单病种急诊预检分诊信息化模型的初步构建

施 辉，冯 丽，蔡 吉，周婉婷

（复旦大学附属中山医院,上海200032）

近年来，国内逐渐重视预检分诊，预检分诊标准建立正处于探索和起步阶段，部分地区或医院在“分科分诊”向“分级分诊”模式转变中开始尝试建立符合自身情况的分诊标准。但目前尚缺乏相应的管理制度及质量评价标准来判断急诊预检分诊的质量[1]。在我国，虽然急诊预检分诊起步较晚，但关于快速急诊预检分诊工具的研究、应用及推广也在持续进行。 因为分诊质量直接关系到病人的救治效果和急诊医疗的工作效率，对急诊科的运作和发展至关重要[2]，因此受到广泛的关注。而国内的预检分诊多依赖护士的主观经验进行分诊，容易受病人的多寡、经验差别、能力不足等因素干扰和阻碍急诊分诊的准确性。即使有制定急诊预检分诊标准，但缺乏计算机软件辅助控制，预检护士的资历和经验仍起到主导作用，容易导致分诊过度或分诊不足。芬兰学者Koholen 认为人工神经网络（artificial neural network，ANN）是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应[3]。多层感知器（multilayer perception，MLP）通常包含1 个输入层、1 个或2 个隐含层和1 个输出层，其信息传递过程由输入层到输出层单向传递，由于此种网络有处于中间位置的隐含层，并有相应的规则可循，可训练这种网络，使其具有对非线性模式的识别能力[4]。因此，本研究基于ANN 模型构建方法，构建急诊预检分诊预测模型，以期达到急诊病人的评估同质化。现报道如下。

1 资料与方法

1.1 临床资料 收集2018 年11 月1 日—2018 年11月30 日就诊于复旦大学附属中山医院急诊科的病人，运用急诊预检分诊病人就诊信息表，填写包括病人意识、性别、年龄、生命体征（体温、血压、脉搏、呼吸）、血氧饱和度（SpO2）、疼痛评分、IDC 编码等。计算机后台筛选出主诉为头晕/眩晕的急诊病人，并提取其预检分诊和就诊记录。

1.2 研究方法

1.2.1 构建模型

1.2.1.1 网络分诊变量 根据预检分诊时判断病人分级所用的依据作为网络模型输入变量，包括病人的年龄、性别、生命体征（体温、血压、脉搏、呼吸）、SpO2、意识、格拉斯哥评分（GCS）、血糖、疼痛等进行分级，并通过查阅相关文献、指南、专家共识等，对变量进行分级。①根据目前指南上公认的分诊量表内容，如澳洲分诊量表（Australasian Triage Scale，ATS）、加拿大检伤及急迫度量表（Canadian Emergency Department Triage Acuity Scale，CTAS）、美 国 的 急 诊 危 重 指 数（Emergency Severity Index，ESI）及英国的曼彻斯特分诊量表（Manchester Triage Scale，MTS）。这些分诊标准均按照病人病情危急程度将病人进行分级[5-6]。②专家共识：《医院急诊科规范化流程》对急诊分诊工作进行了规范化要求，要求急诊科设置分诊台，分诊护士在分级时既要考虑病人病情的严重程度，也要考虑病人需要占用的医疗资源数量，然后给出最终的病人级别[7]。

1.2.1.2 样本分割 采用无偏随机化样本分配方法，在SPSS 软件包设置随机种子,计算产生新变量“分区变量”,随机得到训练样本、检验样本和坚持样本,分别用于ANN 的训练、检验和验证。因此，本研究样本比例按5∶2∶3（训练样本∶检验样本∶坚持样本），按病例号升序排列方法并保持不变，且本研究的Random Number Generator 模块中随机数字初始值的固定值为9191972，并保持纳入模型的变量顺序不变，以保证模型的稳定性。

1.2.1.3 参数设置 应用SPSS 20.0 软件包中神经网络模块中的MLP 建立模型及分析,建立3 层前向型神经网络模型,隐含层设置为1 层,纳入输入层的参数为各项预测变量,输出层为分诊准确,“准确”编码为1,“不正确”编码为0。以前述“分区变量”分配病例样本,选择“自动体系结构选择”,隐含层中最小单位数为1,最大单位数为50,训练类型为“批处理”,优化算法选用“调整的共辄梯度”,初始Lambda 值为0.000 000 5,初始Sigma 值为0.000 05,间隔中心点为0,间隔偏移量为±0.5。运行神经网络后,获得分诊准备预测的拟概率,以0.50 为预测概率分界值,计算预测的灵敏度、特异度和总准确率、绘制受试者工作特征曲线(ROC)和曲线下面积(AUC)，评价预测的准确性。

1.2.2 验证模型 专家组判断是否分诊准确，分诊中出现过度分诊和分诊不足的样本定义为分诊不准确。以分诊是否准确为检验标准，以预测模型的判断结果为检验变量，根据灵敏度、特异度、AUC 等指标对预测方程进行检验。AUC 值越大模型效果越好，AUC=1.0 为完美模型，采用这个预测模型时，不管设定什么阈值都能得出完美预测；0.5＜AUC＜1.0 时优于随机猜测，对模型妥善设定阈值，有预测价值；AUC=0.5等同于随机猜测，模型没有预测价值；AUC＜0.5 劣于随机猜测。

2 结果

2.1 传统人工预检分诊结果 通过分诊信息表填表情况，经过专家判断后建立MLP 模型，结果发现：纳入的变量中，系统自行排除体温、疼痛、GCS 评分和呼吸，输入层包括脉搏、血压、SpO2、意识、血糖，检验量本的准确率为80.2%，曲线下方区域AUC=0.509。

2.2 信息化建模结果 依据分诊情况制定逻辑式，根据国内外文献、指南量表、专家共识等，并结合专家建议，本研究将预检分级变量分级，并将血压、意识、血糖、氧饱和度、脉率进行逻辑表达式，逻辑式描述如下：①血压=level 2 ，分诊至2 级；②血压=level 3 合并意识=level 1，分诊至1 级；③血压=level 3 合并意识=level 2，分诊至2 级；④血压=level 3 合并意识=level 3合并血糖=level 2 ，分诊至2 级；⑤血压=level 3 合并意 识=level 3 合 并 血 糖=level 3 合 并SpO2=level 2 ，分诊至2 级；⑥血压=level 3 合并意识=level 3 合并血糖=level 3 合并SpO2=level 3 合并脉率=level 2，分诊至2 级；⑦血压=level 3 合并意识=level 3 合并血糖=level 3 合并SpO2=level 3 合并脉率=level 3，分诊至3级。见表1。

表1 头晕/眩晕病人分诊分级建模结果

2.3 验证模型 将预测模型前瞻性地运用于验证组的研究对象，建立ANN 模型，结果发现：纳入的变量中，系统自行排除体温、疼痛、GCS 评分和呼吸，输入层包括脉搏、血压、SpO2、意识、血糖，检验量本的准确率为99.4%，曲线下方区域AUC=1.000，判断头晕/眩晕病人的最重要的变量是血压，其次是脉搏、意识、SpO2、血糖。

3 讨论

3.1 ANN 预测模型的构建能有效提高护士分诊正确率 本研究结果显示，人工预检分诊正确率为80.2%，AUC=0.509，优于随机猜测，对模型妥善设定阈值，有预测价值。但是随着急诊医学的快速发展，急诊的预检分诊工作越来越得到重视，分诊被认为是一个复杂的决策过程，急诊的分诊过程是控制急诊风险的要素之一。分诊质量直接关系到病人的救治效果和急诊医疗的工作效率，对急诊科的运作和发展至关重要[2]。本研究通过专家讨论，查阅国内外文献及指南，总结逻辑式，构建MLP 模型，将预测准确率达到99.4%，能够大幅度提高护士的预检分诊准确率。国内各大医院仍采用传统急诊预检分诊模式，完全依靠急诊护士的个人经验进行预检分诊，其分诊是否正确则完全取决于护士的个人能力及业务水平，国内有研究者报道了急诊预检分诊系统研发及应用[8]，但其实质是将手工登记转为电子输入，传统的分诊方法在病人的临床特征与分级之间非线性关系处理存在困难。

3.2 血压是判断头晕/眩晕病人预检分级的重要依据 神经网络中输入变量的重要性代表建模过程中对输出结果所起到的作用大小，本研究显示，判断头晕/眩晕病人的最重要的变量是血压，其次是脉搏、意识、SpO2、血糖。预检护士在对头晕/眩晕的急诊病人预检分诊时，应充分了解其重要性，并根据其重要程度进行综合判断。然而，本研究存在一定的局限性，数据库构建的模型较小，均来自单个医疗中心，并且研究对象为单病种病人，主要为主诉“头晕/眩晕”的病人，人工分诊时预检护士也多以血压高低为鉴别分级的主要依据，虽与模型构建结果相类似，然而头晕/眩晕的主要病因除了高血压，也有神经类、外伤类的病因，在分科的准确性上有待验证。

4 展望及启示

4.1 ANN 模型是预检分诊转型为智能化的创新举措 预检分诊是指对急诊病人进行快速评估，根据其危急程度而进行优先顺序的分级[9]。在急诊科就诊病人众多时，护士几乎没有足够的时间获得病人的个人资料和客观评估依据，更有可能导致分诊失误。因此，急需研制快速急诊预检分诊工具，进行全面信息化管理，统一急诊预检分诊软件，再通过软件进行分析，从而快速得出一个正确的分诊结果，以缩短急诊护士的分诊耗时，确保病人得到快速、有效的救治。国内也有研究研发了计算机软件辅助分诊系统，由第三方公司设计，并未描述其形成过程及方法学的介绍[10]，科学性和可靠性有待进一步探究[11]。构建急诊预检分诊智能化信息管理软件，达到急诊病人的评估同质化，有待进一步的探索。本研究在对单病种，即相同主诉、预检诊断的急诊病人，基于ANN 模型构建方法，构建单病种急诊预检分诊智能化、信息化分诊管理软件，并验证其预测效果，从而逐步扩大、精细病种，达到急诊病人的评估同质化，提高病情分诊准确率，缩短病人评估平均时间，提高分诊工作的有效性；同时为临床管理和科研提供强大的数据资料支持，最终提高病人就诊安全性。4.2 基于ANN 构建的单病种预检分诊预测模型有待完善 ANN 作为一种新的分析和诊断工具逐渐应用于临床医学各个领域[12]。ANN 对输入模式响应的正确率也将不断提高。由于ANN 有处于中间位置的隐含层，并有相应的规则可循，可训练这种网络，使其具有对非线性模式的识别能力[4]。本研究通过客观的生命体征指标进行逻辑式演算，并成功构建模型，正确率达到99.4%，但仍需对其进行验证，原因如下：①病人进行预检分诊时，主要通过其主诉、生命体征判断分级，但疾病引起的病因、既往史仍会导致其分科错误，延误病情。②在预检分诊时除主要主诉外，部分病人有次要主诉，例如伴随症状、疼痛时间、就医目的等，是否需要纳入模型，有待考证。③基于医院就诊量差异，部分医院就诊量较大，造成预检护士无法有效、完整地获得病人的生命体征等客观数据，在无法获得有效数据时，是否可以通过其他判断方法进行模型演练有待完善。④不同疾病判断的依据侧重点不同，模型构建判断的重要指标的权重有所不同，纳入的变量及决策逻辑方法有待考证。因此，在之后变量纳入时除基础生命体征外，应将其伴随症状、次要主诉、既往史等进行考量，这在一定程度上可以改善外推效应，更具有科学性。