文献速递复苏、休克与脓毒症消化、代谢与肾脏急症

成人到达急诊科时院前脓毒症识别SEPSIS评分的推导与内部验证

Derivation and internal validation of the screening to enhance prehospital identification of sepsis (SEPSIS) score in adults on arrival at the emergency department.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2019-07-16
一句话结论SEPSIS评分(年龄、呼吸频率、SpO2、心率、收缩压、体温、意识)在成人非创伤非心脏骤停院前人群中内部验证AUROC 0.86,但需外部验证。

本研究利用2013年7月1日至2014年6月30日期间由西米德兰兹救护车服务NHS基金会信托转运至皇家斯托克大学医院NHS信托的成人非创伤、非精神健康、非心脏骤停患者回顾性队列(n=38483,链接成功33289例, eligible 22945例),推导并内部验证院前脓毒症筛查工具SEPSIS评分。评分包含年龄、呼吸频率、外周血氧饱和度、心率、收缩压、体温和意识水平(所有变量p<0.001)。推导队列AUROC 0.87(95%CI 0.85-0.88),验证队列AUROC 0.86(95%CI 0.84-0.88)。在未分化成人医疗人群中,SEPSIS评分≥5时敏感度0.37(0.31-0.44),特异度0.96(0.96-0.97),阳性预测值0.27(0.23-0.32),阴性预测值0.97(0.96-0.97),阳性似然比13.5(9.7-18.73),阴性似然比0.83(0.78-0.88)。作者认为该评分可能帮助救护车临床医生识别需要抗生素治疗的脓毒症患者,但需在独立人群中由救护车临床医生进行外部验证。

要点

  • SEPSIS评分变量:年龄、呼吸频率、SpO2、心率、收缩压、体温、意识水平,所有变量p<0.001。
  • 验证队列AUROC 0.86(95%CI 0.84-0.88),推导队列0.87(95%CI 0.85-0.88)。
  • SEPSIS评分≥5时敏感度0.37(0.31-0.44)、特异度0.96(0.96-0.97)、阳性似然比13.5(9.7-18.73)。
  • SEPSIS评分≥3时敏感度0.80(95%CI 0.74-0.84)、特异度0.93(95%CI 0.93-0.94)、阳性似然比12.17(95%CI 10.90-13.59)。
  • 作者建议采用SEPSIS≥5以偏向特异度、减少假阳性,但承认许多系统/临床医生可能偏好更低阈值以提高敏感度。

适用人群与场景

  • 成人(年龄≥18岁)非创伤、非精神健康、非心脏骤停患者,由救护车转运至医院。
  • 研究场景为院前救护车临床医生使用,到达急诊科时评估。
  • 排除标准:年龄<18岁、心脏骤停、创伤或精神健康病因(由出院诊断确定)。

诊断标准与关键阈值

  • 主要结局为按NICE脓毒症指南NG51定义的「严重疾病或脓毒症死亡高风险」,基于急诊科记录数据分类。
  • SEPSIS评分≥5对应「高风险」概率>20%,作者建议采用此阈值以偏向特异度。
  • SEPSIS评分≥3对应敏感度0.80(95%CI 0.74-0.84)、特异度0.93(95%CI 0.93-0.94)。
  • SEPSIS评分<10%为低可能性,10-20%为中等可能性,>20%为高可能性。

研究设计与关键结果

  • 回顾性队列研究,纳入22945例成人非创伤非精神健康非心脏骤停患者,推导队列16063例(70%),验证队列6882例(30%)。
  • 推导队列中「高风险」593例(3.7%),验证队列254例(3.7%)。
  • SEPSIS评分变量:年龄、呼吸频率、SpO2、心率、收缩压、体温、意识水平(p<0.001)。
  • 推导队列AUROC 0.87(95%CI 0.85-0.88),验证队列AUROC 0.86(95%CI 0.84-0.88),校准斜率分别为1.0和0.97。
  • 验证队列中SEPSIS评分≥5:敏感度0.37(0.31-0.44)、特异度0.96(0.96-0.97)、阳性预测值0.27(0.23-0.32)、阴性预测值0.97(0.96-0.97)、阳性似然比13.5(9.7-18.73)、阴性似然比0.83(0.78-0.88)。
  • 验证队列中SEPSIS评分≥3:敏感度0.80(95%CI 0.74-0.84)、特异度0.93(95%CI 0.93-0.94)、阳性预测值0.32(95%CI 0.28-0.36)、阳性似然比12.17(95%CI 10.90-13.59)。
  • 验证队列中SEPSIS评分≥5正确识别95例高风险患者,漏诊159例,错误分类为高风险100例(其中79例中等风险,21例低风险)。
  • 与PreSep评分在同一验证队列比较:PreSep敏感度0.61(95%CI 0.55-0.67)、特异度0.95(95%CI 0.95-0.96)、阳性预测值0.33(95%CI 0.29-0.37)、阳性似然比12.76(95%CI 11.03-14.76)。

证据类型、等级与局限

  • 研究类型:回顾性队列研究,推导并内部验证预测模型,遵循TRIPOD报告规范。
  • 局限:SEPSIS评分使用来自单一中心的回顾性数据样本推导和内部验证,限制了结果的普遍性。
  • 局限:尚未临床证明按NICE指南定义为严重疾病或脓毒症死亡高风险的患者能从早期抗生素治疗中获益。
  • 局限:原文指出该评分需要在独立人群中由救护车临床医生进行外部验证并评估使用中的性能。

对床旁实践的改变

  • 作者认为SEPSIS评分可能帮助救护车临床医生识别需要抗生素治疗的脓毒症患者。
  • 作者建议采用SEPSIS≥5作为阈值以偏向特异度、减少假阳性病例,但承认许多系统/临床医生可能偏好更低阈值以提高敏感度。
  • 作者指出在利用SEPSIS评分启动治疗前需仔细考虑,当前证据不支持院前常规使用抗生素。
  • 作者指出实施干预策略前必须考虑适当的抗生素管理和抗生素给药前获取静脉血培养的需要。
  • 作者认为SEPSIS评分可用于分层到达急诊科时「高风险」的可能性,可能有助于指导院前护理的提供和/或患者转运目的地。

指南或共识出处

  • NICE指南「Recognition and management of sepsis (NG51)」
  • TRIPOD报告指南

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」,故未列出这些栏目。
全文中译13 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:Scand J Trauma Resusc Emerg Med. 2019 Jul 16;27:67. doi: 10.1186/s13049-019-0642-2

引言

脓毒症是对感染的一种常见且可能危及生命的反应[1]。全球每年估计有3150万例无并发症脓毒症和1940万例严重脓毒症或脓毒性休克病例,导致530万人死亡[2]。这些病例大多数起源于社区,并将通过急诊科(ED)就诊于医院[3, 4]。超过一半的急诊科脓毒症病例将通过紧急医疗服务(EMS)到达[5–10]。这些患者可能比通过其他方式到达的患者病情更重[6, 8–11]。

脓毒症国际指南倡导尽早开始治疗[1, 12]。近期数据表明,抗生素治疗每延迟一小时,脓毒性休克患者的死亡率增加2.8%[13],而3小时复苏集束化治疗(静脉抗生素、血管治疗和获取血培养)每延迟一小时,死亡率增加4%[14]。早期EMS干预有助于改善其他时间关键性、危及生命的疾病的结果,如急性心肌梗死[15]、卒中[16]和严重创伤[17]。早期EMS干预在脓毒症中是否能改善结果仍有待观察。

小型观察性研究表明,院前护理缩短了脓毒症患者接受抗生素的时间,但未改善临床结果[5, 18, 19]。迄今为止,院前抗生素试验未能证明临床结果改善[20, 21]。一个可能的原因是院前研究中纳入了低危脓毒症患者[21]。

尽管经常接触可能危及生命的脓毒症患者[22],但院前对脓毒症的识别具有挑战性[18, 23–27]。事实上,最近对240名由维多利亚救护车转运、随后纳入ARISE研究的患者进行的分析显示,尽管存在可证明的生理异常,只有165名患者的院前记录中有感染记录[28]。这可能有多方面原因,包括对该疾病的教学和理解不理想[6, 29–31]、在疾病进程较早阶段遇到脓毒症病例时临床表现不明显[32]、缺乏院内诊断能力[18]以及依赖SIRS标准来制定诊断[33, 34]。因此,依赖急救人员的整体判断可能意味着具有显著病理改变的患者直到到达医院后才被识别。有人认为,一个帮助院前临床医生识别“重症”脓毒症患者的院前脓毒症筛查工具将是有益的[6, 35]。

NICE指南“脓毒症的识别与管理(NG51)”对“严重疾病或脓毒症死亡风险”进行了分层(见表1)[12]。它建议被归类为“严重疾病或脓毒症死亡高风险”的患者应在1小时内接受抗生素治疗[12]。本研究的目的是开发一个简单的评分系统,以帮助识别那些可能从早期干预中获益最多的成年患者。为简洁起见,我们将NICE分类中的“严重疾病或脓毒症死亡高风险”称为“高风险”。

表1 NICE严重疾病或脓毒症死亡风险 查看原表 ↗

方法

研究设计与人群

本研究按照TRIPOD报告指南[36]进行并报告。我们利用了一个回顾性样本,纳入2013年7月1日至2014年6月30日期间由西米德兰兹救护车服务NHS基金会信托(WMAS)转运至皇家斯托克大学医院NHS信托(前身为北斯塔福德郡大学医院NHS基金会信托)的连续成年患者(年龄≥18岁)。排除标准为年龄未满18岁、心脏骤停、创伤或精神健康病因(根据出院诊断确定)。本研究未实施任何干预措施。

患者参与

成立了一个研究委员会,负责监督授予MAS的临床博士研究奖学金。该委员会包括一名患者代表,其参与了初始研究计划的制定,并对博士论文的各章节提出了意见。该患者代表未参与本手稿的撰写或审阅。

主要结局指标

主要结局指标为到达急诊科时根据美国国家卫生与临床优化研究所(NICE)指南“脓毒症的识别与管理(NG51)”[12]被归类为“脓毒症导致严重疾病或死亡高风险”。对于每位纳入患者,根据感染的存在和就诊生命体征,将“脓毒症导致严重疾病或死亡风险”类别分配为“无风险”(即无感染存在)、“低风险”、“中等风险”或“高风险”。感染的存在通过急诊科出院诊断确定。脓毒症导致严重疾病或死亡风险的分类依据急诊科记录的临床数据并按照表1确定。

记录关联

使用LinkPlus®软件(版本3.0 beta,美国疾病控制与预防中心癌症部,佐治亚州亚特兰大),一种概率关联程序,将救护车和急诊科记录进行关联。使用名字、姓氏、性别、出生日期、家庭地址邮编和事件日期进行记录关联。所有候选记录对均经过人工审核。关联后删除了患者可识别数据。

缺失数据

统计分析使用R(版本3.3.1)在R Studio(版本0.99.903)中进行。缺失数据通过多重插补处理,使用R包链式方程多重插补(MICE)(版本2.25)[37]并采用全条件规范。为确保缺失值的稳健插补,所需插补数据集的数量略高于数据不完整病例的百分比。例如,如果18%的病例数据不完整,则需要20次插补。作为另一变量函数的变量不进行插补,而是对其组成变量进行插补,插补后再确定函数值。例如,格拉斯哥昏迷评分(GCS)总评分是GCS睁眼、GCS语言和GCS运动三个变量的函数。GCS总评分不进行插补,而是对GCS睁眼、GCS语言和GCS运动进行插补,然后由组成值计算GCS总评分。

通过检查收敛图和插补值与观测数据的密度图(R包MICE(版本2.25)[37])以及使用R包MICEadds(版本1.9–0)[38]计算R-hat收敛统计量,确认缺失数据的插补令人满意。

模型开发

在填补缺失数据后,我们通过几个步骤开发了一个多变量逻辑回归模型,用于预测抵达急诊科时脓毒症严重疾病或死亡高风险(“高风险”)。首先,使用R包Caret(版本6.0–71)[39]将数据分为推导队列和验证队列。分配到推导队列和验证队列的病例数基于Harrell、Royston、Steyerberg和Vergouwe的建议[40–47]。有观点认为,在开发预测模型时,模型中纳入的每个候选预测变量至少需要十个感兴趣结局事件,以确保结果具有统计学有效性[40–46]。同样,Vergouwe等[47]认为,在验证数据集中评估模型性能至少需要100个事件和100个非事件。然而,Steyerberg[45]建议,为检测模型性能的微小差异,验证数据集应至少包含250个感兴趣结局病例。

SEPSIS评分的推导使用推导数据集进行。我们使用单变量逻辑回归评估候选预测变量的质量。然后,我们构建了候选的简约多变量逻辑回归模型。接下来,我们为纳入的预测变量分配加权积分。此后,我们比较了候选模型的性能。最后,我们使用验证数据集对SEPSIS评分进行了内部验证。

进行简单逻辑回归以尝试量化各个候选预测变量与主要结局指标(“高风险”)之间的关系。在此阶段,通常的做法是排除与感兴趣结局无统计学关联的变量,但我们没有这样做,因为这样做可能会排除具有临床重要性的变量[45]。使用R包Caret(版本6.0–71)[39]评估候选预测变量的多重共线性,任何相关系数高于0.9(正或负)的变量被认为高度共线。通过排除冗余变量,或通过生成不包含多个高度共线变量的平行候选模型,避免纳入多个高度共线的变量。

独立预测变量的选择依据先前证明的临床实用性以及使用赤池信息准则(AIC)和Wald检验p值的向后逐步选择法。通过确定每个模型的AIC和Brier评分来评估候选模型的相对性能。

许多急救人员在临床实践中无法获得计算复杂模型的资源。因此,为简化模型以便在路边使用,通过将变量范围细分为区间,将连续变量转换为分类变量。

通过肉眼观察Loess曲线确定可变区间,并使用R包OptimalCutPoints(版本1.1–3)计算切点[48]。我们还考虑了正常生理范围以及其他脓毒症筛查工具中使用的区间。我们认识到将连续变量转换为分类变量会导致精度损失。为防止精度损失,连续预测变量最初被细分为多个小区间。通过将每个区间的回归系数四舍五入到最接近的整数,为每个区间分配加权评分。随后将加权评分相等的区间合并,生成数量更少、范围更宽的区间,以便于床边临床医生使用。

模型性能

使用验证数据集评估模型性能。通过计算校准斜率(R包ResourceSelection(版本0.3–1))评估模型校准度(拟合优度)[49]。校准斜率是对预测结局与观察结局之间关系的图形化评估[50],预测值表示在x轴,结局表示在y轴。完美预测落在45°线上(校准斜率=1)[51]。未使用Hosmer-Lemeshow拟合优度检验评估拟合优度,因为在使用大型数据集时,显著结果(提示拟合不充分)很常见[52]。通过计算受试者工作特征曲线下面积(AUROC)(R包ROCR(版本1.0–5))评估模型区分度[53]。通过计算灵敏度、特异度、阳性预测值、阴性预测值、阳性似然比和阴性似然比(R包epiR(版本0.9–77))评估模型性能[54]。

伦理批准

健康研究管理局(HRA)保密咨询委员会(CAG)授予了在未经同意的情况下访问患者可识别数据的许可(CAG 4–03(PR2)2014)。从国家研究伦理服务(NRES)中南-牛津C委员会获得了有利的伦理意见(14/SC/0163)。数据存储和处理按照WMAS标准操作程序进行。

结果

从38,483条唯一救护车记录中,LinkPlus®生成了35,382对候选记录对。对所有候选记录对的人工审查确认33,289对(86.5%)与其对应的急诊科记录正确链接。在移除排除的病例病因后,剩余22,945例病例(见图1)。在5,194例(13.5%)未链接的救护车病例中,相当大的比例被运送至急诊科以外的医院目的地,例如内科收治单元(MAU)。对120例未链接病例的初步审查确认,97例(80.8%)被运送至急诊科以外的医院目的地。小部分未链接病例源于救护车人员在患者医疗护理过程早期无法识别患者,例如当患者意识不清且无法确定其姓名时。有58例(占未链接病例的1.1%)救护车记录的姓名或姓氏字段为“缺失”或“未知”。

在54个潜在变量中,30个被认为不适合纳入模型(附加文件1:表S1)。在纳入的24个变量中,四个变量(血糖、体温、毛细血管床再充盈时间(CBRT)和皮肤)缺失值超过10%;四个变量(左瞳孔反应、左瞳孔大小、右瞳孔反应和右瞳孔大小)缺失值在5%至10%之间。其余16个变量缺失值少于2%。没有出现急诊科出院诊断字段为空的情况。

在纳入的22,945例病例中,仅12,517例(54.6%)具有完整数据,所有其他病例至少有一个缺失数据点。为确保稳健的插补,生成了50个插补数据集。收敛图(附加文件1:图S1)、密度图(附加文件1:图S2)、箱线图(附加文件1:图S3)和R-hat统计量(附加文件1:表S2)表明,除左瞳孔大小和右瞳孔大小外,所有插补变量均达到了健康收敛。

所用数据集包含24个变量,因此为计算可靠估计值,推导数据集必须包含至少240例“高风险”实例。插补数据集被分为包含16063例(70%)的推导数据集和包含6882例(30%)的验证数据集。推导数据集包含593例“高风险”实例(3.7%),足以容纳含59个变量的模型。验证数据集包含254例“高风险”实例(3.7%),足以容纳25个变量并检测模型性能的小差异[45]。患者特征在推导队列和验证队列之间一致(表2)。

单变量logistic回归分析确定以下变量为推导数据集中“高风险”的统计学显著预测因子:EMS印象、地点、年龄、呼吸频率、氧饱和度(SpO2)、脉搏、收缩压(SBP)、舒张压(DBP)、体温、血糖(BM)、皮肤、CBRT、左瞳孔反应、右瞳孔反应、左瞳孔大小、右瞳孔大小、GCS总分、GCS睁眼、GCS语言、GCS运动、AVPU评分(附加文件1:表S3和S4)。

左、右瞳孔反应之间发现完全相关性,左、右瞳孔大小之间注意到近乎完全相关性(附加文件1:图S4)。瞳孔大小或瞳孔反应的差异未知与脓毒症相关。为避免纳入高度相关变量所产生的问题,有关左瞳孔的数据被排除在进一步分析之外。

GCS总分、GCS组成部分(GCS睁眼、GCS语言和GCS运动)与AVPU评分(用于记录意识水平)之间发现强相关性。目前尚不清楚哪种意识水平测量方法能产生最有效的脓毒症预测模型。生成了三个候选模型,分别以GCS总分、GCS组成部分和AVPU评分作为意识测量指标。

多变量logistic回归分析确定以下变量为显著:地点、年龄、呼吸频率、氧饱和度、脉率、收缩压、体温、皮肤颜色和意识水平。每个模型中各变量被选中的次数及相关Wald检验统计量报告于表3。

连续变量的分类总结于表4。用于计算SEPSIS评分的简单加权评分是通过将回归系数四舍五入至最接近的整数获得的(附加文件1:表S5、S6和S7)。具有相同加权评分的连续变量的区间被合并,以简化SEPSIS评分的计算(附加文件1:表S8、S9和S10)。SEPSIS评分定义为每个变量的简化加权评分之和。

三个平行模型的相对性能报告于表5。使用GCS总和作为意识度量指标的模型经计算在统计学上具有最佳性能。最终的简约模型(合并区间并赋予加权评分)报告于表6。

推导数据集和验证数据集的校准斜率分别为1.0和0.97,提示SEPSIS评分具有足够的拟合度。推导数据集的AUROC为0.87(95% CI 0.85–0.88),验证数据集为0.86(95% CI 0.84–0.88)。我们在附加文件1:表S11中报告了SEPSIS评分各分值点的性能指标,并通过应用不同的SEPSIS评分阈值将患者分为低可能性(< 10%)、中等可能性(10–20%)或高可能性(> 20%)(见图2)。

当SEPSIS评分提示急诊科“高风险”可能性大于20%(SEPSIS评分≥ 5)时,我们观察到如表7所报告的令人满意的性能特征。如果按照NICE脓毒症指南[NG51],在作出脓毒症诊断之前需要有感染存在[12],那么在6882例成人患者的验证队列中,195例(2.8%)患者被分类为“高风险”,6687例(97.2%)被分类为非“高风险”。在被分类为“高风险”的患者中,95例(48.7%)确实为“高风险”(真阳性),而100例(51.3%)患者的脓毒症风险被高估,即被错误地识别为“高风险”(假阳性)。在100例假阳性病例中,79例(40.5%)患者到达急诊科时为“中等风险”,21例(10.8%)为“低风险”。在被识别为非脓毒症的患者中,6528例(95.6%)确实无脓毒症(真阴性),而159例(62.6%)到达急诊科时确实为“高风险”,但被SEPSIS评分错误地分类为无脓毒症(假阴性)。

图1 纳入病例 查看原图 ↗
表2 患者特征 查看原表 ↗
表3 纳入多变量模型的变量选择 查看原表 ↗
表4 连续变量区间 查看原表 ↗
表5 模型比较 查看原表 ↗
表6 SEPSIS评分 查看原表 ↗
图2 观察到的与预期的脓毒症概率。Mod.-中等,HRS-严重疾病或脓毒症死亡高风险,ED-急诊科 查看原图 ↗
表7 数据集间性能比较(SEPSIS评分≥ 5) 查看原表 ↗

讨论

筛查工具的性能通常以灵敏度、特异度、阳性预测值(PPV)和阳性似然比(PLR)来描述。灵敏度描述了一项检测正确识别患病者的能力(真阳性率),而特异度描述了一项检测正确识别未患病者的能力(真阴性率)。PPV表示检测阳性患者中实际患病的比例,而PLR表明患病者获得阳性检测结果的可能性比未患病者高多少倍[55]。

表8报告了几种现有筛查工具的性能特征,这些工具用于支持急救人员识别脓毒症。

现有数据可能提示PreSep评分是性能最佳的脓毒症筛查工具。然而,当应用于用于测试SEPSIS评分的同一验证数据集时,PreSep评分仍然更敏感(0.61(95%CI 0.55–0.67)),但特异性较差,为0.95(95%CI 0.95–0.96),PPV为0.33(95%CI 0.29–0.37),PLR为12.76(95%CI 11.03–14.76)。这些数据提示,PreSep评分实际上可能并非最适合床边急救人员识别那些有严重疾病或死于脓毒症风险的患者。

在本研究中,SEPSIS评分≥3的阈值敏感性为0.80(95CI 0.74–0.84),特异性为0.93(95%CI 0.93–0.94),PPV为0.32(95%CI 0.28–0.36),PLR为12.17(95%CI 10.90–13.59)。采用SEPSIS评分≥5的阈值敏感性为0.37(95%CI 0.31–0.44),特异性为0.98(95%CI 0.98–0.99),PPV为0.49(95%CI 0.42–0.56),PLR为24.8(95%CI 19.3–31.9)。就患者而言,SEPSIS评分≥3正确识别了202例“高风险”患者,漏诊52例患者,并错误地将433例实际无脓毒症的患者识别为有脓毒症。当采用SEPSIS评分≥5的阈值时,正确识别了95例“高风险”患者,漏诊159例患者,而被错误分类为“高风险”的患者数量较低,为100例。

决定采用何种阈值进行“阳性”识别是系统层面的决策。许多系统会倾向于敏感性以确保病例不被漏诊,但这需要与明显的过度分诊以及这可能对资源造成的影响相平衡。事实上,以往的脓毒症定义因过于敏感且特异性不足而受到批评[33, 34]。在此基础上,我们建议采用SEPSIS≥5的截断值,以偏向特异性并减少假阳性病例,这反映在PLR升高上。然而,我们认识到许多系统/临床医生可能更倾向于采用较低的截断值以提高敏感性。

SEPSIS评分中遗漏了可能重要的变量。乳酸常用于帮助对脓毒症患者的严重程度进行分层[12, 61]。参与研究的急救服务中,救护车人员不测量乳酸,因此在SEPSIS评分开发过程中无法纳入考虑。然而,有报道称纳入院前乳酸并不能改善院前脓毒症识别[62]。其次,Hunter等人认为,由急救医疗服务(EMS)测量的呼气末二氧化碳(EtCO2)是脓毒症、严重脓毒症和死亡率的重要预测指标,报告的AUROC分别为0.99(95%CI 0.99–1.0)、0.80(95%CI 0.73–0.86)和0.70(95%CI 0.57–0.83)[63]。尽管参与研究的急救服务中EMS人员可以测量EtCO2,但目前仅在进行高级气道干预时测量。因此,在SEPSIS评分中很少能够纳入考虑。纳入这两个变量中的任何一个是否会改善SEPSIS评分的性能仍有待观察。

使用SEPSIS评分对到达急诊科时“高风险”的可能性进行分层,可能有助于为院前救治的提供和/或患者转运目的地的选择提供参考。尽管SEPSIS评分≥5具有高特异性,但在利用SEPSIS评分启动治疗之前仍需审慎考虑。当前证据不支持常规院前使用抗生素[21]。此外,在实施干预策略之前,必须考虑适当的抗生素管理以及在使用抗生素前获取静脉血样进行病原体培养的需要。

本研究是首个利用英国救护车服务数据开发院前脓毒症筛查工具的研究,也是首个将NICE脓毒症所致重症或死亡高风险分类作为主要结局指标的研究。本研究也是唯一采用多重插补处理缺失数据的此类研究。本研究的优势在于主要结局指标是使用来自急诊科记录的客观数据确定的,而非急诊科临床医生的诊断或国际疾病分类(ICD)编码,从而最大化了结局指标的特异性。然而,SEPSIS评分是使用来自单一中心的回顾性数据样本进行推导和内部验证的,这限制了研究结果的普适性。此外,尚未有临床证据表明,根据NICE指南定义为脓毒症所致重症或死亡高风险的患者能从早期抗生素治疗中获益。

表8 替代筛查工具的报告性能 查看原表 ↗

结论

我们推导并内部验证了一个院前模型,该模型可根据NICE指南NG51预测到达急诊科时脓毒症所致重症或死亡的风险。我们使用常规急救医疗服务(EMS)数据,链接急诊科记录,在异质性内科人群中开发了SEPSIS评分。SEPSIS评分可能是识别需要早期抗生素治疗的脓毒症患者的有价值工具。该评分需要外部验证以及在救护车临床医生使用时的性能评估。

附加文件

附加文件1:表S1. 排除的候选预测变量。表S2 R-Hat统计量。表S3. 连续候选预测变量的逻辑回归。表S4. 分类候选预测变量的逻辑回归。表S5. 利用GCS总分的多变量逻辑回归模型。表S6. 利用GCS组分的多变量逻辑回归模型。表S7. 利用AVPU的多变量逻辑回归模型。表S8. 使用GCS总分的候选模型的最终加权评分。表S9. 使用GCS组分的候选模型的最终加权评分。表S10. 使用AVPU的候选模型的最终加权评分。表S11. SEPSIS评分的操作特征。图S1. 收敛图。图S2. 密度图。图S3. 箱线图。图S4. 候选预测变量之间的共线性。(DOCX 3170 kb)

参考来源

  1. Smyth MA, Gallacher D, Kimani PK, et al. Derivation and internal validation of the screening to enhance prehospital identification of sepsis (SEPSIS) score in adults on arrival at the emergency department. Scand J Trauma Resusc Emerg Med. 2019. PMID: 31311608. doi:10.1186/s13049-019-0642-2
  2. 全文:PMC6636043(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6636043/

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。