基于病人临床信息的护理风险预警模型的建立与验证

孙雪松，郑西川

上海交通大学附属第六人民医院，上海 200233

基于病人临床信息的护理风险预警模型的建立与验证

孙雪松，郑西川

上海交通大学附属第六人民医院，上海 200233

目的探讨基于病人临床信息的护理风险预警模型的建立方法，用于早期识别高风险患者，及时采取干预措施。方法筛选采集某院HIS系统中2013年9月1日～2014年9月1日出院或死亡的120例患者资料，用Logistic回归筛选出与病人病情转归有明显相关性的临床指标，并建立回归方程，计算死亡概率P值。然后选择2015年6月1日～2015年12月30日出院和死亡病人各25例，统计其出院或死亡前24 h内每小时的各指标值，计算死亡概率P，绘制每位病人的P值散点图，以验证模型的有效性。结果通过建立回归方程计算得知当P≥0.6567时，提示病人具有较高的死亡风险。模型验证结果显示，当P＞0.5时，病情恶化甚至死亡的可能性较大，该模型的预测结果与实际情况基本一致。结论应用Logistic回归分析，建立基于HIS系统的预警模型，能较好预测病人病情转归，且获取数据容易，具有较高的时效性。

护理风险预警；Logistic回归分析；临床指标；模型建立

护理风险是指住院患者在护理过程中可能发生的一切不安全事件[1]，如护理差错事故、护理投诉事件、护理意外事件、病情恶化、并发症等[2]。护理风险预警是指对护理服务的全过程实施动态监测，对不安全事件进行分析和预警，为医院预防风险、解决风险提供依据[2]。如何识别和筛选已存在或潜在高风险患者，是护理风险预警的重点。Wood等[3]的研究表明，住院病人在发生心搏骤停之前的数小时内，常出现生理异常情况，而护士的重要职责之一就是对早期生理异常信号保持警惕，以决定采取干预措施[4]。

随着医院信息化发展，利用信息化技术建立预警系统以提高风险预警效率，引起了研究者的关注。目前已有研究者结合数学建模方法和计算机技术，建立了信息化预警系统。国外应用较多的有早期预警评分[5]（Early Warning Score，EWS）、改良版早期预警评分[6]（Modifed Early Warning Score，MEWS）、基于统计学原理的数学模型[7]以及Rothman指数评估[8-9]等方法。然而，EWS和MEWS多应用于重症监护系统，当应用于普通病房时，误报率较高；基于统计学原理所建立的数学模型，其应用往往不具有普遍性；Rothman指数评估多应用于美国医院[10]，是否适用于我国还有待进一步研究。国内护理风险预警的方法有德尔菲法筛选预警指标体系并建立预警方程[1,11]、将传统的纸质护理评估量表软件化以及护理评估量表与EWS相结合的方法[2,11-12]。然而，这些方法多依赖于护士评估，系统的自动化程度较低。

综上，国内外信息化护理风险预警方式各有优势和不足。基于病人临床信息的护理风险预警模型应当以医院HIS系统为基础，具有自动采集病人临床信息、自动更新数据、实时监测病人病情的功能。本文在国内外护理风险预警方式基础上，以上海某三甲综合医院病人资料为基础，用Logistic回归分析法，建立了一种基于病人临床信息的护理风险预警模型，用于监测早期生理异常信号，在病人出现较高死亡风险时能及时提醒护理人员采取干预措施。

1 模型原理及建模过程

1.1 Logistic回归分析模型的原理

Logistic回归分析是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断，例如探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率。以胃癌疾病分析为例，因变量为是否胃癌，值为“是”或“否”，自变量则可以包括很多，如年龄、性别、饮食习惯、幽门螺杆菌感染等。通过Logistic回归分析，可以得到自变量的权重，从而可以大致了解哪些因素是胃癌的危险因素。然后，根据各因素及其权值，列出回归方程，并进一步预测一个人患癌症的可能性。研究人员经过大量的分析实践，发现Logistic回归模型可以很好地满足对分类数据的建模需求，因此，目前Logistic回归分析已经成为了分类因变量的标准建模方法。

1.2 Logistic回归分析建立模型的过程

设P为某事件发生的概率，X1，X2...，Xn表示各自变量，β0，β1...βn表示常数项及自变量的权重。引入Logit变换[13]，进行回归方程的拟合，如公式(1)：

Logit(P)为因变量，与自变量呈线性关系，由此建立包含n个自变量的Logistic回归模型，如公式(2)：

由公式(1)(2)可逆推得：

绘制P值的ROC曲线并计算最大Youden指数[14]。ROC曲线和Youden指数可以确定合理的预测概率阈值，即将预测概率大于（或小于）多少的研究对象判断为阳性（或阴性）结果。

本研究因变量为病人“康复”或“死亡”，收集能反映病人疾病转归的因素如收缩压、舒张压、心率、呼吸率、血氧饱和度、性别、年龄等，作为自变量。本研究选择大多数病人都具有24 h实时获取的自变量，以动态监测病人身体状况。利用Logistic回归分析来确定纳入方程的自变量及其权重，然后建立回归方程并计算病人风险概率值。通过确定最佳阈值，判断当P值大于或等于多少时，可认为病人有可能出现疾病恶化甚至死亡，以提醒护理人员及时采取干预措施。

2 基于临床信息的护理风险预警模型的建立

2.1 数据采集

查阅某院2013年9月1日～2014年9月1日的病人数据资料（不包括产科、妇科和儿科）并筛选出120例病人数据。出院病人数据为出院前24 h采集，死亡病人数据为死亡前24 h的数据。病例一般资料，见表1。

表1 病例一般资料

2.2 统计分析

统计工具采用SPSS 19.0中文版。变量设置：收缩压、舒张压、心率、呼吸率、血氧饱和度（SpO2）依次设为X1、X2、X3、X4、X5，性别设为X6（1表示男性，2表示女性），年龄设为X7，病人状态设为y（0表示康复，1表示死亡）。统计结果表明，变量X1、X3、X4、X5与疾病转归更具相关性。根据公式(2)，建立包含收缩压、心率、呼吸率和血氧饱和度（SpO2）的回归方程如下：

Logit(P)=37.565+0.076X1+0.150X3-0.276X4-56.472X5

计算死亡概率P值，绘制ROC曲线（图1）并计算Youden指数：

图1 ROC曲线

该模型的Youden指数最大值为P=0.6567，当P≥0.6567时，提示病人具有较高的死亡风险，护理人员需要采取干预措施。

3 基于临床信息的护理风险预警模型的验证

3.1 数据采集

查阅2015年6月1日～2015年12月30日的病人资料（不包括产科、妇科和儿科），筛选出50例病人数据，其中25例康复出院，25例死亡。康复病人的数据为出院前24 h，每小时采集一次。死亡病人数据为死亡前24 h，每小时采集一次。病人年龄18周岁以上，病人科室分布：CCU（5例，占总例数10%，康复3例，死亡2例）、ICU（6例，占总例数12%，康复3例，死亡3例）、心胸外科（4例，占总例数8%，康复4例）、神经外科（3例，占总例数6%，死亡3例）、创伤中心（7例，占总例数14%，康复4例，死亡3例）、急诊EICU（8例，占总例数16%，康复5例，死亡3例）、急诊外科（6例，占总例数12%，康复6例）、创伤中心病区（8例，占总例数16%，康复1例，死亡7例）、心血管外科（3例，占总例数6%，康复3例）。

3.2 模型验证结果

计算病人的死亡概率P，以时间为横坐标，P值为纵坐标，绘制每个病人24 h的P值散点图，图2为节选的4例病人的P值散点图。

对比两组散点图可以看出，死亡病人在死亡前24 h的P值比较高（＞0.5），波动幅度比较大，或呈上升趋势，说明病人病情不稳定，情况危急，病情恶化甚至死亡的可能性较大；康复病人在出院前24 h的P值比较低（＜0.5），波动平缓，或呈下降趋势，说明病人病情平稳，病情恶化甚至死亡的可能性较低。验证表明，该模型的预测结果与实际情况基本一致。

4 讨论

图2 病人P值散点图

基于病人临床信息的护理风险预警模型，可直接从临床信息系统中调取数据，实时监测患者病情，以便于早期识别潜在危重患者，及时采取干预措施，为患者提供更优质的护理服务。当信息系统中数据有更新时，预警模型也能实时更新，有较高的时效性。随着移动医疗的发展，将护理预警系统应用于手持无线设备，便于护士随时随地观察病人病情，在发生紧急情况时，及时获取病人信息，从而提高护理风险应对能力。

本文提供了一种建立护理风险预警模型的方法，但是所筛选的临床指标较少，仅选择了收缩压、舒张压、心率、呼吸率、血氧饱和度、性别、年龄7个指标，并最终筛选了收缩压、心率、呼吸率和血氧饱和度4项生理指标来建立回归方程，未能包含检验检查、护理评估等指标。病人所在医院是以急诊骨科创伤为特色的综合性医院，入选病例有一定的选择性偏倚。在实际应用中，应结合医院实际情况，建立更有效的护理风险预警系统。

[1] 陈兰.护理风险评估预警系统的研制与应用[J].护理学杂志, 2011,26(7):53-54.

[2] 吴茜,龚美芳,孙晓,等.住院患者护理高危风险预警预控体系构建与运作[J].护理学报,2015,22(1):16-20.

[3] Wood J,Smith A.Active management should prevent cardiopulmonary arrest[J].BMJ,1999,31(8):51-52.

[4] Despins LA,Scott-Cawiezell J,Rouder JN.Detection of patient risk by nurses:a theoretical frmework[J].JAN,2009,10(16):465-474.

[5] 高美华.改良早期预警评分系统结合GCS评分系统在急诊脑外伤患者分诊中的应用[D].长沙:中南大学,2014:2.

[6] Kirkland LL,Malinchoc M,O’Byrne M,et al.A clinical deterioration prediction tool for internal medicine patients[J].Am J Med Qual,2013,28(2):135-142.

[7] Rothman MJ,Rothman SI,Joseph Beals J 4th,et al.Development and validation of a continuous measure of patient condition using the Electronic Medical Record[J].J Biomed Inform,2013,46(5):837-848.

[8] Tepaset JJ 3rd,Rimar JM,Hsiao AL,et al.Automated analysis of electronic medical record data reflects the pathophysiology of operative complications[J].Surgery,2013,154(4):918-924.

[9] 孙亚凌,蔡新宇,张德刚.建立住院病人日常医疗风险预警信息管理系统的探讨[J].中国医院统计,2009,16(3):232-234.

[10] 高天翼,李瑞,许晔琼,等.OGG1 Ser326Cys多态性与结直肠癌发病风险的meta分析[J].中国医疗设备,2012,27(11):21-25.

[11] 陈永琴,田继书,魏大琼,等.集团化医院护理安全预警管理与成效[J].重庆医学,2015,44(3):401-403.

[12] 诸海燕,郭航远,马红丽,等.以信息化为载体的护理风险评估预警系统应用[J].医院管理论坛,2014,31(2):18-19.

[13] 张文彤.SPSS统计分析高级教程[M].北京:高等教育出版社,2004: 177.

[14] 刘新平.改良早期预警评分在ICU的临床应用[D].蚌埠:蚌埠医学院, 2011:21.

Establishment and Verification of a Nursing Risk Pre-warning Model Based on Patient Clinical Information

SUN Xue-song, ZHENG Xi-chuan
The 6thPeople’s Hospital Affiliated to Shanghai Jiaotong University, Shanghai 200233, China

ObjectiveTo introduce the establishment method of a nursing risk pre-warning model based on patient clinical information so as to early recognize high-risk patients in the early stage and take intervention measures promptly.MethodsThe clinical information of 120 patients who had been discharged from a certain hospital or dead between September 1st2013 and September 1st2014 were selected from HIS (Hospital Information Systems). The indictors which were obviously related with disease development were selected by using Logistic regression analysis to establish the regression equation and calculatePvalues. Then, 25 patients discharged from the hospital and another 25 patients who had been dead were selected respectively. Their indicators were collected hourly within 24 hours before their discharging from the hospital or death to calculate and mark the probability of death asP. The scatter plot for every patient was made in order to validate the effectiveness of the model.ResultsThe establishment of regression equation was used to calculatePvalues.P≥0.6567 suggested that the patient had a higher risk of death. According to the model validation results,P＞0.5 indicated that the disease was likely to become worse or even more likely to die. The predicted results of the model were basically consistent with the actual situation.ConclusionApplication of logistic regression analysis to establish pre-warning model based on HIS can make predictions of patients’ disease development and obtain data easily with high timeliness.

nursing risk pre-warning; logistic regression analysis; clinical indicators; model establishment

R197.32

A

10.3969/j.issn.1674-1633.2016.06.030

1674-1633(2016)06-0110-04

2015-12-09

2016-01-11

上海市信息化发展专项基金资助项目（201101049）。

郑西川，高级工程师。

通讯作者邮箱：zhengxc116@163.com