急诊急性中毒患者新中毒死亡评分系统的开发与验证
本研究为韩国疾控中心2011-2018年23家急诊科前瞻性队列的回顾性分析,纳入42,568例急性中毒患者,推导组34,352例(2011-2017年),验证组8,216例(2018年)。新-PMS由年龄、性别、毒物类型、中毒意图、暴露途径、收缩压、心率、呼吸频率、体温和AVPU意识状态10个预测因子组成,总分0-137分。推导组AUROC为0.941(95%CI 0.934-0.949),验证组为0.946(95%CI 0.929-0.964); cutoff值49分时,推导组敏感度86.4%、特异度87.2%、准确率87.2%,验证组分别为85.9%、89.5%、89.4%。风险分组:0-27分为极低危、28-40分为低危、41-55分为中危、≥56分为高危。该评分可用于急诊早期风险分层和临床决策。
要点
- 新-PMS总分0-137分,cutoff值49分预测院内死亡,推导组敏感度86.4%、特异度87.2%,验证组敏感度85.9%、特异度89.5%。
- 风险分组:0-27分极低危,28-40分低危,41-55分中危,≥56分高危;风险组AUROC推导组0.920、验证组0.927。
- 预测死亡率公式:Predicted mortality = 1/(1 + e−z),z = −9.763 + 0.126 × new-PMS。
- 10个预测因子:年龄、性别、毒物类型(8类44种)、中毒意图、暴露途径、收缩压、心率、呼吸频率、体温、AVPU意识状态。
- 推导组院内死亡率2.6%(909例),验证组1.6%(135例);暴露至急诊就诊中位时间2.0小时(IQR 1.0-2.0)。
适用人群与场景
- 纳入:2011-2018年韩国23家急诊科就诊的急性中毒患者,年龄不限,包括所有意图(非故意、故意、未知)和所有暴露途径(皮肤/眼/接触、口服、吸入)。
- 排除:从初始急诊转至其他医院者、中毒相关变量/初始生理变量/结局变量数据不完整者、急诊到院即死亡(DOA)者。
- 场景:急诊科,中毒早期阶段。
诊断标准与关键阈值
- 新-PMS评分 cutoff值49分用于预测院内死亡,推导组敏感度86.4%、特异度87.2%、准确率87.2%;验证组敏感度85.9%、特异度89.5%、准确率89.4%。
- 风险分组:0-27分为极低危(死亡率<0.1%),28-40分为低危(0.1-0.9%),41-55分为中危(1.0-9.9%),≥56分为高危(≥10.0%)。
- 预测死亡率方程:Predicted mortality = 1/(1 + e−z),z = −9.763 + 0.126 × new-PMS。
处置流程与药物剂量
- 第一步:在急诊接诊急性中毒患者时,采集年龄、性别、毒物类型(8类44种)、中毒意图、暴露途径、收缩压、心率、呼吸频率、体温和AVPU意识状态。
- 第二步:根据各变量类别计算新-PMS积分(总分0-137分),具体赋值见原文Table 4。
- 第三步:按总分进行风险分层:0-27分极低危,28-40分低危,41-55分中危,≥56分高危;或使用公式计算预测死亡率。
- 第四步:低危/极低危患者可考虑减少不必要的住院;中危/高危患者建议早期转至中毒治疗中心,并考虑毒理学特异性治疗和早期血流动力学稳定。
红旗征与不能漏的情况
- 急诊到院即死亡(DOA)患者被排除在评分开发之外,不适用该评分。
- 从初始急诊转至其他医院者被排除,不适用该评分。
- 中毒相关变量、初始生理变量或结局变量数据不完整者被排除,不适用该评分。
研究设计与关键结果
- 研究类型:回顾性分析韩国疾控中心2011-2018年23家急诊科前瞻性损伤监测队列。
- 样本量:57,326例中毒病例中筛选42,568例纳入,推导组34,352例(80.7%,2011-2017年),验证组8,216例(19.3%,2018年)。
- 主要终点:院内死亡。推导组死亡率2.6%(909例),验证组1.6%(135例),p<0.001。
- 新-PMS由10个预测因子组成,总分范围0-137分;推导组实际范围0-117分,验证组8-115分。
- 校准:Hosmer-Lemeshow检验推导组p=0.093,验证组p=0.768。
- 判别:推导组AUROC 0.941(95%CI 0.934-0.949,p<0.001),验证组AUROC 0.946(95%CI 0.929-0.964,p<0.001)。
- 风险分组AUROC:推导组0.920(95%CI 0.912-0.928,p<0.001),验证组0.927(95%CI 0.909-0.946,p<0.001)。
- 暴露至急诊就诊中位时间2.0小时(IQR 1.0-2.0小时);死亡亚组更可能年龄较大、男性、故意中毒、口服摄入、农药中毒,初始收缩压低、心率高、呼吸频率高、意识状态改变;暴露至就诊时间两组无显著差异(p=0.057)。
证据类型、等级与局限
- 证据类型:回顾性队列研究,基于前瞻性收集的注册数据,外部时间验证。
- 证据等级:原文未提及正式证据分级。
- 局限:排除缺失值病例可能导致选择偏倚;排除DOA患者;缺乏暴露剂量和暴露持续时间数据;毒物分为8类44种而非全部个体毒物;死亡率低(2.6%和1.6%),预测因子数量相对事件数可能过多,存在过拟合/高估性能风险;单国(韩国)多中心数据,外部普适性需进一步验证。
对床旁实践的改变
- 新-PMS可在急诊早期(基于初始生命体征和中毒特征)快速计算,帮助识别极低危/低危患者以减少不必要的住院。
- 中危(41-55分)和高危(≥56分)患者死亡风险急剧增加,建议早期转至中毒治疗中心并考虑毒理学特异性治疗和早期血流动力学稳定。
- 该评分不适用于到院即死亡(DOA)、转院患者或数据不完整者;不能替代临床判断。
- 预测死亡率公式可用于个体化风险评估,但需注意原文死亡率较低,模型性能可能过拟合。
指南或共识出处
- 原文未提及具体指南或共识名称;研究基于韩国疾控中心(KCDC)损伤监测队列,论文发表于Crit Care。
全文中译13 节 · 点击展开
背景
急性中毒是一个全球性健康问题,无论是故意还是意外中毒,预防死亡都至关重要。预测急性中毒患者的预后具有临床意义,即有助于及时和适当的治疗。然而,毒理学研究缺乏一种被广泛接受的评估中毒严重程度的方法[1–3]。中毒严重度评分(PSS)作为一种疾病特异性评分系统已被用于毒理学,但使用频率较低[4]。此外,它被误用或对其原始形式进行了修改[4]。目前,由于其独特的临床情况,其临床实用性有限,且不太可能应用于许多病例[4]。
已通过应用重症监护中使用的各种临床评分系统来探索急性中毒病例的死亡预测[5, 6]。急性生理与慢性健康评估(APACHE)评分和简化急性生理评分(SAPS)是重症监护病房常用的工具;它们用于预测特定中毒病例的结局[7, 8]。患者的死亡率取决于其生理状况和中毒的独特特征。物质类型、暴露途径和中毒意图影响急性中毒患者的结局。此外,有毒物质及其致死性通常未知。急性中毒患者的死亡预测模型必须同时考虑中毒相关特征和患者的生理状况;此外,它必须适用于所有年龄段的患者。本研究的目的是开发一种用于预测急诊科(ED)急性中毒患者死亡率的评分系统。这项工作将有助于急性中毒患者早期阶段的治疗分配和治疗决策。
方法
研究设计和研究患者的选择
本研究是对一个前瞻性队列(来自23个急诊科)的回顾性分析,即伤害监测队列,该队列由韩国疾病控制与预防中心(KCDC)于2011年至2018年生成。该登记库由前瞻性收集的急诊科就诊伤害患者的流行病学和结局变量数据组成[9]。该登记库将中毒病例纳入为一种伤害类型。我们从该队列中选择中毒患者。该选定登记库包括中毒患者的基线特征:年龄;性别;时间相关因素,如急诊科入院时间和毒物暴露时间;中毒相关变量,如中毒意图、暴露途径、物质类型(七类和44种物质);以及急诊科初始生命体征,如收缩压(SBP)、心率(HR)、呼吸频率(RR)、体温(BT);以及AVPU(A-警觉,V-语言反应,P-疼痛反应,U-无反应)精神状态量表。该登记库还包含结局相关变量,如急诊科或住院后死亡率。
从初始急诊科转至另一家医院的患者,以及中毒相关变量、初始生理状况相关变量或结局相关变量数据不完整的患者,以及急诊科到院即死亡(DOA)的患者被排除在本研究之外(图1)。
所选研究人群被分为两组:用于预测院内死亡率的推导组和用于对所建立预测模型进行外部验证的验证组(图1)。
韩国大学医院机构审查委员会批准了本研究(IRB编号2020AN0195)。
数据分析
主要结局为院内死亡率。我们比较了推导组和验证组中毒患者的特征(表1)。分析了年龄、性别、从毒物暴露到急诊科(ED)就诊的时间间隔、物质类别、中毒意图、暴露途径、患者到达ED时的生命体征以及院内死亡率(表1)。为进行分析,与中毒特征相关的变量分类如下:中毒意图:(1)非故意,(2)故意,(3)未知;暴露途径:(1)皮肤、眼部或接触;(2)口服;(3)吸入。共有44种有毒物质,分为A至H八个类别。分类时,我们考虑了物质类型的分类。此外,我们根据每种物质的死亡率指数(MI)将同一分类下的物质进行归类:(A)MI低于0.5%的药物制剂,(B)MI为0.5–5%的药物制剂,(C)MI低于1.0%的人工有毒物质,(D)MI为1.0–10.0%的人工有毒物质或农药,(E)MI为11.0–20.0%的人工有毒物质或农药,(F)MI为52.5%的百草枯,(G)MI低于1.0%的气体,(H)MI低于1.0%的天然有毒物质(表2)(附加文件1更详细地展示了这一点[见附加文件1])。MI通过将死亡人数除以暴露于特定物质的患者总数来估算。然后乘以100并以百分比表示。患者的生理变量包括年龄、收缩压(SBP)、心率(HR)、呼吸频率(RR)、体温(BT)和精神状态(AVPU量表)。它们根据SAPS-II中的预测因子进行分类[10]。然而,SAPS-II不包括RR评分。因此,我们根据正常范围(12–24次/分钟)对RR进行分类。
新中毒死亡率评分系统的开发
我们开发了一种新的中毒死亡率评分系统(new-PMS),以为推导组(KCDC队列2011–2017年数据)建立预测模型(图1)。在推导组中,我们比较了到达ED后存活并出院的患者(存活亚组)与在医院死亡的患者(院内死亡亚组)之间的人口学特征、中毒相关变量和初始生命体征(表3)。我们选择了在急性中毒中具有统计学和临床意义的变量作为开发new-PMS的预测因子[11]。各预测因子类别的分值使用多变量logistic回归计算。每个类别的回归系数通过除以模型中最小的回归系数转换为分值(表4)[12]。预测因子中各类别分值之和即为new-PMS。
新PMS模型性能的评估
从校准度和区分度两方面评估新PMS的统计性能。采用Hosmer–Lemeshow拟合优度检验评估观察死亡率与预测死亡率之间的一致性,以评价新PMS的校准能力。采用灵敏度、特异度、准确度和受试者工作特征曲线下面积(AUROC)评价新PMS的区分性能。计算灵敏度、特异度和准确度的最佳截断值为ROC曲线上各点与左上角之间的最短距离。通过计算验证组(KCDC队列2018年数据)的AUROC实现外部时间验证。
为便于临床环境中的简单解读,我们创建了风险分组。首先,我们根据Hosmer–Lemeshow检验创建了10个大小相等的评分组。接下来,我们根据各评分组的死亡率将其分为以下四个风险组:低于0.1%为极低危,0.1–0.9%为低危,1.0–9.9%为中危,10.0%或更高为高危[13]。分别在推导组和验证组中考察AUROC和观察死亡率[11, 13]。此外,我们引入了一个通过新PMS的logistic回归计算预测死亡率的方程。
统计分析
连续变量以中位数和四分位间距报告。中位数的差异采用Mann–Whitney U检验比较。分类变量采用卡方检验比较。灵敏度、特异度、准确度和AUROC以95%置信区间(CI)报告。所有统计分析均使用SPSS 20.0版(IBM Corp.,Armonk,NY,USA)进行。双侧p值小于0.05被认为具有统计学意义。
结果
研究人群的选择和结局
在57,326例中毒病例中,排除了14,758例(25.7%)(图1)。在纳入的42,568例患者中,分别有34,352例(80.7%)和8216例(19.3%)纳入推导组和验证组(图1)。在研究人群中,从毒物暴露到急诊就诊的中位时间为2.0 h(四分位间距1.0–2.0 h)。推导组和验证组的院内死亡率分别为909例(2.6%)和135例(1.6%)(p < 0.001)(表1)。推导组和验证组的特征见表1。
推导组中新PMS的开发
我们比较了推导组内存活者与院内死亡亚组之间的特征(表3)。各亚组的人口学特征、中毒相关变量和初始生命体征见表3。与存活者亚组相比,院内死亡亚组患者年龄更大、男性、故意中毒、经口摄入和农药中毒的可能性更高;他们初始还表现为较低的SBP、较高的HR、较高的RR和意识状态改变。从毒物暴露到急诊就诊的时间在存活者与院内死亡亚组之间无显著差异(p = 0.057)。
我们基于临床推理和统计学显著性从这些变量中选择了10个预测因子。这10个预测因子(年龄、性别、物质类型、中毒意图、中毒途径、收缩压(SBP)、心率(HR)、呼吸频率(RR)、体温(BT)和AVPU量表)及各预测因子的分类见表4。采用多变量逻辑回归计算各预测因子分类的评分。首先,我们在多变量逻辑回归模型中估计各预测因子分类的回归系数(B)。其次,选择模型中最小B值作为基础常数B。多变量模型中的基础常数B为0.124(表4)。我们使用公式B/0.124将各预测因子的B分类转换为评分(表3)[11]。各预测因子的评分见表4。新-PMS为各预测因子评分之和。新-PSS的最低至最高可能范围为0–137分。新-PSS的实际范围在推导组和验证组中分别为0–117分和8–115分。
新-PMS的性能评估
推导组中AUROC为0.941(95% CI:0.934–0.949),显著较高(p < 0.001)(图2a)。最佳截断值为49分。新-PMS预测急性中毒病例院内死亡率的统计学性能见表5。新-PMS的外部时间验证分析在验证组中也显示出显著较高的AUROC为0.946(95% CI 0.929–0.964)(p < 0.001)(图2b)。
在临床环境中为便于简单解读而进行风险分组时,根据新-PMS将患者分为四类:0–27分,极低风险;28–40分,低风险;41–55分,中等风险;56分及以上,高风险。表6呈现了四个风险组的观察死亡率。风险分组的AUROC在推导组和验证组中分别为0.920(95% CI 0.912–0.928,p < 0.001)和0.927(95% CI 0.909–0.946,p < 0.001)。预测院内死亡率的方程如下:预测死亡率 = 1/(1 + e−z),z = − 9.763 + 0.126 × 新-PMS。
讨论
中毒患者的结果预测系统研究很少。因此,我们开发了新-PMS以预测急性中毒患者的死亡概率。新-PMS是一个简化的评分系统,具有多项优点,即使用客观预测因子、快速评估死亡风险和可在临床环境中早期应用。
重症监护病房(ICU)中使用的几种疾病严重程度模型可应用于急性中毒患者。Silakhori[14]报告称,APACHE-II、APACHE-IV、SAPS-II和序贯器官衰竭评估对中毒患者具有可接受的判别能力,APACHE II可用于入院早期死亡预测。然而,在其研究中,入院第一天APACHE-II的AUROC仅为0.77。他们未考虑中毒相关因素。在临床环境中预测急性中毒结局时,我们必须同时考虑患者的生理状况和中毒的独特特征。new-PMS反映了急性中毒患者的两大特征,即中毒特征和中毒后早期生理状况。
Lionte[2]开发了一种用于药物和非药物毒物中毒成人院内死亡的风险预测列线图。其列线图在验证组中的AUROC为0.949,与我们的验证组AUROC(0.946)相似。然而,Lionte的研究使用了一些检验变量作为预测因子,且仅纳入ICU或非ICU病房的患者,样本量较小。我们的研究与Lionte的研究不同,因为我们进行了风险分组并引入了用于预测院内死亡的方程(供临床使用),而非使用列线图。此外,我们的研究纳入了所有因急性中毒住院、从急诊科出院的患者,样本量大,为23个基于急诊科的队列。我们期望new-PMS可通过风险分组和在急诊科计算预测死亡率,应用于从极轻度到重度的急性中毒病例。
鉴于个别外源化学物的独特特征,许多研究者尝试在特定外源化学物中毒患者中应用生理学评分系统[7, 8, 15–18]。Peter[7]比较了APACHE-II、SAPS-II和PSS在急性有机磷中毒中的性能。在其研究中,APACHE-II、SAPS-II和PSS的AUROC分别为0.77、0.75和0.67。针对特定毒物的既往结局预测模型在应用于广泛中毒患者时价值有限。在本研究中,new-PMS在预测死亡率方面表现出优异性能,在所有急性中毒患者中AUROC均超过0.9,无论中毒原因、毒物类型、年龄和性别如何。本研究是一次开发新评分系统(作为PSS的替代)用于中毒患者结局预测的尝试。
我们使用多变量逻辑回归方法为每个预测因子的类别分配分值。该方法常用于开发预后预测模型[11, 12]。该方法已在众多研究中用于建立风险评分系统[19, 20]。每个预测因子的参考类别根据SAPS II中最低死亡率作为参考类别或正常生理变量值来确定[10]。例如,40岁人群的死亡率为0.04%,为所有年龄组中最低,且SAPS II中的分值为0(表2)。
根据AUROC的一般指南,new-PMS在推导组和验证组中的表现均非常优秀[21]。在模拟研究中,预测模型的外部验证要求主要结局事件至少达到100例,因为小型外部验证研究不可靠且不准确[22–24]。我们的验证组共有135例死亡病例,来自总计8216例中毒病例。
为便于在临床环境中使用,我们根据new-PMS构建了四个风险组。该风险组在验证组中显示出较高的AUROC(0.927)。观察到的死亡率随风险评分等级升高而增加,并与推导组和验证组中的死亡概率相一致。我们预期new-PMS有助于客观区分极低风险或低风险患者,从而减少不必要的住院。此外,高评分患者可在治疗早期转送至中毒治疗中心。进一步而言,new-PMS中风险评分为中危和高危的急性中毒患者死亡风险急剧升高。这些结果提示,在急诊科对中危和高危患者进行毒理学特异性治疗和早期血流动力学稳定可能改善其临床结局。new-PMS将有助于急性中毒患者的临床决策和治疗指导。
局限性
第一,在本研究中,我们排除了中毒、结局和生命体征相关变量存在缺失值的病例。传统的“完整病例”分析可能导致研究对象的选择偏倚和统计效率低下的结果[11]。此外,我们将到院时已死亡(DOA)患者排除在本研究之外,因为我们认为这些患者无需针对急性中毒的特异性治疗。第二,口服摄入病例的暴露量和吸入或表面吸收病例的暴露持续时间对于预测急性中毒患者的结局很重要。遗憾的是,我们的队列没有关于暴露量和毒液注入(如动物咬伤)的数据。然而,本研究开发的new-PMS纳入了中毒的独特特征,如中毒意图和中毒途径。第三,我们将毒物分为八类,包含44种特定物质。这是因为全部44种物质无法全部纳入多变量logistic回归。中毒的临床严重程度可从无症状到致死,取决于毒物的特异性。例如,已知百草枯等特定毒物无论其他预测因素如何均具有高死亡率[25]。在本研究中,我们将百草枯视为一个独立的物质类别。机器学习系统有潜力预测死亡率或在急诊科患者中开展疾病早期检测[26]。因此,未来我们可以尝试使用多种机器学习技术,纳入44种特定物质而不进行分类,以提高预测模型的性能。最后,本研究中观察到的死亡率分别低至推导组的2.6%和验证组的1.6%。如果预测因素的数量远大于结局事件的数量,则存在高估/过拟合模型预测性能的风险[11]。
结论
我们基于急诊科患者的人口学特征、中毒相关变量和生命体征,开发了一个新的PMS系统。新PMS在推导组和验证组中均表现出良好的院内死亡预测性能,具有客观性,可应用于中毒早期阶段。新PMS将有助于急诊科急性中毒患者的临床决策。
补充信息
附加文件1。根据物质类别划分的物质分类及死亡指数。
参考来源
- Han KS, Kim SJ, Lee EJ, et al. Development and validation of new poisoning mortality score system for patients with acute poisoning at the emergency department. Crit Care. 2021. PMID: 33461588. doi:10.1186/s13054-020-03408-1
- 全文:PMC7814606(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7814606/
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。