两种易于使用的评分方法，用于识别康复成功率高的老年急性患者

《Journal of the American Medical Directors Association》：Two Easy-to-Use Scores to Identify Acute Geriatric Patients With High Rehabilitation Success

急性老年科病房患者康复成功预测模型开发与验证。采用多中心数据集（78654例）构建DHS（出院目的地评分）和BIS（Barthel指数改善评分），通过逻辑回归和线性回归确定临床特征权重，验证显示DHS AUC 0.775-0.827，BIS解释方差17.7%-22.1%。两模型独立预测且结合使用可提升评估精度，但存在老年认知评估数据缺失、样本重复和阈值敏感性等局限性，需进一步验证后临床应用。

　　在当今老龄化社会，如何有效评估老年患者的康复潜力，成为医疗体系面临的重要课题。尤其是在急性老年医学病房（Acute Geriatric Ward, AGW）中，许多患者虽然能够从康复治疗中获益，但由于缺乏客观、标准化的预测工具，往往未能被及时识别。这不仅影响了患者的治疗效果，也增加了医疗资源的浪费和不必要的护理负担。为了解决这一问题，研究团队开发了两种标准化的预测评分工具：出院居家评分（Discharged Home Score, DHS）和巴塞尔指数改善评分（Barthel Index Improvement Score, BIS）。这些评分工具旨在帮助医疗人员更准确地预测老年患者在AGW治疗后的康复情况，从而优化医疗资源配置，提高康复效率，确保患者能够获得最适合的治疗方案。

DHS和BIS的开发基于一项回顾性队列研究，研究数据来源于24家奥地利AGW的综合老年医学评估记录，时间跨度从2008年到2023年。该数据集的规模是目前最大的多中心数据集，为评分工具的开发提供了丰富的样本支持。通过分析这些数据，研究团队识别出影响康复结果的关键因素，并结合临床讨论和特征选择方法，构建了基于逻辑回归和线性回归的评分模型。在模型开发过程中，研究者特别关注评分的可操作性和实用性，确保其能够在临床实践中被广泛采用。

DHS主要用于预测患者在AGW治疗后是否能够出院回家，而BIS则用于预测患者在治疗期间巴塞尔指数（Barthel Index, BI）的改善程度。BI是衡量患者日常生活能力的重要指标，其改善程度直接反映了康复治疗的效果。DHS的计算方式相对简单，不依赖于复杂的认知评估工具，如迷你精神状态检查（Mini Mental State Examination, MMSE），因此更容易被临床人员快速应用。相比之下，BIS则更精细地评估了BI改善的潜力，但其预测能力受到数据局限性的制约，仅能解释约17.7%至22.1%的变异。这种局限性意味着，尽管BIS在某些情况下能提供更准确的预测，但它仍无法全面反映患者的康复潜力。

在评分工具的验证过程中，研究团队将数据集分为三个部分：训练集、随机测试集和未来测试集。训练集用于构建模型，随机测试集用于评估模型在一般情况下的表现，而未来测试集则用于测试模型在新数据中的泛化能力。通过这一分层验证策略，研究者能够全面评估评分工具的可靠性，并确保其在不同AGW之间的适用性。结果表明，DHS在随机测试集中的曲线下面积（Area Under the Curve, AUC）为0.775，而在未来测试集中的AUC达到0.827，显示出较高的预测能力。此外，DHS在不同AGW中的表现存在一定的差异，但总体上仍具有较好的一致性。相比之下，BIS在预测BI改善方面的表现略逊一筹，其AUC范围在0.692至0.711之间，且只能解释部分变异。这表明，虽然BIS提供了更细致的评估，但其在实际应用中的准确性和稳定性仍需进一步提升。

在评分工具的实际应用中，研究者特别强调了其可操作性。DHS和BIS的计算方式基于患者的基本信息和评估结果，如年龄、体重、是否处于术后状态、是否需要永久导尿管等。这些特征都是临床评估中常见的数据点，因此评分工具的使用门槛较低，不需要复杂的设备或专业知识。同时，评分工具的设计也考虑到了不同AGW之间的差异性，确保其能够适应多种医疗环境。例如，在不同AGW中，患者的平均年龄、性别比例、基础疾病情况等都可能有所不同，而评分工具通过纳入这些变量，能够在不同背景下提供相对准确的预测。

然而，尽管DHS和BIS在某些方面表现出色，它们仍存在一定的局限性。首先，这些评分工具尚未经过严格的临床验证，因此目前还不能直接用于临床决策。这意味着，医疗人员在使用这些工具时，仍需结合其他临床信息进行综合判断。其次，评分工具的预测能力受到数据完整性和质量的影响。例如，MMSE的缺失值可能会影响BIS的准确性，因为该指标与患者认知功能密切相关。研究团队采用了多重插补（Multiple Imputation by Chain Equation, MICE）方法来处理缺失数据，但在某些情况下，缺失值可能是“非随机缺失”（Missing Not At Random, MNAR），这可能会影响模型的稳定性。为此，研究者还进行了敏感性分析，评估了MNAR对模型参数的影响，并发现DHS对MNAR的敏感性较低，而BIS则在某些情况下表现出一定的波动。

此外，评分工具的预测能力还受到患者个体差异的影响。例如，某些患者可能在治疗期间表现出较强的康复意愿，而另一些患者则可能因家庭环境或护理资源的限制，无法实现预期的康复目标。因此，研究者建议在使用DHS和BIS进行决策时，应结合患者的主观意愿和客观环境因素，例如家庭支持、护理资源的可及性等。这不仅有助于提高评分工具的准确性，也能确保患者在治疗后能够获得最适合的康复方案。

研究团队还指出，BI的评估可能存在一定的局限性。BI虽然能够反映患者的日常生活能力，但它对细微的ADL变化可能不够敏感。这意味着，某些患者的康复改善可能被低估，从而影响评分工具的整体性能。为了弥补这一不足，研究者建议未来可以引入更敏感的评估工具，如累积疾病评分（Cumulative Illness Rating Scale, CIRS）或其他更精细的康复指标，以提高预测的准确性。此外，患者的心理状态和康复信念也可能对康复结果产生重要影响，因此将这些因素纳入评分模型可能会进一步提升其预测能力。

总体而言，DHS和BIS的开发为急性老年医学病房的患者评估提供了新的思路和工具。这两种评分工具虽然尚未被广泛应用于临床，但它们的预测能力已经显示出一定的潜力。通过进一步的优化和验证，这些工具有望成为医疗人员在决策过程中的重要辅助工具，帮助他们更精准地识别哪些老年患者能够从AGW的康复治疗中获益，从而确保医疗资源的合理分配和患者的最佳康复效果。然而，为了实现这一目标，研究团队还需要解决数据代表性不足、缺失值处理、模型泛化能力以及患者个体差异等问题。只有在这些问题得到充分解决的前提下，DHS和BIS才能真正发挥其在临床实践中的价值。

在未来的研究中，研究者还计划探索更多可能的特征，以提高评分工具的预测能力。例如，可以考虑将患者的康复动机、家庭支持情况、护理资源的可及性等纳入评分模型。这些因素虽然在当前的评分工具中未被充分考虑，但它们在实际康复过程中可能起到关键作用。此外，研究团队还建议在不同AGW之间引入更多个性化的特征，以适应不同医疗环境下的患者需求。例如，某些AGW可能更注重患者的认知康复，而另一些AGW则可能更关注身体功能的恢复，因此评分工具的设计需要更具灵活性，以满足不同医疗场景的需求。

为了提高评分工具的实用性，研究者还提出了一些建议。首先，可以通过开发专门的软件程序，实现评分工具的自动化分析，从而减少人为干预，提高预测的效率和准确性。其次，可以在医疗系统中推广这些评分工具，使其成为AGW患者评估的一部分。这不仅有助于医疗人员的决策，也能为患者提供更个性化的康复方案。此外，还可以通过培训和教育，提高医疗人员对评分工具的理解和应用能力，确保其在临床实践中的有效性。

尽管DHS和BIS在当前的研究中表现出一定的潜力，但它们的推广和应用仍面临一定的挑战。首先，数据的可及性和完整性是关键因素。如果医疗机构无法提供足够的数据支持，评分工具的预测能力将大打折扣。其次，评分工具的使用需要与现有的医疗信息系统进行整合，这可能涉及到技术上的障碍。此外，医疗人员对评分工具的信任度也是影响其应用的重要因素。因此，研究团队建议在评分工具正式应用于临床之前，应进行更多的临床验证和用户反馈收集，以确保其在实际应用中的可靠性。

综上所述，DHS和BIS的开发为急性老年医学病房的患者评估提供了一种新的方法。这两种评分工具虽然仍需进一步优化和验证，但它们的预测能力已经显示出一定的价值。通过结合临床数据、患者个体差异以及更先进的评估方法，这些工具有望在未来成为老年医学领域的重要辅助工具，帮助医疗人员更高效地识别康复潜力大的患者，从而优化治疗方案，提高康复成功率，减少医疗负担。然而，实现这一目标需要多方合作，包括数据收集、技术开发、临床验证以及政策支持。只有在这些方面取得突破，评分工具才能真正发挥其在老年医学领域的潜力，为患者提供更精准的康复评估和更科学的治疗决策。