根據(jù)疾病控制和預(yù)防中心的數(shù)據(jù),三分之一在醫(yī)院死亡的患者患有敗血癥,這是一種對感染的嚴(yán)重炎癥反應(yīng),以器官功能障礙為特征。這種沉重的代價(jià)使得預(yù)測哪些患者有患這種破壞性疾病的風(fēng)險(xiǎn)成為臨床醫(yī)生的首要任務(wù)。
識(shí)別和治療膿毒癥病例的其他動(dòng)機(jī)在于,膿毒癥是一種系統(tǒng)級(jí)質(zhì)量衡量標(biāo)準(zhǔn),醫(yī)院由聯(lián)邦衛(wèi)生與公共服務(wù)部和 CDC 對其膿毒癥率進(jìn)行判斷。使減少敗血癥的努力復(fù)雜化的是診斷的難度——準(zhǔn)確和快速。
密歇根大學(xué)學(xué)習(xí)健康科學(xué)和內(nèi)科學(xué)助理教授、醫(yī)學(xué)博士、醫(yī)學(xué)碩士、醫(yī)學(xué)博士卡蘭迪普·辛格 (Karandeep Singh) 說:“敗血癥是我們可以在事后確定發(fā)生的事情,但當(dāng)它發(fā)生時(shí),通常不清楚患者是否患有敗血癥。”藥物。“但敗血癥治療的基石是及時(shí)識(shí)別和及時(shí)治療。”
Singh 和他的同事最近評估了 Epic Systems 開發(fā)的敗血癥預(yù)測模型,該模型是美國 56% 的醫(yī)院和衛(wèi)生系統(tǒng)使用的醫(yī)療保健軟件供應(yīng)商。在 JAMA Internal Medicine 上發(fā)表的一篇新論文中,他們發(fā)現(xiàn)預(yù)測工具的性能要差得多比模型的信息表所指示的,正確地對患者進(jìn)行敗血癥風(fēng)險(xiǎn)分類的概率僅為 63%。
Singh 解釋說,差異在于模型的開發(fā)方式。他說,第一個(gè)問題是該模型整合了所有被稱為敗血癥的病例的數(shù)據(jù),這是有問題的,因?yàn)?ldquo;人們在不同服務(wù)和醫(yī)院的收費(fèi)不同,而且眾所周知,試圖僅根據(jù)計(jì)費(fèi)代碼來確定誰患有敗血癥可能不準(zhǔn)確。”其次,在模型的開發(fā)中,膿毒癥的發(fā)作被定義為臨床醫(yī)生干預(yù)的時(shí)間——例如,訂購抗生素或?qū)嶒?yàn)室工作。
“從本質(zhì)上講,他們開發(fā)了模型來預(yù)測臨床醫(yī)生在臨床醫(yī)生認(rèn)可的時(shí)候認(rèn)可的敗血癥。但是,我們知道臨床醫(yī)生會(huì)錯(cuò)過敗血癥。”
為了使用與 Medicare 和 CDC 使用的定義更接近的膿毒癥定義來評估模型,研究小組研究了 2018 年至 2019 年密歇根醫(yī)學(xué)中心近 40,000 名住院患者,去除了模型提示患有膿毒癥的患者的評分在臨床醫(yī)生已經(jīng)介入之后。這樣做使該工具的曲線下面積從 Epic Systems 報(bào)告的 76-83% 增加到驗(yàn)證研究確定的 63%。
更重要的是,該模型向所有患者中的近五分之一發(fā)出警報(bào),其中大多數(shù)患者實(shí)際上并未患有敗血癥。“當(dāng)它發(fā)出警報(bào)時(shí),患者在剩余的住院期間實(shí)際上患有敗血癥的幾率是 12%。這基本上意味著,即使你只在系統(tǒng)第一次發(fā)出警報(bào)時(shí)對人進(jìn)行評估,你仍然需要評估8 個(gè)人發(fā)現(xiàn)一例敗血癥,”辛格說。
標(biāo)簽: 敗血癥
免責(zé)聲明:本文由用戶上傳,如有侵權(quán)請聯(lián)系刪除!