差[37,38]。

结论

早期预警评分(EWS)的表现高度依赖于其衍生所基于的数据库。我们的无监督统计方法学能够快速开发候选EWS系统。

伦理批准和试验注册

已获得卫生研究管理局的批准,可从牛津研究伦理委员会获取本研究使用的数据(REC参考编号:16/SC/0264)。

资助

本出版物呈现的是由健康创新挑战基金(HICF-R9-524;WT-103703/Z/14/Z)委托开展的独立研究,该基金是卫生部与惠康信托之间的平行资助伙伴关系。本出版物中表达的观点为作者的观点,不一定代表卫生部或惠康信托的观点。

利益冲突

PJW和LT共同开发了电子通知与文档系统(SEND),Drayson Health已购买了该系统的独家许可。该公司与牛津大学签订了研究协议,并与牛津大学医院NHS信托基金会和牛津大学签订了特许权使用费协议。Drayson Health已向LT支付顾问费,作为其战略咨询委员会成员,并可能在未来向PJW支付个人费用。DAC最近被任命为Drayson Health的研究总监,未来将因该职位获得顾问费。

参考来源

  1. Watkinson PJ, Pimentel MAF, Clifton DA, et al. Manual centile-based early warning scores derived from statistical distributions of observational vital-sign data. Resuscitation. 2018. PMID: 29879432. doi:10.1016/j.resuscitation.2018.06.003
  2. 全文:PMC6062656(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6062656/

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。