文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症复苏、休克与脓毒症

感染与非感染住院患者早期预警评分系统对院内死亡和ICU转出风险的比较

Comparison of Early Warning Scoring Systems for Hospitalized Patients With and Without Infection at Risk for In-Hospital Mortality and Transfer to the Intensive Care Unit.
PubMed 文献 · JAMA Netw Open · 2020-05-01

该研究为回顾性队列分析,纳入2006至2018年间加州21家和伊利诺伊州7家医院成人心内科外住院患者,比较NEWS、MEWS、BTF、qSOFA、SIRS五种评分工具对院内死亡及ICU转出或死亡复合结局的预测效能。结果显示NEWS对院内死亡的区分度最高(加州AUC 0.87,95%CI 0.87-0.87;伊利诺伊AUC 0.86,95%CI 0.85-0.86),MEWS次之;在疑似感染亚组中NEWS仍最高。在特定决策阈值下,NEWS在所有28家医院均优于SIRS和qSOFA,可减少需筛查患者比例5%至20%或提高不良结局识别率3%至25%。结论提示NEWS可作为非ICU住院患者风险分层的有效单一点数评分工具。

要点

  • 在全部非ICU住院患者中,NEWS对院内死亡的区分度最高:加州AUC 0.87(95%CI 0.87-0.87),伊利诺伊AUC 0.86(95%CI 0.85-0.86)。
  • 在疑似感染患者中,NEWS对院内死亡的AUC仍高于感染特异性评分qSOFA和SIRS。
  • NEWS≥6阈值与SIRS≥2相比,敏感性更高(NEWS 87%-89% vs SIRS 86%-87%),需筛查患者比例更低(NEWS 36%-37% vs SIRS 50%)。
  • NEWS≥8阈值与qSOFA≥2相比,敏感性更高(NEWS 72%-74% vs qSOFA 59%-63%),需筛查比例相似(NEWS 16% vs qSOFA 13%-16%)。
  • 所有评分对ICU转出或死亡复合结局的区分度仅为差至中等,在非感染亚组中NEWS的AUC为加州0.65(95%CI 0.64-0.65)、伊利诺伊0.62(95%CI 0.62-0.62)。

适用人群与场景

  • 成人(年龄≥18岁)住院患者,且在急诊科或非ICU病房至少测量过一次生命体征。
  • 排除在急诊科死亡且未入院、直接从急诊科出院、直接收入ICU、以及产科分娩病房的患者。
  • 研究场景为急诊科和非ICU住院病房,不涉及ICU内患者。

诊断标准与关键阈值

  • 疑似感染定义采用Sepsis-3定义:微生物培养医嘱与抗生素处方之间的配对时间间隔,以第一个配对元素的时间戳作为疑似感染 onset。
  • 若疑似感染 onset 发生在风险时间窗内,则该次住院归为疑似感染;否则归为非疑似感染。
  • NEWS≥6作为高敏感性阈值(与SIRS≥2敏感性相似),NEWS≥8作为高特异性阈值(与qSOFA≥2特异性相似)。
  • qSOFA≥2和SIRS≥2为常用预警阈值。

研究设计与关键结果

  • 研究设计为回顾性队列分析,数据来自加州21家和伊利诺伊州7家医院,共纳入1 487 263例次住院(加州773 477例,伊利诺伊713 786例),其中484 125例(32.6%)符合疑似感染标准。
  • 加州队列院内死亡率为2.9%(n=22 786),伊利诺伊为1.6%(n=11 250);加州ICU转出或死亡复合结局发生率为13.9%(n=107 776),伊利诺伊为9.7%(n=69 320)。
  • 在全部住院患者中,NEWS对院内死亡的AUC最高:加州0.87(95%CI 0.87-0.87)vs 伊利诺伊0.86(95%CI 0.85-0.86);MEWS次之:加州0.83(95%CI 0.83-0.84)vs 伊利诺伊0.84(95%CI 0.84-0.85)。
  • qSOFA对院内死亡的AUC:加州0.78(95%CI 0.78-0.79)vs 伊利诺伊0.78(95%CI 0.77-0.78);SIRS:加州0.76(95%CI 0.76-0.76)vs 伊利诺伊0.76(95%CI 0.75-0.76);BTF最低:加州0.73(95%CI 0.73-0.73)vs 伊利诺伊0.74(95%CI 0.73-0.74)。
  • 在疑似感染亚组中,NEWS对两种结局的AUC均最高,MEWS次之,且NEWS和MEWS的区分度均高于感染特异性评分qSOFA和SIRS。
  • 在非感染亚组中,所有评分对ICU转出或死亡复合结局的区分度均较差,NEWS的AUC为加州0.65(95%CI 0.64-0.65)、伊利诺伊0.62(95%CI 0.62-0.62);MEWS为加州0.67(95%CI 0.66-0.67)、伊利诺伊0.66(95%CI 0.66-0.67)。
  • 在特定决策阈值下,NEWS在所有28家医院均优于SIRS和qSOFA,可减少需筛查患者比例5%至20%或提高不良结局识别率3%至25%。

证据类型、等级与局限

  • 证据类型为回顾性队列分析,遵循STROBE报告规范。
  • 研究在加州和伊利诺伊州28家医院进行,样本量大,结果在两州间一致。
  • 局限:研究在美国具有强大电子病历系统的医疗中心进行,可能降低结果的普适性;作者建议各医院在实施前尽可能进行本地评估。
  • 局限:使用电子病历数据可能因某些临床观察(如精神状态改变)记录不完整而存在缺失数据。
  • 局限:评估的是患者整个风险时间窗内的最大早期预警评分,而非特定结局时间窗(如24小时内死亡)内的模型性能。
  • 局限:使用Sepsis-3感染定义可能限制被视为感染性住院的比例。
  • 局限:结局包括死亡和/或ICU转出,可能包含预期院内死亡以及不反映实际临床恶化的ICU转出(如择期转出)。
  • 局限:更准确地识别高风险患者并不一定转化为改善的结局;作者指出需要投资于确保相应实施有效、高效、安全和可持续。

对床旁实践的改变

  • 作者认为,在常用的点数评分系统中,对住院患者进行NEWS风险分层可识别有感染和无感染的高死亡风险患者。
  • 作者认为,使用单一提供点数评分的工具(如NEWS)可能改善早期预警评分在临床路径中的整合、培训和部署。
  • 作者指出,NEWS阈值6(较高敏感性)和8(较高特异性)与SIRS或qSOFA评分≥2阈值相比,可能改善效率。
  • 作者指出,NEWS和MEWS比SIRS和qSOFA计算稍复杂。
  • 作者建议各医院在实施前尽可能进行本地风险评估。

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。
  • 另有 2 条提炼内容因数值无法与原文逐一核对而未列出,请以原文为准。
全文中译7 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. 2020 May 19;3(5):e205191. doi: 10.1001/jamanetworkopen.2020.5191

引言

导致死亡或转入重症监护病房(ICU)的临床恶化影响3%至5%的非ICU住院患者,并与发病率和死亡率增加相关。1,2 这些增加的风险在严重感染或脓毒症患者中尤为突出,脓毒症导致50%或以上的医院死亡。3 既往研究表明,许多患者在恶化前数小时即表现出风险增加的迹象,这些早期信号可通过常规测量的临床数据(如生命体征或实验室检验结果)捕捉。1,2,4 这一发现促使研究人员、专业学会和卫生系统开发利用常规可用临床数据的早期预警系统中的风险评分,并提醒临床医生对有恶化风险的患者进行干预。1,2,5,6 包括联合委员会、医疗保险和医疗补助服务中心以及医疗保健改进研究所在内的多个机构进一步推动了法规和指南的制定,加强了对利用风险评分以加速识别和治疗病情恶化和脓毒症状态患者的关注。7,8,9,10

尽管存在许多风险评分工具,但其报告性能的变异性导致这些评分系统之间如何相互比较存在不确定性。大多数既往研究在单中心进行,且仅使用了少量工具。11,12,13 此外,在未区分病种的住院人群开发的通用风险评分是否与专门针对疑似感染患者系统所确定的风险评分表现出相似性能,仍不清楚。由于这些评分系统、目标高危人群和响应警报的临床工作人员之间存在相当大的重叠,使用单一风险评分进行筛查的方法有可能减少警报负担,提高临床和技术培训及实施的效率,而这些都是早期识别和有效治疗病情恶化患者的因素。

在本研究中,我们旨在比较5种常用于早期预警系统中的风险评分工具在加利福尼亚州和伊利诺伊州28家医院非ICU住院患者中预测临床恶化风险方面的性能。随后,我们评估了按是否存在疑似感染对住院患者进行分层时风险评分性能的差异。

方法

我们纳入了2010年至2015年在22家Kaiser Permanente北加州医院以及6家伊利诺伊州医院(芝加哥大学[2008-2018]、洛约拉大学医学中心[2007-2017]和NorthShore大学卫生系统的4家医院[2006-2016])住院的成人(年龄≥18岁)。我们纳入在急诊科(ED)或非ICU住院病房至少测量过1次生命体征的住院患者。我们排除了在入院前死于急诊科、直接从急诊科出院、直接收入ICU或在产房的患者。我们基于Elixhauser指数评估合并症患病率。14 数据分析于2019年2月至2020年1月进行。

本研究经Kaiser Permanente北加州、芝加哥大学、洛约拉大学医学中心和NorthShore大学健康系统机构审查委员会批准,并豁免知情同意。本研究遵循加强流行病学观察性研究报告(STROBE)队列研究报告指南。

我们基于评估风险评分性能常用的2个结局定义临床恶化:院内死亡和重症监护病房(ICU)转入或死亡的复合结局。对于每次住院,我们将患者的风险暴露时间区间定义为任一结局发生前的住院期间;如果存在多个风险暴露时间区间,仅使用第一个风险暴露时间区间的临床数据计算最大评分值。12

我们基于Sepsis-3定义中建立的配对标准(即微生物培养医嘱与抗生素处方之间的配对时间区间)识别疑似感染患者,以第一个配对元素的时间戳标记疑似感染的发生。15如果疑似感染的发生处于风险暴露时间区间内,则该患者的住院被判定为疑似感染;否则,该次住院被判定为非疑似感染。

我们评估了早期预警系统项目中常用于识别高风险患者的5种基于评分的风险评分工具。我们未评估基于机器学习的算法,因为其无法推广至许多医疗环境,包括不具备电子健康记录(EHR)系统和/或资源有限的机构。通用评分系统包括国家早期预警评分(NEWS)、16 改良早期预警评分(MEWS)17 和Between the Flags(BTF)标准。18 感染针对性评分系统为快速序贯性脓毒症相关器官衰竭评估(qSOFA)15 和全身炎症反应综合征(SIRS)标准。19 补充材料中的e表1显示了各工具的数据元素。

使用EHR数据,我们采用既往描述的方法计算各风险评分。1,2,12 目标是确定患者在风险暴露时间区间内达到的各评分单一最大值。12 因此,从患者首个记录的生命体征开始,随着区间内每个新数据元素的出现重新计算评分,初始缺失值采用向正常值插补,其他值采用末次观测值结转法。4 补充材料中的e表2显示了数据元素的缺失率,范围从生命体征的不足1%至白细胞异常杆状核形式大于10%的87%。该计算策略用于近似这些评分在临床实践中应用时的计算方式。我们随后使用风险暴露时间区间内的最大值评估患者病情是否会发生特定的警报阈值。

统计分析

数据以数量(频率)、均值(标准差)和中位数(四分位距[IQR])描述。我们使用基于各结局最大评分值的受试者工作特征曲线下面积(AUC)和95%CI评估各州(加利福尼亚州和伊利诺伊州)的模型区分度。我们进一步在总体人群和按疑似感染分层的亚组中评估区分度。

我们生成了院内死亡风险评分效率曲线,其显示了为达到各种敏感性阈值所需筛查的高危队列百分比。我们评估了与SIRS(≥2)和qSOFA(≥2)常用阈值相关的评分切点。在事后分析中,我们还比较了在對医院死亡率表现出与SIRS大于或等于2相似高敏感性的NEWS阈值(NEWS≥6)和与qSOFA大于或等于2相似高特异性的NEWS阈值(NEWS≥8)上的性能。在敏感性分析中,我们评估了以下情况下的模型区分度排序:(1)仅使用具有完整评分数据的住院记录,(2)排除结局前最后一小时的数据,(3)对于多次住院的患者仅纳入单次住院记录。差异在P < .05时被认为具有统计学意义。数据分析使用Stata/SE 14.2版、Stata/MP 15.1版(StataCorp)和SAS 9.4版(SAS Institute Inc)进行。

结果

本研究共纳入1 487 263例住院记录,加利福尼亚州医院(n = 773 477;平均[SD]年龄,65.1[17.6]岁;416 605名女性[53.9%])和伊利诺伊州医院(n = 713 786;平均[SD]年龄,61.3[19.9]岁;384 830名女性[53.9%])的分布大致相等(表)。在两个州中,484 125例患者(32.6%)符合感染疑似标准。与无疑似感染的患者相比,疑似感染患者年龄更大(加利福尼亚州平均[SD]年龄68.0[17.6]岁、伊利诺伊州62.9[18.2]岁 vs 加利福尼亚州63.3[17.3]岁、伊利诺伊州60.7[17.8]岁),且更常通过急诊科住院(加利福尼亚州261 579例[91.0%] vs 283 146例[58.3%],伊利诺伊州125 649例[63.9%] vs 243 011例[47.0%])。加利福尼亚州队列的死亡率为2.9%(n = 22 786),伊利诺伊州队列为1.6%(n = 11 250);加利福尼亚州队列中13.9%(n = 107 776)和伊利诺伊州队列中9.7%(n = 69 320)发生了ICU转入或死亡的结局。

5种风险评分工具在ICU外的最大值在两个州之间分布相似,无论是在总体住院队列还是在疑似感染亚组中(补充材料中的eTable 3)。例如,疑似感染亚组中NEWS的中位最大值在两个州均为6(IQR,4-8)。在加利福尼亚州样本中,从首次达到风险评分阈值到ICU转入或死亡复合结局之间的中位经过小时数,qSOFA评分大于或等于2为5.3(IQR,2.7-27.3)小时,SIRS评分大于或等于2为6.1(IQR,3.3-28.6)小时,NEWS大于或等于6为5.7(IQR,3.1-25.3)小时。在伊利诺伊州样本中观察到略长的间隔时间,qSOFA评分大于或等于2为8.2(IQR,3.3-34.6)小时,SIRS评分大于或等于2为9.5(IQR,4.1-42.1)小时,NEWS大于或等于6为9.2(IQR,3,8-40.9)小时。

在整个住院队列中(图1A),两种状态下NEWS对死亡的模型区分度均最高(加利福尼亚州AUC为0.87;95% CI,0.87-0.87,对比伊利诺伊州AUC为0.86;95% CI,0.85-0.86),其次是MEWS(加利福尼亚州AUC为0.83;95% CI,0.83-0.84,对比伊利诺伊州AUC为0.84;95% CI,0.84-0.85)。NEWS和MEWS工具对ICU转入或死亡的复合结局也显示出最高的区分度(图1B)。在总队列中,qSOFA和SIRS显示出相似的区分度,但两种工具获得的评分均低于NEWS和MEWS。例如,作为单独变量的死亡AUC值,qSOFA在加利福尼亚州为0.78(95% CI,0.78-0.79),在伊利诺伊州为0.78(95% CI,0.77-0.78);SIRS在加利福尼亚州为0.76(95% CI,0.76-0.76),在伊利诺伊州为0.76(95% CI,0.75-0.76)。BTF工具在总队列中区分度最低,加利福尼亚州医院的死亡AUC为0.73(95% CI,0.73-0.73),伊利诺伊州医院为0.74(95% CI,0.73-0.74)。

在疑似感染队列中观察到相似的模式(图1),NEWS在两种状态下对两种结局均表现出最高的AUC,其次是MEWS。即使在感染患者中,NEWS和MEWS在所有情况下的区分度均高于感染特异性风险评分。在无疑似感染的患者亚组中,两种结局也表现出相似的模式(图1),尽管所有风险评分对ICU转入或死亡的复合结局均显示出较差的区分度。例如,NEWS的AUC在加利福尼亚州为0.65(95% CI,0.64-0.65),在伊利诺伊州为0.62(95% CI,0.62-0.62);MEWS的AUC在加利福尼亚州为0.67(95% CI,0.66-0.67),在伊利诺伊州为0.66(95% CI,0.66-0.67)。

图2描绘了所有住院患者的风险评分效率曲线,显示在所有医院死亡率的敏感性阈值下,使用NEWS将导致超过警报阈值并需要筛查的患者数量最少。例如,在与SIRS评分大于或等于2相似的高敏感性阈值下,NEWS截断值大于或等于6既更敏感(两种状态下NEWS为87%-89%,对比SIRS为86%-87%),且需要筛查的患者更少(两种状态下NEWS为36%-37%,对比SIRS为50%)。在与qSOFA评分大于或等于2相似的高特异性阈值下,NEWS大于或等于8的阈值比qSOFA评分大于或等于2具有更高的敏感性(两种状态下NEWS为72%-74%,对比qSOFA为59%-63%),且需要筛查的人群百分比相似(两种状态下NEWS均为16%,对比qSOFA两种状态为13%-16%)。在疑似感染患者中发现了相似的结果(图3)。

在整个队列中,在与高特异性qSOFA评分大于或等于2相似的筛查工作量下,NEWS大于或等于8相比qSOFA评分,会多识别出4099例总体死亡患者和2636例疑似感染队列中的死亡患者。在与高敏感性SIRS评分大于或等于2相似的敏感性阈值下,NEWS大于或等于6相比SIRS,总体上需要筛查的患者会减少200 325例,疑似感染患者会减少97 595例。图4显示了使用高特异性NEWS大于或等于8对比qSOFA评分大于或等于2阈值,或高敏感性NEWS大于或等于6对比SIRS评分大于或等于2阈值时,所对应的临床工作量相对减少情况。在研究所在的每家医院,NEWS评分均提高了对发生不良结局患者的识别,或减少了需要筛查的患者数量。

表. 按州和疑似感染分层的医院就诊基线特征 查看原表 ↗
图1. 风险评分对院内死亡及重症监护病房(ICU)转科或死亡复合结局的区分度所有患者、疑似感染患者及非疑似感染患者院内死亡(A)和ICU转科或死亡复合结局(B)的受试者工作特征曲线下面积(AUC)。BTF表示Between the Flags;MEWS表示改良早期预警评分;NEWS表示国家早期预警评分;qSOFA表示快速脓毒症相关器官衰竭评估;SIRS表示全身炎症反应综合征。误差线表示95%CI,无误差线的数值表示最小和最大误差值等于点估计值。 查看原图 ↗
图2. 所有患者院内死亡的早期预警评分效率曲线在评估院内死亡时,达到各评分阈值的患者比例与风险评分敏感性的关系。国家早期预警评分(NEWS)与跨过警报阈值并需要筛查的患者百分比最低相关。BTF表示Between the Flags;MEWS表示改良早期预警评分;qSOFA表示快速脓毒症相关器官衰竭评估;SIRS表示全身炎症反应综合征。 查看原图 ↗
图3. 疑似感染患者的早期预警评分效率曲线在疑似感染中,达到各评分阈值的患者比例与风险评分敏感性的关系。在任何敏感性阈值下,国家早期预警评分(NEWS)均与跨过警报阈值并需要筛查的患者百分比最低相关。BTF表示Between the Flags;MEWS表示改良早期预警评分;qSOFA表示快速脓毒症相关器官衰竭评估;SIRS表示全身炎症反应综合征。 查看原图 ↗
图4. 国家早期预警评分(NEWS)对比全身炎症反应综合征(SIRS)和快速脓毒症相关器官衰竭评估(qSOFA)评分系统时临床工作量的减少每个点代表一家研究医院,显示在相似敏感性阈值下需要筛查患者比例的估计下降(y轴),以及在相似特异性阈值下敏感性的增加(x轴)。 查看原图 ↗

讨论

在本研究中,我们在来自美国2个州多个卫生系统28家医院的150万例住院患者中,比较了5种常用的、使用基于分值的风险评分触发早期预警系统的工具的表现。我们发现,在全国住院队列以及按疑似感染分层的亚组中,通用风险评分NEWS对医院死亡率的区分度优于其他工具。在所有情景中,模型对ICU转入或死亡这一联合结局的区分度均较低,其中NEWS和MEWS表现相似。这一结果似乎与非感染亚组中区分度较差有关。在所有情景中,NEWS均优于针对感染的评分,例如通过qSOFA和SIRS计算的评分,并可能提供一种单一的分值评分,其效率特征适合识别伴感染和不伴感染的高风险患者。

我们的发现具有若干意义。首先,结果提示,对于检测住院非ICU患者临床恶化的目标,聚合加权风险评分(例如通过NEWS和MEWS确定的评分)优于感染特异性评分,即使在疑似感染患者中也是如此。这一发现与既往在疑似感染患者中开展的单中心研究一致,这些研究评估了不同国家和特定医院环境中的患者,尽管其他小型研究提示NEWS和MEWS在脓毒症患者中仅具有一般至较差的准确性。5,11,20,21 SIRS并非作为早期预警评分开发,而是设计用于筛查和定义脓毒症,且SIRS标准包含已知对临床恶化预测能力有限的参数。19然而,既往研究和现有项目已将SIRS和qSOFA的结果用作早期预警系统的触发因素,以筛查高风险感染患者。虽然NEWS和MEWS的计算比SIRS和qSOFA评分更复杂一些,但NEWS已在英国国家医疗服务体系中作为临床医生计算的评分用于对大量急重症患者进行风险分层。22我们的证据提示,在这些常用工具中,NEWS是用于对疑似感染住院患者进行风险分层的最有效选择。在这些情景中,与SIRS或qSOFA评分阈值大于或等于2相比,NEWS警报阈值6(较高敏感性)和8(较高特异性)可能能够提高效率。

其次,我们的研究结果也使NEWS成为一种高效的选择,可用来充当适用于所有非ICU住院患者院内死亡率的通用、基于评分的风险分层工具。虽然较小的研究已显示这些评分可能在多种环境和人群中得到验证,但据我们所知,我们的研究是迄今为止规模最大的多中心研究,在多样化的急诊科和住院人群中评估了这些发现。5,11,12,16,17,20,21,22 鉴于NEWS包含了qSOFA和BTF中的所有变量,通过这些其他工具的评分被识别为较高风险的患者同样会有升高的NEWS值。我们的研究结果似乎也支持这样一种观点,即聚合加权评分(如NEWS)比单参数评分(如通过BTF确定的评分)更准确。5,23,24 未来比较住院患者恶化风险评分的研究,在评估模型性能的增量收益时,可使用NEWS或MEWS作为稳健的比较工具。

第三,对于我们评估的所有基于评分的工具,对ICU转入或死亡这一复合结局的区分能力仅为差至尚可。这一发现是一个关键考量,因为早期预警系统的目标是改善对高风险患者的识别,并使能够减轻或预防恶化的临床干预成为可能,包括主动转入ICU。多项研究表明,更先进的基于回归或机器学习的风险评分可改善此类环境下的模型性能。1,2,25 这些工具,包括Advance Alert Monitor和eCART评分,可提高警报准确性,同时通过利用更细粒度的电子健康记录(EHR)数据并附加无缝计算的优势,降低需筛查人数比。1,2,26 所有评分在非感染亚组中均表现出性能下降,提示可能需要更先进的基于机器学习的风险评分来改善该人群中风险评分的性能和实用性。同样,取决于具体环境,实施这些显著更复杂的机器学习模型可能并不可行或不够高效。

优势与局限性

本研究的主要优势在于使用了来自美国2个州多家医院和卫生系统的大型住院患者队列。另一个优势是,尽管患者病例组合、地点、实践和教学状态存在差异,我们的结果在各州之间相似。尽管各州之间经急诊科收治的感染患者比例存在差异,但我们仍然发现了明显一致的模型性能水平。

本研究也存在若干重要局限性。首先,研究是在具有完善电子健康记录(EHR)系统的美国医疗中心开展的,这可能降低研究结果的普适性。然而,我们的结果与在不同环境中开展的较小规模研究报告的结果基本一致。11,12,20 各医院在实施前应尽可能尝试对风险评分进行本机构的地方性评估。使用EHR数据还可能受到数据缺失的限制,这些缺失源于某些临床观察(如精神状态改变)记录不完整。其次,我们评估的是患者在整個风险暴露时间段内最大早期预警评分的最佳表现,而非评估模型在特定结局区间(如未来24小时内死亡)内的表现。尽管不同的时间窗和动态评分性能评估方法可能改变特定的AUC点估计值,但既往研究表明这种变异性不影响早期预警评分准确性的排序。1,27 此外,大多数患者被赋值的评分在复合结局发生前至少5小时、在死亡前数天即已跨越报警阈值。第三,我们采用了Sepsis-3的感染定义,这可能限制了被认定为感染的合格住院比例。然而,既往研究指出,替代性的感染或脓毒症定义对模型风险评分表现的区分度和排序影响较小。28 第四,我们的结局包括死亡和/或ICU转科,这可能纳入预期院内死亡以及未反映实际临床恶化的ICU转科(即择期转科)。虽然这一复合结局可能降低风险评分在实践中的临床效用,但不太可能影响模型区分度的整体排序。29

第五,更准确地识别高风险患者的能力并不必然转化为结局的改善。尽管过去十年间,利用复杂的大规模健康数据改善风险预测引起了极大兴趣,早期预警系统的数量迅速增加,但很少有研究指出这些先进工具能改善患者结局,尤其是在患者被随机分组并与标准诊疗或更简单的基于评分的评分系统进行比较时。27 鉴于工具实施可能伴随的巨大挑战,不仅需要在选择最优风险评分方面进行投入,还需要确保相应的实施有效、高效、安全和可持续。30

结论

在一项跨越2个州、28家医院的研究中,我们发现NEWS似乎是预测ICU外患者死亡和ICU转科最高效的基于评分的风险评分。这一发现在疑似感染和非疑似感染患者中均有体现。使用提供基于评分风险评分的单一工具(如NEWS),可能改善早期预警评分在旨在识别和治疗有恶化风险患者的临床路径中的整合、培训和部署。

参考来源

  1. Liu VX, Lu Y, Carey KA, et al. Comparison of Early Warning Scoring Systems for Hospitalized Patients With and Without Infection at Risk for In-Hospital Mortality and Transfer to the Intensive Care Unit. JAMA Netw Open. 2020. PMID: 32427324. doi:10.1001/jamanetworkopen.2020.5191
  2. 全文:PMC7237982(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7237982/

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。