开发监禁成人死亡率预测模型以识别姑息治疗需求：一项加州监狱系统的队列研究

《Journal of General Internal Medicine》：Development of a Mortality Prediction Model for Incarcerated Adults to Identify Palliative Care Needs

本研究针对监狱系统中老年人口快速增长、姑息治疗和临终关怀服务利用不足的问题，开发并内部验证了一个用于预测监禁成人2年自然死亡风险的模型。研究利用加州惩教与康复部(CDCR)数据，通过LASSO-Cox回归筛选变量，最终模型包含年龄、功能状态、医疗设施居住类型等预测因子，显示出优异的判别能力(校正后AUC=0.926)和良好的校准度。该模型可帮助临床医生识别可能从预先护理计划、姑息治疗服务和同情释放中受益的个体。

　　

随着美国监狱人口老龄化加速，监狱中55岁及以上男性占14%、女性占9%的现实，凸显了监禁环境中的特殊医疗挑战。这些被监禁者经历着加速衰老过程，与普通人群相比，他们的预期寿命更短，慢性病、功能损害和心理健康问题的发生率更高。然而，监狱系统中的姑息治疗(palliative care)和临终关怀(hospice)项目虽有所发展，却因咨询渠道有限、医护人员对提供姑息治疗的规程不确定，以及对临终轨迹识别延迟等因素而未被充分利用。同样，同情释放(compassionate release)项目也因资格要求严苛、认知度低和对临终轨迹缺乏了解而使用不足。因此，开发一种系统化的方法来识别那些可能从这些服务中受益最多的个体，变得至关重要。

为此，研究人员与加州惩教与康复部(CDCR)合作，开展了一项队列研究，旨在开发并内部验证一个用于预测监禁成人2年自然死亡(natural death)风险的模型。这项研究发表在《Journal of General Internal Medicine》上，为这个独特且脆弱的群体提供了首个预后工具。

研究采用了回顾性队列设计，数据来源于CDCR。研究人群为2018年2月1日时年龄≥18岁且在CDCR监狱中居住≥1年的个体，排除了短期监禁者和已入住临终关怀病房者。主要结局是2年内的自然死亡（即非自杀、他杀、意外伤害或药物过量导致的死亡）。预测变量包括人口统计学特征（如年龄、性别）、居住状态（普通住房 vs. 低敏锐度医务室床位 vs. 高敏锐度医务室床位）、功能评估（活动受限程度）、医疗资源利用（如过去一年的住院和重症监护室(ICU)入院情况）以及慢性疾病。研究使用Cox比例风险回归模型，并采用LASSO（Least Absolute Shrinkage and Selection Operator）进行变量选择，以开发预测模型。模型性能通过区分度（2年时的受试者工作特征曲线下面积(AUC)）和校准度（预测死亡率和观察死亡率的图示）进行评估，并在临床相关阈值下计算了分类指标。

最终队列纳入了89,430名成人，中位年龄40岁，其中10.2%年龄≥60岁，30.6%为黑人，41.4%为西班牙裔。在2年随访期间，共有506人（0.57%）经历了自然死亡。模型开发结果显示，年龄增长、严重的活动受限、居住在医务室单元、住院次数增多以及某些慢性疾病（如癌症、终末期肝病）与死亡风险增加显著相关。

模型性能评估

经过bootstrap内部验证后，模型的乐观校正c统计量（concordance statistic）和2年AUC均为0.926（95% CI: 0.915-0.938），表明模型具有出色的区分能力。

2年时间点的校准图显示，在风险水平0-40%之间模型校准良好，而在风险水平>40%时（该区间样本量极少）存在轻微的风险高估。乐观校正后的校准斜率（calibration slope）为0.9676，截距（intercept）为0.0690，综合校准指数(E_avg)为0.0014，均接近理想值，进一步证实了模型的校准准确性。在临床相关的风险阈值下，模型也表现出实用的分类性能：例如，在2年死亡风险阈值>5%时，敏感性为47.6%，特异性为98.4%，阳性预测值(PPV)为16.7%。

次要分析与模型展示

次级分析表明，LASSO-Cox模型的性能与完整的Cox模型以及其他逻辑回归建模方法相似。无论是否将种族和民族作为预测因子，模型在不同种族、民族和性别亚组中的性能均相似，并且在公平性指标（如机会均等差异、预测均等性）上普遍处于可接受范围内。研究还提供了最终的LASSO-Cox模型公式和系数，便于实际应用。

探索性实施

作为初步探索，研究人员将模型应用于CDCR报告数据仓库，并对50名随机选择的个体（2年死亡风险为20%和>60%的各25名）进行了图表审查。结果显示，在风险>60%的个体中，CDCR医生识别出4名符合临终关怀预后资格和14名可能符合同情释放资格的个体，其中多数人此前并未参与过相关讨论或转介，这初步验证了模型在识别服务需求方面的潜在效用。

本研究成功开发并内部验证了一个针对加州监狱系统监禁成人的2年死亡率预测模型。该模型表现出优异的判别能力和良好的校准度，能够有效识别出高死亡风险的个体。模型的优势在于其开发过程中与临床医生（CDCR physicians）的紧密合作，确保了临床相关性和实用性，并且模型性能在不同亚组中表现一致。尽管存在研究时间段局限于COVID-19大流行前以及模型可能仅适用于加州监狱系统等局限性，但此模型为系统化识别可能从预先护理计划(advance care planning)、姑息治疗服务和同情释放中受益的监禁个体提供了有力工具。未来在更广泛地理环境和更近期数据中验证模型性能，将有助于其推广和应用，从而更人道地关怀患有严重疾病的被监禁者。