基于整合模型IMPACT的急诊科患者病情严重度、照护与分诊效率及不良结局风险预测研究

《Journal of Medical Systems》：IMPACT: Integrated Model For Patient Acuity, Care, And Triage Efficiency In Emergency Department

　　

摘要专业翻译 急诊科（Emergency Department, ED）中的不良患者结局受到临床、人口学及运营因素复杂交互作用的影响，然而现有方法往往未能以整合且可操作的方式涵盖这些维度。本研究引入整合模型IMPACT（Integrated Model for Patient Acuity, Care, and Triage Efficiency），该框架基于回顾性分析方法，旨在识别死亡率的關鍵预测因子，并在多个临床时间窗内生成个体化不良结局风险评分。研究对2016年至2024年间新西兰怀卡托地区一家三级医院的593,673次去标识化急诊就诊记录进行了回顾性分析。建模策略采用两步法，首先使用广义线性模型（Generalised Linear Models, GLM）进行推断性分析，随后采用多种正则化逻辑回归以提升预测准确性并缓解多重共线性。结果表明，高龄、更高的临床复杂程度以及更长的急诊滞留时间（Length of Stay, LoS）与不良结局风险增加相关，而更长的等待时间（Waiting Time, WT）则与不良结局呈负相关，这一发现与分诊诱导的优先处理效应一致，即病情最紧急的患者优先就诊，同时其死亡风险也最高，该现象属于关联模式而非因果关系。基于最终模型，研究推导出一套不良结局评分系统，将患者层面数据转化为个体化概率评分。IMPACT模型展现出较高的判别性能，其在急诊死亡、10天死亡及28天死亡的受试者工作特征曲线下面积（AUROC）分别达到0.9532、0.9183和0.8999。通过将稳健的统计推断与临床可解释的评分系统相结合，IMPACT为急诊照护环境中的回顾性风险分层、服务评估及公平决策提供了一种可扩展且实用的工具。

论文解读文章

一、研究背景与问题提出

急诊科是医疗体系的前沿阵地，承担着处理各类紧急医疗需求的关键职能。急诊环境的快节奏特性深刻影响着临床决策过程以及患者在急诊期间和后续就医旅程中的结局。然而，急诊科普遍面临拥挤和滞留时间延长等突出问题，这些现象常导致医疗照护延迟、患者安全受损及医护人员压力增加，最终推高发病率和死亡率。既有研究多聚焦于单一因素，未能充分捕捉运营指标、临床因素与患者人口学特征之间的复杂交互作用及其对短期和长期结局的协同影响。此外，新西兰毛利族（Māori）人群相较非毛利族表现出更高的死亡率和再就诊率，提示急性照护环境中存在持续的健康不公平现象，亟需针对性干预。鉴于上述研究空白，本研究旨在通过构建整合模型IMPACT，系统评估人口学特征、分诊评分（Triage Score, TS）、复杂程度评分（Complexity Score, CS）、等待时间及滞留时间等多维因素对急诊患者不良结局的综合影响，并将结局评估扩展至出院后10天和28天的死亡率，从而为临床决策、资源优化和公平照护提供数据驱动的支持工具。

二、研究设计与核心方法

研究人员采用回顾性分析方法，数据来源于新西兰怀卡托医院2016年1月至2024年8月的急诊就诊记录，初始包含724,830条记录，经数据清洗、缺失值填补、类别聚合、复杂程度评分Z-score标准化及异常值剔除后，最终纳入593,673条记录。研究结局定义为急诊内死亡、出院后10天死亡及28天死亡。预测变量包括年龄、等待时间、滞留时间、复杂程度评分等连续变量，以及种族、性别和分诊评分等分类变量。建模采用两步策略：首先利用广义线性模型进行推断性分析，以评估各预测因子与结局的关联方向和强度；随后实施LASSO、Ridge及ElasticNet三种正则化逻辑回归，以处理多重共线性并提升模型泛化能力。数据集按80%训练集和20%测试集随机划分，所有性能指标均在独立测试集上计算。基于ElasticNet回归系数，研究构建了不良结局风险评分系统，通过线性组合预测因子并应用逻辑函数将线性预测值转化为0至1之间的个体化风险概率，即IMPACT风险评分。

三、研究结果

探索性数据分析。 描述性统计显示，患者平均年龄为40.73岁，平均滞留时间为5.16小时，平均等待时间为1.62小时。种族分布以新西兰欧洲裔（50.5%）和毛利族（29.1%）为主。分诊评分以3级（53.8%）居多。急诊死亡率为0.7%，10天和28天死亡率分别为0.4%和0.5%。时间趋势分析显示，2016至2019年急诊就诊量呈上升趋势，2020年初因新冠疫情显著下降，此后逐步恢复并趋于平稳。运营指标方面，平均滞留时间和等待时间整体呈上升趋势，2024年末尤为显著。死亡患者特征分析显示，滞留时间分布呈单峰形态，峰值约为6小时；等待时间呈严重右偏分布，多数死亡患者等待不足1小时；死亡高度集中于70至90岁年龄段。箱线图比较表明，死亡患者的滞留时间中位数和四分位距均高于存活者，而两组等待时间中位数相近。年龄分层分析显示，滞留时间随年龄增长而延长且变异性增大。种族差异方面，欧洲裔患者死亡率最高，其次为新西兰欧洲裔、太平洋岛民（Pacifica）和毛利族，而亚洲、中东/拉丁美洲/非洲（MELAA）及印度裔死亡率较低；毛利族和印度裔患者的平均复杂程度评分最高。

模型结果。 广义线性模型结果显示，年龄、复杂程度评分和滞留时间与各时间窗死亡率呈正相关，而较高分诊评分（表示较低紧急程度）与死亡率显著负相关。男性死亡几率略高于女性。等待时间与死亡率呈负相关，研究人员将其解释为分诊诱导的优先处理效应所致。正则化逻辑回归进一步确认了上述发现：复杂程度评分和年龄始终是死亡率的强正向预测因子，较长滞留时间持续增加死亡几率，等待时间的负向关联幅度较小。种族方面，MELAA群体持续表现出较低的死亡几率，而太平洋岛民和未指定群体在10天死亡窗口显示较高几率，毛利族死亡几率中等偏高。分诊评分的保护效应显著，评分4或5级患者的死亡几率大幅降低。鉴于ElasticNet兼具LASSO变量选择和Ridge多重共线性处理的优势，研究选择其作为最终报告模型。模型判别性能优异，急诊死亡、10天死亡和28天死亡的AUROC分别为0.9532、0.9183和0.8999。分类报告显示，急诊死亡模型的准确率为0.90，10天死亡模型为0.86，28天死亡模型为0.83，各模型的F1分数均保持较高水平，表明精确率与召回率之间具有良好的平衡。

IMPACT风险评分。 研究基于ElasticNet系数构建了风险评分方程，以急诊死亡为例，线性预测值由截距3.61加上年龄（系数1.49）、等待时间（系数-0.19）、滞留时间（系数1.14）、复杂程度评分（系数1.74）、性别（系数0.02）及各分诊评分和种族类别的相应系数构成，随后通过逻辑函数转换为风险概率。类似方程可分别构建用于10天和28天死亡预测，所得概率评分范围从0（最低风险）到1（最高风险），可直接整合至患者电子健康记录中。

四、讨论与结论

讨论部分着重阐释了等待时间与不良结局负相关的反直觉发现。研究人员强调，该关联不应被解释为因果关系，而是分诊诱导优先处理效应的体现——病情最紧急的患者分诊评分较低、就诊等待时间最短，同时其内在死亡风险最高。因此，等待时间在模型中充当病情紧急程度的运营关联指标，而非独立的保护因素。相比之下，滞留时间与不良结局的正向关联在所有时间窗内保持一致，反映了急诊照护路径中的延迟对患者预后的不利影响。复杂程度评分和高龄作为强预测因子，印证了老年患者因衰弱、合并症和生理储备下降而面临的更高脆弱性。种族差异方面，毛利族和太平洋岛民群体死亡率较高，与新西兰既往研究一致，提示结构性因素和系统性不公平的持续存在。IMPACT框架通过将多因素风险整合为统一评分，为回顾性风险分层和服务评估提供了可解释的实用工具，并具备嵌入电子健康记录系统、实现动态风险监测和优化资源配置的潜力。研究同时承认若干局限，包括单中心数据来源、缺失值填补假设、缺乏死亡原因信息、未测量的混杂因素以及尚未进行正式的模型校准评估。结论指出，IMPACT当前作为回顾性风险分层和服务评估框架，未来需通过多中心验证和前瞻性测试以支持其作为全国性公平数据驱动急诊照护框架的推广应用。