《Applied Nursing Research》：A 24-hour screening model to support discharge preparation for hemorrhagic stroke ICU survivors requiring respiratory or institutional care
编辑推荐：
•在1166名出血性卒中医院存活者中评估了ICU第一天的数据。•随机森林的区分度为中等，且未见显著优势。•明确的阈值揭示了漏检事件与审核负担之间的权衡。•护理和照护者数据是进一步模型开发的重要目标。•临床实施前需要进行外部和前瞻性评估。引言出血性卒中，包括脑出血，与存活者的高
- •
在1166名出血性卒中医院存活者中评估了ICU第一天的数据。
- •
随机森林的区分度为中等，且未见显著优势。
- •
明确的阈值揭示了漏检事件与审核负担之间的权衡。
- •
护理和照护者数据是进一步模型开发的重要目标。
- •
临床实施前需要进行外部和前瞻性评估。
引言
出血性卒中，包括脑出血，与存活者的高死亡率和长期残疾相关（Greenberg 等，2022；van Asch 等，2010）。急性期后，许多存活者需要复杂的护理过渡，涉及康复、呼吸护理、机构照护、照护者教育和出院准备。对护理团队而言，早期识别这些需求至关重要，因为出院计划通常需要重症医疗人员、出院准备护士、个案管理员、康复专业人员、呼吸护理团队、患者及家属之间的协调。
卒中后的出院去向是一个与护理相关的结局，因为它影响家庭准备、亚急性转诊、呼吸护理计划和护理连续性。先前的研究利用早期临床数据探讨了混合急性神经系统队列和卒中人群的出院去向预测（Cui 等，2024；Mickle & Deb，2022）。近期的一项系统综述强调，卒中出院去向模型在人群、预测因子、结局和验证方法上存在异质性（Xu 等，2025）。这里的具体问题是，常规ICU第一天的信息是否能够识别出血性卒中医院存活者中的呼吸或机构照护出院；早期预测出院去向本身并非新意所在。
机器学习已被用于预测重症卒中和脑出血人群中的死亡率或神经系统结局（Mao 等，2024；Wei 等，2024）。这些结局在临床上具有重要意义，但它们并不能直接解决医院存活者在出院后是否需要呼吸或机构照护的问题。预期的护理应用是出院评估和护理协调的优先级排序。这是否为常规护理评估或更简单的严重程度评分增加了价值，需要直接评估。
研究目的是开发并内部评估一个模型，利用ICU入院后24小时内可获得的信息来预测医院存活者中的呼吸或机构照护出院。预期用户为ICU护士、出院准备护士和个案管理员。报告参考了TRIPOD+AI（Collins 等，2024）；本次修订附有逐项报告评估。
章节摘要
设计与设置
这项回顾性单中心开发和内部评估研究使用了台湾南部一家三级医疗机构的结构化ICU电子病历数据。源人群为2016年1月1日至2021年12月31日期间入院、具有重症监护服务代码且诊断代码与出血性卒中相符的成年患者。本研究被设计为一项使用常规收集数据的临床预测模型研究。开发与
队列与出院结局
在1166名医院存活者中，201例（17.2%）出现了复合结局，965例（82.8%）属于参照组。测试集的结局患病率为17.1%（60/350）。图1展示了队列流程，补充表S3总结了训练集和测试集的划分。
基线特征
结局组的GCS总分较低（9.20 vs 11.37），左上肢肌力较低（1.91 vs 2.80），而APACHE II评分（16.15 vs 12.64）和SOFA评分（3.96 vs 2.80）较高。
主要发现
本研究评估了一种针对存活者特异性出院结局的ICU第一天筛查方法。随机森林表现出中等的区分度，相较于其他分类器，未见具有统计学意义的AUC优势。其阴性预测值（NPV）必须结合17.1%的测试集事件患病率、有限的阳性预测值（PPV）以及大量阳性筛查结果来解读。在探索性随机森林阈值下，近一半的测试样本将接受审核，且仍有15%的结局事件被
结论
使用ICU第一天数据的模型在单一内部测试样本中，对出血性卒中医院存活者的呼吸或机构照护出院表现出中等的区分度。随机森林的数值AUC最高，但所报告的比较未确立其优越性。其潜在作用是对护理评估和协调进行优先级排序。可重复的模型规范、外部和前瞻性评估，以及标准化护理、功能和
CRediT作者贡献声明
Chen Nai Ching：初稿撰写、可视化、方法学、形式化分析、数据整理、概念构思。 Kuo Jinn-Rung：审阅与编辑、监督指导、项目管理、调查。 Liu Chung Feng：审阅与编辑、验证、软件、资源。 Jan Ie-Fn：初稿撰写、调查、数据整理。
伦理批准
本研究经台南奇美医疗中心机构审查委员会批准（IRB编号：11304-007）。由于这是一项使用去标识化数据的回顾性研究，故豁免了知情同意的要求。
生成式AI及AI辅助技术在写作过程中的声明
在本文准备过程中，作者使用了ChatGPT来支持语言编辑、稿件文本组织和格式调整。使用该工具后，作者根据需要进行审阅和编辑，并对文章内容承担全部责任。
资助
本研究未获得公共、商业或非营利部门资助机构的任何专项资助。如适用，出版或文章处理费用将由奇美医疗中心在机构批准后予以支持。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。
Chen Nai Ching | Kuo Jinn-Rung | Liu Chung Feng | Jan Ie-Fn
