提升护理质量评估：荷兰重症监护病房（ICU）基准管理中的非典型患者处理

《Critical Care Medicine》：Enhancing Quality of Care Assessments: Managing Atypical Patients in ICU Benchmarking in The Netherlands

非典型患者识别与ICU基准测试质量评估优化研究。通过自动编码器（AE）模型检测荷兰75家ICU中34.4万患者数据，发现5%非典型患者显著影响APACHE-IV预测精度（Brier分数从0.02增至0.13），排除后13家ICU的SMR评估结论发生改变，其中6家（5家为学术医院）患者异质性最高。研究提出基于留出中心剔除法的非典型患者识别框架，强调在ICU质量评估中需系统排除数据偏差，提升公平性。

　　在现代医疗体系中，重症监护室（ICU）的质量评估对于确保患者获得最佳治疗至关重要。为了实现这一目标，各国普遍采用基准分析（benchmarking）的方式，通过比较不同ICU之间的患者治疗结果，评估其护理质量。然而，这种分析方法可能会受到某些“非典型患者”（atypical patients）的影响。所谓非典型患者，指的是那些在临床数据上与常规ICU患者群体存在显著差异的个体。这类患者的特征或病情可能偏离ICU常规病例的范围，从而对基准分析的结果产生偏差。本研究旨在探讨如何识别并减少这些非典型患者对ICU质量评估的影响，以提升评估的准确性和公平性。

### 研究背景与重要性

在荷兰，自1996年起建立的国家重症监护评价（National Intensive Care Evaluation, NICE）注册系统，是评估ICU护理质量的重要工具。NICE注册系统覆盖了所有荷兰的ICU患者，并且自2016年起全面纳入数据。该系统通过标准化死亡率比值（Standardized Mortality Ratio, SMR）来衡量ICU的绩效，SMR是通过将实际观察到的死亡人数与基于急性生理和慢性健康评估（Acute Physiology and Chronic Health Evaluation, APACHE-IV）模型预测的死亡人数进行比较得出的。SMR值被绘制在所谓的“漏斗图”（funnel plot）中，以直观展示各ICU的死亡率是否符合预期范围。

然而，这种基于APACHE-IV模型的基准分析方法可能受到非典型患者的影响。由于这些患者在数据建模过程中没有被充分代表，APACHE-IV模型可能无法准确预测其死亡率，从而导致SMR计算结果的偏差。这种偏差不仅影响ICU之间的比较，还可能误导医疗资源的分配和护理质量的改进方向。因此，如何识别并排除这些非典型患者，成为提升ICU质量评估准确性的关键问题。

### 研究方法与框架

本研究提出了一种框架，用于识别非典型患者并评估其对ICU质量评估的影响。该框架的核心在于利用自编码器（Autoencoder, AE）技术，这是一种在机器学习中广泛使用的神经网络模型，主要用于数据重建和异常检测。具体来说，研究团队首先将各ICU的患者数据与其他ICU的数据进行比较，通过构建AE模型，计算出每个患者的“非典型性分数”（Out-of-Distribution score, OOD score）。这个分数反映了患者数据与常规ICU数据分布的偏离程度。然后，根据这个分数，识别出那些具有较高非典型性分数的患者，并将其从基准分析中排除，以观察其对SMR计算的影响。

为了确保分析的准确性，研究团队采用了“留一法”（leave-center-out）策略，即在计算某一ICU的非典型性分数时，使用其他ICU的数据作为参考。这一方法避免了因ICU内部数据特征而产生的偏差，使得分析结果更具普遍性。此外，研究还考虑了不同年份患者群体的变化，确保模型能够适应时间上的波动。例如，在某些年份，由于疾病流行或医疗政策调整，患者群体可能会发生显著变化，从而影响SMR的计算。通过这种方法，研究团队能够动态调整非典型性分数的计算，以反映这些变化。

### 研究结果与分析

研究团队分析了荷兰75家ICU在2018年至2023年间的344,452例患者数据，发现非典型患者对APACHE-IV模型的预测准确性产生了显著影响。在典型患者群体中，APACHE-IV模型的平均Brier分数（衡量预测误差的指标）为0.02，而在非典型患者中，这一分数上升至0.13，说明非典型患者的存在显著增加了预测误差。此外，非典型患者的死亡率也明显高于典型患者，平均达到27.6%，而典型患者的死亡率仅为13.2%。这一结果表明，非典型患者往往具有更高的死亡风险，且在常规数据集中出现的频率较低。

研究还发现，排除非典型患者后，SMR的计算结果发生了显著变化。在某些年份，如2023年，有4家ICU的SMR值从原本处于预期范围（95%控制限）内移出，而有一家ICU则从预期范围外移入。这一变化表明，非典型患者的存在可能导致某些ICU的SMR值偏离正常范围，从而影响对其护理质量的判断。同时，研究团队还发现，有6家ICU在所有年份中均表现出较高的非典型性，其中5家为学术型医院。这说明，学术型医院可能更倾向于接收具有复杂病情的患者，从而导致其数据与常规ICU存在差异。

### 非典型患者的特征与影响

通过进一步分析，研究团队发现，非典型患者的特征不仅包括罕见的诊断类别，还涉及某些特定的生理指标和合并症。例如，某些与血液病相关的诊断、非手术性的肌肉骨骼或皮肤疾病，以及如艾滋病（AIDS）等罕见合并症，都对非典型性分数的计算产生了较大影响。这些患者往往在常规数据集中出现频率较低，因此其数据的异常性更加显著。此外，研究还发现，非典型患者的生理数据可能与他们的诊断不一致，例如，严重肾功能衰竭的患者却具有正常的肾功能指标，或者在极端运动员中出现严重心动过缓的情况。这些数据异常可能反映出数据采集过程中的问题，或者患者本身的病情具有独特性。

值得注意的是，非典型患者的死亡率通常高于典型患者，但他们的死亡率预测值却可能低于实际观察值。这表明，APACHE-IV模型在预测非典型患者死亡率时存在一定的低估倾向，从而进一步加剧了SMR的偏差。此外，非典型患者的数量在不同年份有所波动，例如2019年和2022年非典型患者的比例较高，而2020年和2021年则相对较低。这种波动可能与特定的医疗事件有关，如新冠疫情的爆发，导致患者群体的结构发生变化。

### 对ICU质量评估的影响

研究结果表明，非典型患者的存在不仅影响了APACHE-IV模型的预测准确性，还对ICU质量评估的结论产生了实质性影响。通过排除这些非典型患者，研究团队发现，有13家ICU在不同年份的评估结论发生了变化，这表明非典型患者对SMR计算的影响是显著的。此外，排除非典型患者后，SMR的计算结果更加稳定，且过分散（overdispersion）现象得到了缓解。过分散是指实际观察到的死亡率与预测死亡率之间的差异较大，这通常意味着模型的预测能力不足或数据存在偏差。

研究团队还发现，非典型患者的排除不仅影响了SMR的计算，还改变了ICU之间的比较方式。例如，某些ICU在排除非典型患者后，其SMR值变得更加接近预期范围，从而显示出更接近全国平均水平的护理质量。相反，另一些ICU则因非典型患者的排除而显示出较差的护理质量。这一发现表明，非典型患者的识别和排除对于提升ICU质量评估的准确性至关重要。

### 研究的局限性与未来方向

尽管本研究提出了一个有效的框架，用于识别和排除非典型患者，但其仍存在一定的局限性。首先，荷兰的ICU基准分析并未纳入机构特征，因此研究团队无法直接评估这些特征对非典型性的影响。其次，APACHE-IV模型在预测高风险患者死亡率时可能存在不足，因为该模型主要基于前24小时的生理数据，而无法全面反映患者的长期病情。此外，非典型性分数的设定仍然存在一定的主观性，研究团队采用了95%分位数作为主要阈值，但这一阈值可能因不同ICU的实际情况而有所不同。

为了进一步提升ICU质量评估的准确性，研究团队建议未来可以考虑使用更动态和可适应的模型，例如基于深度学习的模型，以更好地捕捉患者的复杂病情。此外，还可以探索更全面的数据采集方式，包括更多与患者病情相关的预测因子。最后，研究团队指出，对于具有高非典型性特征的ICU，应进行更深入的分析，以了解其与常规ICU之间的差异，并据此调整评估标准。

### 结论与应用价值

本研究的核心结论是，非典型患者的存在对ICU质量评估产生了显著影响，因此，识别并排除这些患者是提升评估准确性和公平性的关键步骤。通过构建自编码器模型，研究团队能够有效识别非典型患者，并评估其对SMR计算的影响。这一框架不仅适用于荷兰的ICU质量评估，还可以推广到其他国家的医疗系统中，尤其是在缺乏全国性注册系统的情况下，可以通过历史数据构建模型，以识别当前的非典型患者。

此外，本研究还强调了非典型患者对医疗资源分配和护理质量改进的重要性。由于非典型患者往往具有更高的死亡风险，他们的存在可能导致某些ICU的SMR值被低估或高估，从而影响对这些机构的评价。因此，识别并排除非典型患者，有助于更公平地评估各ICU的护理质量，并为资源分配和质量改进提供更可靠的数据支持。

总之，本研究通过引入自编码器模型，为识别和排除非典型患者提供了一种新的方法，有助于提升ICU质量评估的准确性和公平性。未来的研究可以进一步探索这一方法在不同医疗体系中的应用，并结合更多数据和模型优化，以实现更全面的ICU质量分析。