优化ICU谵妄评估：基于ICDSC与CAM-ICU的护理记录与专业研究一致性研究及其临床研究价值

来自宾夕法尼亚西南部医疗体系的研究人员针对ICU中床旁护士使用ICDSC与研究人员使用CAM-ICU评估谵妄的一致性不足问题，开发了基于逻辑回归的预测模型。该模型整合ICDSC成分与临床数据（SOFA评分、机械通气状态），显著提升谵妄识别准确性（AUC=0.87，F1=0.72），为利用临床大数据开展谵妄机制研究提供可靠工具。

　　

在重症监护室(ICU)中，谵妄(Delirium)是一种常见且危害巨大的并发症。尽管《重症监护谵妄筛查清单》(Intensive Care Delirium Screening Checklist, ICDSC)和《ICU意识混乱评估法》(Confusion Assessment Method for the ICU, CAM-ICU)是两种经过验证的推荐工具，但床旁护士记录的评估结果与研究人员的专业评估之间存在显著差异。

这项研究在美国宾夕法尼亚州西南部医疗体系的大型学术医院ICU中展开，针对患有急性呼吸衰竭或脓毒症(Sepsis)的危重成人患者。研究人员每日同步收集床旁护士使用ICDSC的记录与训练有素的研究人员使用CAM-ICU的评估结果。通过比较两者数据，发现采用传统ICDSC截断值(ICDSC ≥ 4)时，二者仅达到中等一致性(Cohen’s kappa = 0.42)。

为解决这一问题，研究团队构建了逻辑回归模型，整合ICDSC各项细分指标、机械通气状态以及入院时的序贯器官衰竭评估(Sequential Organ Failure Assessment, SOFA)分数，并以研究人员CAM-ICU结果为金标准。该模型表现出优异的判别能力（曲线下面积AUC = 0.87），并在十折交叉验证中保持稳健（F1分数 = 0.72）。

敏感性分析进一步显示，即使仅使用部分ICDSC信息，模型仍具备良好至优秀的预测性能（F1 = 0.60–0.70），而传统截断值法的表现最弱。

这项研究表明，通过融合护士临床记录与关键生理指标，可大幅提升ICU谵妄识别的准确性。该模型为未来利用大规模临床数据开展谵妄机制、疾病轨迹及预后研究提供了高效、可靠的分析基础。