基于Sepsis-3标准的全自动化电子健康记录算法与诊断编码在脓毒症监测中的效能比较研究

《Infectious Diseases》：Improved sepsis surveillance using a fully automated electronic health record-based algorithm compared to diagnostic coding

　　

背景：准确的脓毒症诊断编码对于监测、资源分配和卫生政策规划至关重要。需要进行研究评估基于索赔数据（ICD-10编码）与临床标准用于脓毒症监测的可用性。目的：评估ICD-10脓毒症诊断编码与先前验证的、应用Sepsis-3标准的全自动化电子健康记录（EHR）算法分类之间的一致性。方法：研究人员开展了一项观察性研究，纳入2016–2024年瑞典卡罗林斯卡大学医院及2022–2024年西博滕地区三家医院的成人住院患者。Sepsis-3算法识别疑似感染合并序贯器官衰竭评估（SOFA）评分升高≥2分的情况。脓毒症ICD-10编码被归类为显式编码或特定编码（R65.1, R57.2）。采用描述性统计和卡帕统计量评估一致性，并分析时间趋势。结果：在共同研究期间（2022–2024年）的174,343例入院中，Sepsis-3算法将卡罗林斯卡11.4%和西博滕6.2%的入院归类为脓毒症，而显式编码分别为2.5%和1.2%，特定编码分别为1.4%和0.6%。诊断编码与Sepsis-3算法的一致性较低（卡罗林斯卡显式编码和特定编码的卡帕值分别为0.21和0.14；西博滕分别为0.15和0.09）。在卡罗林斯卡2016–24年的研究期间，EHR系统中自动SOFA计算器的引入与特定脓毒症编码使用增加相关，但仍远低于基于算法的分类水平。结论：基于EHR的自动化算法可实现数据驱动的脓毒症监测，并可能支持更可靠的诊断编码实践。

基于Sepsis-3标准的全自动化电子健康记录算法与诊断编码在脓毒症监测中的效能比较：一项多中心观察性研究的深度解读

研究背景与问题提出

脓毒症是全球性的重大公共卫生挑战，每年估计导致5000万病例和1100万死亡。其高昂的医疗费用给各国卫生系统带来沉重负担，每位患者的住院相关成本中位数高达36,191欧元。准确的脓毒症诊断编码对于疾病监测、脆弱人群资源分配的合理性论证、患者安全评估以及卫生支出的有效规划至关重要。然而，既往研究表明，脓毒症的诊断编码存在严重漏报现象。例如，研究人员此前报告，2012–2013年间瑞典卡罗林斯卡大学医院仅有13.4%的脓毒症患者获得了与之相符的诊断编码。为解决这一问题，瑞典国家卫生与福利委员会于2018年发布了脓毒症诊断编码指南，要求符合Sepsis-3标准的患者应获得ICD-10编码R65.1或R57.2（后者用于脓毒性休克）。此外，2022年2月卡罗林斯卡大学医院在电子健康记录系统中部署了自动计算序贯器官衰竭评估得分的工具，旨在辅助诊断编码工作。尽管采取了上述措施，但诊断编码与基于临床标准的脓毒症实际发生率之间的差距仍不明确。因此，亟需开展大规模研究，系统评估基于索赔数据的ICD-10编码与基于电子健康记录的临床标准在脓毒症监测中的一致性，以揭示当前编码实践的准确性并探索改进路径。

研究方法概述

本研究为一项多中心观察性研究，纳入瑞典四家医院的数据：卡罗林斯卡大学医院（2016年1月1日至2024年6月30日）和西博滕地区的三家医院（于默奥大学医院、谢莱夫特奥医院和吕克瑟勒医院，2022年7月1日至2024年6月30日）。研究纳入了年龄≥18岁、在研究期内有完整入院和出院记录的成年住院患者。卡罗林斯卡排除了产科病房患者并对重症监护室期间的记录进行了删失处理。研究采用一种先前经过验证的全自动化规则型Sepsis-3算法，该算法通过电子健康记录系统识别疑似感染（卡罗林斯卡定义为任何微生物培养送检，西博滕定义为血培养送检联合至少两剂抗菌药物给药）并结合序贯器官衰竭评估评分较基线升高≥2分来判定脓毒症。同时，研究人员从电子健康记录中提取了ICD-10诊断编码（包括主诊断和次诊断），并将A02.1、A21.7、A22.7、A26.7、A28.2、A32.7、A39.2、A39.4、A40.x、A41.x、A42.7、A48.3、B37.7、M72.6、O85、R57.2和R65.1定义为显式脓毒症编码，将R57.2和R65.1定义为特定脓毒症编码。数据分析采用描述性统计、韦恩图和卡帕统计量评估一致性，并使用逻辑回归进行时间趋势分析，校正了查尔森合并症指数、年龄和性别等混杂因素。

研究结果

脓毒症分类比例的巨大差异

在共同研究期间（2022年7月1日至2024年6月30日），共纳入卡罗林斯卡108,228例入院和西博滕66,115例入院。Sepsis-3算法识别的脓毒症比例显著高于诊断编码：卡罗林斯卡为11.4%，西博滕为6.2%；而显式编码仅为2.5%和1.2%，特定编码更低至1.4%和0.6%。算法分类与显式编码的比例约为4.6–5.2倍，与特定编码的比例高达8.1–10.3倍。

诊断编码与算法分类的低一致性

在算法分类的脓毒症入院中，仅有极少数获得了特定诊断编码：卡罗林斯卡为8.9%（1,097/12,348），西博滕为5.6%（228/4,093）。卡帕统计量显示，算法分类与显式编码的一致性较低（卡罗林斯卡卡帕值0.21，西博滕0.15），与特定编码的一致性更低（卡罗林斯卡0.14，西博滕0.09）。

诊断编码患者的临床特征

与算法分类的脓毒症患者相比，获得脓毒症编码的患者死亡率和重症监护室入住率更高。在合并症方面，恶性肿瘤在获得编码的患者中更为常见，而年龄、性别和其他合并症分布无显著差异。

时间趋势分析

在卡罗林斯卡2016年至2024年的长期观察中，算法识别的脓毒症比例稳定在9.7%–12.7%之间，呈微弱下降趋势（调整后比值比每季度0.999，p=0.022）。与此同时，显式编码比例从1.8%上升至2.9%（调整后比值比1.005，p<0.001），特定编码比例从0.2%显著上升至1.6%（调整后比值比1.054，p<0.001）。进一步分段分析显示，2018年编码指南发布后，特定编码比例从0.3%升至0.6%；2022年自动序贯器官衰竭评估计算器实施后，该比例进一步从0.6%升至1.3%（均p<0.001）。尽管有所改善，但编码比例仍远低于算法分类水平。

讨论与结论

本研究发现，人工诊断编码严重低估了脓毒症的实际发生率，这与既往研究一致，即基于索赔数据的诊断编码无法精确反映基于电子健康记录临床数据的脓毒症发病率。值得注意的是，获得编码的患者预后更差，这可能反映了编码倾向于记录病情更严重的病例。改进脓毒症分类将有助于卫生政策制定者更有效地规划资源配置，因为脓毒症的经济社会负担可能远超以往认知——荷兰的一项研究显示，脓毒症的间接经济成本约占癌症负担的三分之一，与卒中相当。研究局限性包括：尽管算法准确性高，但仍可能存在误分类风险；卡罗林斯卡排除产科患者以及两地疑似感染定义的差异可能导致发病率差异；卡罗林斯卡算法未覆盖重症监护室期间，可能遗漏部分重症病例。研究结论认为，基于电子健康记录的自动化算法可作为脓毒症监测的客观工具，并有望支持更可靠的诊断编码实践。