“利用电子医院记录,针对急性护理环境中的老年人,开发并验证了一项医院脆弱风险评分:一项观察性研究“

本文主要是介绍“利用电子医院记录,针对急性护理环境中的老年人,开发并验证了一项医院脆弱风险评分:一项观察性研究“,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

 总结

 背景

年长者在全球范围内成为医疗保健的增长用户。我们的目标是确定是否可以利用常规收集的数据来识别具有虚弱特征并面临不利健康结果风险的年长者。

 方法

使用三步方法开发和验证了一种医院脆弱风险评分,该评分基于《国际疾病和相关健康问题统计分类第十次修订版》(ICD-10)的诊断编码。首先,我们进行了聚类分析,以识别住院的75岁及以上年龄段的老年人群,其资源利用率高,并且诊断与脆弱有关。

第二,我们根据ICD-10编码创建了一个描述这个群体的医院衰弱风险评分。第三,在不同的队列中,我们测试了这个评分预测的准确性。 不利结果"它是否识别出与其他虚弱工具相似的群体。"

 发现

在发展队列中(n=22 139),被诊断为虚弱的老年人形成了一个独特的群体,并且非计划住院使用率更高(2年内33.6个床日,而下一个床日数量最高的群体为23.0个床日)。

在全国验证队列中(n=1,013,590),与风险评分最低的429,762名患者(42.4%)相比,具有最高医院脆弱风险评分的202,718名患者(20.0%)30天死亡率增加(比值比1.71,95% CI 1.68–1.75),住院时间延长(6.03,5.92–6.10),和30天再入院率增加(1.48,1.46–1.50)。

这三种结果的个体之间的 c 统计(即模型区分能力)分别为 0.60、0.68 和 0.56。

医院衰弱风险评分与分层的弗里德和洛克伍德量表有一定的重叠(kappa得分为0.22,95%置信区间为0.15-0.30,和0.30,0.22-0.38,分别),并且与洛克伍德衰弱指数有中等程度的一致性(Pearson相关系数为0.41,95%置信区间为0.38-0.47)。

 解释

医院衰弱风险评分为医院和卫生系统提供了一种低成本、系统化的筛查衰弱并识别一组患者的方法,这些患者面临更大的不良结果风险,对他们采取衰弱关注的方法可能会有所帮助。

 资金

国家卫生研究院。

 介绍

根据世界卫生组织的传统标准,老年人(通常指至少65岁)是发达国家急性医院护理的主要用户,1, 2 在发展中国家的情况也日益增多。在英格兰,2014-2015年间,五分之一的住院患者年龄在75岁及以上,占据了医院所有住院天数的约40%。对于一些老年人来说,住院可能会增加受伤的风险,超出了原有的临床状况。已经有多次尝试识别高风险的人群,其中许多关注于虚弱。5, 6 虚弱描述了多个器官系统功能下降,与衰老有关,但在不同人群中进展速度不同;它的特点是在受到明显无害的应激因素后,个体出现不良结果的风险增加。

由于虚弱可能决定了护理资源的使用方式,因此虚弱的评估也应该指导规划服务提供和资源分配的流程,但是存在着识别虚弱老年人的主要障碍。

首先,尽管有许多工具可用于衡量脆弱性,但常用的衡量方法在识别脆弱性方面只有中等程度的重叠,并且在选择工具和使用时间上存在相当大的变异性。其次,大多数工具在急性护理环境中使用过于复杂,即使是较短的工具,如临床脆弱量表和老年人风险识别工具,也需要某种形式的手动评估过程,这可能耗时且容易受到操作者之间的误差影响。最后,当使用脆弱性工具时,它们仅适用于部分患者,大多数住院的老年人根本没有接受脆弱性评估。

本研究的背景是,在住院的老年人中,脆弱性与不良临床结果(例如,谵妄和功能衰退)有关。我们检索了2005年至2017年2月28日期间,关于急性医院服务的系统综述和Meta分析,使用了“急性护理”、“脆弱老年人”、“老年评估”、“老年人健康服务”、“需求评估”和“风险评估”等搜索词。研究发现,针对老年人的脆弱性或相关风险评分可以识别出有不良结果风险的人。尽管大多数评分工具在预测一系列不良结果方面的表现优于随机,但没有一个工具被全球公认为识别不良事件风险的黄金标准方法。此外,脆弱性通常不在医院编码系统中被捕捉,这意味着在系统级别(例如,对委托人)脆弱的老年人仍然是匿名的,与特定疾病如中风的人相反。

本研究的增值在于,开发并验证的医院脆弱性风险评分至少与现有的脆弱性或风险分层工具一样好,甚至更好。它的优势在于,该评分是根据国际疾病分类和相关健康问题第十次修订版(ICD-10)编码派生的,因此可以在实施ICD-10编码系统的地方使用。一个关键的优势是,该评分可以被实施到医院信息系统中,消除了与手动评分系统相关的操作员变异性和实施负担。

所有可用证据的含义是,有明显的潜在好处,定期识别在急性医院设置中有不良临床或服务结果风险的老年人,主要是能够从到达之时开始,在整个住院期间定制脆弱性调整的干预措施。附加好处包括针对脆弱老年人的服务绘制、委托和评估。一个全球接受的方法,用于识别急性医院设置中的脆弱老年人,可以帮助突出这一问题的严重性,使服务能够发展以提供适应脆弱性的护理,并改善患者和服务结果。

我们旨在确定是否可以利用国际疾病及相关健康问题分类第十版(ICD-10)编码系统,在全球许多国家的行政医院数据库中实施,开发出医院脆弱风险评分。

 方法

 研究设计

我们采用了三步方法来开发和验证一种基于ICD-10编码的医院脆弱风险评分。

首先,我们进行了一项聚类分析,以测试是否可以根据ICD-10编码和资源使用情况,识别出一组具有脆弱特征的老年患者。

第二,我们使用ICD-10代码创建了医院衰弱风险评分,这些代码在该组中代表性过高。第三,在两个独立的验证队列中,我们测试了医院衰弱风险评分在急诊入院后预测不良结果的能力,以及它是否能识别与其他临床衰弱工具相似的人群。

我们分析了2013-14年和2014-15年的医院病例统计(HES)住院数据库,其中包含了所有被英国国民健康服务(NHS)医院收治的患者的信息。

HES数据捕获疾病和相关病况,每个电子记录包含最多20个诊断字段,根据ICD-10编码。诊断代码由专业编码人员根据从医疗记录中事后收集的信息输入。可以使用唯一的匿名标识符将同一患者的多个电子记录(包括急诊科和门诊就诊)进行关联,并将记录与国家统计局的死亡数据进行关联。

对于验证工作,HES数据与在英国东米德兰兹地区急性住院期间接受研究并使用已建立的量表评估脆弱性的人群进行了关联。

NHS Digital使用基于患者标识符(出生日期、邮政编码、性别和NHS编号)的确定性链接来关联记录;匿名数据已提供用于分析。

伦理批准由埃塞克斯国家研究伦理委员会(英格兰东部;参考15/EE/024)提供。

开发队列

我们提取了2013年4月1日至2015年3月31日期间从医院出院的75岁及以上的人群队列。该队列限定为接受NHS医院择期、非择期和日间手术的患者,排除精神健康和社区卫生服务提供者。由于集群分析是一个计算密集型的过程,我们进一步将分析限制在南安普敦、莱斯特或诺丁汉居民的80%随机样本上,使用SAS中的随机选择功能。

这些地区被选择是因为它们代表了混合的城乡健康和社会保健经济。

在聚类分析中,患者根据它们在多个特征上相似性被分组在一起。三组变量被用来创建聚类矩阵:ICD-10诊断、床日和医院费用。

诊断是基于患者记录中20个诊断领域中使用的所有ICD-10代码的前三个字符,在为期2年的时间内进行的。罕见的诊断(全国少于15,000名患者)被排除在外。

住院天数是以同一时期内医院住院的总天数来计算的。成本是根据2014-2015年度的医疗资源组国家关税和2013-2014年度的参考成本数据来计算的。

为了创建一个可用于对患者进行分组的相似性评分,我们使用了Gower的方法来结合二元(ICD-10诊断)和连续(床日和费用)变量。这种方法涉及范围标准化,将连续变量转换为0到1的比例。然后使用Ward的层次聚类方法将患者分配到聚类中。这是一种自下而上的聚合过程,每个患者都从自己的聚类开始,然后逐步合并成对的聚类。

集群数量是根据实际情况选择的,以在解释组的相似性得分方差的最大化与产生临床相关解释所需的最少集群之间取得平衡。

为了识别具有脆弱特征的一组患者,我们使用了一小组事先确定的ICD-10编码,这些编码被确定为脆弱的候选标记(附录)。我们还根据从ICD-10编码中得出的一个已发表模型,计算了每组中编码的脆弱综合症(认知障碍、功能依赖、摔倒和骨折、焦虑和抑郁、失禁、压疮和行动问题)的患病率。 17 我们还比较了每组的入院史、Charlson共病指数(一种用于估计纵向研究中特定时间点上合并疾病死亡风险的方法) 18 以及两年内的死亡率。

使用聚类方法进行风险分层是计算密集型的,个别医院很难复制,因此我们创建了一个算法,可以更容易地实施,根据聚类分析的结果进行指导。

我们根据ICD-10代码得出了一个分数,这些代码在虚弱群体中的流行率至少是整个队列中的两倍。对于每个ICD-10代码,根据它们预测群体成员资格的强度,给予相应的分数。

使用回归系数计算得分 逻辑回归
模型包括脆弱群体成员资格作为二元因变量,以及一组ICD-10代码作为二元预测变量。

许多ICD-10代码彼此相关,因此在将模型拟合时,我们对相关组内的个体预测变量的系数进行了惩罚以缩小。

我们使用了C统计量来评估这个模型在区分虚弱群体和队列其他部分方面的表现。得到的分数被称为医院虚弱风险评分。

三个类别,低风险、中风险和高风险,被创建出来以帮助解释,选择切点是为了创造出在不同结果的个体之间具有最强区分力的类别(见后文)。更多细节请参见。 附录.

 验证队列

在第一次验证练习中,使用了一个全国队列来测试医院脆弱风险评分对于75岁及以上急诊入院的人群在2014年4月1日至2015年3月31日期间预测结果的准确性。我们进行了一项敏感性分析,以确定是否包括在发展队列中也出现的个体会影响结果。

我们使用逻辑回归模型来估计医院脆弱风险评分与三个结果的关联:30天死亡率、长期住院(住院超过10天)、以及出院后30天内的紧急再入院(不包括在医院内死亡的患者)。

我们估计了包括和不包括对患者年龄、性别、社会经济地位、入院历史和Charlson共病指数进行调整的模型,这些因素被认为是这些结果的重要预测因子。医院被纳入模型的随机效应中,以考虑在同一医院治疗的患者与整个人群之间的结果相似性。

关于各类别与每个结果之间的关联,使用其95%置信区间的几率比(ORs)进行呈现。模型的区分能力用平均医院特定的c统计量(附录)进行总结。

对于第二次验证练习,我们使用了一个关联数据集,其中包括完整的临床虚弱量表数据和关联的HES记录的本地患者队列。

这些数据被用来测试我们医院脆弱风险评分和两个著名的临床脆弱度测量工具——Fried表型和Rockwood脆弱指数——之间的一致性。用于构建这两个测量工具的变量在附录中有描述。为了计算一致性,根据每个评定标准,将患者分类为脆弱或非脆弱。Fried模型基于五个项目,对于本研究,脆弱性被定义为三个或更多项目存在。Rockwood脆弱指数基于项目的累积缺陷,呈现为总项目的比例。对于本研究,使用了0.25的阈值来指示脆弱性,因为这被提议为一个有用的操作性分界点。对于我们的医院脆弱风险评分,中等风险和高风险类别被分类为脆弱。我们使用kappa系数及其95%的置信区间来评估一致性。此外,Pearson相关系数被用来描述医院脆弱风险评分和Rockwood脆弱指数的连续版本之间的关联。分析是在SAS 9版本中完成的。4和R版本3.3.0。

资金来源的作用

研究的资助者在研究设计、数据收集、数据分析、数据解释或报告撰写过程中没有任何角色。

TG,JN,JK,EK和MB可以完全访问研究中的所有数据,所有作者对提交出版决定负有最终责任。

 结果

在开发队列中包括的22,139名患者中,平均年龄为82.5岁(标准差5.6),其中12,796人(57.8%)为女性(表1)。10,029人(45.3%)有一次住院记录。为了描述队列中的不同群体,选择了六个集群。每个集群中人群的特征总结在表2中。表3列出了在每个集群中过度代表的ICD-10编码。

表1. 三个队列的特征

Empty CellEmpty Cell发展队列(n=22,139)国家验证队列(n=1,013,590)本地验证队列(n=569)
 年龄(岁) 82.5(5.6) 84·1(5·9) 79·9 (6·4) 
Sex
 女性 12,796(57·8%) 581,801(57.4%) 317 (55·7%) -> 317 (55·7%)
 男性 9343(42·2%) 431,789(42.6%) 252 (44·3%) -> 252(44·3%)
 HES 虚弱风险评分 8·9 (9·8)  9.0(8.7) 5·6 (6·6) → 5·6 (6·6)
HES 脆弱风险类别
 低风险 (< 5) 14,612(66·0%) 429,762(42.4%) 342 (60·1%) 
 中等风险(5-15) 4494(20·3%) 381,110(37.6%) 176 (30·9%) -> 176(30·9%)
 高风险 (>15) 3033(13·7%) 202,718(20.0%) 51(9·0%)
查尔森共病指数 2.8(2.9) 2.9 (2.6) 1.9 (2.1)
两年内的入院次数,包括当前入院
1 10,029(45·3%) 384,151(37.9%) 161(28·3%)
2 5313(24·0%) 222,989(22·0%) 128(22·5%)
≥3 6797(30·7%) 406,450(40.1%) 280 (49·2%) -> 280(49·2%)

数据为平均值(标准差)或数字(百分比)。HES=医院就诊统计。

表2. 发展队列中聚类分析产生的群组

 脆弱 选择性白内障 慢性心脏问题 急性心脏问题 癌症和肺部疾病 混合诊断
簇中患者数量(发展队列的百分比) 4907 (22·2%) -> 4907(22·2%) 3419 (15·4%) -> 3419(15·4%) 1708 (7·7%) -> 1708(7·7%) 1979年 (8·9%) 3558(16·1%) 6568(29·7%)
 患者特征
开始时期的平均年龄(岁)84·5 80·9 = 720 81·7  82.8 82.482·1
 女性人数(%) 2964(60·4%) 2010年(58·8%) 874 (51·2%) -> 874(51·2%) 980(49·5%) 2021年(56·8%) 3947(60·1%)
用于形成聚类的变量
非计划性住院天数的平均数 *33·6 1.4 6·023·016·8 6·1
平均选修天数 * 0.80·3 0.7 1.20·90·9
手术患者的平均选修住院费用(£) *5839231006115911851018
非选举性住院费用(£) *83745802350691048852173
用于识别聚类的变量
预定义的ICD-10衰弱标记的人数(%) 4073 (83·0%) -> 4073(83·0%) 274 (8·0%) -> 274 (8·0%) 342 (20·0%)  831 (42·0%) -> 831(42·0%) 1459(41·0%) 2102 (32·0%) -> 2102(32·0%)
至少有一种ICD-10衰弱综合征的人数(%) 4259(86·8%) 397(11·6%) 442 (25·9%) -> 442(25·9%) 1003(50·7%) 1697 (47·7%) -> 1697(47·7%) 2509(38·2%)
两年期间死亡人数(%) 2350(47·9%) 263 (7·7%)  284 (16·6%) -> 284(16·6%) 750(37·9%) 1637 (46·0%) -> 1637年(46·0%) 1018 (15·5%) -> 1018(15·5%)
查尔森共病指数 4·4  0.8 2·1 4·4 3·9 1.6
平均入院总人数3·5 1.6 2.0 3·3  2·91·8

根据每个簇中过度表示的ICD-10诊断(表3),所给的簇名称是指示性的。ICD-10=国际疾病和相关健康问题统计分类第十版。

*每位患者。

表3. 每个簇中ICD-10代码的细分,相对于整体队列至少两倍普遍。

Empty Cell 类别 在群体中的普遍性 整体队列的比率
 脆弱
F00阿尔茨海默病中的痴呆 11.5%3·8
F05 谵妄 18.8% 3·1
G30 阿尔茨海默病 15.3% 3·1
I69脑血管疾病的后遗症 7.0% 3·1
Z75与医疗设施和其他医疗保健相关的问题 8.9% 3·1
B96其他细菌性病原体作为其他章节分类的疾病的原因 18.7% 3·0 
S00头部浅表伤害 11.6% 2·9
G31神经系统的其他退行性疾病 8.5% 2·7
R41认知功能和意识的其他症状和体征 24.9% 2·7
L89 褥疮 9.4% 2·7
R26步态和行动异常 22.7% 2·7
Y95 医院感染 9.1% 2·7
Z73生活管理困难相关的问题 5·1% -> 5.1% 2·7
R29其他涉及神经和肌肉骨骼系统的症状和体征 49.5% 2·7
N39泌尿系统的其他疾病 45.5% 2.6
R45情绪状态相关的症状 5·3% -> 5·3% 2.6
E86 体积减少 18.2% 2.6
I67其他脑血管疾病 21.4% 2.6
F01 血管性痴呆 10.0% 2.6
W19 未指明的秋季 29.8% 2.6
W18其他人处于同一水平 7.4% 2·5
R32 尿失禁 9.4% 2·5
A41 其他败血症 10.5% 2·4 
S01 头部伤口 8·3% -> 8.3% 2·4 
F03 未指定的痴呆 29.2% 2·4 
M25 其他关节疾病 13.2% 2.3
J69固体和液体所致的肺炎 5·1% -> 5.1% 2.3
L97下肢溃疡,其他特指的情况 8·3% -> 8.3% 2.3
K59其他功能性肠道疾病 26.6% 2.3
N17 急性肾衰竭 34.9% 2·2 
H54 失明和低视力 6·4% --> 6.4% 2·2 
E87液体电解质和酸碱平衡的其他紊乱 25.5% 2·2 
I95 低血压 17.2% 2·2 
L03 蜂窝织炎 8.6% 2·2 
R33 尿潴留 16·8% -> 16.8% 2·2 
S72 股骨骨折 10.8% 2·2 
 慢性心脏问题
Z95心脏和血管植入物和移植物的存在 31.9% 2.6
I25慢性缺血性心脏病 53.4% 2·4 
I20 心绞痛 27.6% 2·4 
Z92医疗治疗个人史 47.8% 2.3
I48房颤和房扑 51·3% -> 51.3% 2·1
 选择性白内障
H25 老年性白内障 12.0%3·2
H26 其他白内障 24.6% 2.6
 急性心脏问题
I08 多瓣膜疾病 31.2% 5·3 
Z82家族史中某些残疾和慢性疾病导致残疾 9.4% 5·3 
I24其他急性缺血性心脏疾病 5.0% 5·2 
I51心脏疾病的并发症和模糊的描述 46.4% 4·9
I21急性心肌梗死 20.4% 4·8
I34非风湿性二尖瓣疾病 8.5%3·9
J90 胸腔积液 26.3%3·7
I27其他肺心疾病 6·6% → 6.6%3·6
I44房室传导阻滞和左束支传导阻滞 23.9%3·6
I49其他心律失常 6.7%3·5
I50 心力衰竭 49.8% 3·3 
I35非风湿性主动脉瓣疾病 12.4%3·2
Z95心脏和血管植入物和移植物的存在 39.5%3·2
I20 心绞痛 35.6% 3·1
R06呼吸异常 13.8% 3·0 
I71主动脉瘤和夹层 7·3% -> 7.3% 3·0 
I25慢性缺血性心脏病65·0% 2·9
I45其他传导障碍 10·4% → 10.4% 2·7
I73其他外周血管疾病 9.3% 2·7
R07喉咙和胸部疼痛 17.9% 2·7
R00心跳异常 15.0% 2.6
R60 水肿 10·1% -> 10.1% 2·5
J98其他呼吸系统疾病 10.8% 2·5
Z92医疗治疗个人史 47.1% 2.3
R42 头晕和眩晕 6·8% -> 6.8% 2·2 
I48房颤和房扑 51·3% -> 51.3% 2·1
E78脂蛋白代谢紊乱 35.2% 2·1
R79血液化学的其他异常发现 7·5% -> 7.5% 2.0
 癌症和肺部疾病
C79其他部位的继发恶性肿瘤 9.3% 4·2 
C78呼吸和消化系统的继发恶性肿瘤 10.5% 4.0
C34支气管和肺的恶性肿瘤 5·7% -> 5.7%3·2
Z51 其他医疗护理 26.9% 2·4 
J43 肺气肿 5·3% -> 5·3% 2·2 
J47 支气管扩张 5·2% -> 5.2% 2·1
J96 呼吸衰竭 6.2% 2.0
 混合诊断
NANANA没有个人代码比率大于2

ICD-10=国际疾病和相关健康问题统计分类第十版。NA=不适用。NEC=未分类的其他地方。

一组中被确定为脆弱的六个群集之一,基于预定义的ICD-10代码清单(附录)中至少有一个脆弱标记的人数比例较高(4907人中的4073人[83·0%]),而在队列的其余部分中为17,232人中的29·1%(5008人)。至少有一个脆弱综合症 17 的人数比例在脆弱群集中为4907人中的4259人(86·8%),而在其余五个群集中为17,232人中的6048人(35·1%)。脆弱群集占队列的五分之一(22,139人中的4907人),但更有可能被接收并且非计划性床日更长(表2)。在脆弱群集中的4907人中,有2350人(47·9%)在2年内去世,而在队列的其余17,232人中有3952人(22·9%)去世(表2)。

在集群分析中,109个三位字符的ICD-10诊断代码在发育队列的虚弱集群中的患病率至少是其他集群的两倍(表3显示前36个)。该列表包括与医院环境相关的急性感染、院内问题和脑血管疾病等严重程度的指标,以及识别出的脆弱综合征,如跌倒、骨折和认知障碍。包括这些ICD-10代码作为预测因子的模型在虚弱组与其他非虚弱组之间有很强的区分能力,C统计量为0.94。

在国家验证队列中的 1,013,590 名患者中,629,440 人(62.1%)在其紧急入院前的两年内有多次入院记录,而406,450 人(40.1%)有三次或三次以上的先前入院记录(表1)。与发展队列相似,超过一半(581,801 人[57.4%])为女性,平均年龄为84.1岁(标准差5.9)。

患者的医院脆弱风险评分范围从0到99,但这明显向右倾斜:429,762人(42.4%)被归类为低风险,使用小于5的分数作为切点;381,110人(37.6%)被归类为中等风险(5-15);202,718人(20.0%)被归类为高风险(>15)。

这些病人中不良结果的比例随着评分值的增加而增加,但与死亡率的关联在评分超过15后趋于平缓(图1)。对于评分大于30的小部分病人,与长期住院的关联减少了。

  1. 下载:下载高清图像(308KB)
  2. 已下载:下载完整尺寸图片

图1. 医院易损性风险评分与全国验证队列急诊入院后结果之间的关系

垂直虚线显示了将患者分类为低易衰老风险(得分<5)、中等易衰老风险(得分5-15)或高易衰老风险(得分>15)的阈值。

在逐渐增加的脆弱风险三个类别中,平均查尔森共病指数从1.9(标准差2.1)增加到4.5(2.7),三次或更多次入院的比例从434952人中的63938人(14.7%)增加到204514人中的100621人(49.2%)(附录)。至少有一种脆弱综合征的人数从434952人中的99604人(22.9%)增加到204514人中的193266人(94.5%),其中认知功能障碍的梯度最为显著,从434952人中的20443人(4.7%)增加到204514人中的135388人(66.2%)。分析结果对于包括或排除发展队列中的人员并不敏感(附录)。

高脆弱风险的人群与低风险群相比,30天死亡率调整后的几率更高(OR 1.71,95% CI 1.68–1.75)。他们还有更高的调整后住院时间较长的几率(6.03,5.92–6.10),以及30天内紧急再入院的几率(1.48,1.46–1.50)。

医院衰弱风险评分在医院内部对不同结果的个体区分较弱;30天死亡率的 c 统计值为 0.60,长期住院的 c 统计值为 0.68,30天再入院的 c 统计值为 0.56。

患者其他特征的纳入(年龄、性别、贫困程度、入院史和合并症)提高了对30天死亡率的判别能力至0.69,对长期住院的判别能力至0.73,对再入院的判别能力至0.61。

在第二个验证队列中,共有569名患者,平均年龄为79.9岁(标准差6.4),317人(55.7%)为女性,227人(39.9%)的医院脆弱风险评分超过5(中度或高风险;表1)。Kappa得分为0.22(95% CI 0.15–0.30),与Fried的二分法版本(≥3项存在)相比,与Rockwood分类(使用0.25的截断值)相比为0.30(0.22–0.38)。

有一种正线性关联存在于脆弱指数和医院脆弱风险评分之间(Pearson相关系数为0.41,95%置信区间为0.38-0.47)。评级差异最大的群体是那些医院脆弱风险评分在5到15之间的人群(图2),其中只有40%被Rockwood分类为脆弱。

  1. 下载:下载高清图像(250KB)
  2. 已下载:下载完整尺寸图片

图2. 在弗里德和洛克伍德量表中被识别为脆弱和非脆弱的患者中,医院脆弱风险评分的分布。

 讨论

根据最初的集群分析,我们确定了一个群体,与其他年长者相比,这个群体有更高的ICD-10编码发生率,这些编码被预先判断为脆弱的指标,同时还有更高的医院使用率和相关资源使用。

医院衰弱风险评分是从一系列ICD-10编码中得出的,这些编码在这一类别中占比较高,包括病情严重程度的评估。

在一个超过一百万患者的全国验证队列中,那些具有更高脆弱风险的患者,其30天死亡率、住院时间延长以及30天再入院的风险也更高。

尽管在群体水平上具有预测能力,但该分数在区分不同结果的个体能力较低。

使用各种阈值将患者分类为虚弱,医院虚弱风险评分与基于Fried和Rockwood虚弱量表的评分显示了公平到中等程度的重叠。

使用行政医院数据来识别脆弱风险的优势在于可以利用医院所有患者的常规数据进行计算,并且无需应用手动评分。尽管诸如临床脆弱量表之类的评分可能快速简单,但存在操作者间的可靠性问题,并且施加了重大的实施负担。我们评分的一个潜在弱点是可能会错过少有或没有过去入院记录的老年人的脆弱状态。

尽管这些人可能比那些更虚弱或最近入院的人要强壮一些,但也会有例外情况,特别是在养老院或成功避免入院计划的地区。在用于测试评分的全国队列中,有三分之二的患者在过去两年内曾入院。

使用行政数据的价值以前已经在初级保健中得到证明,通过开发和传播基于英国大多数一般实践中使用的Read代码的电子脆弱指数。在行政数据库中常规输入ICD-10代码为医院提供了一个系统的方法来筛选脆弱风险。

在本研究中,我们并非仅依赖预定义的ICD-10代码列表来识别衰弱,而是使用了成熟的聚类分析方法识别了更广泛的代码集。这种方法使我们能够挑选出常规使用的代码,而不仅仅依赖于对哪些代码与衰弱最密切相关的看法。

我们评分中包括的一些诊断与急性疾病有关,比如吸入性肺炎、谵妄和院内感染。可以说,这些状况可能反映了脆弱性,因为这些患者很可能存在吞咽问题、脱水风险,并且更容易患上院内感染和败血症。

然而,我们的评分也可以识别其他处于危险之中的群体。使用ICD-10的局限性在于代码并未完全捕捉疾病的严重程度,也可能忽略脆弱的重要因素,如体弱、多药并用以及日常生活中需要支持的情况。其中一些ICD-10Z代码反映了依赖性或孤立性,但这些通常只在医疗服务受到不利影响时使用。

ICD-10的另一个限制是,诊断的文档记录和编码的变化可能会导致测量误差。例如,像谵妄这样的常规诊断和记录在医生、部门和医院之间存在差异。

为了检验这种变化,我们探讨了医院编码深度(平均编码的次要ICD-10诊断数)对编码质量的影响。在编码深度较高的医院中,有更高比例的患者被分类为脆弱;然而,即使在编码深度较低的医院,医院脆弱风险评分也对不良结果有很强的预测能力。

在英国,常规收集的数据足够健壮和准确,可以用于研究或卫生服务规划, 28 并且通过使用三位字符而不是四位字符的ICD-10代码来防范编码深度问题。 28 然而,在其他国家,编码准确性会有所不同,希望测试我们方法的卫生保健系统需要进行进一步的验证工作。

根据我们的医院脆弱风险评分和其他临床脆弱量表之间的脆弱程度评分协议介于一般和中等之间。这种协议水平在脆弱量表中并不罕见,例如,根据不同的测量方法,Fried和Rockwood之间的kappa系数范围从0.3到0.5不等。这一系列分数显示了使用任何一个脆弱量表来诊断个体是否脆弱的挑战。

我们的分数与专门设计用于急诊护理环境中风险分层的工具相当,这些工具也不具有强烈的歧视性,这反映了个体结果在急性环境中本质上是不可预测的事实。

例如,风险老年人辨识工具 11 预测了6个月的死亡率和再入院率,其C统计范围为0.54至0.65。我们的评分表现与包括ICD-10编码的虚弱综合征作为30天死亡率和再入院率预测因子的模型相似或略有改善。 17 包括虚弱综合征、年龄、性别和入院历史的模型的C统计范围为0.57至0.66。

附录提供了ICD-10代码和推导得分和风险类别的方法,这可以由医院和公共卫生团队实施,以便在急诊医院环境中便于常规识别处于临床或服务结果不佳风险的虚弱群体。

在一个每月接待1000名老年人的医院中,有200人被归类为高风险,另外有400人被归类为中等风险,其中预计死亡率将是其他老年患者的两倍。

识别这组患者将使脆弱综合征的有针对性筛查成为可能,并实施针对脆弱的护理方法。例如包括全面老年人评估。30预防谵妄和功能恶化,并在全院范围内识别临终关怀需求。

进一步的研究可以探讨脆弱性风险评分在预测除死亡以外的其他结果方面的表现,以及与干预、健康和服务利用结果的长期关系,以及与初级护理脆弱性评分(如电子脆弱性指数)的关系。 24 通过研究额外变量的作用,如疾病严重程度的生理参数,额外的研究可能会提高评分的准确性。 35 需要进一步研究评分对临床决策的影响,特别是它不会产生增加治疗虚无主义的逆向效应。 36

参考文献:

这篇关于“利用电子医院记录,针对急性护理环境中的老年人,开发并验证了一项医院脆弱风险评分:一项观察性研究“的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/729682

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

这15个Vue指令,让你的项目开发爽到爆

1. V-Hotkey 仓库地址: github.com/Dafrok/v-ho… Demo: 戳这里 https://dafrok.github.io/v-hotkey 安装: npm install --save v-hotkey 这个指令可以给组件绑定一个或多个快捷键。你想要通过按下 Escape 键后隐藏某个组件,按住 Control 和回车键再显示它吗?小菜一碟: <template

Hadoop企业开发案例调优场景

需求 (1)需求:从1G数据中,统计每个单词出现次数。服务器3台,每台配置4G内存,4核CPU,4线程。 (2)需求分析: 1G / 128m = 8个MapTask;1个ReduceTask;1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务(4    3    3) HDFS参数调优 (1)修改:hadoop-env.sh export HDFS_NAMENOD

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

安装nodejs环境

本文介绍了如何通过nvm(NodeVersionManager)安装和管理Node.js及npm的不同版本,包括下载安装脚本、检查版本并安装特定版本的方法。 1、安装nvm curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash 2、查看nvm版本 nvm --version 3、安装

【IPV6从入门到起飞】5-1 IPV6+Home Assistant(搭建基本环境)

【IPV6从入门到起飞】5-1 IPV6+Home Assistant #搭建基本环境 1 背景2 docker下载 hass3 创建容器4 浏览器访问 hass5 手机APP远程访问hass6 更多玩法 1 背景 既然电脑可以IPV6入站,手机流量可以访问IPV6网络的服务,为什么不在电脑搭建Home Assistant(hass),来控制你的设备呢?@智能家居 @万物互联

高并发环境中保持幂等性

在高并发环境中保持幂等性是一项重要的挑战。幂等性指的是无论操作执行多少次,其效果都是相同的。确保操作的幂等性可以避免重复执行带来的副作用。以下是一些保持幂等性的常用方法: 唯一标识符: 请求唯一标识:在每次请求中引入唯一标识符(如 UUID 或者生成的唯一 ID),在处理请求时,系统可以检查这个标识符是否已经处理过,如果是,则忽略重复请求。幂等键(Idempotency Key):客户端在每次