救护车可测变量对脓毒症的预测价值及Predict Sepsis筛查工具的建立:一项前瞻性队列研究
该研究为2017年4月3日至2018年8月30日在斯德哥尔摩救护车环境中开展的前瞻性队列研究,纳入551例救护车人员临床判断为疑似感染的成人非创伤患者,在救护车中测量18个变量(8个病史关键词、6个生命体征、4个床旁血液检测,加年龄、性别、合并症)。采用逻辑回归、ROC曲线下面积(AUC)和分类树分析与脓毒症的关联。与脓毒症关联最强的6个变量为收缩压≤100 mmHg、体温>38.5 °C、GCS<15、乳酸>4 mmol/L、胃肠道症状和急性精神状态改变史,组合为Predict Sepsis筛查工具1,敏感性0.90、特异性0.41、AUC 0.77(95%CI 0.73-0.81)、PPV 0.52、NPV 0.86;工具2以急性精神状态改变史和/或GCS<15替代并排除乳酸,工具3仅用生命体征及新计算的界值,三者AUC无明显差异。作者结论认为在当前研究人群中,向脓毒症筛查工具加入症状变量和血液检测未见预测能力明显提高;三种工具需外部验证后方可临床实施,适用于救护车人员临床判断为疑似感染的成人非创伤患者。
要点
- 在551例救护车疑似感染成人中,与脓毒症关联最强的变量为收缩压≤100 mmHg、体温>38.5 °C、GCS<15、乳酸>4 mmol/L、胃肠道症状和急性精神状态改变史。
- Predict Sepsis筛查工具1(含上述6个变量)敏感性0.90、特异性0.41、AUC 0.77(95%CI 0.73-0.81)、PPV 0.52、NPV 0.86。
- 工具2以急性精神状态改变史和/或GCS<15合并、并排除乳酸,AUC无明显降低;工具3仅用6个生命体征及新计算界值,三者AUC无明显差异。
- 三个工具识别出大部分相同的脓毒症患者:163例被三个工具均识别,1例仅被工具1识别,9例脓毒症患者未被任一工具识别。
- 作者认为选择哪种工具取决于实施环境的临床条件(是否有计算机预警系统),且三种工具在临床实施前均需外部验证。
适用人群与场景
- 纳入标准:年龄≥18岁的非创伤救护车患者,救护车人员临床判断为新发感染(症状在过去数天内开始)。
- 排除标准:缺乏书面知情同意;除家中跌倒外的创伤;患者在医生评估前离开急诊科;直接收入老年医院(绕过急诊科);缺失医院记录;缺失个人识别号;记录不足以判定脓毒症结局。
- 研究场景为斯德哥尔摩救护车环境,患者被转运至7家医院急诊科;结果限于救护车疑似感染这一特定人群,不能推广至所有救护车就诊患者。
诊断标准与关键阈值
- 脓毒症定义:急诊科到达后36小时内,符合Sepsis-3标准,即感染(依据附加文件2定义)合并序贯器官衰竭评估(SOFA)评分较患者原有状态增加≥2分,基于病历回顾判定。
- 脓毒性休克定义:需要血管升压药且血清乳酸水平>2 mmol/L。
- 无既往SOFA计算所需变量记录的患者,原有评分设为零;氧饱和度及供氧水平按瑞典重症监护登记处转换为PaO2/FiO2。
- Predict Sepsis筛查工具1的变量及界值:收缩压≤100 mmHg、体温>38.5 °C、GCS<15、乳酸>4 mmol/L、胃肠道症状、急性精神状态改变史。
红旗征与不能漏的情况
- 作者指出,脓毒症患者中三分之一表现为收缩压正常、三分之二GCS正常、三分之一无发热,与既往研究一致,即超过三分之一的严重感染患者到救护车时生命体征正常。
- 作者指出,反映胃肠道症状和急性精神状态改变的关键词与脓毒症的关联强于「经典」症状如发热史,这些症状需要更多关注。
研究设计与关键结果
- 研究类型:前瞻性队列研究;样本量551例(553例纳入,551例有足够资料判定36小时内脓毒症结局并纳入回归和分类树分析);人群为救护车人员临床判断为疑似感染的成人非创伤患者;无对照组干预。
- 551例中331例(60.1%)为男性,中位年龄78岁(IQR 71-85),230例(41.7%)发生脓毒症;230例脓毒症患者中23例(10%)住院期间死亡;228例符合Sepsis-3标准且有出院ICD编码的脓毒症患者中,44例(19.3%)的ICD编码与脓毒症一致。
- Predict Sepsis筛查工具1(6个变量):敏感性0.90、特异性0.41、AUC 0.77(95%CI 0.73-0.81)、PPV 0.52、NPV 0.86。
- 工具2(4个变量,以急性精神状态改变史和/或GCS<15合并并排除乳酸)与工具1的AUC无明显差异;工具3(仅6个生命体征,采用新计算界值)与含症状变量和血液检测的模型AUC无明显差异。
- 三个工具识别结果:163例被三个工具均识别,8例被工具1和2识别但工具3未识别,8例被工具1和3识别但工具2未识别,1例仅被工具1识别,9例脓毒症患者未被任一工具识别。
- 分类树示例:115例GCS<15患者中67%发生脓毒症;若同时体温>38.0 °C,该65例组中脓毒症患病率升至86%。
证据类型、等级与局限
- 证据类型:前瞻性队列研究(作者称其为救护车环境中首个前瞻性研究,首个将症状变量纳入脓毒症筛查工具的研究);试验注册号NCT03249597。
- 局限:生命体征和床旁检测的分类方法可能受到质疑;感染的定义可能受到批评(Sepsis-1、-2和Sepsis-3均未提供详细的感染定义,本研究的感染定义基于临床经验和症状,既往发表中使用过);筛查工具的预测能力在其开发人群中可能高于其他人群,Predict Sepsis筛查工具需要外部验证;结果仅限于救护车疑似感染这一特定人群,不能推广至所有救护车就诊患者。
- 作者指出,在症状变量和床旁检测加入后,筛查工具的预测能力未见明显提高;三个工具在临床实施前均需外部验证。
对床旁实践的改变
- 作者认为,选择哪种工具取决于工具计划实施的临床环境,即是否有计算机预警系统;若作为手工床旁工具,变量较少的工具2更可行,但需要救护车人员对所有临床疑似感染患者询问有无胃肠道症状,而该询问并非标准流程的一部分。
- 作者认为,乳酸测量可能延迟脓毒症筛查和患者转运并给患者带来不适,且含乳酸模型的预测能力不优于排除该有创步骤的模型,因此不认为乳酸测量是合理的。
- 作者指出,工具3基于常规测量的生命体征,但其界值系本研究计算得出,而非目前临床常规使用的界值;工具3尤其适用于有计算机预警系统的环境,也可手工使用。
- 作者指出,三个工具识别出大部分相同的脓毒症患者,预测能力相似,实施时应根据临床环境选择。
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38 节 · 点击展开
背景
脓毒症是最常见的医疗急症之一,死亡率高[1–3]。尽管脓毒症是一种时间紧迫的疾病,但往往未能及时识别。由于治疗时间与患者预后相关,早期识别是必要的。
超过半数的脓毒症患者由救护车运送至医院[4],当脓毒症患者由急救人员识别时,治疗时间可缩短一半[5]。目前,脓毒症患者的识别主要基于医疗专业人员的临床判断,而这一识别率低得不够充分[6, 7]。既往研究已证实,筛查工具可提高救护车和急诊科(ED)环境中脓毒症患者的识别率[6–9]。
现有的筛查工具主要基于生命体征,很少有专门为救护车环境开发的工具[8–10]。除了缺乏前瞻性研究外,这些筛查工具还存在固有缺陷,因为三分之一的救护车严重感染患者生命体征正常[11],这促使人们采用不同的方法。我们在既往研究中已证实,与患者病史相关的某些关键词在脓毒症患者的救护车记录中反复出现[12]。八个关键词尤为常见,患病率超过20%。然而,这些关键词对脓毒症的特异性尚未被研究,且与患者病史相关的信息此前未被纳入脓毒症筛查工具。此外,除乳酸和葡萄糖外[10],此前尚无研究证实即时检验(POC)血液检测在救护车医疗中用于脓毒症筛查的附加价值。suPAR(可溶性尿激酶纤溶酶原激活物受体)和HBP(肝素结合蛋白)是两种新型脓毒症生物标志物[13, 14],此前未在救护车环境中被研究。
我们假设,除生命体征外,将患者病史相关关键词与POC检测相结合用于脓毒症筛查,可提高救护车医疗中脓毒症的识别率。本研究旨在创建一个筛查工具,该工具基于救护车人员临床判断为感染的救护车患者中可预测脓毒症的床旁可测量变量。据我们所知,这是救护车环境中第一项研究症状、生命体征和POC检测与结局脓毒症之间关联的前瞻性研究。
方法
研究设计与环境
本研究是一项在斯德哥尔摩救护车环境中进行的前瞻性队列研究,实施时间为2017年4月3日至2018年8月30日。研究在斯德哥尔摩全县范围内进行,与救护车服务提供方Samariten Ambulans AB以及斯德哥尔摩县议会所有七家医院急诊科(Södersjukhuset、Karolinska Huddinge、Karolinska Solna、St Göran、Danderyd、Norrtälje、Södertälje)合作完成。Samariten Ambulance AB是斯德哥尔摩三家救护车服务提供方之一,承担约183,000次年度救护车任务中的75,000次[15, 16]。救护车配备两名专科护士,或一名专科护士和一名急救医疗技术员[16]。斯德哥尔摩县人口约230万[17],斯德哥尔摩市县急诊科年就诊量约480,000人次[18]。
研究参与者选择
纳入和排除流程图见图1。
纳入标准
纳入标准为:根据救护人员的临床判断,被认为患有新发感染(定义为症状在过去几天内开始出现)的成人(≥18岁)非创伤救护车患者。
所有患者均由救护人员纳入并转运至上述七家设有急诊科的医院之一。
排除标准
排除标准为:1)缺乏书面知情同意;2)除家中跌倒以外的创伤;3)患者在医生评估前离开急诊科;4)直接入住老年医院,即绕过急诊科;5)缺失医院记录;6)缺失个人身份识别号;以及7)记录不足以判定结局败血症。
研究方案
救护人员使用了一份病例报告表(CRF),其中包括八个与病史相关的关键词和六个生命体征。未记录在CRF中的生命体征从救护车记录中提取(amPHI®院前救护车记录,Amphi Systems A/S,丹麦奥尔堡,以及斯德哥尔摩院前护理数字IT支持系统;FRAPP®(斯德哥尔摩省议会院前护理未来IT平台))。
与急诊科到达时间、年龄、性别、既往合并症、怀疑新发感染的标准、院内生命体征/实验室检查/死亡率及出院国际疾病分类(ICD)编码相关的数据从医院病历中提取(TakeCare®,v. 18.3.10,CompuGroup Medical,瑞典斯德哥尔摩)。
预测变量
共测量了21个变量,如下所示:
与病史相关的关键词
八个与病史相关的关键词在救护车中登记,基于既往研究[12]的结果,这些关键词先前已被证明在救护车败血症患者中的患病率超过20%。这些关键词为:“发热或疑似发热”、“疼痛”、“急性精神状态改变”、“下肢无力”、“呼吸困难”、“精力丧失”、“胃肠道症状”和“败血症危险因素”[12](见表1)。
生命体征
纳入救护车中首次测量的六个生命体征值:呼吸频率、氧饱和度、心率、收缩压、格拉斯哥昏迷量表(GCS)和体温。
即时检验(POC检验)
在救护车中采血进行四项POC检验:血浆葡萄糖(P-Glucose)、血浆乳酸(P-Lactate)、血浆肝素结合蛋白(P-HBP)和血浆可溶性尿激酶型纤溶酶原激活物受体(P-suPAR)。关于这些POC检验的处理和分析的详细描述见附加文件1。
人口学变量
年龄、性别及计算Charlson合并症评分[19]所需的数据从医院记录中提取。Charlson合并症评分是一种经过验证的方法,用于对影响死亡风险的合并症进行分类,专为纵向研究而开发[19]。
结局
可能的结局为急诊科到达后36小时内的败血症或无败血症。
败血症
脓毒症定义为从急诊科到达后36小时内发生的脓毒症,依据Sepsis-3标准[20];即感染(定义见附加文件2)合并序贯器官衰竭评估(SOFA)评分较患者原有状态升高2分或以上,并基于病历回顾。脓毒性休克定义为需要血管升压药且血清乳酸水平大于2 mmol/L[20]。对于既往无计算SOFA评分所需变量记录的患者,原有评分设为零[20]。氧饱和度水平和供氧水平根据瑞典重症监护登记处[21, 22]转换为氧分压(PaO2)/吸入氧分数(FiO2)。
无脓毒症
未符合上述脓毒症标准的患者被归类为“无脓毒症”。
样本量计算
本研究是更大的Predict Sepsis研究(NCT03249597)的第一部分。本研究的样本量最初基于逻辑回归分析中使用的18个变量,这意味着需要180例脓毒症患者,即每个预测变量十个事件[23]。额外纳入20%的患者以补偿缺失数据。因此,招募目标设定为纳入216例结局为脓毒症的患者(NCT03249597)。
救护车患者中脓毒症的患病率此前未知。因此,首批入组的315例患者用于估计研究人群中脓毒症的患病率并用于最终样本量的计算。
数据分析
统计分析使用SPSS(社会科学统计软件包)统计软件v. 23–25.0(SPSS Inc., Chicago, IL, USA)和Clinical Research Calculators;Calculator 1,Vassarstats.net [24]进行。
特征
正态分布采用Kolmogorov–Smirnov检验和Shapiro–Wilk检验评估,并通过直方图目视评估。年龄、生命体征和POC检测水平使用中位数和四分位距(IQR)描述,因为这些变量不服从正态分布。
回归分析中变量的分类
与病史相关的关键词
关键词在回归分析中被分类为存在(是)/不存在(否)。无法回答是或否的患者被纳入是类别进行关联分析,因为这类患者人数少(每个关键词11–30例患者)且脓毒症患病率相似。
生命体征和POC检测类别
数值变量(生命体征和POC检测)的类别采用逐步方法计算,包括以下步骤:为每个数值变量创建8–10个类别,尽可能包括根据NEWS [25]、SIRS [26]、Robson [10]预先定义的类别,并力求每个创建类别的范围相等。
步骤1中的8–10个类别根据比值比合并为每个变量的3–4个类别,目标是不重叠95%置信区间且合并类别中脓毒症患病率相似。
步骤2中的3–4个类别使用与上述步骤2相同的标准合并为最终的2–3个类别。
针对连续变量及其三种分类版本(每个数值变量分为8–10类、3–4类和2–3类),在每一步骤中均对受试者工作特征(ROC)曲线和AUC值进行比较,以评估分类是否导致了不可接受的信息损失。
描述各类别内脓毒症患病率的基础数据见附加文件3。
根据救护车人员的临床判断,确定救护车中感染患者发生脓毒症的预测因素
逻辑回归
脓毒症预测变量的确定按以下步骤进行:首先对21个变量逐一进行未调整的单变量(粗)分析。对所有与脓毒症显示显著关联(p < 0.05)的变量计算AUC值。其次,进行多变量调整的逻辑回归,纳入在单变量分析中与结局脓毒症显著相关的变量。报告比值比(OR)及相应的95%置信区间。
分类树
分类树作为逻辑回归的补充,用于识别与脓毒症相关的变量,并根据脓毒症风险对患者群体进行分层。与逻辑回归相比,该方法的一个优势在于可以发现并可视化变量间的交互作用。采用卡方自动交互检测(CHAID)算法构建分类树[27],从将所有数据归为一组开始。对每个变量的每种可能分割方式均加以考虑,以找到与结局(即脓毒症(是/否))关联最强的分割。分析基于上述21个变量。所得分组持续分割,直至达到以下停止标准之一:树深度限制为五层、形成少于25名患者的分组、或执行的分割经Bonferroni校正后小于0.05。
用于预测脓毒症的模型
脓毒症筛查模型的建立基于单变量和多变量回归分析中与脓毒症的显著关联,以及单变量分析中的显著关联结合该变量AUC的显著p值(< 0.05)。
模型中所纳入变量的数量与对结局脓毒症预测的贡献之间存在权衡。纳入少量变量而非更多变量的目标基于以下假设:筛查工具是临床床旁工具而非电子嵌入式工具。作为最后一步,测试了结合关键词急性精神状态改变和GCS < 15的模型,以及另外排除乳酸的模型。此举旨在通过ROC曲线评估减少变量和避免侵入性步骤(乳酸测量)对脓毒症识别预测能力的影响。
预测模型基于各单一变量的评分而非估计的回归评分进行评估,具体如下。首先,模型中每个单一变量根据回归分析和分类树中与脓毒症关联的强度进行评分。其次,通过应用ROC曲线,针对脓毒症的灵敏度和特异度评估总分的截断值。在给定总分特定截断值的情况下,通过计算AUC(根据SPSS)、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和似然比(LRs)(根据Vassarstat.net [24])对各模型的预测能力进行比较。
伦理批准及研究程序符合国际标准
本研究获得斯德哥尔摩地区伦理审查委员会批准(编号2016/2001–31/2和2018/2202)。所有参与者均签署了书面知情同意书。
本研究遵循《赫尔辛基宣言》[28],手稿按照诊断准确性研究报告标准(STARD)标准[29]撰写。
结果
患者特征
纳入和排除流程见图1。
共纳入553例在救护车中疑似感染的患者。其中,454例(82.4%)被收治入院。共551例患者有足够的记录以确定患者在到达急诊科后36小时内是否出现结局脓毒症,并据此纳入回归分析和分类树分析。患者特征见表1。
在551例纳入患者中,331例(60.1%)为男性,中位年龄为78岁(IQR 71–85),230例(41.7%)患有脓毒症,见表1。在230例脓毒症患者中,23例(10%)在住院期间死亡。228例符合Sepsis-3标准[20]且出院时有记录的ICD编码的脓毒症患者中,有44例(19.3%)的ICD编码与脓毒症一致。
脓毒症的预测因素
逻辑回归分析
在单变量分析中显示与脓毒症显著相关的17个变量的个体ROC曲线见附加文件4。
生命体征
回归分析中使用的计算生命体征和POC检测水平分类见表2。与脓毒症关联最强的生命体征为收缩压≤ 100 mmHg、GCS < 15和体温> 38.5 °C,见表2。心率与脓毒症的关联最弱。
POC检测
除P-葡萄糖外,所有POC检测在单变量逻辑回归中均与脓毒症显著相关。在多变量分析中,唯一仍与脓毒症显著相关的POC检测为P-乳酸> 4 mmol/L,见表2。
人口学变量
在单变量分析中,Charlson合并症评分≥5分与脓毒症结局显著相关。在调整所有其他变量后,该关联不再显著,见表2。
分类树
根据分类树分析,生命体征GCS和体温与脓毒症的相关性最强,如图2所示。
模型与Predict Sepsis筛查工具
基于变量组(症状、生命体征和床旁检测)及其组合的模型ROC曲线见图3。生命体征作为一个变量组是脓毒症最强的预测因素(图3)。
模型中包含的变量描述及每个模型的开发方法见附加文件5。工具中各单项变量的评分以及模型的总评分(视为疑似脓毒症阳性)是基于AUC值的比较选择的,见表3和图4。
根据逻辑回归和分类树分析,与脓毒症相关性最强的变量为急性精神状态改变、胃肠道症状、收缩压≤100 mmHg、GCS<15、体温>38.5°C和P-乳酸>4 mmol/L。这些变量被组合成“Predict Sepsis筛查工具1”,见表3和图4。
在Predict Sepsis筛查工具2中,引入意识水平下降的合并变量(急性精神状态改变病史和/或GCS<15)并排除P-乳酸后,基于4个变量(见表3和图4),AUC未见明显降低。
Predict Sepsis筛查工具3基于单变量分析中与脓毒症显著相关的6项生命体征,对每项生命体征应用新计算的分类(见表3和图4)。
Predict Sepsis筛查工具1、2和3在很大程度上识别出相同的脓毒症患者;163名患者被三种工具均识别,8名患者被工具1和2识别但未被工具3识别,8名患者被工具1和3识别但未被工具2识别,1名患者仅被工具1识别,9名脓毒症患者未被任一工具识别。
Predict Sepsis筛查工具在引入评分前后的AUC见附加文件5和表3。Predict Sepsis筛查工具的灵敏度、特异度、预测值和似然比见表3。
讨论
这是首个在救护车环境中研究救护车内可测量变量与脓毒症结局之间关联的前瞻性研究。也是首个将症状变量纳入脓毒症筛查工具的研究。收缩压≤100 mmHg、体温>38.5 °C、GCS<15、P-乳酸>4 mmol/L、胃肠道症状以及急性精神状态改变的病史显示与脓毒症的关联最强。即在多变量分析中,两个症状和一项床旁检测与结局脓毒症显著相关。然而,有趣的是,生命体征作为一个变量组,是脓毒症最强的预测因素。
Predict Sepsis筛查工具1和2均包含症状变量。第二种工具仅基于四个变量,使其可作为无需嵌入电子系统的实用筛查工具使用。然而,Predict Sepsis筛查工具1和2的预测能力与Predict Sepsis筛查工具3相似,后者仅基于生命体征构建,但为每个纳入的生命体征计算了新的截断值。这意味着在当前研究人群中,添加症状变量和床旁检测并未明显提高脓毒症筛查工具的预测能力。
我们认为,决定推荐哪种工具的因素是工具将要应用的临床环境,因为这三种工具的预测能力相似。
脓毒症的预测因素
反映胃肠道症状和急性精神状态改变的关键词显示与脓毒症的关联比“经典”脓毒症症状(如发热病史)更强。这一发现是新颖的,表明这些症状需要更多关注。
收缩压、GCS和体温是与脓毒症关联最强的生命体征。然而,三分之一的脓毒症患者表现为正常收缩压,三分之二的患者GCS正常,三分之一的患者无发热。这与Suffoletto等人[11]先前的研究一致,该研究表明超过三分之一的严重感染患者到达救护车时生命体征正常。
P-乳酸是POCT检测中与脓毒症关联最强的指标,并被纳入部分模型。然而,在Predict Sepsis筛查工具2中排除P-乳酸并未明显降低预测能力。这引出了一个问题:筛查工具中略高的AUC所带来的益处是否值得临床侵入性步骤(即血液检测)的缺点。Singer等人先前的研究表明,在成人急诊科疑似脓毒症患者中,POCT乳酸具有中等至良好的特异性但灵敏度较低[30],而Moran等人指出乳酸的附加价值取决于所依据的预测模型[31]。
年龄已被证明是救护车患者中脓毒症的预测因素[9]。然而,本研究并未证实这一点,这可能是因为两个结局组(即脓毒症组和无脓毒症组)的中位年龄相似。
模型及筛查工具的比较
所有计算出的模型均显示出良好的AUC值。模型中纳入较少的变量并未明显影响AUC。这是有价值的信息,因为救护车环境是一个分秒必争的环境,使用较少的变量应能节省时间,除非筛查工具能够纳入电子决策支持系统。如果将筛查工具整合到电子系统中,所纳入变量的数量就不那么重要了。因此,哪种工具是最佳工具将取决于该工具计划如何在临床实践中实施,即作为手工操作的筛查工具还是作为电子决策支持工具。
开发一种兼顾高灵敏度与高特异性的工具是一项挑战。Predict Sepsis筛查工具和现有筛查工具[8, 10]的低特异性令人担忧,因为这可能导致假性脓毒症警报。然而,我们认为高灵敏度更为重要,因为主要的临床问题在于不能及时识别脓毒症患者[5, 6, 32]。兼顾高灵敏度与高特异性的一些困难可能与脓毒症表现的异质性有关。脓毒症很可能不是单一疾病,而是受微生物和宿主因素影响的多种病症,这可能导致了表现方面的异质性。这一推理得到了Seymour等人的支持,他们描述了脓毒症的多种表型[33]。
Predict Sepsis筛查工具的临床实施
在救护车中应用筛查工具的目的是提高脓毒症患者的识别率并实现及时治疗。先前的研究表明,当脓毒症患者由救护车人员识别时,至治疗的时间减半[5],这强调了在救护车中识别脓毒症患者的重要性。
Predict Sepsis筛查工具1包含乳酸测量,而这一项并非在所有急救车环境中均可实施。P-乳酸>4 mmol/L是多变量logistic回归分析中仍与脓毒症显著相关的变量之一。然而,包含乳酸的模型其预测能力并不优于排除这一有创步骤的模型。因此,我们认为乳酸测量缺乏合理性,因为从患者角度看,除了不适感外,它还可能导致脓毒症筛查和患者转运的延迟。
Predict Sepsis筛查工具2基于四个变量,其中两个为生命体征,两个为基于症状的变量。这使得Predict Sepsis筛查工具2在无计算机预警系统的急救车环境中可作为手动筛查工具使用。然而,实施Predict Sepsis筛查工具2要求急救人员询问所有临床怀疑感染的患者是否有胃肠道症状。由于这一询问不属于标准程序,因此可被视为一个缺点。
Predict Sepsis筛查工具3仅基于六项生命体征。该工具的优势在于生命体征在急救车护理中为常规测量项目。但值得注意的是,每项生命体征的截断值是在本研究中计算得出的,而非目前临床常规通常采用的截断值。Predict Sepsis筛查工具3的应用在配备计算机预警系统的环境中尤为可行,尽管该工具也可手动使用。
本研究的优势与局限性
本研究的优势在于前瞻性设计、将病史相关关键词和POC(即时检验)纳入分析的新颖概念(除生命体征外),以及采用计算得出的生命体征和POC检验截断值而非使用既往发表的截断水平。临床怀疑感染的患者在急救车中较为常见,识别那些有发生严重感染(如脓毒症)风险的患者具有重要意义。此外,本研究纳入了意识水平下降的患者,减少了选择偏倚。
本研究存在若干局限性。生命体征和POC检验的分类方式可能受到质疑。然而,分类变量在很大程度上遵循了连续变量的ROC曲线,支持截断值选择得当。
感染的定义可能会受到批评。Sepsis-1和-2共识文件[26, 34]将感染定义为“由致病性或潜在致病性微生物侵入通常无菌的组织/液体或体腔所引起的病理过程”。Sepsis-3既未包含感染的详细定义[20],也没有其他关于感染的共识标准。本研究使用的感染定义基于临床经验以及感染患者经常报告的症状,并已在既往发表文献中使用[6, 7, 12]。在本研究中,急救人员识别感染患者的能力较高;根据急救人员临床判断怀疑感染的患者中,92%符合预先设定的感染标准。我们认为,尽管这一特定定义存在潜在缺点,但使用严格的感染定义标准是一个优势。
此外,还存在一种固有风险,即筛查工具在其开发人群中的预测能力高于其他人群。因此,Predict Sepsis筛查工具需要外部验证。
最后,结果仅限于怀疑感染的急救患者这一特定人群,因此将结果推广到所有就诊于急救系统的患者人群是不正确的。研究在其他研究人群中加入症状变量和床旁即时检测(POC) tests的潜在获益将很有意义;也就是说,不仅在具有明显持续感染体征的患者中,而且在表现非特异性的患者中,因为这些患者未被识别为脓毒症的风险更高。
所开发的筛查工具在临床实施前需要外部验证,适用于根据急救人员临床判断怀疑感染的成人、非创伤急救患者。
结论
收缩压≤100 mmHg、体温>38.5 °C、GCS<15、乳酸>4 mmol/L、胃肠道症状以及急性精神状态改变病史显示与脓毒症的关联最强。我们提出了三种预测脓毒症的筛查工具,其敏感性相似。结果表明,在当前研究人群中,将症状变量和血液检测加入脓毒症筛查工具并未使预测能力出现明显提高。推荐使用哪种工具的主要决定因素是工具实施所在的临床环境,即是否具备基于计算机的警示系统。
补充信息
附加文件1-5。
参考来源
- Wallgren UM, Sjölin J, Järnbert-Pettersson H, et al. The predictive value of variables measurable in the ambulance and the development of the Predict Sepsis screening tools: a prospective cohort study. Scand J Trauma Resusc Emerg Med. 2020. PMID: 32586337. doi:10.1186/s13049-020-00745-6
- 全文:PMC7318751(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7318751/
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。