改进Medicare索赔数据死亡率风险模型的新方法比较效果研究
该比较效果研究使用2013年7月1日至2015年9月30日Medicare按服务收费受益人索赔数据,纳入65岁及以上因急性心肌梗死(AMI)、心力衰竭(HF)或肺炎住院的患者。对现行CMS死亡风险模型逐步应用三项改变:纳入入院时存在(POA)编码、区分本次入院与既往12个月诊断、使用未分组ICD-9-CM编码。最佳模型使患者水平C统计量从AMI的0.720升至0.826、HF的0.685升至0.776、肺炎的0.715升至0.804(P<.001),并产生更宽的预测概率范围和更好的校准。医院风险标准化死亡率分布更宽,更多医院被识别为优于或劣于全国均值的异常值。
要点
- 在AMI、HF和肺炎30天死亡模型中,纳入POA编码、区分历史与本次入院诊断、拆分分组编码,逐步提高C统计量。
- 最佳个体编码模型使C统计量从AMI的0.720升至0.826、HF的0.685升至0.776、肺炎的0.715升至0.804(P<.001)。
- 个体编码模型的Brier评分:AMI 0.092、HF 0.102、肺炎0.111;CMS模型分别为0.110、0.102、0.126。
- 医院层面,个体编码模型识别出更多优于全国均值的医院:AMI 34家(1.5%)vs 30家(1.4%),HF 185家(5.6%)vs 124家(3.7%),肺炎492家(12.7%)vs 192家(5.0%)。
- 个体编码模型与CMS模型的医院风险标准化死亡率加权Pearson相关系数:AMI 0.83、HF 0.83、肺炎0.73。
适用人群与场景
- 65岁及以上、因急性心肌梗死、心力衰竭或肺炎住院的Medicare按服务收费受益人,住院时间为2013年7月1日至2015年9月30日。
- 排除:违背医疗建议出院的住院、既往Medicare按服务收费参保不足1年的患者、本次入院主要诊断缺失POA编码的记录。
研究设计与关键结果
- 比较效果研究,纳入AMI住院361175例(平均年龄78.6岁,男性52.4%)、HF住院716790例(平均年龄81.1岁,男性45.6%)、肺炎住院988225例(平均年龄80.7岁,男性46.6%)。
- 平均30天死亡率:AMI 13.8%、HF 12.1%、肺炎16.1%。
- 三项改变逐步应用,每项改变均带来C统计量增量改善;最佳模型(个体编码模型)C统计量从AMI的0.720升至0.826、HF的0.685升至0.776、肺炎的0.715升至0.804(P<.001)。
- 个体编码模型Brier评分:AMI 0.092、HF 0.102、肺炎0.111;CMS模型:AMI 0.110、HF 0.102、肺炎0.126。
- 个体编码模型预测概率范围更宽:AMI 0.003-0.999 vs CMS 0.019-0.850;HF 0.001-0.985 vs 0.015-0.724;肺炎0.002-0.996 vs 0.016-0.852。
- 医院间方差在个体编码模型中更高:AMI从0.035升至0.047(P<.001)、HF从0.051升至0.071(P<.001)、肺炎从0.048升至0.180(P<.001)。
- 个体编码模型识别更多优于全国均值的医院:AMI 34家(1.5%)vs 30家(1.4%),HF 185家(5.6%)vs 124家(3.7%),肺炎492家(12.7%)vs 192家(5.0%);劣于全国均值的医院也有类似差异。
证据类型、等级与局限
- 证据类型:比较效果研究,使用Medicare索赔数据,采用5折交叉验证,以C统计量、Brier评分等比较模型性能。
- 局限:分析仅限于ICD-9-CM编码,未混合ICD-9-CM和ICD-10-CM编码;该方法需在ICD-10-CM编码下彻底测试。
- 局限:该方法可能忽略低频编码;使用LASSO进行编码选择可能因相关性而丢弃一些相关编码,可能降低预测力。
- 局限:未修改当前使用的医院级HGLM方法;两阶段HGLM或其他新方法可考虑更复杂的机器学习方法。
- 局限:该方法可能不适用于结局率极端且风险因素患病率极端的数据,此时逻辑回归可能因完全或准完全分离而存在问题。
- 局限:最终模型包含大量变量,降低计算效率。
- 局限:据作者所知,关于POA编码准确性的当代研究很少,已发表研究结果相互矛盾,需要更多研究。
- 局限:使用个体诊断编码可能无意中放大医院间编码使用的无临床意义差异,可能需要监测编码并更频繁地重新选择编码和重新拟合模型。
对床旁实践的改变
- 作者认为,纳入POA编码、区分历史与本次入院诊断、拆分分组编码,与AMI、HF和肺炎死亡风险模型的患者水平和医院水平性能改善相关。
- 作者认为,拆分分组编码似乎在许多风险模型中提供最大改善。
- 作者指出,进一步研究此类改变对测量评分效度的影响,可能为未来纳入这些方法提供额外支持。
提炼说明
- 原文未涉及「诊断标准与关键阈值」「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15 节 · 点击展开
引言
使用基于行政索赔数据的风险模型在评估医疗绩效、设定支付和开展研究中发挥着核心作用。1,2,3,4,5,6,7 我们假设有2种方法可以改善这些模型的性能。第一,通过使用入院时存在(POA)代码,模型可能得到改善。2014年,美国医疗保险和医疗补助服务中心(CMS)开始强制要求医院添加POA标识,该标识用于注明住院前已存在的病症。8 许多仅用于索引住院的诊断代码被排除在预测结局的模型之外。例如,CMS绩效模型排除了某些诊断,因为它们可能代表与临床质量相关的并发症。在知晓这些代码为入院时存在的情况下使用它们,将增加可用于风险调整的代码数量。第二,基于索赔的模型通常将诊断合并为临床连贯的组以减少变量数量。例如,CMS的许多模型基于分层条件类别(HCCs)的修改版本来对代码进行分组。9,10 例如,在CMS死亡模型中,来自前12个月的历史诊断和操作代码与索引住院的代码合并为1组风险变量。一个潜在局限是,构成一个组的代码可能与结局具有不同的关联,但该组的总体效应是加权均值。此外,低频代码的效应可能被高频代码的效应所淹没。计算能力和分析方法的进步使我们能够高效处理更大量的信息,并提供了使用未分组代码来考虑风险变量的机会。11
因此,我们检验了利用POA编码以及使用单个代码而非分组代码是否与改善的模型性能相关。这些变化使用索赔中已有的数据,不产生额外的边际成本。具体而言,我们探索了对当前患者水平风险模型的3项改变:(1)纳入POA编码以区分入院时已存在的病症与住院期间出现的病症,(2)将POA诊断代码与既往12个月就诊中存在的代码分开,(3)将当前用于风险变量分组器的代码进行解聚。表现最佳的模型与公开报告的CMS医院绩效指标进行了比较。该评估聚焦于公开报告的急性心肌梗死(AMI)、心力衰竭(HF)和肺炎的30天死亡率指标。
方法
数据来源与研究样本
我们采用了针对急性心肌梗死(AMI)、5 心力衰竭(HF)、6 或肺炎12 住院后 CMS 30 天全因死亡率指标的队列定义。Medicare 标准分析文件和分母文件识别了 2013 年 7 月 1 日至 2015 年 9 月 30 日期间在急性护理医院所有以 AMI、HF 或肺炎为主要出院诊断的住院记录。我们使用与 CMS 公开报告的死亡率指标相同的国际疾病分类第九版临床修订本(ICD-9-CM)13 编码来定义队列。我们选择仅聚焦于使用 ICD-9-CM 编码的时期,因为在同一模型中同时合并 ICD-9-CM 和国际疾病分类第十版临床修订本(ICD-10-CM)编码不切实际。我们没有足够的 ICD-10-CM 编码数据来完全在 ICD-10-CM 数据中开展这些分析。我们纳入了 65 岁及以上患者的住院记录。我们排除了患者违背医疗建议出院的住院记录以及既往参加 Medicare 按服务收费计划不足 1 年的患者。我们进一步排除了索引入院主要诊断的 POA 编码缺失的记录。我们将转院连接为单一诊疗事件,并将患者分配到索引接诊医院。我们使用了索引入院前 12 个月的 Medicare 索赔数据。耶鲁大学人类研究委员会批准了本研究使用 CMS 索赔和参保数据豁免,并免除了知情同意的要求,因为该研究涉及不超过最小风险且在不豁免的情况下无法实际开展。数据分析于 2018 年 4 月 19 日至 2018 年 9 月 19 日进行。
结局
结局为 AMI、HF 和肺炎患者自入院日期起 30 天内的全因死亡。死亡日期通过 CMS 参保文件中的数据或索引住院期间死亡的住院索赔出院状态来识别。
模型修改
我们测试了对当前风险模型的 3 项更改:(1)纳入 POA 编码以更好地区分入院时已存在的疾病与医疗护理并发症,(2)将索引入院中的诊断编码与既往 12 个月内编码的诊断分开,(3)将风险变量分组器内的编码 disaggregating,改为使用个体 ICD-9-CM 编码。这些更改被逐步应用于患者水平模型,最佳模型随后在医院水平进行测试。为开发和测试潜在更改,我们使用 5 折交叉验证来控制模型过拟合,每次迭代在 80% 的队列上训练广义线性模型(GLM),然后在剩余 20% 上进行测试。
纳入 POA 编码
入院时存在(POA)编码可识别入院时已存在的病症。当前CMS死亡率测量的风险模型是在使用POA指标之前开发的,排除了在指标入院中编码的、可能代表医疗并发症的特定诊断。14 我们检验了将POA编码纳入CMS模型是否与患者层面死亡率模型判别力的改善相关。由临床专家小组审查了CMS官方POA豁免清单,并剔除了被判断为具有任何显著医疗并发症可能性的病症(补充材料中的eMethods)。例如,代码V66.7(姑息治疗就诊)在2016年CMS POA豁免清单中,但我们将其从经临床审核的修改清单中剔除。
将历史诊断代码与指标入院代码分开
在CMS模型中,每个分组器基于的变量指示在入院前12个月内的索赔数据中或指标入院期间是否发现至少1个某类别的诊断代码。我们检验了将历史病症与指标入院的POA病症分开、将其视为不同变量时判别力是否改善。
拆分风险变量分组器
我们逐步比较了不同类型风险变量之间的患者层面死亡率判别力。首先,我们使用了CMS风险变量。公开报告的测量模型的风险变量使用修改后的病症类别(MCC)来捕捉患者层面的严重程度并降低维度,以及4个非基于诊断的变量(年龄、性别、经皮冠状动脉介入治疗史和冠状动脉旁路移植术史)。MCC由201个病症类别(CC)构建,CC是第22版HCC的最底层,使用先前建立的方法。10 修改后的病症类别可包括单个CC、CC组或CC内代码的子集。例如,在AMI模型中,糖尿病变量由CC 17、CC 18、CC 19或CC 123内的任何ICD-9-CM代码组成。
接下来,我们考虑使用完整的CC集。为了逐步探索使用更细化的分组器,我们用所有201个单独CC替换了当前的MCC。最后,我们研究了使用单独ICD-9-CM代码,消除分组器的使用。我们用单独ICD-9-CM代码的子集作为风险变量替换了MCC。我们将指标入院ICD-9-CM代码限制为被识别为POA的代码,或未被明确标识为非POA的代码,同时结合对CMS POA豁免清单的修改。此外,我们考虑了12个月病史索赔中的所有单独ICD-9-CM代码,将住院、门诊和B部分设置合并在一起。对于CMS风险模型,在所有入院中频率低于1%的任何分组器或风险因素被视为低频。在我们的研究中,我们限制为频率超过0.5%的代码,将指标入院和历史ICD-9-CM代码分开保留。
统计分析
我们以患者层面风险调整的GLM为基础,逐步纳入所提出的3项模型改动,目标是在拟合医院层面分层GLM(HGLM)的实际约束下——考虑到医院和入院记录数量庞大——选择最佳模型以探索医院层面的表现。所有GLM和HGLM模型均采用二项分布和对数连接函数。根据我们的经验,这些医院层面的HGLM需要限制在最多约200个具有较低相关P值的变量,才能可靠收敛,并对CMS方法学中所需的耗时自举法具有实用性。因此,以展示医院表现更好分离为最终目标,我们将医院层面测试的修改后患者层面模型限制为200个或更少变量。使用似然比检验来获得P值。为进一步改善HGLM收敛问题,我们要求变量在患者层面GLM中的双尾P值小于.005。
为在基于单个ICD-9-CM代码的模型中满足这些要求,我们采用了基本的变量选择策略。在排除频率低于0.5%的代码后,我们使用最小绝对收缩和选择算子参数网格搜索,从CMS模型中指标入院ICD-9-CM代码、病史ICD-9-CM代码和非基于诊断的变量的合并集合中,选择最佳变量集,总数不超过200个。接下来,使用这些选定的代码拟合GLM,仅保留P值小于.005的变量用于最终模型,以下称为个体代码模型(补充材料中的eFigure 1)。每当使用5折交叉验证时,我们仅使用训练集进行代码选择。使用C统计量比较前述每种模型改动的区分性能,并使用DeLong等15的方法检验差异的统计学显著性。
我们使用C统计量和Brier评分比较个体代码模型与CMS风险调整的患者层面性能。遵循CMS方法学,模型在全队列上进行训练和测试。Brier评分可视为预测模型校准的度量(越低越好),是多个成分的组合,包括可靠性,即校准曲线误差的度量(越低越好),以及分辨率,反映模型将预测值与平均事件率分离的程度(越高越好)。我们还比较了两个模型的校准斜率(越接近1越好)和预测范围(越宽越好)。我们纳入了额外的模型比较,如受试者工作特征曲线、校准图(补充材料中的eFigure 2)、对数比值图(补充材料中的eFigure 3)和偏移表(补充材料中的eTable 1),并列出了每个个体代码模型所选出的排名靠前的代码(补充材料中的eTables 2、3和4)。
为了评估对患者层面风险调整的拟议变更与医院绩效评价之间的关联,我们使用CMS HGLM方法计算医院风险标准化死亡率(RSMRs)。16,17 我们将使用CMS模型的医院层面绩效与纳入个体编码模型风险因素的模型进行了比较。个体编码模型分别包括AMI、HF和肺炎疾病队列的150、182和186个变量。我们比较了RSMRs的分布和医院间方差。较大的SD、四分位距(IQR)和范围将表明不同医院的RSMRs分布更分散,因而更可区分。我们使用F检验(分子和分母的自由度均为医院数量)来检验HGLM模型的医院间方差是否相等。我们使用折叠F检验比较RSMR分布的方差。我们还计算了使用CMS模型和个体编码模型的RSMRs之间的加权Pearson相关系数,以ICD-9-CM RSMRs方差的反数作为权重。18,19 医院RSMR方差使用CMS公开报告中所定义的bootstrap方法计算。14 我们对每种疾病的CMS模型和个体编码模型均使用了5000次bootstrap。
CMS在其公开的Hospital Compare网站20上每年报告至少有25例AMI、HF或肺炎病例的医院,使用3个绩效类别:与全国率无差异、优于全国率或劣于全国率。除点估计和CI外,我们根据RSMR CI是否包含全国率将医院分为这些类别。14 我们比较了每个类别中医院的频率,并研究了CMS模型与个体编码模型之间的医院类别变化。
所有GLM相关分析均在R统计软件3.3版(R Project for Statistical Computing)中使用stats包进行,或在Python 2.7版(Python Software Foundation)中使用scikit-learn或StatsModels包进行。我们的最小绝对收缩和选择算子分析在R和Python中均使用GLMNET库实现。所有医院层面分析均使用SAS统计软件9.4版(SAS Institute)进行。
结果
队列描述
AMI、HF和肺炎队列的描述见表1。AMI有361 175例住院(平均[SD]年龄,78.6[8.4]岁;189 225[52.4%]男性),HF有716 790例住院(平均[SD]年龄,81.1[8.4]岁;326 825[45.6%]男性),肺炎有988 225例住院(平均[SD]年龄,80.7[8.6]岁;460 761[46.6%]男性)。平均30天死亡率AMI为13.8%,HF为12.1%,肺炎为16.1%。
患者层面30天死亡率模型的性能
对模型的每一项额外更改均带来C统计量的增量改善(表2)。总体改善最大的是个体编码模型中所纳入更改的组合,将CMS C统计量从AMI的0.720提高至0.826(P < .001),HF的0.685提高至0.776(P < .001),肺炎的0.715提高至0.804(P < .001)。
CMS与个体编码患者层面30天死亡率模型的比较
表3比较了患者层面CMS模型与个体编码模型的风险预测和指标。对于这些结果,我们未使用表2中使用的5折交叉验证,因为我们是在与按实施方式运行的CMS模型进行比较,该模型遵循CMS方法学14,在全队列上进行训练和测试。使用我们的方法选择的个体索引POA和历史编码(AMI为150个,HF为182个,肺炎为186个)与CMS风险模型相比,在所有3项死亡率指标上均与模型性能的显著改善相关。我们发现,个体编码模型在全部3种疾病中的C统计量均显著更高,AMI从0.720增至0.828,HF从0.685增至0.778,肺炎从0.715增至0.805。个体编码模型的Brier评分:AMI为0.092,HF为0.102,肺炎为0.111;CMS模型的Brier评分:AMI为0.110,HF为0.102,肺炎为0.126。个体编码模型的分辨率评分:AMI为0.027,HF为0.013,肺炎为0.025;CMS模型的分辨率评分:AMI为0.0086,HF为0.0044,肺炎为0.001。两种模型在全部3种疾病中的可靠性相似。
个体编码模型的30天死亡率预测概率范围比CMS模型更宽(AMI,0.003-0.999 vs 0.019-0.850;HF,0.001-0.985 vs 0.015-0.724;肺炎,0.002-0.996 vs 0.016-0.852)。个体编码模型的预测概率标准差也高于CMS模型(AMI,0.169 vs 0.099;HF,0.122 vs 0.073;肺炎,0.163 vs 0.106)。
医院层面HGLM模型的性能
共有4036家医院为AMI队列提交了索赔数据,4380家医院为HF提交了索赔数据,4462家医院为肺炎提交了索赔数据。其中,AMI至少有25例病例的医院有2218家,HF有3323家,肺炎有3877家。
与使用CMS模型的HF和肺炎指标相比,使用个体编码模型计算的RSMRs分布更宽(比较2种模型RSMRs的t检验P < .001),而AMI的RSMR分布似乎更宽但无统计学显著性(表4;补充材料中的eFigure 4)。使用个体编码模型的HGLMs中医院间方差高于CMS模型,AMI从0.035增至0.047(P < .001),HF从0.051增至0.071(P < .001),肺炎从0.048增至0.180(P < .001)。使用个体编码模型的RSMRs的标准差、IQR和范围在全部3种疾病中也更高(表4)。AMI模型的变化最小,而肺炎模型的变化最大,其IQR几乎翻倍,从2.4个百分点(IQR,15.0%-17.4%)增至4.0个百分点(IQR,14.2%-18.3%)。CMS模型与个体编码模型RSMRs之间的加权Pearson相关系数:AMI为0.83,HF为0.83,肺炎为0.73。
在比较2个模型所分配的性能类别时(表5),个体代码模型在全部3种疾病中识别出更多医院优于或劣于全国均值。3种疾病在模型间的变异程度各不相同,其中肺炎的增幅最大。例如,与CMS模型相比,使用个体代码模型,我们识别出34家(1.5%)对30家医院(1.4%)在急性心肌梗死(AMI)死亡率方面优于全国率,185家(5.6%)对124家医院(3.7%)在心衰(HF)死亡率方面优于全国率,492家(12.7%)对192家医院(5.0%)在肺炎死亡率方面优于全国率。在被识别为劣于全国率的医院中也观察到类似差异。使用各模型时性能类别的变化见补充材料中的eTable 5。CMS报告的大多数较优和较差离群医院在由个体代码模型分配时仍保持在同一类别中。
讨论
我们引入了一种用于风险调整的新方法,用于开展研究和评估医院死亡率表现。所提出的方法使用索赔数据中已有的数据,因此纳入风险模型不会产生额外的边际成本。通过利用POA编码的引入,将首次记录于索引住院的代码与上一年度的代码分开,并对先前分组的代码进行解聚,我们显著提高了30天AMI、HF和肺炎死亡率风险调整模型的区分度。在医院评估中,这种方法使我们能够检测到更多变异,识别出更多医院优于或劣于全国均值,这一点很重要,因为性能缺乏变异已被确定为当前指标的一个问题。21
使用POA编码相关的改进将易于实施。例如,CMS 30天死亡率结局指标是在POA信息可靠获取之前制定的,其排除了一系列有可能成为医疗并发症但也可传达关于入院前风险有价值信息的诊断。使用目前可获得的POA编码可在所有3种疾病中显著改善患者水平模型的性能。此外,将历史诊断与本次索引诊断分开与模型改善相关。将这些改变纳入风险模型并不困难。使用自定义的、数据驱动的分组器的实验显示较传统分组器有一定改善,随着类别数量增加和各类别规模减小,结果更好。然而,最显著的改善与以下做法相关:将以传统分组器为基础的风险因素替换为由个体诊断编码组成的更大数量的变量。分组器可能掩盖低频编码以及各组成编码之间效应的异质性。
我们采用未分组诊断编码及其相关POA标识和索引或既往时间的方法,其发现具有若干意义。它们为重新审视既往关于结局性能模型风险调整方法的假设提供了依据。分组器一直被用于高效处理极大规模变量集并简化建模计算,但我们发现,由于计算先进算法的可获得性,变量的分组可能并非必要。许多利益相关者可能从更准确的测量指标中获益。
尽管检查这些方法所带来的测量指标评分效度改善超出了本研究的范围,但患者水平模型区分度所显示的提升可能转化为对医院绩效更精确的刻画。达成此类结论尚需更多研究。然而,由于这些测量指标目前被用于评价医院质量并据绩效优劣评估支付,如果患者水平模型性能的提升也能增强测量指标的准确性,那么对患者和医院都将有明显益处。
局限性
有几个潜在的局限性需要考虑。我们将分析限制在使用ICD-9-CM编码的索赔数据,因为我们希望使用大样本,并且不混合使用ICD-9-CM和ICD-10-CM编码。我们的方法需要在ICD-10-CM编码下进行充分测试,尽管从初步实验来看,我们不预期结果会发生实质性变化,即使0.5%频率限制可能产生更大的影响。由于ICD-10-CM编码具有更高的特异性,性能可能会进一步提高。另一个潜在问题是我们方法可能忽略低频编码;然而,即使纳入这些编码,它们对分组器的影响也不大。此外,使用最小绝对收缩和选择算子分析进行编码选择可能因相关性导致某些相关编码被剔除,从而可能削弱预测能力。我们选择该方法是因为它易于按照医院层面算法所需选择指定数量的编码,并避免多重共线性在HGLM中可能引起的问题。22 尽管如此,我们在所有新模型中方法保持一致,因此不应使我们的比较评估产生偏倚。此外,我们选择不修改当前使用的医院层面HGLM方法。然而,两阶段HGLM或其他新方法将允许我们考虑更复杂的机器学习方法进行患者层面风险调整。23,24 此外,我们的方法可能不适用于结局率极端且风险因素患病率极端的数据,在这种情况下,由于完全或准完全分离,使用逻辑回归会有问题。而且,最终模型中包含的大量变量降低了计算效率。此外,据我们所知,目前关于POA编码准确性的当代研究很少,已发表的研究对其准确性提供了相互矛盾的结果。25,26,27 因此,需要对此主题进行更多研究。此外,使用个体诊断编码可能无意中放大医院间编码使用中临床无显著差异的影响。为应对这种可能性,可能需要监测编码,并可能在更频繁的时间间隔重新选择编码并重新拟合模型。
结论
我们确定了几项关键策略,部分由于索赔编码的演变而成为可能,用于改善预测模型,对研究和绩效测量具有意义。我们发现,将POA编码纳入风险变量定义、区分索引入院前12个月内索赔中编码的诊断与入院时编码的诊断、以及从分组器 disaggregating 为个体ICD-9-CM编码,与AMI、HF和肺炎死亡率的患者层面和医院层面模型显著改善相关。在许多风险模型中, disaggregating 分组器似乎提供了最大的改善。它还使医院绩效测量能够识别更多医院在全部3种疾病上优于或劣于全国均值。这些发现表明,可能存在改善研究和结局绩效测量风险模型的机会。特别是,进一步研究此类变化对测量评分效度的影响可能为将来纳入这些方法提供额外支持。
参考来源
- Krumholz HM, Coppi AC, Warner F, et al. Comparative Effectiveness of New Approaches to Improve Mortality Risk Models From Medicare Claims Data. JAMA Netw Open. 2019. PMID: 31314120. doi:10.1001/jamanetworkopen.2019.7314
- 全文:PMC6647547(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6647547/
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。