Critical Care Medicine：用于定期评估危重患者死亡风险的动态敏锐度评分的前瞻性评价

翻译  哈尔滨医科大学附属第二医院 王洪亮

审校 同济大学附属上海同济医院  陈志

目的：在重症医学科（Intensive Care Unit，ICU）中运用的预测模型是基于回顾性收 集的数据而开发，没有考虑到与实时临床数据相关的挑战。本研究试图明确在使用近乎 实时的前瞻性数据时，先前构建的 ICU 死亡率预测模型（ViSIG）的预测性能是否能保 持稳定。

设计：对前瞻性收集的数据进行汇总和转换，以评估先前不断开发的 ICU 死亡率滚动预测 指标。

机构：罗伯特伍德约翰逊巴纳巴斯大学医院的 5 家成人 ICU 和斯坦福德医院的 1 个成人 ICU。

患者：2020 年 8 月至 12 月，共有 1810 例患者参与研究。

方法和主要结果：ViSIG 评分由心率、呼吸频率、血氧饱和度、平均动脉压、机械通气的 严重程度权重以及 OBS 医疗的 Visensia 指数组成。上述信息系前瞻性收集，此外，回顾 性收集出院时的数据，用以衡量 ViSIG 评分的准确性。将患者的最高 ViSIG 评分分布与 ICU 死亡率进行比较，并确定死亡率变化最大的分界点。ViSIG 分数在患者新入院时得到验 证。ViSIG 评分能够将患者分为 3 组：0 ~ 37（低风险）、38 ~ 58（中风险）和 59 ~ 100（高 风险），相应的死亡率分别为 1.7%、12.0% 和 39.8%（P ＜ 0.001）。该模型预测高危组 死亡率的敏感度和特异度分别为 51% 和 91%。在验证集中模型的预测性能仍然很高。不 同风险组的住院时间、预估费用和再次入院率也有类似增加。

结论：使用前瞻性收集的数据，ViSIG 评分可以将风险群体分为死亡风险较高组和死亡风 险较低组，并具有较好的敏感度和极好的特异度。未来的研究将评估是否向临床医生展示 ViSIG 评分，以确定这个指标是否能够影响临床医生的行为，从而减少不良结果。

专家述评

重症患者电子预警，路在何方？

彭志勇　武汉大学中南医院重症医学科

重症患者进行不良预后的电子预警，一直是重症医学临床研究热点话题。既往研究绝大多数是基于回顾性研究数据或一些公 共数据库通过机器学习进行建模、从而进行验证的预测模型开发。但遗憾的是，外部验证的效能并不尽人意。本研究采用前瞻性数据， 包括心率、呼吸频率、氧饱和度、平均动脉压、机械通气等 ICU 内常见生命体征参数的动态变化。该数据系统将生命体征分布划 分为几个区间，以便最大化各区间死亡率的变化；另外，每 10 分钟对各连续变量数据的变化以中位数展示，对干扰和缺失数据有 更好的容忍度，从而可能提高其预测性能；并通过基因演算法以惩罚假阴性和奖励真阳性为目标。该研究的结果表明，此评分能 够将 ICU 患者划分为不同风险类别，并具有良好的敏感度和优秀特异性。此为电子预警的新创举，为未来主要研究方向。但是， 路仍然很长，该预警系统能否为临床所接受仍需开展进一步的研究，观察临床医师按该预警系统进行干预能否减少患者的不良预后， 也需要在更多的医院进行进一步的外部验证。

专家述评

用于定期评估危重患者死亡风险的动态敏锐度评分的前瞻性评价

王洪亮　哈尔滨医科大学附属第二医院重症医学科

目前有大量有关预测 ICU 患者死亡率的模型开发及相关研究，相应的算法有一定可行性。然而绝大多数在重症监护室中使用 的预测模型是基于回顾性收集的数据，没有考虑到结合实时临床数据时需要面对的挑战。该项研究试图确定先前构建的 ICU 死亡 率预测模型（ViSIG）在使用近乎实时的前瞻性数据时预测性能否依然稳定。预测性能评估有助于进一步确定预测指标能否影响临 床医生的决策，从而减少不良事件的发生。

该研究中应用的“ViSIG 评分”是 ViSIG 与 rSIGNIPHY 评分的组合，能滚动预测患者的 ICU 死亡风险。研究分为 3 个阶段， 第 1 阶段，使用连续收集的实时数据重新评估 ViSIG 评分，以确定使用近实时数据的预测是否准确。如果预测准确，第 2 阶段将 连续校准患者的 ViSIG 评分，但不会将结果展示给临床医生。在第 3 阶段，可以看到每例患者的 ViSIG 评分，并可获得结果的变 化情况。研究共计纳入6个ICU中1810例患者，研究发现患者的最高ViSIG评分与随后在ICU内死亡的几率之间存在密切关系（二 次多项式回归模型r 2 = 0.98），并且根据 ViSIG 最高评分与死亡率的变化关系，可以得到 3 个风险组，低风险组（ViSIG 评分从 未超过 37 分）、中等风险组（ViSIG 评分超过 37 分，但从未超过 58 分）、高风险组（ViSIG 分数在一个或多个时间点内超过 58 分）。 3 个风险组之间的死亡率差异显著。此外，在次要结局指标 ICU 住院时长、ICU 再次入院率、住院费用方面，高风险组较低中危 风险组均有明显差异。

这项研究的重要意义在于证明了一种基于生命体征异常模式的新型死亡率加权预测工具，即 ViSIG 评分，能够基于近乎实时 的临床数据将 ICU 患者分为具有良好敏感度和出色特异度的风险类别。该模型的优异表现离不开数据选取、数据分析以及算法的 合理应用。它通过应用中位数减少数据缺失与偏倚对总体的影响，进而将生命体征区间与死亡率相匹配，优化了二者关系。最后 选择的基因演算法结合了目标函数，该函数惩罚假阴性并奖励真阳性结果，有助于提高模型的正确预测率。

不同于以往基于回顾性数据的预测模型，该研究不仅提出了一个理论发现，也为我们构建了一个预测系统良好应用的理想前 景。然而，研究仍存在一些局限性，首先数据较为单一，数据来源仅为 2 家医院的 6 个 ICU；其次数据存在缺失，研究涉及的数 据主体为生命体征，但因为新冠流行的影响，未能收集到患者完整的体温数据；此外，动态预测虽考虑到患者实时的生理状态， 但由于生理状态瞬息万变，难以将当下的预测结果与特定的预测结果相关联。最后，对于 ViSIG 评分影响临床医生行为和改善临 床结果的能力仍需进一步研究。