目的探讨ICU简化死亡风险评分(the Simplified Mortality Score for the Intensive Care Unit,SMS-ICU)对肺部感染相关脓毒症患者预后的预测价值,并与急性生理学与慢性健康状况Ⅱ评分进行比较。方法回顾2019年11月至2022年4月符合肺部...目的探讨ICU简化死亡风险评分(the Simplified Mortality Score for the Intensive Care Unit,SMS-ICU)对肺部感染相关脓毒症患者预后的预测价值,并与急性生理学与慢性健康状况Ⅱ评分进行比较。方法回顾2019年11月至2022年4月符合肺部感染相关脓毒症诊断标准的患者的临床资料,根据ICU转归将患者分为死亡组和存活组,分别计算两组患者的SMS-ICU评分和APACHEⅡ评分,分析两种评分对肺部感染相关脓毒症患者病情和预后的判断价值。结果共纳入112例患者,男80例(71.43%),女32例(28.57%)。存活组77例(68.75%),死亡组35例(31.25%)。肺部感染相关脓毒症病死率与SMS-ICU评分正相关,r=0.964(P=0.008),与APACHEⅡ评分正相关r=0.978(P=0.001)。APACHEⅡ评分预测死亡风险的ROC曲线下面积为0.623,诊断截点为23.5分,对应的Youden指数、灵敏度和特异度分别是0.226、0.629和0.597。SMS-ICU评分预测死亡风险的ROC曲线下面积为0.774,诊断截点为20.5分,对应的Youden指数、灵敏度和特异度分别是0.337、0.714和0.623。SMS-ICU评分的ROC曲线下面积大于APACHEⅡ评分,差异有统计学意义(Z=2.498,P=0.013)。结论SMS-ICU评分对肺部感染相关脓毒症患者的预后有较好的预测价值,优于APACHEⅡ评分。展开更多
目的评估快速急性生理评分(rapid acute physiology score,RAPS)、快速急诊医学评分(rapid emergency medicine score,REMS)、改良早期预警分数(modified early warning score,MEWS)、急诊脓毒症死亡风险评分(mortality in emergency de...目的评估快速急性生理评分(rapid acute physiology score,RAPS)、快速急诊医学评分(rapid emergency medicine score,REMS)、改良早期预警分数(modified early warning score,MEWS)、急诊脓毒症死亡风险评分(mortality in emergency department sepsis,MEDS)四种评分系统在肾脓肿患者死亡风险预测的价值。方法选取2017年1月至2019年12月在首都医科大学附属北京同仁医院急诊就诊的被诊断为肾脓肿的患者共58例,采用回顾性分析的方法,选择临床指标计算四种评分系统的分值,通过ROC曲线预测死亡风险。结果应用logistic回归预测四种评分系统对肾脓肿患者的死亡风险评估,发现RAPS评分、REMS评分、MEDS评分和MEWS评分的OR值分别为1.632(P=0.038)、1.581(P=0.008)、1.595(P=0.002)和1.439(P=0.001);ROC曲线下MEDS评分的AUC面积是0.876,敏感性是85.32%,特异性是78.54%;REMS评分的AUC面积是0.824,敏感性是84.57%,特异性是75.85%;RAPS评分的AUC面积是0.818,敏感性是79.04%,特异性是71.18%;MEWS评分的AUC面积是0.783,敏感性是82.26%,特异性是72.91%。结论急诊脓毒症死亡风险评分系统对于肾脓肿患者死亡风险的预测高于快速急性生理评分、快速急诊医学评分、改良早期预警分数,推荐应用急诊脓毒症死亡风险评分快速识别危重患者,并对其进行早期干预,可能改善临床预后。展开更多
目的探讨重症手足口病死亡风险评分系统(the mortality risk score for severe hand,foot and mouth disease,MRSHFMD)对重症手足口病并发症和死亡风险的预测应用价值。方法以2012年3月至2014年3月入住湖南省儿童医院重症监护病房的354...目的探讨重症手足口病死亡风险评分系统(the mortality risk score for severe hand,foot and mouth disease,MRSHFMD)对重症手足口病并发症和死亡风险的预测应用价值。方法以2012年3月至2014年3月入住湖南省儿童医院重症监护病房的354例重症手足口病患儿为研究对象,根据患儿病程中有无并发神经系统损伤、肺水肿、肺出血、循环衰竭进行分组,根据患儿28 d生存情况进行预后分组。以入科24 h内血糖、白细胞计数、血乳酸值、氨基末端脑钠肽前体蛋白的最差值行MRSHFMD评分,采用受试者工作特征(receiver operating characteristic,ROC)曲线评价该评分对神经系统损伤、肺水肿、肺出血、循环衰竭、不良预后的预测价值。结果合并神经系统损伤、肺水肿、肺出血、循环衰竭的手足口病患儿的病死率较无合并症组显著增高(P<0.001)。合并神经系统损伤、肺水肿、肺出血、循环衰竭的手足口病患儿的血糖、白细胞计数、血乳酸值、氨基末端脑钠肽前体蛋白及MRSHFMD评分显著高于无合并症组(P<0.01)。MRSHFMD评分取截断值3分时,手足口病患儿发生神经系统损伤、肺水肿、肺出血、循环衰竭及死亡的ROC曲线下面积(95%CI)分别为0.723(0.643~0.804)、0.870(0.793~0.946)、0.921(0.850~0.992)、0.944(0.867~1.000)和0.954(0.000~1.000)。预测发生神经系统损伤、肺水肿、肺出血、循环衰竭及死亡的特异度和灵敏度分别为44.6%、95.8%;67.5%、95.5%;83.3%、95.1%;89.3%、95.1%;90.9%、93.7%。结论MRSHFMD评分系统对手足口病合并肺出血、循环衰竭及发生死亡的分辨能力好。该评分系统具有指标少、临床应用简便和准确有效的特点,利于临床推广应用。展开更多
目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对...目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对象,对其重症医学特征数据和第三代儿童死亡风险(pediatric risk of mortality,PRISMⅢ)评分系统的相关数据进行收集和处理,基于逻辑回归、决策树模型、Relief算法3种机器学习模型构建风险预测模型,利用反向传播神经网络构建转诊结局预测模型对风险预测模型所选医学特征进行验证和分析,探寻影响院际转运风险的关键医学特征。结果在纳入的549例转诊患儿中,新生儿222例(40.44%),非新生儿327例(59.56%),院内死亡50例,病死率为9.11%。对所收集的151项重症患儿医学特征数据进行数据处理,三种模型各自选取影响转诊结局的前15项重要的特征,共有34项入选。其中决策树模型所选特征与PRISMⅢ指标的重叠度为72.7%,高于逻辑回归的36.4%和Relief算法的27.3%,且训练预测精确率为0.94,也高于纳入所有特征训练精确率0.90,表明决策树模型是一种具有良好临床实用性的预测模型。在决策树入选的前15项重要特征中,通过量化特征的小提琴图对转诊结局影响的大小排序为:碱剩余、总胆红素、钙离子、总耗时、动脉氧分压、血液(包括白细胞、血小板、凝血酶原时间/凝血活酶时间)、二氧化碳分压、血糖、收缩压、心率、器官衰竭、乳酸、毛细血管再充盈时间、体温、发绀,其中有8项重要特征与PRISMⅢ的指标重叠,分别是收缩压、心率、体温、瞳孔反射、神志状态、酸中毒、动脉氧分压、二氧化碳分压、血液、血糖。利用决策树分别对新生儿和非新生儿两个数据集选择有高度影响的前15个医学特征,共有19项特征入选,其中新生儿与非新生儿的重要特征之间有8个差异项和11个重叠项。结论机器学习模型可作为预测重症患儿院际转运风险的可靠工具。决策树模型具有较佳的性能,有助于识别影响院际转运风险的关键医学特征,提高重症患儿院际转运的成功率。展开更多
文摘目的探讨ICU简化死亡风险评分(the Simplified Mortality Score for the Intensive Care Unit,SMS-ICU)对肺部感染相关脓毒症患者预后的预测价值,并与急性生理学与慢性健康状况Ⅱ评分进行比较。方法回顾2019年11月至2022年4月符合肺部感染相关脓毒症诊断标准的患者的临床资料,根据ICU转归将患者分为死亡组和存活组,分别计算两组患者的SMS-ICU评分和APACHEⅡ评分,分析两种评分对肺部感染相关脓毒症患者病情和预后的判断价值。结果共纳入112例患者,男80例(71.43%),女32例(28.57%)。存活组77例(68.75%),死亡组35例(31.25%)。肺部感染相关脓毒症病死率与SMS-ICU评分正相关,r=0.964(P=0.008),与APACHEⅡ评分正相关r=0.978(P=0.001)。APACHEⅡ评分预测死亡风险的ROC曲线下面积为0.623,诊断截点为23.5分,对应的Youden指数、灵敏度和特异度分别是0.226、0.629和0.597。SMS-ICU评分预测死亡风险的ROC曲线下面积为0.774,诊断截点为20.5分,对应的Youden指数、灵敏度和特异度分别是0.337、0.714和0.623。SMS-ICU评分的ROC曲线下面积大于APACHEⅡ评分,差异有统计学意义(Z=2.498,P=0.013)。结论SMS-ICU评分对肺部感染相关脓毒症患者的预后有较好的预测价值,优于APACHEⅡ评分。
文摘目的评估快速急性生理评分(rapid acute physiology score,RAPS)、快速急诊医学评分(rapid emergency medicine score,REMS)、改良早期预警分数(modified early warning score,MEWS)、急诊脓毒症死亡风险评分(mortality in emergency department sepsis,MEDS)四种评分系统在肾脓肿患者死亡风险预测的价值。方法选取2017年1月至2019年12月在首都医科大学附属北京同仁医院急诊就诊的被诊断为肾脓肿的患者共58例,采用回顾性分析的方法,选择临床指标计算四种评分系统的分值,通过ROC曲线预测死亡风险。结果应用logistic回归预测四种评分系统对肾脓肿患者的死亡风险评估,发现RAPS评分、REMS评分、MEDS评分和MEWS评分的OR值分别为1.632(P=0.038)、1.581(P=0.008)、1.595(P=0.002)和1.439(P=0.001);ROC曲线下MEDS评分的AUC面积是0.876,敏感性是85.32%,特异性是78.54%;REMS评分的AUC面积是0.824,敏感性是84.57%,特异性是75.85%;RAPS评分的AUC面积是0.818,敏感性是79.04%,特异性是71.18%;MEWS评分的AUC面积是0.783,敏感性是82.26%,特异性是72.91%。结论急诊脓毒症死亡风险评分系统对于肾脓肿患者死亡风险的预测高于快速急性生理评分、快速急诊医学评分、改良早期预警分数,推荐应用急诊脓毒症死亡风险评分快速识别危重患者,并对其进行早期干预,可能改善临床预后。
文摘目的探讨重症手足口病死亡风险评分系统(the mortality risk score for severe hand,foot and mouth disease,MRSHFMD)对重症手足口病并发症和死亡风险的预测应用价值。方法以2012年3月至2014年3月入住湖南省儿童医院重症监护病房的354例重症手足口病患儿为研究对象,根据患儿病程中有无并发神经系统损伤、肺水肿、肺出血、循环衰竭进行分组,根据患儿28 d生存情况进行预后分组。以入科24 h内血糖、白细胞计数、血乳酸值、氨基末端脑钠肽前体蛋白的最差值行MRSHFMD评分,采用受试者工作特征(receiver operating characteristic,ROC)曲线评价该评分对神经系统损伤、肺水肿、肺出血、循环衰竭、不良预后的预测价值。结果合并神经系统损伤、肺水肿、肺出血、循环衰竭的手足口病患儿的病死率较无合并症组显著增高(P<0.001)。合并神经系统损伤、肺水肿、肺出血、循环衰竭的手足口病患儿的血糖、白细胞计数、血乳酸值、氨基末端脑钠肽前体蛋白及MRSHFMD评分显著高于无合并症组(P<0.01)。MRSHFMD评分取截断值3分时,手足口病患儿发生神经系统损伤、肺水肿、肺出血、循环衰竭及死亡的ROC曲线下面积(95%CI)分别为0.723(0.643~0.804)、0.870(0.793~0.946)、0.921(0.850~0.992)、0.944(0.867~1.000)和0.954(0.000~1.000)。预测发生神经系统损伤、肺水肿、肺出血、循环衰竭及死亡的特异度和灵敏度分别为44.6%、95.8%;67.5%、95.5%;83.3%、95.1%;89.3%、95.1%;90.9%、93.7%。结论MRSHFMD评分系统对手足口病合并肺出血、循环衰竭及发生死亡的分辨能力好。该评分系统具有指标少、临床应用简便和准确有效的特点,利于临床推广应用。
文摘目的基于机器学习方法构建重症患儿院际转运风险预测模型,识别出影响转运预后的关键性医学特征,提高转运的成功率。方法前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对象,对其重症医学特征数据和第三代儿童死亡风险(pediatric risk of mortality,PRISMⅢ)评分系统的相关数据进行收集和处理,基于逻辑回归、决策树模型、Relief算法3种机器学习模型构建风险预测模型,利用反向传播神经网络构建转诊结局预测模型对风险预测模型所选医学特征进行验证和分析,探寻影响院际转运风险的关键医学特征。结果在纳入的549例转诊患儿中,新生儿222例(40.44%),非新生儿327例(59.56%),院内死亡50例,病死率为9.11%。对所收集的151项重症患儿医学特征数据进行数据处理,三种模型各自选取影响转诊结局的前15项重要的特征,共有34项入选。其中决策树模型所选特征与PRISMⅢ指标的重叠度为72.7%,高于逻辑回归的36.4%和Relief算法的27.3%,且训练预测精确率为0.94,也高于纳入所有特征训练精确率0.90,表明决策树模型是一种具有良好临床实用性的预测模型。在决策树入选的前15项重要特征中,通过量化特征的小提琴图对转诊结局影响的大小排序为:碱剩余、总胆红素、钙离子、总耗时、动脉氧分压、血液(包括白细胞、血小板、凝血酶原时间/凝血活酶时间)、二氧化碳分压、血糖、收缩压、心率、器官衰竭、乳酸、毛细血管再充盈时间、体温、发绀,其中有8项重要特征与PRISMⅢ的指标重叠,分别是收缩压、心率、体温、瞳孔反射、神志状态、酸中毒、动脉氧分压、二氧化碳分压、血液、血糖。利用决策树分别对新生儿和非新生儿两个数据集选择有高度影响的前15个医学特征,共有19项特征入选,其中新生儿与非新生儿的重要特征之间有8个差异项和11个重叠项。结论机器学习模型可作为预测重症患儿院际转运风险的可靠工具。决策树模型具有较佳的性能,有助于识别影响院际转运风险的关键医学特征,提高重症患儿院际转运的成功率。
