文摘
背景。我们描述一个列线图解释急性疾病严重程度模型,来自急诊室分流和承认实验室数据,来预测30天的紧急医疗入学后住院生还。方法。紧急医疗招生50612名患者(96305集)2002年至2016年间,30天的住院死亡率和住院实验室数据之间的关系确定使用逻辑回归。之前验证急性疾病严重程度模型然后转置到Kattan-style列线图,占据用户编写的程序。结果。急性疾病严重程度是基于承认曼彻斯特分类类别和生化实验室分数;后者是基于血清白蛋白,钠、钾、尿素、红细胞分布宽度,和肌钙蛋白状态。实验室录取数据预测的AUROC 0.85(95%置信区间CI: 0.85, 0.86)。的敏感性为94.4%,特异性为62.7%。阳性预测值为21.2%,阴性预测值为99.1%。Kattan-style的诺模图,回归系数转换为100分制的预测概率参数映射到一个轴。床边的诺模图将是一个易于使用的工具和教育目的,说明每个预测的贡献的相对重要性的整体得分。结论。诺模图来说明和解释的预后因素潜在的急性疾病严重程度评分系统。
1。介绍
早期急性药物包括直接和专家管理的成年病人需要紧急护理医疗条件(1]。已经承认医疗管理的标准化方面对许多条件,如中风和心肌梗死导致改善结果(2,3]。通过建立急性医疗保健改革招生单位(AMAU) [4- - - - - -6),除了实现其他结构性变化(7,8)和高级顾问的干预措施(9),导致改善患者的结果。住院死亡率预测参数的能力聚集在入学时间提供了一种机制,集中有限的资源在高风险患者10]。
困难,利用预测方法和应用决策分析在床边是它通常要求计算机软件的计算,这可能使这种方法不切实际(11]。另外,死亡风险预测,结合生理或生化参数的贡献组合,可以使用一个简单的计算图形计算工具叫做诺模图(12]。这些工具被用来预测住院死亡率在成人急性中毒应急部门(13危险分层,在急性冠脉综合征(14,15和风险评估对重症监护病人12]。列线图可以体现源自回归预测模型;后续的设计、使用的列线图可以打印,作为一个教育工具或协助个性化临床决策床边的电脑(没有任何要求11]。在这个工作我们现在的诺模图预测30天的所有医疗住院患者住院死亡率承认通过我们中心的急诊室。的诺模图是基于数据的时候会立即紧急医疗承认这个模型,然后与一个完整的模型包括所有可用预测回顾。
2。方法
2.1。背景
圣詹姆斯医院、都柏林、作为二级护理应急中心招生的排水区人口270000名成年人。紧急医疗招生都承认的ED急性医疗招生单位,其他地方描述的操作和结果(5,16]。
2.2。数据收集
采用匿名病人数据库,整理核心从病人的临床事件的信息管理系统(PAS),国立医院住院询盘(摔倒)计划,病人电子记录,急诊室,实验室系统。摔倒是一个国家的数据库编码放电总结从急性公立医院在爱尔兰17,18]。国际疾病分类,第九次修订,临床修改(ICD-9-CM),已被用于诊断和程序编码与ICD-10-CM从1990年到2005年使用。数据包括参数如独特的医院数量,承认顾问,出生日期、性别、居住区域,本金和九个额外的辅助诊断,本金和九个额外的辅助程序,住院和出院日期。附加信息交联并自动上传到数据库包括生理、血液学的和生化参数。
2.3。风险预测
错乱的生化参数可以利用预测临床结果。我们以前派生和应用急性疾病严重程度评分(19,20.),预测住院死亡率以下参数记录在ED (21]。加权年龄调整分派生;六个风险组(I-VI)被确定为30天的住院死亡率有切断1,2,4,8 16%。我们调整了疾病使用Charlson指数[22)和禁用疾病(23]IDC9 / ICD10放电的1、2、3或4个独立的系统(如心血管、呼吸道、糖尿病和肾脏)。此外,脓毒症的类别(1)没有文化要求(2)文化负面的,和(3)文化积极的检查。分类类别,基于曼彻斯特分类系统(24类别1(复苏),类别2(很急),三级(紧急),4级(标准),5级(非紧急)。
在这项研究中,我们研究两组参数。一个参数集,用于“完整”的模式,包括所有可用参数,包括那些可用的回顾,这是一个30天的住院死亡率的预测。第二个预测集,用于承认模型,包括那些预测这将是立即紧急医疗住院的时候。其中包括年龄、入院诊断、红细胞分布宽度(RDW),钠、尿素和白蛋白。
2.4。统计方法
背景人口数据的描述性统计计算,包括意味着/标准差(SD),中位数和四分位范围(差),或百分比。对比使用卡方测试分类变量和死亡率。
我们评估了预测结果和预测变量定义,包括年龄、急性疾病严重程度评分(19,20.],Charlson发病率指数[22)、慢性禁用分数(23)、脓毒症状态(25),承认分类类别(24在完整的模型。录取模式包括以下因素:年龄、入院诊断、红细胞分布宽度(RDW),钠、尿素和白蛋白。我们雇了一个物流模型估算允许集群强劲;之间的相关矩阵从而反映平均依赖指定相关的观察(19]。逻辑回归分析确定潜在的死亡率预测,然后测试那些被证明是重要的单变量预测( 瓦尔德测试)。从这些多变量的分段多项式(MFP)逻辑回归模型,准确地预测30天的住院死亡率的概率。汉利和麦克尼尔方法被用来估计AUROC统计(26相比,接收机运营商曲线下的面积(如前所述)(27]。Kattan-style的诺模图实现了占据用户编写的程序“normolog”二元逻辑回归预测模型(28),代表了录取模式。
调整后的优势比(或)和95%置信区间(CI)或内部收益率计算那些显著的预测进入模型( )。统计学意义的 是假定。占据v.13.1(占据公司,大学城,德克萨斯州)使用统计软件进行分析。
3所示。结果
3.1。病人的人口统计
共96305集50612年独特的病人承认从医院急救排水区15年研究期间(2002 - 2016)。这些情节代表所有紧急医疗招生,包括病人直接进入重症监护室或高依赖单元,分别。男性的比例是48.7%。中值(差)的长度保持(LOS)为5.2(2.0,13.1)天。(差)的年龄中位数是62.1(40.3,78.4)岁,上边界10%至86.1岁。
3.2。风险预测因子包括急性疾病严重程度(表1,图1)
表1提出了完整的30天的住院死亡率模型的数据,如前所述[19]。基于30天死亡率的结果(每个病人只计算一次,最后录取入学如果> 1),6组被定义为30天死亡率风险的组我- 0.2%,组2 - 0.1%,组3 - 0.6%,第四组- 1.8%,v - 4.6%,组和组vi - 25.2%。其他预测变量包括Charlson发病率指数(22),慢性致残性分数(23)和脓毒症状态(25),承认分类类别(24]。
Charlson发病率组Gr的30天死亡率0 - 2.9%,Gr - 9.4%, Gr 2 - 22.8%。慢性致残性得分,30天死亡率Gr 0 - 1.0%, Gr - 3.5%, Gr iii - 7.8%,第四Gr - 14.3%,和Gr v - 28.4%。脓毒症状态,30天死亡率没有血培养5.5%,血培养(消极的)17.7%,和血培养(积极的)31.6%。曼彻斯特分类类别,30天死亡率类别1(复苏)42.3%,第二类(很急)11.3%,三级(紧急)5.7% %。完整的模型预测的AUROC 0.90(95%置信区间CI: 0.89, 0.90)(图1)。的敏感性是94.8%,特异性66.8%。阳性预测值为23.3%,阴性预测值为99.2%。70%的患者被正确分类。
时的紧急医疗承认,然而,执业医生的可用数据有限得多。ED使用四个类别的紧迫性与曼彻斯特分流得分,分级复苏(2.4%),很急(42.5%)、紧急(44.2%),和其他的成绩(10.9%)。绝大多数的紧急医疗招生分为紧急或更高,只有10.9%的小等级的紧迫性被承认。承认生物化学和肌钙蛋白将立即可用,但感染性屏幕的结果(如果请求血培养)将不会用于24小时或更多。因此我们计算预测结果(30天的住院死亡率)和计算图表的数据可能是立即可用,包括年龄、入院诊断、红细胞分布宽度(RDW),钠、尿素和白蛋白。实验室模型子集预测的AUROC 0.85(95%置信区间CI: 0.85, 0.86)。的敏感性是94.4%,特异性62.7%。阳性预测值为21.2%,阴性预测值为99.1%与65.8%的病人正确分类。
3.3。进入实验室和分类列线图(数据2- - - - - -4)
承认实验室数据预测30天死亡率的结果但有不同的关系。白蛋白或钠值预测生存而高尿素或RDW十分位数与一个恶化的结果(数据有关2和3)。逻辑回归的诺模图来源于逻辑回归,而是比供应完整的回归公式或与所有回归系数表,有一个可视化表示。列线图是一个精密的机械计算的简单方法类似于对数的统治者。一条垂直线是来自每个输入变量第一规模(个人得分),和这些输出的总和是用来计算的死亡风险较低的规模(总分)(图4)。举个例子,一个病人是承认分类类别“紧急”,没有肌钙蛋白的估计,和实验室的价值观红细胞分布宽度(RDW) 18,钠130更易/ l,尿素20,白蛋白30 G / dL 80岁年。这将近似分类3点,RDW 4分,钠1.5点,尿素2分,和年龄3.5分。14分的总分然后将携带一个30天死亡率约为10%,从规模较低的读出。每个病人的死亡率在过去三年里为7.1%(95%置信区间:6.7—-7.6);80岁的病人,紧急修复,可能有一个6/7点得分与上述风险;在该地区的15分将等同于20%的风险。
4所示。讨论
有很多讨论和兴趣提高紧急医疗招生的结果;这可能专注于急性药物交付通过一个急性医疗改革招生单位(AMAU) [4- - - - - -6),或与其他结构性改革7,8),或者高级顾问干预的存在(9]。在我们的机构在2003年发起的改革与一个AMAU期望它会带来临床效率,减少单位医院停留时间没有一定的变更在临床死亡的结果。然而,在随后的15年期间,有一个相对风险降低存款准备金率的33.9%在30天医院集住院死亡率从7.0%到4.6%,当在每个病人的基础上计算(计算最后承认如果> 1集),一个有61.7%的存款准备金率从15.1%到5.8%(在2002年和2016年之间)。死亡率下降本质上作为一种随着时间的线性函数,而医院洛杉矶几乎没有改变。这一结果使我们系统地分析影响医院死亡率的因素。我们的诺模图是为了澄清和简化风险预测和理解作为一个援助的相对贡献不同的参数对整个医院死亡率风险。
我们产生两种不同的预测模型,分别结合不同的预后因素,包括入学生理或生化参数除了预测变量,如Charlson发病率指数(22),慢性致残疾病评分(23)、脓毒症状态(25),承认分类类别(24]。完整的模型包含所有可用的参数,证明了预测的30天的住院死亡,返回一个AUROC 0.90(95%置信区间CI: 0.89, 0.90)。第二个模型,计算图表表示图形,利用这些参数只有立即执业医生紧急医疗时承认,返回一个AUROC为0.85 (95% CI: 0.85, 0.86)。因此,我们的诺模图模型提供了一个决策分析工具为个性化的决策,协助临床医生很少损失预测精度与完整的预测模型。列线图的说明性的性质允许直观的理解是如何不同的预测因素导致的风险。
实验室数据分数预测住院死亡率曾在文献报道。wii等人提出了一个基于年龄、逻辑回归模型的招生模式,白蛋白、血红蛋白,“,尿素,电解质,肌酐实验室得分模型导致的AUROC 0.78和预测早期入院后死亡29日]。在另一项单中心的研究中,据报道,逻辑回归模型使用年龄,白蛋白,碱性磷酸酶,天冬氨酸转氨酶、血尿素氮、葡萄糖、乳酸脱氢酶、中性粒细胞计数,和总“预测住院死亡率的AUROC 0.89 [30.]。另一个模型结合临床和实验室数据包括年龄、生命体征、磷酸盐和白蛋白水平报道的AUROC 0.84 [31日]。这些模型来自研究在单一医院执行和验证;然而,一些利用参数可能不定期测量其他地方,让他们在不同的临床验证中心困难。广泛认可的评分系统用于急性医疗单位在英国是修改后的早期预警评分(19,32]。虽然这分数是用于强调那些生命垂危的病人可能需要转移到重症监护室,它更适用于临床恶化预防的目的。我们的模型侧重于一般录取系统主要是用来调整风险不同组的患者,当正在寻找一个干预。然而,我们的模型不仅与这些模型的准确性比较积极的文学,还提出了一种模型结合常用的和可用的数据,增加了文学在这方面。
一般来说,临床结果为整个人口住院可以使用承认实验数据预测(30.,33]。特定的重要预测因子不足或hypernatraemia [34- - - - - -37],hypoalbuminaemia [38,39),高血糖症(40- - - - - -43]。升高血清尿素也被证明是预后的意义(36,44]。我们先前描述的急性疾病严重程度评分(19,45]预测住院死亡率依赖实验室检测(即的承认。,serum sodium (Na), serum potassium (K), serum urea, haematocrit or RDW, and white blood cell count (WCC)). This used a multivariate fractional polynomial method [46]。调整的原则是(年龄)生化扰动程度反映了疾病严重程度和预测的结果。承认钾和白细胞计数贡献小的整体预测这个词导致减少模型被雇佣的诺模图。
可能是明显的实验室参数预测不同。例如,高白蛋白或钠值预测生存而高尿素或RDW十分位数与一个恶化的结果(数据有关2和3)。这些关系显然是强烈的预测;然而,结果的关系可能受到偏见。的钠,我们曾报道,预测死亡率与u型分布和钠患者钠水平最高的是< 125 > 140更易与l (34];u型死亡率曲线(描述很47];然而,这一结果是受到一个集截止点;在我们“等分”分裂的病人,整体关系显示了一个与钠下降总体死亡率下降的结果。检查这种洞察力的诺模图可以解释为什么一个病人钠150更易与l是给更少的重量的计算的风险30天死亡率相比,更高的体重给患者承认钠120更易/ l。也可以欣赏,RDW,白蛋白,尿素,光滑的分级风险在更广泛的死亡风险,确保这三个参数有一个分数范围宽明显诺模图,使用这些参数导致的整体预测,与钠和肌钙蛋白评估(肌钙蛋白category-no肌钙蛋白请求(1)-(2),或请求(3)阳性结果)。
住院死亡率的计算(那些幸存下来的比例住院)可能很复杂。紧急医疗招生从2012年到2016年,在我们的中心,30天医院死亡率是4.6%(95%置信区间:4.4—-4.7);然而,在这个扩展的时期,只有34.5%的病人有一个单一的承认;另外大约有5%的人承认10倍以上。病人可能只有一次死亡,而病人多次承认只能死在他们最后的录取。当占独特的病人(去年入学只有> 1入学),死亡率估计更高为8.9%(95%置信区间:8.6—-9.1)。鉴于我们机构的死亡率已经下降随着时间的推移,最近时期可能更能反映当前的现实。过去三年的死亡率,通过集或独特的患者中,4.2%(95%置信区间:3.9—-4.4)和7.1%(95%置信区间:6.7—-7.6),分别。因此,死亡率的方法计算时,必须仔细考虑评估任何预测的总体效用;本研究的预测来自计算结果在整个15年时期,在每个病人的基础上(即。,而不是集)。 Most patients will survive the acute episode although the longer-term outcome, particularly for older persons, may be more guarded with 1-yr mortality rates approaching 20% or more [48,49]。尽管30天死亡率的预测算法的灵敏度非常高,可能有很多错误的预测,即使在高风险的子集,从而导致更低的灵敏度。
决策分析可以使用临床医生决定在替代治疗在急性上下文中strategies-perhaps分层风险和最多将稀缺资源集中在那些风险(10]。如前所述,在床边应用个性化决策分析一般需要计算机软件计算和风险,因此,该方法可能是不切实际的。在这个工作我们现在的诺模图合并了来自回归模型相结合的预测预后因素来提高预测的精度计算图表可以用来应用决策分析模型与小损失预测的准确性(11]。
对于任何研究中,这项工作既有优点和局限性。的优势在于综合特性数据整理花了15年时间。进一步,我们总比分使用常规实验室检测和肌钙蛋白,参数通常收集和可用的紧急医疗过程中承认。实验室测试被认为是精确和公正的,通常可用入学后在短期内。虽然可以认为不同的实验室可能使用不同的方法和不同的正常范围,这些不太可能显著不同的许多日常决定,全血细胞计数和尿素和电解质等决定。一旦数据被提供给临床医生,一个算法估计死亡的风险通过30天可以将患者分为风险组。我们建议设置被切断,风险增加一倍,分成六组底部风险估计< 1%,随后的分界线2、4、8和16%,分别。这种策略如何影响临床护理和结果是投机,但可能是有趣的调查。进一步说,考虑到这是一个单中心研究中,每个参数的贡献需要建立不同的医院。
5。结论
在结论中,我们提出了一个计算图表预测30天的住院死亡率为所有通过急诊科医疗住院病人承认我们的中心。列线图试图澄清和简化风险预测和提供额外帮助临床医生了解不同参数的相对贡献整体影响医院患者的死亡风险。诺模图提供了一种应用个性化决策分析在床边或作为一个教育工具。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。