儿童医院获得性营养不良的统计风险特征及风险评分

摘要

背景．营养不良是一个全球性的健康问题，也是每个国家面临的挑战。它可能以任何形式发生，影响所有年龄层，包括儿童。我们特别关注儿科患者的所谓医院获得性营养不良(HaM)。我们的目的是探讨此类营养不良的统计危险因素或特征，并预测其风险评分。方法. 本研究采用横断面设计，研究对象为1个月至18岁住院至少72小时的儿童。我们使用了来自2017年入院的308例儿科患者病历的二级数据。我们排除了患者是否患有肿瘤或器官肿大、液体潴留和脱水的数据。HaM是根据住院期间每天的体重减轻情况确定的，直到出院。对描述性统计和推断性统计进行统计数据分析。我们的预测模型是通过线性回归得到的，风险评分是通过logistic回归得到的。结果。研究结果显示了火腿流行的几个风险因素或特征：性别、年龄、医疗诊断、饮食、营养途径和新闻评分。儿科患者的早期预警系统是通过计算风险中的营养不良进行的，其中超过100.5的值被认为是火腿的高潜在风险。结论．护士需要监测儿童患者的病情，包括定期测量人体测量仪，以确定HaM的初始体征。

1.背景

营养不良是一个广义的术语，用来描述营养不平衡，营养过剩或营养不足。营养不良的病例可能发生在居民区的人身上，例如，见Pal [1];Yang等人[2];Headey等人[3.];Ekbrand和Halleröd [4]和/或向医院的病人，例如德阿基诺和菲利比[5];Barker等[6];朱斯滕和胡斯特[7]; Curtis等人[8];Gouveia和Silva [9];贝塞尔等[10];Maia等人[11];和Sanz等人[12]。这是一个有趣的话题，从卫生从业人员（包括护士和统计学家）的角度来看，在统计学上具有挑战性。在这项研究中，我们特别关注印度尼西亚一家顶级转诊医院的儿科患者的所谓医院获得性营养不良（HaM）。

营养不良，包括医院环境中的营养不良，仍然是一个全球性问题。Pacheco-Acosta等人的一项研究[13显示医院50%的病人营养不良。营养不良可能发生在患者第一次入院时，并可能在住院期间恶化。根据在加拿大进行的一项研究，39.6%的1个月至19岁入院的患者营养不良[14］.这种情况可能导致住院期间营养状况恶化。

Moeeni等人[15，16]在伊朗和新西兰进行了研究，发现营养状况良好的儿科患者往往出现营养不良。此外，中低营养不良的儿科患者住院期间出现严重营养不良的风险较高。这与那些营养不良程度高的人相反，因为他们受到了友好的监测、观察和评估[15- - - - - -17］.

在HaM的病例中，患者在住院期间的营养状况恶化，描述为体重下降[18，也见Lang等人[19]用于重量变化的统计分析。Campanozzi等人[20.]将HaM定义为住院72小时后营养状况的下降。Pacheco-Acosta等人[13在他们的研究中，当患者的体重减轻时，确定患者是否经历了HaM和体重指数下降SD，而Joosten和Hulst[7和Villares等人[21]与入院时的体重指数相比，使用0.25标准偏差的体重指数，48小时后声称的营养状况下降。

基于前面提到的几个定义，本研究中的HaM的定义是基于研究者的判断而确定的，因为目前还没有理想的方法来定义HaM，尤其是在儿童中。请注意，在任何HaM设置或场景中，定量健康问题或相关问题可能是简单或复杂的，参见Lang等人[19]用于重量变化的统计分析。因此，统计数据分析在确定和预测风险特征或因素方面起着重要的作用。

在本文中，我们探讨了HaM案例的风险特征。我们专门确定对营养不良病例有重大影响的因素。注意,这些因素可以被归类为严重营养不良或营养不良的频率,而前者强调病人的体重本身,后者回答的问题(我)有多少例营养不良对某些因素和(2)有多少病人一定程度的营养不良(低风险、中度风险和高)(参见，例如Syuhada和Nur 'aini [22]以查找与严重程度和频率风险相关的分布)。最终的问题是HaM数据的统计建模。常见的是，发现和确定危险因素可能是通过回归模型，而营养不良的风险水平是通过logistic回归分类。通过这些统计分析，我们确定在哪个水平的哈姆风险附加到患者。

2.方法

2．1.研究设计

本研究采用横断面设计，使用在印度尼西亚一家顶级转诊医院住院至少72小时的1个月至18岁患者的医疗记录。肿瘤和器官肿大、液体潴留和脱水的患者被排除在研究之外。

这项研究是在印度尼西亚首都的一家顶级转诊医院进行的（由于研究人员与该医院之间的研究合同，无法提及该医院的名称）。入住该医院的患者来自印度尼西亚不同省份。有五个与儿童相关的病房，即新生儿病房、儿科外科病房、儿科重症监护病房、儿科急诊病房和儿科普通病房。

研究人员从儿科病房收集了2017年1月至12月住院的患者ID号。然后，病历官找到可用的病历并将其提供给研究人员。研究人员开始根据研究人员之前制定的问卷收集数据，其中包括所有研究变量。根据纳入和排除标准的筛选过程以及所提供数据的完整性，分析了308份病历。

２.２.研究变量

获得的数据包括患者的身份(首字母缩写)、入院和出院日期、出生日期、医疗诊断、营养治疗和入院时的体重。通过比较患者入院时的体重和出院时的体重来确定医院获得性营养不良。

２.３.统计分析

采用SPSS 22进行统计分析。本研究对自变量进行单因素分析，以确定儿童患者的特点。收集性别、年龄和体重等变量作为数值数据。数值数据以平均值、标准差和峰度表示。

同时，还评估了其他特征，即年龄类别、营养途径、是否存在疼痛、呼吸困难、入院时的营养状况以及前三天的恶化状况。使用护理早期预警系统（NEWS）测量病情恶化情况，该系统是医院开发和使用的一种仪器，用于识别住院期间患者病情恶化情况。这些变量被认为是分类数据，然后使用比例测试进行分析，以测量每个类别的频率和百分比。

对于推断统计，通过卡方统计进行独立性检验，以检验权重差异与风险特征之间是否存在关系。对于预测模型，我们进行了线性回归建模，同时基于逻辑回归计算风险评分或营养不良风险（MaR）计算。

２.４.道德的考虑

本研究由印度尼西亚大学医学院伦理委员会批准。

3.结果

３．１．描述性统计

HaM的情况可以通过散点图进行统计。数字1显示每日体重( -轴)与选定的患者( -轴)，红点/标记表示患者第1天(入院时)的体重。当有一个黑点/标记时，它是一天之间体重差异的指示 ，我= 2，…，5,and day 1;当黑点位置在红点下方时，体重差为负(体重下降)，即患者体重下降。例如，3、4、7、11、13、16、17和18号患者体重减轻，而其他患者体重差异为正。

数字2通过正态曲线直方图显示了在参考正态分布情况下的统计权差行为。计算患者一天的体重差异 ，为 ，以及出院日期(D)，从第一天开始。第3天和第4天与第1天的体重差为负值(WeightDiff 31和WeightDiff 41)表明可能存在HaM病例。正态分布对数据的不适当性也建议使用其他重尾分布。

表格1显示患者从第1天到第5天及出院当天体重的统计数据(平均值、标准差和峰度)。它还显示了不同年龄层患者第1天和第2天的体重。患者住院期间体重虽有波动，但第5天体重较第1天体重下降0.21%。对于每个年龄段，患者的体重都有小幅下降，如婴儿(0.22%)、幼儿(0.07%)和青少年(0.02%)。标准差相对较高，说明患者体重的分散性较高。然而，我们观察到，当患者的体重被划分为婴儿、学步儿童、学龄前儿童、学龄儿童和青少年时，标准差相对较小。这种分布也被描述为其高峰度，特别是在其所属类别的患者体重(婴儿10.77，学步儿童37.56，学龄前儿童12.31);注意这比正态分布的峰度大，正态分布的峰度是3。

我们将患者人数列于表中2我们观察到的大多数儿童患者为男性（56%），而患者大多为学龄儿童。观察到的少数儿童患者被诊断为癌症（46%）。值得注意的是，住院期间的患者人数有所不同：第1天和第2天有308名患者，第3天有300名患者，第4天有286名患者，第5天有260名患者。这是因为一些患者在研究期间出院。

有趣的是，患者每天的数量是如何根据饮食(患者主要食用常规食物，约60%-62%)和营养途径(以口服营养途径为主)而变化的。肠内和肠外途径的病例分别较低。大多数患儿住院期间无疼痛(超过79%)，第1 - 5天无呼吸困难(超过81%)。根据NEWS(护理预警系统)评分，大多数儿科患者的评分为绿色(超过80%)，表明病情稳定。如上所述，Moeeni等人[15，16]，这种情况，实际上可能有很高的可能性发生HaM病例。

3.2. 推断统计

表格3.给出了显著概率(值)来检验独立性假设，即，是否有一天的体重差异(类别)之间的关联第一天和某些危险因素或特征。我们的体重差异(WeightDiff)类别增加了超过2%，增加到2%，没有体重差异，减少到2%，减少超过2%;注意数字“21”到“51”代表的是第二天和第一天，等等。统计检验为 ．年龄、医疗诊断、饮食、营养途径、疼痛和呼吸困难等危险因素对HaM病例有显著影响的可能性很高(因为它们之间存在相关性)，因为它们有显著影响的可能性(值）小于患者体重的5%。

我们计算体重每天减少的概率。桌子4提供住院期间患者体重增加或减少(每种类型)的经验概率。这种概率是简单地通过权重差类别的数目与观测总数的比率来计算的。前两行显示了正的权重增加(分别超过2%和高达2%)，但最后两行表示下降。患者住院期间体重无差异的概率较高，约为0.77(住院期间平均值)。

３．３．预测模型:线性回归

我们考虑到，医院获得性营养不良(HaM)风险是通过一天的体重差异计算的 ，为 ，相对于第一天。危险因素或特征可从两者的依赖性检验中获得²(卡方)和检验平均值。研究结果建议我们提出以下回归模型: 为 ，在模型创新或模型错误的正态假设已经被使用的情况下。各危险因素的系数如表所示5．检验这些系数表明，这些危险因素影响哈姆病例。

如前所述，HaM病例发生在患者体重，当天 ，与第1天或入院相比下降超过2%。在此过程中，我们进行了单因素方差分析(ANOVA)，以检验当天的权重差异每个风险因素水平。表格6显示了此方差分析的值。例如，0.069是检验各年龄水平第2天体重差均值的方差分析值。零假设是所有年龄层次(婴儿、学步儿童、学龄前儿童、学龄儿童和青少年)的体重没有差异。的一个给定的信心水平 ，我们的结论是无效假设被拒绝。换句话说，第2天的危险因素或年龄特征存在体重差异;（ ）和( ）标记表示对应的原假设分别在10%和5%的水平上被拒绝。

3.4. 风险评分：逻辑回归

表格7显示风险分类的逻辑回归得分：无HaM为“0”，HaM为“1”（因变量）。然而，诸如性别、年龄、医疗诊断、饮食、营养途径和新闻评分等自变量是从线性回归建模结果中提取的。我们的目标是为每个危险因素水平找到一个营养不良警报分数。

4.讨论

不论患者第1天(入院时)的营养状况如何，均在住院期间观察和计算HaM病例。如果患者的体重在一天内趋于下降 ，为 ，然后出现HaM情况。换句话说，当病人的体重差为负值时，“按天计算体重”在第1天体重不足，“则有发生火腿病例的迹象。根据Pacheco Acosta等人的说法，确认一例火腿病例[13，(负)体重差或减重必须大于百分之二。后来，我们称之为减肥。

患者体重差异分布呈非正态分布。这可以用大于3的峰度来表示。也有可能通过使用重尾分布来进行数据转换。但是，数据的直方图和正态曲线可以告诉我们HaM病例的可能性，因为在第3天和第4天显示的体重差为负值。此外，为了计算每一天的权重差，我们采用了均值统计，并通过标准差和峰度计算其分布。如前所述，高峰度表明患者的体重(或患者的体重差)有一个远离其平均值的值。在统计学理论中，这是尖峰或重尾的特征。

儿科患者的人数对每一危险因素的特征是一个重要的工具，以发现一个可能的HaM病例。例如，在本研究中，男性患者的数量大于女性患者。住院期间，很可能有一例或第一例发生在男性患者身上[23］.如果，事实上，HaM病例或第一个HaM病例被发现是女性患者，那么性别可能是HaM病例的潜在危险因素。类似的描述也发生在年龄的风险因素上，有五个因素水平。

对于其他风险因素，比如饮食，与普通食物相比，食用软性食物或液体食物的患者人数较少，因此我们患火腿病例的可能性较低。这是因为（更多）严重疾病或疾病以及患者状况与患者的饮食有关。因此，这是发生火腿病例的潜在风险因素。事实上，我们的研究表明，患者数量较少。另一个风险因素，如营养途径，告诉我们，口服营养剂对儿科患者发生火腿病例的可能性有多低这得到了Villares等人的研究的支持[21］.

为了更准确地获得影响HaM病例的危险因素或特征，我们进行了推断统计，即假设检验。对于住院期间的每一天，我们计算体重差，例如WeightDiff 21、WeightDiff 31、WeightDiff 41和WeightDiff 51。对于风险因素水平，我们的目的是找出某一风险因素在某一天的体重是否存在平均差异。例如，医学诊断的危险因素在其水平上有显著差异:心脏、呼吸、神经、onco、感染和其他。与获得的价值,值= 0.02，说明第5天的体重差在医学诊断水平之间存在显著性差异。同样的结论也适用于年龄、饮食和营养途径等风险因素。

有几个如上所述的危险因素，在预测模型中计算它们对权重差的贡献是很重要的。用回归模型来计算这种贡献是合适的。我们特别注意线性回归模型的系数。这些系数告诉我们，当风险因素在一个单位内发生变化时，某些风险因素对权重差的影响程度。例如，医学诊断系数为0.03，饮食系数为0.48，说明当该危险因素改变一个单位时，医学诊断对体重差异的贡献分别为0.03和0.48。我们计算其他风险因素:性别、年龄、饮食、营养途径和NEWS评分。值得注意的是，由于性和NEWS评分的危险因素在文献中被认为是重要的因素，所以在这个模型中也包含了这些危险因素。

如前所述，当更详细地观察体重差异时，我们可能会发现HaM病例发生的可能性(根据经验概率)以及住院期间的哪一天。当然，我们特别注意减肥这意味着负体重差超过百分之二。儿科患者,一般来说,往往会有相同的重量有很高概率:0.8639(2天),0.7825(3天),0.7415(第四天)和0.6929(第五天)。某一天,说第三天,第四天,患者的体重差异低于百分之二有更高的概率比其他的重量差异。

可观察回归系数和各水平因子营养不良警报得分的结果，总分为134。根据这个总分，我们需要找到一个极限或阈值来确定新患者是否有更高的营养不良风险。然后选择75%的显著性水平，我们的阈值为100.5，参见Florkowski[24和Mukuku等人[25]包括敏感性和特异性的ROC曲线。这被称为营养不良风险（MaR）。如果某人或患者的营养不良总分大于或等于100.5，我们可以将其归类为营养不良的高危人群。但是，如果某人/患者的营养不良总分低于100.5，我们可以说该人营养不良的风险较低。附录中给出了火腿营养不良警报评分的形式，包括一些相关因素/特征。

5.结论

分析了与性别、年龄、医疗诊断、饮食、营养途径、NEWS评分等因素相关的医院获得性营养不良病例。因此，这些因素被纳入风险评分的计算中，称为风险营养不良(MaR)，以预测HaM的潜在风险。该评分可用于向健康团队成员提供哪些患者需要更多关注其营养状况，或哪些患者有可能经历营养状况下降的信号。

HaM的一些危险因素可以通过(i)综合模型观察到，例如Syuhada和Nur’aini [22，和/或(ii)异方差过程等随机建模，参见Syuhada [26].对于后一种建模，我们可以随着时间的增加查看数据，并进行引导分析，因为数据数量非常少。预测未来营养不良事件的风险评分问题可以通过对覆盖概率的数值分析来实现，前提是之前的权重差异或回报。

当患者被分配到某一MaR评分时，我们可以通过马尔可夫链计算从高(低)风险到低(高)风险或从低(高)风险到高(低)风险状态变化的概率。这叫做转移概率。

为HaM收集数据的一个重要方面是没有很好的记录。这可能是由于数据记录中的人为错误。鼓励医院工作人员意识到这一点。

附录

营养不良报警

病人姓名：____________入院日期 : ____________招生权重:__________第二天体重:___________

MaR > 45.5:高危破坏 ≤ 45.5：低风险

数据可用性

由于研究所在医院未获得许可，用于支持本研究结果的儿科患者数据尚未提供。

披露

本文摘要在土耳其博德鲁姆举行的第11届国际统计日会议上发表。

的利益冲突

作者声明他们没有利益冲突。

致谢

作者感谢印度尼西亚共和国研究、技术和高等教育部2018年“Penelitian Dasar Unggulan Perguruan Tinggi (PDUPT)”的资金支持。作者对Nani Nurhaeni、Mustaqimah、Annida Falahaini和Anita Ulfa在数据收集过程中的支持表示感谢。

参考文献

1. S. Pal，“印度农村儿童营养不良的分析:性别、收入和其他家庭特征的作用”，世界发展第27卷第2期7，第1151-1171页，1999。视图:出版商的网站|谷歌学者
2. 杨伟，李新民，张淑丽，刘磊，王新民，李伟，“陕西省农村0-18月龄婴儿贫血、营养不良及其与社会人口学特征和喂养方式的关系:一项横向研究”，公共卫生，第12卷，第2期1, p. 1127, 2012。视图:出版商的网站|谷歌学者
3. D. Headey, J. Hoddinott, D. Ali, R. Tesfaye，和M. Dereje，“另一个亚洲谜:解释孟加拉国营养不良的迅速减少，”世界发展，第66卷，第749-761页，2015年。视图:出版商的网站|谷歌学者
4. H. Ekbrand和B. Halleröd，“性别越平等，儿童贫困就越少?”对49个低收入和中等收入国家营养不良和健康剥夺的多层次分析，”世界发展，第108卷，第221-230页，2018。视图:出版商的网站|谷歌学者
5. R. d. C. de Aquino和S. T. Philippi， "住院病人营养不良危险因素的识别"，revsta da Associação Médica Brasileira(英文版)(第57卷)6, pp. 623-629, 2011。视图:出版商的网站|谷歌学者
6. L.Barker、B.Gout和T.Crowe，“医院营养不良：患病率、识别和对患者和医疗系统的影响，”国际环境研究与公共卫生杂志，第8卷，第2期2, pp. 514-527, 2011。视图:出版商的网站|谷歌学者
7. K. F. M. Joosten和J. M. Hulst，《儿科医院病人的营养不良:当前问题》，营养，第27卷，第2期，第133-137页，2011年。视图:出版商的网站|谷歌学者
8. L. J. Curtis, P. Bernier, K. Jeejeebhoy et al，“医院营养不良的成本”，临床营养第36卷第2期5, pp. 1391-1396, 2017。视图:出版商的网站|谷歌学者
9. M.A.C.Gouveia和G.A.P.Silva，“儿科患者的医院营养不良：综述，”营养失调和治疗年鉴，第4卷，第2期，2017年。视图:出版商的网站|谷歌学者
10. O. Beser, F. Cokugras, T. Erkan, T. Kutlu, R. Yagci，《住院儿童营养不良发展风险评估》，营养，第48卷，第40-47页，2018。视图:谷歌学者
11. I. Maia, S. Xará， D. Vaz, T. Shiang和T. F. Amaral，“肺部科住院患者的入院和住院时间的营养不良风险，”肺学，第24卷，第6期，第330-3362018页。视图:出版商的网站|谷歌学者
12. E. Sanz, M. Siles, L. Fernandez, R. Roldan, A. Dominguez，和J. Abiles，“在门诊治疗的癌症患者诊断中的营养风险和营养不良率:早期干预方案，”营养，第57卷，148-153页，2019。视图:出版商的网站|谷歌学者
13. J. Pacheco-Acosta, A. C. Gomez-Correa, i.d. Florez等，“5岁以下非重症住院儿童营养恶化的发生率”，临床实践中的营养，第29卷，第5期，第692-697页，2014年。视图:出版商的网站|谷歌学者
14. 工业大学。B. Baxter、F. I. Al-Madhaki和S. H. Zlotkin， "加拿大三级护理儿科医院收治的病人在入院时营养不良的普遍程度"，儿科与儿童健康第19卷第2期8, pp. 413-417, 2014。视图:出版商的网站|谷歌学者
15. V.Moeeni，T.Walls和A.Day，“住院伊朗儿童营养状况和营养风险评估，”儿科学报，第101卷，第10期，第e446-e451页，2012年。视图:出版商的网站|谷歌学者
16. V.Moeeni，T.Walls和A.Day，“新西兰住院儿童的营养状况和营养风险筛查，”儿科学报，第102卷，第9期，第e419-e423页，2013年。视图:出版商的网站|谷歌学者
17. V. Belanger, a . McCarthy, V. MArcel等，“加拿大儿童医院营养不良风险评估:多中心前瞻性队列研究”，儿科杂志，第205卷，第160-167页，2019年。视图:出版商的网站|谷歌学者
18. A.Juliaty，“营养不良鲁玛·萨基特·帕达·班萨尔·阿纳克医生瓦希丁·苏迪罗胡索多·马卡萨·萨里·佩蒂特里，”小儿科纱丽，第15卷，第5期。2, pp. 65-68, 2016。视图:出版商的网站|谷歌学者
19. J. Lang, H. de Streck和D. amd Abrams，《人类体重变化的统计力学》，《公共科学图书馆•综合》，第12卷，第2期文章编号e0189795, 2017。视图:出版商的网站|谷歌学者
20. A. Campanozzi, M. Russo, A. Catucci等人，“临床条件轻微的儿童的医院获得性营养不良”，营养，第25卷，第2期5, pp. 540-547, 2009。视图:出版商的网站|谷歌学者
21. J. M. M. Villares, V. V. Caldern, C. B. Garca，“入院儿童营养不良。这是一项全国性调查的结果。肛门de Pediatria，第86卷，第86期5, pp. 270-276, 2017。视图:出版商的网站|谷歌学者
22. K.Syuhada和R.Nur'aini，模特risko: Dari Kerugian Acak Hingga Ukuran risko，ITB出版社，印度尼西亚万隆，2019年。
23. N.Mohammadinia、H.Sharifi、M.Rezaei等人，“2010-2011年期间，5岁以下儿童营养不良的患病率提到了伊拉克的卫生中心。”职业健康与流行病学杂志， vol. 1, no. 13，页139 - 149,2012。视图:出版商的网站|谷歌学者
24. C. Florkowski， "敏感性、特异性、受者工作特征(ROC)曲线和可能性比:沟通诊断测试的表现"《临床生物化学家评论》，第29卷，第2期1, pp. s83 - s87,2008。视图:谷歌学者
25. O.Mukuku，A.M.Mutombo，L.K.Kamona等人，“儿童严重急性人类营养不良风险预测模型，”营养与代谢杂志， 2019年第4卷，第4740825条，7页，2019年。视图:出版商的网站|谷歌学者
26. K.Syuhada，“异质过程的改进风险值及其覆盖概率，”概率与统计杂志，第7638517号，5页，2020年。视图:出版商的网站|谷歌学者

版权

版权所有©2020 Khreshna Syuhada等。这是一篇发布在知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。