《Frontiers in Neurology》：Stakeholder perspectives and requirements for environmental-data-driven capacity forecasting in stroke care: a national survey of German stroke units
编辑推荐：
背景：卒中仍然是欧洲主要的健康负担，绝对病例数持续上升。大气因素如空气污染和极端温度日益被认为是卒中的风险决定因素。许多医院面临日益严重的医护人员短缺，凸显了对卒中护理资源进行预测性管理的必要性。本研究调查了德国卒中单元主任，以探索当前策略、挑战以及基于环境数
背景：卒中仍然是欧洲主要的健康负担，绝对病例数持续上升。大气因素如空气污染和极端温度日益被认为是卒中的风险决定因素。许多医院面临日益严重的医护人员短缺，凸显了对卒中护理资源进行预测性管理的必要性。本研究调查了德国卒中单元主任，以探索当前策略、挑战以及基于环境数据的数字化预测工具在资源管理中的感知有用性。作为ALERT-ITS项目的一部分，研究人员在德国认证卒中单元中开展了一项横断面、基于网络的调查。问卷使用REDCap?软件开发，并由资深神经科医生进行预测试。调查在德国卒中学会的支持下于2025年6月和7月分发。共分析了58份有效回复。大多数受访者拥有超过15年的临床经验。高入住率（>80%）普遍存在，护理人员短缺是床位关闭的主要原因。尽管48.3%（n = 28）的卒中单元是卒中网络的一部分，但此类网络中资源的结构化协调很少建立：只有约五分之一的网络化单元（21.4%，n = 6）至少每周交换一次能力数据，而近一半（46.4%，n = 13）从未交换过。网络内急性卒中护理的沟通主要依赖电话联系（89.3%，n = 25），而数字工具（39.3%，n = 11）或视频会诊（35.7%，n = 10）则较少使用。对基于大气因素的预测工具的关键要求包括24–48小时的短期预测范围、可靠性阈值（>80%）以及检测增加三到四张床位的能力。总体而言，对数字预测系统需求的看法平分秋色[44.8%（n = 26）认为有需求，44.8%（n = 26）认为无需求，10.3%（n = 6）不确定]。通过将大气因素与实时临床数据整合以生成短期需求预测，此类系统可以优化资源分配，加强卒中单元之间的协调，并支持及时、高质量的卒中患者护理。这一均分结果强调，明确定义的用户需求，而非对需求的广泛共识，是本工作的核心贡献。
论文解读：德国卒中单元环境数据驱动能力预测的利益相关者需求评估
**一、研究背景**
卒中一直是欧洲面临的重大公共卫生挑战。2019年，卒中在欧盟28国中造成了超过800万伤残调整生命年（DALY），尽管年龄标准化率近年来基本保持稳定，但受人口增长和预期寿命延长的影响，卒中的绝对发病数和患病率持续上升，欧洲预测显示未来几十年卒中病例和幸存者数量将进一步显著增加。在传统心血管危险因素如高血压、血脂异常和糖尿病之外，环境因素日益被认为是卒中风险与预防的重要决定因素。这种日益增长的兴趣反映了向理解“暴露组”概念的转变，该概念涵盖一生中全部环境暴露及其对健康的影响，与基因组在个体健康中的公认作用形成互补。其中，空气污染尤为重要，被描述为“世界上最大的单一环境健康风险”。近期研究证实了卒中发病与多种大气因素之间存在密切关联：空气污染及其类型、包括快速变化在内的局部温度波动、白天和夜间的极端绝对温度，以及特定天气类型。尽管单一大气因素的效应量通常温和，例如极端炎热夜晚后卒中的比值比（OR）为1.14（95% CI 1.01–1.32），暖季每升高1°C卒中风险增加1.4%，但1990年至2019年间全球高温归因负担不断增强（平均年百分比变化+0.73%）。重要的是，单一因素仅能反映部分情形，因为联合暴露可能会产生协同效应而非单纯的相加效应。
卒中患者数量的上升恰好与许多医院持续存在的医护人员短缺问题并存，这包括医生和护士的短缺。如果缺乏创新的资源分配方法，不断扩大的卒中患者数量与有限的医疗能力之间的差距很可能损害卒中护理质量。因此，前瞻性规划和实施预测性数字工具至关重要：通过在预测的高需求时期支持调整人员配置和预期性床位能力规划等措施，这些工具可以加强卒中资源管理，同时优化医疗效率并降低成本。大气因素与卒中发病之间的既定关联不仅为城市规划和政策行动提供了机会，也为临床应用提供了潜力。尽管天气预报无处不在，但将其应用于卒中风险预测仍处于新兴阶段。Santhanam等人近期研究表明，机器学习可以使用环境数据预测卒中发病率。ALERT框架最初为重症监护病房能力规划而开发，基于大气-卒中关联的不断增长证据，正在探索将其扩展到卒中护理领域的可能性。在此背景下开展利益相关者需求调查，旨在为潜在工具开发提供依据。
**二、研究目标与主要技术方法**
本研究作为ALERT-ITS项目（环境因素驱动的区域变化重症监护和通气需求预测与监测模型开发）的组成部分，是一项在德国认证卒中单元中开展的横断面、基于网络的调查。德国卒中单元是指其急性卒中护理符合德国卒中学会（DSG）认证计划审核定义的结构、人员和流程标准的医院，该认证区分区域性和跨区域性卒中单元。研究采用探索性方法，考察卒中护理中的人员配置和能力规划实践，以及区域性卒中网络内现有的协作与协调形式。此外，研究还探讨了利益相关者对使用数字工具支持临床决策、能力预测和加强资源管理的期望。研究方案经过慕尼黑路德维希-马克西米利安大学伦理委员会审查，获得肯定意见，并在德国临床试验注册库（DRKS00035640）前瞻性注册。报告遵循CHERRIES指南。
问卷设计基于先前发表的德国卒中单元调查以及对奥格斯堡大学医院神经科医生的访谈，涵盖多个主题部分：卒中单元的结构特征、组织设置、当前入住水平和以需求为导向的人员规划程序；区域性卒中护理网络内协作的程度与质量；以及对支持能力预测和资源高效分配的数字预测工具的具体要求与期望。问卷使用研究电子数据采集（REDCap?）软件开发，经项目联盟全面审查，并由两名当地资深卒中神经科医生进行预测试。最终调查包含83个问题，预计完成时间约20分钟。调查于2025年6月和7月进行，抽样框架为当时德国346个认证卒中单元，通过电子邮件直接邀请所有单元，并通过德国卒中学会的电子邮件分发列表进一步扩大覆盖，发放两次提醒邮件，无经济或物质激励。数据收集和管理使用REDCap?平台。
统计分析方面，分类数据以总数（N = 58）的频率和百分比表示；条件性问题仅由亚组回答的，在首次提及时明确列出亚组分母。李克特量表的序数数据用中位数和四分位距（Q1-Q3）总结。使用图形检查和Shapiro–Wilk检验确认非正态分布，因此应用Kruskal-Wallis检验考察不同医院类型之间能力管理策略的差异，显著性水平设定为p < 0.05，采用双尾检验。数据分析使用R和RStudio。
**三、研究结果**
**3.1 调查参与者**
共有60名卒中单元代表提交问卷，其中2份被排除，最终获得58份有效回复。相对于346个直接邀请的认证卒中单元，对应参与率为16.8%，完成率为96.7%（58/60）。北莱茵-威斯特法伦州回复比例最高（22.4%，n = 13），其次是巴伐利亚州（17.2%，n = 10）和巴登-符腾堡州（15.5%，n = 9），三个联邦州无回复。受访者整体经验丰富：70.7%（n = 41）报告在卒中护理领域拥有超过15年经验，27.6%（n = 16）为6–15年，仅一人（1.7%）为3–5年。此外，所有参与者均为高级医师（22.4%，n = 13）或卒中单元主任/主任医师（77.6%，n = 45）。
**3.2 卒中护理资源和能力相关限制**
参与研究的卒中单元涵盖不同医院类型：50.0%（n = 29）来自三级医院，19.0%（n = 11）来自大学医院，15.5%（n = 9）各来自初级/二级医院和非大学型最大保障医院。床位能力各不相同，多数运行10–12张床位（41.4%，n = 24），其次为4–6张（24.1%，n = 14）、7–9张（22.4%，n = 13）和>12张（12.1%，n = 7）。大多数卒中单元由1–3名或4–6名全职医师运营（各39.7%，n = 23）。高入住率较为普遍：36.2%（n = 21）报告平均入住率为81–90%，34.5%（n = 20）超过90%，25.9%（n = 15）在71–80%之间。大多数受访者（77.6%，n = 45）报告床位关闭率为0–5%，而22.4%（n = 13）表示关闭率更高。导致床位关闭的主要原因（有效回答n = 21）为单纯护理人员短缺（90.5%，n = 19），其次为患者隔离措施（14.3%，n = 3）。为应对有限能力，34.5%（n = 20）表示能够使用走廊床位，65.5%（n = 38）缺乏此选项。提供患者转诊信息的31名受访者中，87.1%（n = 27）报告可以将患者转至合作诊所。人员短缺主要通过所有医院类型的同事覆盖来管理（图2）。不同医院类型在能力管理策略方面未出现显著差异（表1）。
**3.3 卒中网络在协调和能力管理中的作用**
卒中网络为协调卒中护理和管理患者流动提供了有效手段。然而，在被调查的卒中单元中，仅48.3%（n = 28）是卒中网络的一部分，50.0%（n = 29）不是，一人弃权。这些网络主要用于急性卒中护理中的远程医疗咨询（92.9%，n = 26）。沟通方式最常见的是电话（89.3%，n = 25），数字应用（39.3%，n = 11）和视频会诊（35.7%，n = 10）的使用相对少。网络中关于卒中护理资源的结构化、定期信息交流很少建立：46.4%（n = 13）从未共享此类信息，仅10.7%（n = 3）每周交换数据并另有10.7%（n = 3）每日交换，即仅21.4%（n = 6）至少每周交换一次能力数据。大多数报告缺少区域协调中心（82.1%，n = 23）。然而，患者转诊至跨区域卒中单元的情况频繁发生（n = 31），最常见的原因是取栓术（96.8%，n = 30）、血管造影（35.5%，n = 11）和复杂神经系统病例（67.7%，n = 21）。
**3.4 利益相关者对卒中单元能力预测和资源管理的需求**
尽管目前只有15.5%（n = 9）的受访者依赖此类应用来管理卒中单元床位占用和优化资源，但绝大多数（94.8%，n = 55）认为数字应用在医院环境中是有用的。在评估基于环境数据的卒中预测工具时，利益相关者表现出对短期预测范围的强烈偏好。24小时（27.6%，n = 16）、36小时（10.3%，n = 6）、48小时（32.8%，n = 19）或72小时（22.4%，n = 13）的预测被认为最有用，而超过72小时的更长周期很少被认为相关（5.2%，n = 3）。关于额外床位需求的临床有意义阈值，大多数受访者强调较小的增量：62.1%（n = 36）认为3–4张额外床位是相关的，19.0%（n = 11）认为1–2张有意义，另有19.0%（n = 11）认为5张或以上额外床位才具有显著意义。最后，可靠性成为数字预测应用实际实施的关键先决条件，大多数参与者（81.0%，n = 47）倾向于预测超过80%的发生概率，许多人（48.3%，n = 28）表示需要轻松检查当前预测概率。
除了预测周期和准确性，利益相关者还强调了此类工具对日常操作的实用益处。可用能力的整合概览被认为特别有价值，70.7%（n = 41）表示这将大幅促进资源分配，被视为能够更有效地部署有限的专业人员、集中护士或临时机构人员（29.3%，n = 17）。36.2%（n = 21）强调区域内改善的医院间协作可以进一步优化卒中护理资源的分布。预期使用频率较高：60.3%（n = 35）预期每日使用，24.1%（n = 14）预期更频繁使用。受访者强调了几个关键功能是不可或缺的：总体预测评分被84.5%（n = 49）视为必不可少；同时整合卒中单元内部（29.3%，n = 17）和特别是外部卒中单元（65.5%，n = 38）的能力数据同样重要，以实现区域网络的全面概览。系统有效性被认为高度依赖数据更新的时效性，偏好最常指向每8小时（29.3%，n = 17）或12小时（25.9%，n = 15）更新。总体而言，对此类系统需求的评分在受访者中平分秋色：有6人弃权（10.3%），44.8%（n = 26）表示感知到需求，而44.8%（n = 26）认为没有需求。
**四、讨论部分总结与研究结论**
据研究人员所知，这是第一项系统评估利益相关者对将环境数据预测模型整合到医院能力规划中看法的研究。值得注意的是，对此类系统需求的意见平分秋色（44.8%感知到需求，44.8%未感知），尽管大多数卒中单元已经在非常高的入住率下运行。这些高基线水平几乎没有留出缓冲能力来应对激增需求，反映了卒中单元资源的结构性压力。面对额外能力需求时，卒中单元会采用几种补偿策略，包括同事接管额外临床责任、转诊患者至合作诊所，以及在某种程度上加速转送至康复机构。这需要一定的提前规划和沟通，与受访者对24–48小时预测周期的要求相符。预测3–4张额外床位被视为足够触发准备措施的阈值，且这一阈值在不同规模的卒中单元中保持一致。大多数受访者预期每日使用，表明采用者会将工具整合到常规规划中。>80%的最低预测准确性要求强调了可靠预测的重要性，鉴于虚假警报可能导致不必要的措施并侵蚀对系统的信任。
然而，这一要求必须与大气数据预测上限进行权衡。此类工具所依据的环境关联在个体层面效应温和，仅代表群体水平效应，只能解释卒中入院日间变化的一小部分。此外，预测连续发生率或计数在本质上不同于发出分类的、床位级别的警报，即预测在24–48小时内以超过80%的概率发生离散的三到四张床位增加。在个体卒中单元层面，每日入院数量是小计数，受显著随机变异影响，三到四张床位的增量接近固有日间噪声。区域聚合可以改善信噪比，但会降低单一生卒单元的床位级可操作性。因此，大气因素更现实地作为多模态模型的增量输入，与实时临床和操作数据相结合，而非能够满足所述阈值的独立预测因子。应将以这种方式引出的需求解释为未来模型必须经过前瞻性验证的高标准基准。关于卒中网络层面，结果显示即使卒中网络内的结构化协调很少建立，大多数卒中单元已经是网络的一部分，共识强调提供区域视角和医院间协调的综合仪表板支持网络级能力管理的概念。能力管理策略在不同医院类型间广泛类似，未检测到显著差异，但由于亚组规模较小，统计功效不足，不能排除不同类型特定需求的存在。
结论：利益相关者对基于大气因素的卒中预测工具的需求意见平分秋色，44.8%认为有需求，44.8%认为无需求，10.3%不确定；鉴于可能存在对数字感兴趣的受访者的自选偏倚，这一均分可能代表需求的偏上估计。已确定的需求，即24–48小时预测周期、>80%准确性、对3–4张床位变化的敏感性以及卒中单元之间的区域连通性，为此类工具提供了具体基准。研究人员正在进行的工作集中在验证预测算法和试点实施数字应用，以评估其对能力管理和患者护理的影响。
