针对前往急诊科的老年人的风险分层，对分诊风险筛查工具进行验证和修改

《Hong Kong Journal of Emergency Medicine》：Validation and modification of Triage Risk Screening Tool in risk stratification for older adults attending the emergency department

香港老年人急诊 revisit 及再入院预测研究显示，TRST 评分≥2 的敏感性达95.1% 但特异性仅4.8%，AUC 0.588。LASSO 模型引入11个预测因子后 AUC 提升至0.624（p=0.007）。主要预测因子包括近期急诊/住院史（AOR 1.56）、≥5种慢性病（AOR 8.5）、≥3次无住院急诊就诊（AOR 2.0）及听力障碍（AOR 1.45）。研究证实TRST在香港老年群体中特异性不足，需结合多维数据优化风险分层。

　　在当前快速老龄化的过程中，香港作为一个人口老龄化迅速的城市，面临着日益增长的医疗需求，尤其是对急诊医疗服务的压力。针对这一挑战，研究者们试图通过改进风险评估工具来提高对老年患者不良健康结局的预测能力。本研究旨在评估一种名为“急诊风险筛查工具”（Triage Risk Screening Tool, TRST）的临床预测模型在识别高风险老年患者方面的能力，并探索其他可能的预测因素以增强其效果。

TRST作为一种广泛研究的临床风险分层工具，已被用于预测老年人在急诊科（Emergency Department, ED）出院后出现的不良事件，如再次急诊就诊或未计划的医院再入院。该工具基于五个关键指标：认知功能障碍、行走或转移困难、使用五种或以上长期药物、近90天内有住院记录或近30天内有急诊科就诊记录，以及专业人员的建议。每个指标赋予1分，总分大于2的患者被认为具有较高的不良结局风险。TRST最初在美国两个学术性急诊科的前瞻性队列研究中开发，随后在多个国家和地区进行了验证，包括瑞士、比利时、加拿大和意大利等。然而，在香港本地尚未进行验证，因此本研究尝试填补这一空白。

研究团队选择了一家位于香港新界地区的区域医院——屯门医院作为研究对象，该医院拥有2000张床位，服务约100万居民。该医院的急诊科采用五级分诊系统（危急、紧急、急症、次急症和非急症），以确定患者的护理优先级、强度和地点。分诊由经过培训的注册护士完成，旨在确保资源合理分配并优化患者管理。TRST评分工具在本研究中被回顾性计算，用于评估老年人在急诊科出院后出现再次急诊或医院再入院的风险。

研究对象为年龄大于65岁的患者，他们被转介至老年医学团队进行标准化的老年综合评估（Comprehensive Geriatric Assessment, CGA）。在研究期间（2020年10月至2021年9月），共有1524名患者被转介至老年支持计划，其中79名患者有多次转介记录，仅纳入其首次转介。其余1445名患者中，有4名因记录不完整或数据缺失而被排除，最终纳入分析的患者总数为1441名。这些患者中，25.5%在出院后28天内出现了再次急诊或未计划的再入院。这一比例表明，相当一部分老年患者在出院后仍面临较高的健康风险。

为了评估TRST的预测能力，研究团队采用了逻辑回归模型，计算了在截断分数为2时的敏感性和特异性。结果显示，TRST在该截断点下的敏感性为95.1%，特异性仅为4.8%。尽管TRST在识别高风险患者方面表现出较高的敏感性，但其特异性较低，意味着该工具可能将大量低风险患者错误地归类为高风险群体。此外，TRST的曲线下面积（Area Under the Curve, AUC）为0.588，表明其在区分风险患者与非风险患者方面的能力有限。为了改善TRST的预测性能，研究团队进一步引入了“最小绝对收缩和选择算子”（Least Absolute Shrinkage and Selection Operator, LASSO）模型，该模型包含了11个预测变量，并在AUC方面实现了显著提升，达到0.624。通过DeLong检验，LASSO模型的预测性能优于TRST的逻辑回归模型（p = 0.007），表明其在识别高风险患者方面具有更高的准确性。

研究还探讨了TRST各个组成部分的预测价值，发现近期住院或急诊科就诊记录是唯一在多变量逻辑回归模型中具有统计学意义的变量。其他如听力障碍、超过五种慢性疾病、以及多次急诊科就诊但未住院等变量也显示出一定的预测能力。然而，TRST的某些指标，如认知功能障碍、行走困难和使用五种或以上药物，并未在多变量分析中表现出显著的预测作用，这可能与香港老年人的临床特征和医疗环境有关。例如，听力障碍可能与沟通障碍相关，而认知功能障碍在老年人中较为常见，但其对不良结局的预测作用可能被其他更关键的变量所掩盖。

此外，研究团队还分析了TRST的评分与不良结局发生时间之间的关系。通过Kaplan-Meier曲线和Cox比例风险模型，他们发现TRST评分≥2的患者在120天内再次急诊或再入院的风险显著高于评分<2的患者（风险比为1.39，p < 0.001）。这表明TRST评分不仅能够识别高风险患者，还能提供关于不良结局发生时间的有用信息，有助于制定更精准的出院计划和后续干预措施。

然而，TRST在预测不良结局方面的低特异性也引发了研究者们的关注。在许多国家，TRST的AUC范围为0.48至0.61，说明其在风险分层方面的能力有限。相比之下，本研究中TRST的AUC为0.588，表明其在本地环境下的预测能力与国际研究结果相似。尽管TRST在识别高风险患者方面表现出较高的敏感性，但其特异性较低，可能导致资源的过度消耗和不必要的干预。因此，研究者认为，单纯依赖TRST可能无法有效区分高风险和低风险患者，需要引入更多相关变量以提高其预测能力。

为了进一步优化TRST，研究团队采用LASSO模型，结合了更多潜在的预测因素。LASSO模型的AUC达到0.624，显著优于TRST的逻辑回归模型，表明其在风险分层方面具有更好的性能。该模型的预测能力主要来自于以下几个关键变量：近期住院或急诊科就诊记录、听力障碍、超过五种慢性疾病以及多次急诊科就诊但未住院。这些变量不仅在多变量分析中表现出统计学意义，而且在实际应用中具有较高的临床相关性。例如，听力障碍可能影响患者对医嘱的理解和执行，从而增加再入院风险；而近期住院或急诊科就诊记录则可能反映患者的病情稳定性或对医疗系统的依赖程度。

研究还指出，TRST的某些指标在本地环境下的适用性可能受到限制。例如，香港的急诊科患者中，较难察觉的医疗问题可能更多，这使得传统的风险评估工具难以准确识别高风险患者。此外，由于医疗资源分配的不均衡，部分老年患者可能在出院后无法获得足够的社区支持，这也可能影响他们的健康结局。因此，研究者认为，TRST的本地验证需要结合更多社会和经济因素，以更全面地评估老年患者的风险。

在实际应用中，TRST的预测能力仍需进一步优化。尽管LASSO模型在预测性能方面有所提升，但其改进幅度有限，仅显示出轻微的提升。这可能与数据的局限性有关，例如样本量、数据完整性以及变量选择的范围。此外，TRST的某些指标，如专业人员的建议，可能在实际操作中存在主观性，影响其预测的客观性和一致性。因此，研究者建议未来的研究应关注于开发更先进的预测模型，例如结合机器学习和自然语言处理技术，以处理复杂的医疗数据并提高预测的准确性。

研究还提到，TRST的局限性可能与其在不同医疗环境下的适用性有关。例如，香港的急诊科患者群体与TRST原始研究中的美国患者群体可能存在差异，包括医疗资源的分布、患者的社会经济背景以及疾病的流行情况。此外，TRST的某些指标，如“专业人员的建议”，可能在本地医疗体系中不具备普遍适用性，因为部分患者可能已经获得了足够的社区支持，从而减少了对额外医疗干预的需求。

综上所述，TRST在识别老年患者不良健康结局方面具有较高的敏感性，但其特异性较低，可能无法有效区分高风险和低风险患者。通过引入更多相关变量，如近期住院或急诊科就诊记录、听力障碍和慢性疾病数量等，可以略微提高其预测性能。然而，研究者认为，仅依赖TRST可能不足以满足临床需求，特别是在资源有限的环境中。因此，未来的研究应探索更先进的预测模型，结合更多数据源和变量，以提高预测的准确性和实用性。此外，TRST的本地验证和调整也是必要的，以确保其在不同医疗体系中的适用性和有效性。