急诊拥挤预测模型的研究进展

李春燕，黄 萍，周田田，何静静

南京大学医学院附属鼓楼医院，江苏 210008

急诊拥挤（emergency department overcrowding)是指急诊科和医院所能提供的医疗资源不能满足实际出现的医疗需求的状态[1]。随着医疗服务需求的快速增长，急诊医疗资源供需失衡日趋严重，急诊拥挤现象在医院较为普遍，并逐渐成为全球范围内亟待解决的公共卫生问题[2]。已有研究表明，急诊拥挤会导致病人候诊时间延长、预后不良、医疗错误率增加、医护工作人员压力加重等诸多不良后果[3-6]。风险预警模型作为评估急诊拥挤状态的有效工具，可为临床医护人员早期准确识别急诊拥挤提供借鉴，同时为急诊科管理者及时掌握急诊科工作状态和运行规律、进行科学质量管理、合理调配人力资源等提供参考。现对急诊拥挤风险预警模型的研究现状进行归纳、总结，以期为临床工作提供指导。

1 国外风险预测模型的研究现状

1.1 急诊需求实时分析指标（READI）模型

1.1.1 源模型 该模型由加利福尼亚大学布鲁迪医学院团队在2001 年研发[7]，其计算公式为急诊需求值(demand value,DV)=(BR+PR)×AR。其中BR（bed ratio）用于评估每项治疗所占空间，其计算公式为BR=(急诊人数+预测到达人数-预测离开人数)/急诊总空间；PR(provider ratio)=每小时到达的病人数/医生平均每小时处理病人数；AR（acuity ratio）用于评估急诊病人的平均疾病严重程度，其计算公式为∑(病情分检种类)×每个种类病人例数/病人总数。DV＞7 提示急诊拥挤将要出现。

1.1.2 发展与应用 Hoot 等[8]进行了为期8 周的研究，通过受试者工作特征（ROC）曲线下面积(AUC)评估READI、急诊科工作指数（EDWIN）[9]、国家急诊科拥 挤 度 评 分（NEDOCS）[10]、急 诊 工 作 评 分（Work Score）[11]4 个模型对急诊拥挤的判别力，结果显示，READI 的AUC 值为0.65，其他3 个模型的AUC 值分别 为0.81，0.88，0.90，在 此 研 究 中READI 验 证 效 果不佳。

1.1.3 特点与用途 READI 模型可利用急诊信息系统完成评估，不需要复杂的数据收集或计算，且可以实时进行。公式中BR 值可用于预测急诊高峰时间；AR值可衡量当地社区疾病负担；PR 值可衡量急诊员工工作效率，提示管理者通过教育或优化配置提升效率。READI 模型研制时间较早，仍需其他多中心外部验证证实其预测性能及实用性。

1.2 EDWIN 模型

1.2.1 源模型 该模型由华克贝丝医学中心、耶鲁大学医学部共同研发[9]，其计算公式为：EDWIN=∑niti/Na(BT-BA)。其中，ni表示急诊各分诊级别病人人数，ti表示分诊级别[按照美国急诊严重指数（Emergency Severity Index,ESI）[12]分为1～5 级，并将级别数与对应严重程度进行倒置以适应模型，倒置后5 级为最严重]，Na表示当班医生数，BT表示急诊总床位数，BA表示急诊入院病人数。在8 h 轮班中，使用EDWIN 模型2 h 进行1 次测量取值，最终计算评分总和，评分＜1.5 分提示状态良好，评分为1.5～2.0 分提示繁忙，评分＞2.0 分提示发生拥挤。

1.2.2 发展与应用 有研究者在35 d、225 个时间点使用EDWIN 模型评估急诊拥挤度，期间共纳入2 647例病人，并将结果与医生、护士的主观拥挤度评分进行对比，结果显示，两者有显著相关性[加权系数=0.61，95%CI 为（0.53，0.69）]，该 模 型 具 有 一 定 实 用 性[9]。Brouns 等[13]在2017 年1 项回顾性队列研究中,根据荷兰急诊科特点对EDWIN 模型进行修正形成mEDWIN 模型，将EDWIN 计算公式中用于确定分诊级别的ESI 替换为该地区常用的曼彻斯特分诊系统（MTS），将EDWIN 计算公式中的BA替换为占床数，并在BT前增加1 个常数“30”，以防止出现模型分母为0 的错误，使用mEDWIN 模型每小时计算1 次得分，通过数据收集和四分位数计算初步确定急诊拥挤的临界值为0.28 分，并在31 496 例病人中进行模型验证，结果显示，mEDWIN 临界值0.28 分的敏感度和特异度分别为99.5%和84.5%，且mEDWIN 得分与占床率有显著相关性[95%CI（0.945，0.950）]。

1.2.3 特点与用途 EDWIN 模型考虑了病人、医师、诊室三方面因素，适用于评估不同规模和容量的急诊拥挤度状况，且数据易于收集，在急诊拥挤分级预警及提醒管理人员采取转移措施方面具有潜在意义，但模型未包括护理人力、区域居民数量、医学生参与等相关因素，未来可结合医院、社区数据系统，提高该模型预测的准确性。

1.3 NEDOCS 模型

1.3.1 源模型 该模型由加利福尼亚大学大卫医学中心、杜鲁门医疗中心共同研制[10]，其计算公式为NEDOCS=-20+85.8×(急诊病人总数/急诊床位数)+600×(急诊入院病人人数/医院总床位数)+13.4×机械通气人数+0.93×病人入院最长等待时间+5.64×最短待床时间）。其中，急诊病人总数包括等待就诊的病人、绿色通道的病人等一切在急诊区域有诊疗需求的病人，急诊床位数包括固定床位和可加床位总数，最短待床时间指从病人进入急诊到有床位的最短时间。根据NEDOCS 得分可将急诊拥挤程度分为5 个等级：0～50 分表示不忙碌，51～100 分表示忙碌，101～140 分表示拥挤，141～180 分表示危险，＞180分表示灾难。

1.3.2 发展与应用 2013 年Anneveld 等[14]在荷兰1 所急诊科验证NEDOCS 模型的准确性，结果显示，NEDOCS 模型与护士、医生主观感受评分一致程度为中等水平（Kappa 值分别为0.50 和0.53）。Wang 等[15]在2014 年的研究显示，NEDOCS 模型在评估超高容量的急诊科拥挤度时可能不准确。2018 年Jobé 等[16]在比利时的2 所学术型医院、1 所地区医院将NEDOCS 模型与急诊占床率（OR）、医护人员主观评分进行临床比较，结果显示，NEDOCS 与OR 显著相关（Pearson 相关系数分别为0.973，0.974 和0.972），且NEDOCS、OR、医护人员主观评分三者之间也显著相关。但Ilhan 等[17]在2020 年的研究显示，NEDOCS 模型不适合评估该院急诊拥挤状况。

1.3.3 特点与用途 NEDOCS 模型自创建以来在国际上应用较为广泛，其包含指标较为全面，公式计算可通过数据系统完成，已有多名研究者在不同国家和地区完成对该模型的验证。但近年来有研究显示，NEDOCS 模型对于急诊拥挤度的测量不够准确，原因可能与人口增加、科室环境改变及相关政策影响等有关。未来仍需不断探索该模型及其改良版的准确性和适用性。

1.4 Work Score 模型

1.4.1 源模型 该模型由波士顿SKE 医疗中心、哈佛医学院等共同研制[11]，参考Asplin 等[18]提出的急诊拥挤因素三大环节——输入因素、过程因素、输出因素，确定计算公式为Work Score=3.23×(候诊人数/急诊诊疗区数)+0.097×(∑[ESI]倒置数/当班护士数)+10.92×(已确定住院但未分配至病床人数/急诊诊疗区数)，ESI 倒置数即为ESI 级别与严重程度倒置后的结果。当公式计算结果＞6.3 分时，提示救护车需要分流。

1.4.2 发展与应用 研究者于2003 年收集急诊室就诊数据，其中，奇数月数据用于制定模型，偶数月数据用于验证模型，并以救护车转向率作为判断急诊拥挤的标准。Logistic 回归结果显示，Work Score 与救护车转向率之间具有良好的相关性[输入环节的95%CI 为（2.82，3.64），过程环节的95%CI 为（0.07，0.12），输出环节的95%CI 为（10.51，11.33）]，ROC 曲线显示临界值为6.3 分的敏感度和特异度分别为86%和80%，模型预测性良好[11]。

1.4.3 特点与用途 该模型根据输入、过程、输出三大环节确定预测指标，具有科学性和可行性，模型在验证中选择救护车转向率作为结局指标，存在一定主观性，且在急诊流量过高时救护车转向率可能被低估。目前针对Work Score 的外部验证相对较少，仍需多中心、大样本研究验证模型的准确性。

1.5 ICMED 模型

1.5.1 源模型 该模型由剑桥大学学者在2012 年研制[19]，模型通过德尔菲法确定了8 项量化急诊拥挤指标，分别为90%的救护车抵达至卸载病人完毕时长＞15 min、未接受诊疗即离开的病人数量≥5%、等待分诊时长＞5 min、急诊室占床率＞100%、90%的病人在急诊滞留总时长＞4 h、等待医生诊疗时长＞30 min、90%的病人等候住院病床时长＞2 h、等候住院病床病人数＞10%。

1.5.2 发展与应用 Boyle 等[20]在英格兰4 所医院急诊科观察84 h，完成对ICMED 模型的验证，结果显示，ICMED 模型评分与医生视觉模拟量表有良好的相关性（Spearman 相关系数为0.60，P＜0.001），但模型在预测临床医生危险感知方面性能较差，可能与其验证中数据收集量有限，出现急诊拥挤危险总次数较少有关。Boyle 等[21]在4 所医院急诊科收集了简易ICMED 模型（sICMED 模型，删除了ICMED 模型计算公式中不易实时记录的“未接受诊疗即离开的病人数量”指标）和NEDOCS 模型的实时观察结果，并与临床医生视觉模拟量表进行比较，简单的回归模型显示，sICMED 模型和NEDOCS 模型与危险感知和拥挤度感知之间显著相关（P＜0.000 1)。Boyle 等[22]在5 个国家的7 个急诊科对sICMED 进行外部验证，结果显示，sICMED 模型在预测拥挤和临床医生危险感知方面有效性中等，预测效果在不同国家和医院之间有差异。

1.5.3 特点与用途 ICMED 模型指标数据较易收集，计算方法简单，更加易于推广，且除急诊拥挤度以外，该模型对临床医生危险感知度有一定预测作用，可为急诊管理人员决策提供指导。目前，ICMED 模型和sICMED 模型的外部验证结果均显示预测性良好，未来可推广至更多国家和地区进行多轮验证。

1.6 SEAL 模型

1.6.1 源模型 该模型由瑞典学者Wretborn 等[23]在2015 年研制，其计算公式为1.589+1.80×紧急病人比例+1.39×病人平均等待医生时间+14.73×病人平均在急诊总消耗时间-1.10×急诊占床率，其计算结果范围为1～6，其中，6 代表最高工作负荷。公式中的紧急病人比例定义为一级和二级护理需求的病人占急诊病人总数比例。

1.6.2 发展与应用 在模型内部验证中，研究人员在瑞典不同规模的5 所急诊科（包含城市地区和乡村地区）收集了233 个时间点的变量数据和医护人员对急诊工作负荷的评估数据，结果显示，SEAL 模型结果与工作负荷评估具有良好相关性（P＜0.001）。模型建立后，研究人员在2 个流量较大的急诊室分别进行7 d 和14 d 的数据收集验证，收集指标与原模型相同，时间点因急诊室特点差异略有调整，结果显示，模型与医护人员主观工作负荷具有良好相关性（P＜0.001）[23]。Wretborn 等[24]2021 年在原有模型基础上结合当地急诊现状推出改良版SEAL 模型，即mSEAL 模型，其计算公式为mSEAL=1.49+9.42×过去1 h 内急诊病人总消耗时间+0.18×从急诊挂号到第1 次接触医生时间，mSEAL 模型与SEAL 模型关联性良好，在4 所医院333 个时间点进行的外部验证结果显示，mSEAL 模型与急诊员工工作负荷相关性良好。

1.6.3 特点与用途 SEAL 模型适用于测量不同规模和特点的急诊科室拥挤度，可用于急诊工作量的实时监控，mSEAL 模型数据更易收集，但模型中紧急病人比例指标使用瑞典常用的瑞典快速紧急分流与治疗系统（RETTS），外推时可能需要改进。SEAL 模型与mSEAL 模型均没有探索拥挤度临界值，且模型数据来源于医护人员手动输入的电子病历，可能存在误差，未来可尝试继续优化模型。

1.7 Eiset 等[25]构建的模型

1.7.1 源模型 该模型由Eiset 等[25]在2016 年研制，其 计算公式为Q(t+1)=Q(t)+A(t)-D(t)，其中，Q 表示排队人数，A 表示到达人数，D 表示离开人数，t表示时间点，t+1 表示下个时间点，以30 min 为时间间隔，该公式表示某个时间点的排队人数=上个时间点（30 min 前）的排队人数+新进入急诊人数-离开人数。

1.7.2 发展与应用 纳入1 所医院的41 693 例病人进行模型验证，结果显示，当该医院急诊科排队人数达到19 例时，急诊占床率接近100%，发生急诊拥挤的危险性较大。白班、晚班、夜班不同班次间排队人数和到达人数差异有统计学意义（P＜0.001），工作日和周末结果差异有统计学意义（P＜0.05），工作日白班、晚班、夜班出现排队人数≥19 例的高拥挤风险频率分别为54%、56%和＜1%，周末白班、晚班、夜班出现排队人数≥19例的高拥挤风险频率分别为21%、27%和＜1%[25]。1.7.3 特点与用途 Eiset 等[25]构建的模型计算较为简便，未对拥挤阈值进行界定，可以在不同规模的急诊科尝试通用，但中间环节可能存在多种误差，如在繁忙阶段对病人进出记录收集不准确或缺失，模型对急诊拥挤风险的预测是一种模糊概念。未来可延伸进行多中心研究，增加护士首次评估、医师首次诊疗等指标的子队列验证，合理应用电子病历，建立更加标准化的模型。

2 我国风险预测模型的研究现状

2.1 多维急诊科拥挤评分量表（MEDOS）

2.1.1 源模型 该量表由北京协和医院徐腾达等[26]在2016 年编制，量表由3 个部分、共12 个条目（9 项客观条目、3 项主观条目）组成。①急诊系统部分：包括急诊总床位占用率、抢救室床位占用率、廊厅/过道诊治病人数、近2 h 心肺复苏和新进抢救室病例数、生命脏器功能支持设备数量。②医院相关部分：包括重症监护室（ICU）满负荷状况（床位使用率）、急诊病人流出道梗阻率、急诊满负荷状况（持续时间）。③外部相关因素：包括急诊诊室外候诊病人数、最近1 个看医生病人候诊时间、近8 h 启动救护车转向情况、未看医师离开急诊现象。每项条目按照实际状况赋0～3 分或0～4 分，之后再计算总和，满分为40 分。

2.1.2 发展与应用 徐腾达等[26]进行了为期6 个月的量表初步测试，研究结果表明，在552 个测量点中MEDOS 均分为（25.4±5.8）分，用折半信度检验量表内部一致性，系数为0.817（P＜0.01），提示MEDOS 具有良好信度。

2.1.3 特点与用途 MEDOS 是为评价三级综合医院急诊科拥挤度而设计，量表直观量化，可用于实时评估，数据采集复杂性不大，12 个条目包含定类、定序、定距、定比4 种测量层次，提升了量表操作性和项目可行性。但目前仍缺乏对该量表的外部验证，未来需要更多同行参与，不断修订和完善评估方法，推进我国急诊拥挤领域的研究。

2.2 国家急诊科拥挤度评分改良模型（NEDOCSBJ）

2.2.1 源模型 该模型由北京协和医院徐腾达等[27]在2016 年编制，其计算公式为NEDOCSBJ=83.563×(Pbed/Bt)+7.201×(Xn)+0.116×Wtime+0.302×ABI+2.835。其中Pbed/Bt表示急诊在床治疗病人数/急诊额定床位数，Xn表示生命支持设备数，Wtime表示最近1 个看医师病人候诊时间，ABI 表示流出道梗阻率。

2.2.2 发展与应用 徐腾达等[27]在552 个时间点的测量结果中得出NEDOCSBJ均分为（136.0±24.5）分，得分中位数为136 分，且与视觉模拟评分量表（VAS-m）、MEDOS 有良好相关性（r=0.630，P＜0.01；r=0.939，P＜0.01）。NEDOCSBJ与MEDOS 的组内相关分析结果和Bland-Altman 图显示有较好一致性,两者差值均分为11.96 分，在可接受范围。

2.2.3 特点与用途 NEDOCSBJ有潜在的预报价值，考虑到各环节的供需问题，信度较好，但其适用性具有两面性：若信息系统先进，评分结果即可实时、直观显示；但对信息系统落后的机构来说较为困难。该模型可能存在国家或地域性差异问题，影响测量方法的推广，难以开展多中心的研究。

2.3 陈岚等[28]开发的急诊拥挤度预警系统

2.3.1 源模型 陈岚等[28]在医院原有的急诊抢救留观系统、预检系统、叫号系统基础上，提取部分急诊拥挤度评估指标关键参数，包括急诊各诊室就诊流量，最近1 例就诊病人的等待时间，等待就诊人数，预计等待时间，抢救室、复苏室、应急区域占用床位率，最长滞留时间，留观病人平均滞留时间等，开发出急诊拥挤度预警系统，系统数据在屏幕上显示并实时更新。

2.3.2 发展与应用 预警系统应用6 个月后，急诊病人抢救室滞留时间显著短于应用前（P＜0.01），未发生意外事件及院外转运病人因等待而转运的情况[28]。

2.3.3 特点与用途 急诊拥挤度预警系统的应用有利于规范候诊病人的再分诊时间和可等待救治的响应时间，有利于合理安排危重症病人救治区域，有利于尽早介入分流困难和滞留时间较长的病人。该系统仅在1 所三级综合性医院开发并应用，结合信息化手段有效实现急诊拥挤的预警及干预，我国其他综合性医院可借鉴相关经验开发适合自身的急诊拥挤预警系统。

3 小结

国内外针对急诊拥挤预测模型的研究不断深入，主要采用了Logistic 回归分析方法，但各模型纳入指标不完全相同，涵盖了当班医生数、急诊总床位数、急诊入院病人数、疾病严重程度、机械通气人数、最短待床时间、病人平均等待医生时间、病人平均在急诊总消耗时间、急诊占床率、生命支持设备数等。国外模型尚未在国内各级医院验证，可能并不完全适用于我国医院急诊室，但对我国开展急诊拥挤相关研究具有一定借鉴意义。目前，我国医护人员对于开展急诊拥挤预测模型的认识尚不足，其预测模型较少应用到临床工作当中。因此，临床人员需结合实际，选择合适的预测模型进行急诊拥挤风险预测，在此基础上，建立符合我国急诊拥挤预测模型的临床信息系统，提高医疗护理工作效率，减轻急诊拥挤带来的危害。