重症监护预后预测模型COPE7的研发与验证：基于澳大利亚维多利亚州5年行政数据的大规模队列研究

《Critical Care and Resuscitation》：Critical care outcome prediction equation model, version 7

本研究针对成人ICU死亡率预测模型的需求，开发并验证了第七版重症监护预后预测方程（COPE7）。研究人员基于澳大利亚维多利亚州47家医院215,148例ICU住院病例的5年行政数据，通过多阶段建模方法构建包含31个协变量的简约模型。验证结果显示：Brier评分=0.08，AUCROC=0.85，94.4%的标准化死亡率比值（SMR）落在±3SD控制范围内。该模型为ICU质量评估和流行病学研究提供了基于行政数据的实用工具。

　　

在重症监护医学领域，准确预测患者预后不仅是临床决策的重要参考，更是医疗质量评估和医疗资源优化配置的关键依据。澳大利亚和新西兰地区虽然拥有多个临床注册系统和质量监测指标，但如何建立适用于不同医疗机构的标准化评估工具仍是亟待解决的问题。特别是在维多利亚州，重症监护预后预测方程（Critical care outcome prediction equation, COPE）经过15年的迭代发展，现已进入第七版（COPE7），成为监测当地成人重症监护病房（ICU）死亡率风险的重要工具。

传统死亡率预测模型往往面临诸多挑战：数据来源不统一、病例组合差异大、模型复杂度与实用性难以平衡等。更重要的是，理想的预测模型需要涵盖所有成年患者、所有诊断类型和所有医疗机构，同时还要调整那些与医院和临床服务无关的患者相关因素。这些挑战促使研究人员开展了一项大规模研究，旨在开发并验证新一代的预后预测模型。

这项发表在《Critical Care and Resuscitation》的研究，汇集了维多利亚州东部健康重症监护服务机构的专家团队，他们利用2019年7月至2024年6月期间的全州范围行政数据，开展了一项涵盖21万余例ICU住院病例的回顾性研究。研究的主要目标是开发一个精简而有效的死亡率预测模型，为医疗质量监测、临床研究和流行病学分析提供可靠工具。

研究人员采用多阶段研究方法，包括数据提取、整理、聚合、建模和验证五个关键阶段。研究数据来源于维多利亚州28家公立和19家私立医院的成人ICU住院记录，所有诊断均按照ICD-10-AM（国际疾病分类第十版澳大利亚修订版）进行编码。通过创新的临床诊断分组（CDG）方法，将7771个独特入院诊断代码聚合为24个临床诊断组，最终形成包含31个协变量的预测模型。

在模型验证方面，研究团队采用了严格的统计方法，包括校准度评估（Brier评分、Hosmer-Lemeshow统计量H₁₀）、判别能力分析（受试者工作特征曲线下面积AUC_ROC和精确召回曲线下面积AUC_PRC）、分类性能测试以及离散度测量等多个维度的指标。

主要研究方法概述

研究基于维多利亚州5年期间的215,148例成人ICU住院病例，采用多阶段建模方法。首先进行数据整理和诊断代码聚合，将ICD-10-AM代码归类为临床诊断组（CDG）。随后通过混合效应回归模型评估各诊断组与90天死亡率的关联强度，进行风险分级。最终模型包含8个人口统计学变量和24个诊断组变量，采用逻辑回归分析，并通过80:20随机分割进行训练集和验证集的模型验证。

2.3. Phase 2: Aggregation of ICD-10-AM codes

研究人员将所有入院ICD-10-AM诊断代码识别并归类到406个独特的临床诊断组（CDG）中。每个CDG定义为描述相似病理生理状态的一个或多个ICD-10-AM诊断代码组。所有CDG集合共捕获超过10000个ICD-10-AM诊断代码，聚合为240个急性诊断、53种慢性疾病、57种临床症状、18种实验室检查异常和16种（院前）操作并发症。

2.4. Phase 3: Ranking of CDG

本阶段旨在识别哪些CDG集合与入院后90天死亡显著相关及其关联强度。研究人员拟合了一个混合效应回归模型，包含人口统计学变量和CDG变量，并添加了每个财政年度的分类变量以调整时间趋势，以及每个ICU服务的随机截距以调整医院因素。通过手动迭代过程去除不显著的候选变量，保留那些能解释方差或改善模型信息标准的变量。

2.5. Phase 4: Final model

最终COPE模型排除了所有医院描述符、分离年份和第三阶段模型生成的系数。所有ICD-10-AM代码及其分配的CDG被第三阶段生成的排名类别所取代，创建了一个仅限于入院时存在的患者相关因素的简约模型。

3. Results

研究结果显示，90天死亡率CFR为12.0/100例，而院内死亡率CFR为8.2/100例。模型验证指标表现良好：Brier评分=0.08，H₁₀=15.95（p=0.051），AUC_ROC=0.85，AUC_PRC=0.43。在分类性能方面，47个ICU的232个ICU年中，220个（94.4%）SMR值落在±3SD基准范围内。离散度指标显示存在过度离散（φ=2.80；τ=0.15），提示可能存在未测量的混杂因素。

4. Discussion

COPE7模型成功将高度维度的数据集转化为包含31个协变量的简约模型，具有良好的校准度、判别能力、分类性能和稳定性。与ANZROD模型相比，COPE7虽然缺乏临床细粒度，但排除了管理决策，且源于基于国际和国家编码标准的行政数据。研究期间跨越COVID-19大流行，但COVID-19本身未被选为最终模型的显著协变量，而其相关并发症（病毒性肺炎、急性呼吸衰竭等）被纳入模型，表明模型能够捕捉疾病的临床严重程度而非单纯血清学诊断。

该研究的优势在于使用了全州范围的连续记录数据集，包含所有成人ICU入院和所有医院，并与州死亡登记处链接实现90天生存分析。然而，研究也存在局限性，包括行政数据质量依赖于编码准确性和临床文档质量，模型缺乏临床细粒度，以及存在过度离散提示未测量混杂因素。

COPE7为评估和比较重症监护服务质量、流行病学和相关研究提供了一种实用且互补的方法，多个指标集中于同一人群有助于增强临床洞察力，并对异常信号进行三角测量。这一模型的建立为重症监护医学的质量改进和患者安全监测提供了重要工具，特别是在资源分配和医疗政策制定方面具有重要价值。