一种新型平民大规模伤亡检伤分类评估算法：LACA（Laypeople Casualty Assessment Algorithm, LACA）

《International Journal of Emergency Medicine》：A novel laypeople mass-casualty assessment algorithm: LACA

　　

摘要（Abstract） 背景（Background）：大规模伤亡事件（Mass-Casualty Incidents, MCI）中首批到达现场者通常为平民（laypeople），但其对早期战术运作（尤其是增援调度）尚无有效输入手段。设计一种平民易学且可执行的简易算法，有望为救援运作战术——特别是力量增援——提供额外现场信息。 方法（Methods）：研究人员采用已验证的大规模伤亡数据集生成每组20例患者的模拟场景，以检伤分类金标准对照既有算法严重程度评分与新开发的分配算法LACA。通过Cronbach's κ（Cohen's Kappa）、特异度（specificity）、敏感度（sensitivity）、过度评估（overassessment）与不足评估（underassessment）评价算法质量，并以Kullback–Leibler散度（Kullback-Leibler-Divergence, DKL）量化信息丢失。 结果（Results）：LACA算法显示中度严重程度相关性（Cohen's κ＝0.469），低于mSTaRT或修改版mSTaRT（mSTaRT/mSTART）及PRIOR算法；PRIOR呈现已知且有意的过度评估倾向，LACA则在三种评估算法中不足评估率最高。经校正后信息丢失可降至DKL＝0.0002 bit。 结论（Conclusions）：LACA可作为大规模伤亡事件中院前响应策略中具有实用性且适合平民使用的补充工具，能提供可靠初步评估以支持早期运作决策，并使急救调度中心依据平民或平民 responders 提供的结构化信息更精准地启动救援资源调配。为最大化个体存活率，LACA须由受训急救人员在后续使用已确立检伤分类算法（如mSTaRT或PRIOR）进行二次检伤分类。

论文解读：A novel laypeople mass-casualty assessment algorithm: LACA

研究背景与意义

大规模伤亡事件（Mass-Casualty Incidents, MCI）是急诊与灾难医学中最复杂且研究尚不充分的场景之一。目前各国已建立多种检伤分类（triage）算法，如START或其修改版mSTaRT/mSTART、德国联邦民防与灾难援助办公室发布的PRIOR（Vorsichtungssystem für Rettungsassistenten und Notfallsanit?ter）算法，多用于识别需立即处置与转运的危重患者（"find the red"概念），通常结合诊断步骤及简单治疗操作（如止血带）。传统模式下，现场首轮患者评估由最先抵达的专业急救人员完成，在德国还需急诊医师到场进行二次检伤分类。然而，MCI中最早到达现场的往往是平民（bystanders）或非医疗辅助力量（如未受过医疗培训的消防员、警察），他们对现场情况的直观感知却未被系统化采集并传递给调度中心。调度中心高度依赖高质量、及时的现场信息来合理分配急救医疗服务（Emergency Medical Services, EMS）与灾难救援单位资源，误判（过度或不足估计）可导致关键资源耗竭或重要干预延迟。既往少有研究探讨平民在早期结构化信息报告中的作用。为此，研究人员开发了"Laypeople Casualty Assessment Algorithm（LACA）"，这是一种简易、基于口头交流的评估工具，供非医学背景人员在MCI极早期对伤者进行粗略严重性分层，不直接用于临床决策或患者优先级排序，而是汇总明显严重程度分布，辅助调度中心早期认知与资源动员。本研究旨在验证LACA评估结果能否近似反映MCI真实严重程度分布，从而为调度员早期资源分配决策提供依据。该论文发表于《International Journal of Emergency Medicine》。

主要技术方法概述

研究人员使用德国联邦民防与灾难援助办公室提供的已验证大规模伤亡病例标准化数据集，每例虚拟患者含生命体征、疼痛评估、损伤严重度及意识状态等属性，并由资深急诊医师先行评定形成检伤分类"金标准"。通过Python编程模拟30起MCI事件，每起含20例随机抽选患者（模拟典型多车相撞规模），依据人工映射规则自动将病例属性映射为LACA分级（A/B/C）、PRIOR及mSTaRT分类。为分析调度层级模式而非个体检伤准确性，计算每起模拟事件中A、B、C各级人数分布，并与金标准真实严重程度分布比较。统计学分析采用SPSS 31.0及Excel，以Cohen's κ评估算法与金标准一致性，计算各算法累积敏感度与特异度、过度检伤（overtriage）与不足检伤（undertriage）比例均值；两组分布差异以Kullback–Leibler散度（D_KL）量化信息丢失，显著性水平α＜0.05，图形由GraphPad Prism 10.6绘制。此外提出校正公式（adjLACA）对LACA原始分级进行加权再校准并重新计算D_KL。

研究结果

算法一致性（Algorithm agreement）

Cohen's κ介于0.574（mSTaRT）至0.469（LACA）之间，表明LACA与金标准呈中度一致，但低于专业检伤分类算法。2000例累积敏感度：PRIOR为1.0，mSTaRT为0.98，LACA为0.59；累积特异度：LACA与mSTaRT均为0.92，PRIOR为0.75。

常用检伤分类算法的过度与不足评估（Over- and underassessment of common triage algorithms）

mSTaRT平均每20人过度检伤3人（15.3％）且不足检伤2人（9.8％）；PRIOR过度检伤平均5人（23.8％），不足检伤仅1人（5.5％），体现其有意高估危重比例以保敏感度。LACA平均每20人过度代表（overrepresentation）4人（18.2％），不足代表（underrepresentation）3人（15.1％）；最主要偏差为将金标准Ⅰ级误归为LACA B级（8.8％，176/2000）及将Ⅲ级误归为B级（16.9％，338/2000）。

校正（Adjustment）

为使LACA的A/B/C三级对应mSTaRT/PRIOR或金标准分级，提出校正公式：Ⅰ级＝Level A＋（总患者数×8％）；Ⅱ级＝Level B－（总患者数×19％）；Ⅲ级＝Level C＋（总患者数×11％）。原始LACA与金标准分布间D_KL＝0.1220 bit（中度差异），校正后adjLACA的D_KL＝0.0002 bit，信息丢失显著降低。

讨论与结论翻译

讨论指出PRIOR以牺牲特异度换取高敏感度而倾向过度检伤，mSTaRT则较少过度检伤但可能漏诊个别危重者；LACA能较好识别非危重患者，但漏诊相当比例重伤员，故若保留其极简设计必须由医疗专业人员后续校正或衔接正式检伤分类。LACA并非临床检伤工具，而是一种面向非医务人员设计的早期信息编码方法，可视作调度中心引导下的现场侦察手段；其价值体现在事件（群体）层面严重程度分布的近似，而非个体患者精确分类。讨论还强调平民参与灾难早期响应已有现代救援理念支持，结构化引导不仅可提供有用信息，还可降低旁观者创伤后应激障碍（Post-Traumatic Stress Disorder, PTSD）发生风险。局限包括LACA无法确保个体危及生命的伤情识别、尚需前瞻性现场研究验证实际可用性及与指挥通信链的整合。

结论（Conclusions）：经校正的LACA［(adj)LACA］可作为MCI中初步信息采集工具，使非医疗旁观者或响应者在事件关键早期向调度中心提供结构化、近似的伤情严重程度信息。虽不适用于个体患者优先级判定，但可支持早期增援与资源决策。正式投入运作前仍需进一步开发与验证。