基于生理指标的住院患者病情严重程度评分构建与有效性研究

■ 李 林郑 超金 铭曹秀堂刘丽华田 鸥

基于生理指标的住院患者病情严重程度评分构建与有效性研究

■ 李 林①郑 超①金 铭①曹秀堂①刘丽华①田 鸥①

病情严重程度评分 Logistic回归模型 最小二乘法回归模型

目的：构建适用于国内医院信息系统的在院患者病情危重程度评分，并检验其有效性。方法：以某大型综合医院2015年7月1日～2015年12月31日住院的18岁以上患者为研究对象，提取其诊疗数据。参照基于实验室检查的急性生理功能评分第2版（LAPS2）研发思路，纳入14项生理指标，构建了适于国内医院信息系统实际情况的病情危重评分。分析危重评分与患者在院死亡率、平均住院日的简单关系；构建Logistic模型，考察危重评分与在院死亡之间的关系；构建最小二乘法模型（OLS），考察危重评分与平均住院日之间的关系。结果：所构建的住院患者病情严重程度评分是范围在0～160的连续型变量。分值越高，患者数量越少，而患者在院死亡率迅速提高。Logistic回归结果显示，评分越高，在院死亡可能性越大。随着评分的增加，全部患者和以治愈好转为转归患者的平均住院日呈现递增趋势；而以死亡为转归的患者平均住院日呈现先上升后下降的倒U型趋势。OLS回归结果与此一致。结论：基于生理指标构建的住院患者病情危重程度评分是有效的。

Author's address：General Hospital of PLA., No.28, Fuxing Road, Haidian District, Beijing, 100853,PRC

1 背景

对住院患者病情严重程度进行评价，对于危重患者的早期识别与预警、高效配置医护力量、提高患者救治成功率具有重要意义。现有疾病危重衡量方法，大多适用于特定患者，特别是重症监护室患者[1-11]，包括急性生理和慢性健康状况评分（acute physiology and chronic health evaluation，APACHE）、格拉斯高昏迷评分（Clasgowcoma score）、简明急性生理学评分（simplified acute physiology，SAPS）、病死概率模型（mortality probability model，MPM）。而对于一般住院患者，通用的疑难危重程度衡量方法较少。

近年来，有学者提出了基于实验室检查的急性生理功能评分第2版（laboratory acute physiologyscore，version 2，LAPS2），由Escobar G等人于2013年在前一个版本LAPS的基础上建立的[12-13]，是一个基于患者进入医院前72小时生理数据的评分。这些数据包括实验室检查结果（白蛋白、阴离子间隙、动脉血pH等）、生命体征（体温、心率、呼吸频率、血压、血氧饱和度）和一些交互项（例如，休克指数=心率/收缩压）。LAPS2是一个连续变量，其理论范围是0～414，其值越高，说明病情越危重。LAPS2衡量疾病危重程度的有效性已被验证[14]，并开始被其他研究采用[15-19]。LAPS2与传统方法的重要区别：首先，LAPS2可用于对普通住院患者的病情危重程度衡量，而不是仅限于特定患者；其次，LAPS2可基于医院信息系统的数据自动计算，可被应用于几乎所有安装HIS系统的医院，易于在我国医院推广；最后，LAPS2既可用于某一病例，又可计算科室医院全部患者的总体疾病危重程度。因此，LAPS2具有其他指标无法比拟的优势。本研究借鉴LAPS2的有益思想，构建适用于我国医院信息系统的病情危重程度评分方法，并探讨其有效性。

2 资料与方法

2.1 数据来源

某大型综合医院2015年7月1日～2015年12月31日，18岁以上住院患者55696例，分娩患者除外。

2.2 基于生理指标的住院患者病情严重程度评分构建方法

参照基于实验室检查的急性生理功能评分第2版（LAPS2）研发思路，研制适于我国医院信息系统实际情况的病情危重评分。LAPS2的构建共纳入21项指标，其中7项指标由于所研究医院的信息系统无法自动采集而未纳入，本研究纳入的生理指标包括14项，分别是血清钠、血清总胆红素、血清尿素氮、血清肌酐、尿素氮/肌酐、白蛋白、血糖、红细胞压积、白细胞计数、体温、心率、呼吸、收缩压和休克指数。各项指标均采用住院第一次实验室检查、生命体征测量数据；界值划分与赋值按照LAPS2进行。

2.3 分析方法

分别分析危重评分与患者在院死亡率的关系和与患者平均住院日的关系。首先，描述其简单关系；其次，构建Logistic模型，以是否死亡为因变量，以病情危重评分和患者基本特征为自变量，考察危重评分与患者在院死亡之间的准确数量关系；再次，构建最小二乘法模型（OLS），以平均住院日的自然对数值（因为平均住院日是一个右偏态变量）为因变量，以病情危重评分和患者基本特征、入院方式、Charlson合并症指数等为自变量，考察危重评分与患者平均住院日之间的准确数量关系，并与现实逻辑进行对比以验证该评分的有效性。

3 结果

3.1 危重评分与患者在院死亡率

最终纳入评分构建的患者有25378人，患者在院总体死亡率为0.52%。所构建的基于生理指标的住院患者病情严重程度评分，是一个范围在0～160的连续型变量。将该评分划分为5个区间，随着分值升高，患者数量减少，但患者在院死亡率迅速提高（表1）。

以是否死亡为因变量，以病情危重评分和患者基本特征为自变量的Logistic回归结果进一步验证了上述在院死亡率与病情危重评分的关系。结果显示，评分越高，在院死亡的可能性越大（表2）。在控制了年龄、性别、入院方式、Charlson合并症指数和科室之后，与评分在0～24分的患者相比，评分在25～49分、50～74分、75～99分、100～160分的患者死亡的优势比分别是6.9、117.7、561.7、1654.0。

3.2 危重评分与患者平均住院日

从病情危重评分与患者平均住院日的关系看，对于全部患者和以治愈好转为转归的患者而言，随着危重评分的增加，其平均住院日呈现递增趋势；而以死亡为转归的患者，随着危重评分的增加，其平均住院日呈现先上升后下降的倒U型趋势（图1）。

表1 不同危重评分收治人次与在院死亡率

表2 患者是否在院死亡Logistic回归结果（OR值）

平均住院日对数值的OLS回归结果显示，在控制了年龄、性别、入院方式、Charlson合并症指数和科室之后，与评分在0～24分的患者平均住院日相比，评分在25～49分、50～74分、75～99分、100～160分的患者平均住院日分别高出18.3%、51.8%、71.4%、55.2%（表3）。

4 讨论

本研究借鉴LAPS2构建方法，运用国内医院信息系统可以直接采集的患者生理数据，构建了住院患者病情危重程度评分方法，并验证了其有效性。结果显示，从简单关系看，所构建的评分分值越高，住院患者死亡率越高；Logistic回归结果也得出一致结论。

4.1 病情危重评分有效性

病情危重评分与患者平均住院日的关系，与我们的直观感觉一致，即病情越危重的患者，越需要更长时间在医院接受治疗。而对于以死亡为转归的患者而言，随着危重评分增加，平均住院日呈现倒U型趋势，即先增加后迅速下降，这说明非常危重的患者由于过早死亡而出现平均住院日下降的现象。这也与我们的直观感觉一致。平均住院日对数值的OLS回归结果中，危重评分100分以上的患者平均住院日下降，其原因可能是病例数太少，也可能是事实既是如此，因为病情太重的患者最终死亡了。这些结果充分验证了该危重评分在评价在院患者病情危重程度上的合理性、有效性。

4.2 病情危重评分需要本土化修订

首先，LAPS2方法是基于美国北卡罗莱纳州Kaiser Permanente医疗集团所属医院的电子病历数据建立，其实验室检查指标，如血钠、肌酐、血压等，是根据西方人生理指标建立，其正常值参考范围、异常值等在我国人群并不能完全适用（见ISO15189医学实验室认证标准）。因此，这些指标的赋值用于我国人群需要进行调整。

其次，LAPS2采用患者入住病区前72小时内患者相关实验室检查结果，是因为在美国，患者正式住院之前便可获得全面检查，因此可收集到这些数据；而我国不同，只有在患者入院后才将被全面检查并获得实验室检查结果，在门诊实施的实验室检查结果在大多数医院的HIS系统中提取不到，因此我国需要采用入院后48小时或72小时内检验数据（如果时间太短，有些检查结果尚未报告；而如果时间太长，将排除很多住院患者，其预测价值会打折扣）。

图1 不同危重评分患者的平均住院日情况

表3 Log(患者住院日)OLS回归结果

第三，我国医院与美国医院信息化水平和电子病历应用情况差别较大。在美国医院可以通过信息系统自动提取的指标，比如神经功能评分，在我国医院则大部分无法通过信息系统自动提取。因此，该项目首先将对这两种评价方法，运用我国医院患者诊疗数据进行验证，并根据我国医院实际情况进行优化完善。

4.3 病情危重评分的应用价值

该危重程度评分有很多潜在应用价值。对医生来说，可用于对入院患者危重程度进行评估，从而为科学调配医疗资源提供依据。对管理者而言，可对医生或科室的绩效进行考评，以住院患者的危重程度作为对医生或科室工作量的调整指标，从而更全面准确地衡量医生或科室绩效。同时，该指标可以与在院患者实际死亡率相结合，来判断医生或科室、医院的技术水平，即如果某医院的患者危重程度高，同时其在院患者实际死亡率低，则可以认为该医院技术水平比其他医院高。

4.4 局限性

需要说明的是，由于受传统观念影响，我国目前不少濒死患者的家属会要求出院回家，如果没有该现象，患者在院期间的死亡率将会更高。因此，通过患者在院相关数据计算出的死亡率仅是最保守的估计，即危重评分的各分值区间对应的死亡率仅是最低估计，实际死亡率可能会更高，或者说该危重评分对在院患者死亡率的预测价值被低估。

[1] 江学成.危重疾病严重程度评分临床应用意义[J].中国危重病急救医学,2004,12(4):195-197.

[2] 聂锦坤.急危重病评分系统的研究[D].北京:北京中医药大学,2007:6-9.

[3] 郭超,佘丹阳,谢立新.危重症预后评分系统初探[J].解放军医学杂志,2010,35(9):1151-1153.

[4] 杜昌.常用的危重疾病严重程度评分方法[J].中国社区医师,2010(46):6-7.

[5] 高现同.不同危重病评分系统对危重病人动态评分的应用比较[D].贵阳:贵阳医学院,2012.

[6] 刘丹红.各类疾病住院患者危重度分级研究[D].西安:第四军医大学,2003.

[7] 杜昌.急诊危重症评分概述[J].中国社区医师,2010(46):5.

[8] 周荣斌,张树义,李春盛.危重病预后评分系统[J].中华医院管理杂志,1998,14(2):92-94.

[9] 丁俊琴,闫晓丽,崔怡,等.疾病严重程度评价量表的建立与应用研究[J].中华护理杂志,2015,50(1):53-56.

[10] 吴国豪,吴肇汉,黄德骧,等.外科危重患者的预后评估[J].中华外科杂志,1995,33(1):32-34.

[11] 周俊.医院住院医疗资源利用效率评价模型优化研究[D].武汉:华中科技大学,2013.

[12] Gabriel JE, Marla NG, John DG.Risk-adjusting hospital mortality usinga comprehensive electronic record in anintegrated health care delivery system[J]. MedCare, 2013(51):446-453.

[13] Escobar G, Greene J, Scheirer P,et al. Risk adjusting hospital inpatientmortality using automated inpatient,outpatient, and laboratorydatabases[J]. MedCare,2008(46):232-239.

[14] Van WC, Escobar GJ, Greene JD,et al. The kaiserpermanente inpatientrisk adjustment methodology was validin an external patient population[J]. J ClinEpidemiol,2010(63):798-803.

[15] Escobar GJ, LaGuardia J, Turk BJ, et al. Early detection of impending physiologic deterioration among patients who are not in intensive care: development of predictive models using data from an automated electronic medical record[J]. J Hosp Med, 2012(7):388-395.

[16] Oake N, Taljaard M, Van WC, et al. The effect of hospital-acquired clostridium difficile infection on in-hospital mortality[J]. Arch Intern Med,2010(170):1804-1810.

[17] Wong J, Taljaard M, Forster AJ, et al. Derivation and validation of a model to predict daily risk of death in hospital[J]. Med Care, 2011(49):734-743.

[18] Gabriel JE, Marla NG, John DG. Risk-adjusting hospital mortality using a comprehensive electronic record in an integrated health care delivery system: quantifying hidden severity[EB/OL].(2016-10-07)[2017-03-10].http://links.lww.com/ MLR/A429.

[19] Wong J, Taljaard M, Forster AJ. Addition of time-dependent covariates to a survival model significantly improved predictions for daily risk of hospital death[J]. J EvalClinPract, 2013(19):351-357.?

Constructing and effectiveness analysis on inpatients illness severity score based on physiology

/ LI Lin, ZHENG Chao, JIN Ming, CAO Xiutang, LIU Lihua, TIAN Ou// Chinese Hospitals. -2017,21(6):29-32

illness severity score, logistic regression model, Ordinary Least Square regression model

Objective: To construct a score for inpatients illness severity applied to hospital information system in China and to test its effectiveness. Methods: Patients over the age of 18 in a large general hospital who were hospitalized from July 1, 2015 to December 31, 2015 were selected as the object of study, and extracted their medical record data. According to the Laboratory Acute Physiology Score, version 2 (LAPS2), 14 physiological indicators were included and built an illness severity score that applied to Chinese hospital information system. The relationship between the score and hospital mortality and average length of stay (LOS) were analyzed and a Logistic model was established to explore the relationship between the score and death, and an Ordinary Least Square (OLS) model was established to explore the relationship between the score and average LOS. Results: The severity score of the inpatients was a continuous variable ranged from 0 to160. With the score increasing, the number of patients decreased, and hospital mortality increased. Logistic regression results showed that the higher the score, the greater the likelihood of death in hospital. With the increase in scores, the average LOS in all patients and patients who were cured was increasing, while the average LOS of patients who died declined. OLS regression results are consistent. Conclusion: The severity score of inpatients based on physiological indexes is effective.

2016-03-28](责任编辑 鲍文琦)

“十二五”第二批军队医学创新专项课题“军队医院科技干部临床优势考评标准构建与应用研究”(14CXZ003）；2016全军医学科技青年培育计划拔尖项目“伤情危重程度评分方法研制及在野战医疗救治中的应用研究”(16QNP147）

①解放军总医院，100853 北京市海淀区复兴路28号

田 鸥：解放军总医院政治部主任

E-mail：to301@163.com