施 輝，馮 麗，蔡 吉，周婉婷

（復(fù)旦大學(xué)附屬中山醫(yī)院,上海200032）

近年來，國內(nèi)逐漸重視預(yù)檢分診，預(yù)檢分診標準建立正處于探索和起步階段，部分地區(qū)或醫(yī)院在“分科分診”向“分級分診”模式轉(zhuǎn)變中開始嘗試建立符合自身情況的分診標準。但目前尚缺乏相應(yīng)的管理制度及質(zhì)量評價標準來判斷急診預(yù)檢分診的質(zhì)量[1]。在我國，雖然急診預(yù)檢分診起步較晚，但關(guān)于快速急診預(yù)檢分診工具的研究、應(yīng)用及推廣也在持續(xù)進行。 因為分診質(zhì)量直接關(guān)系到病人的救治效果和急診醫(yī)療的工作效率，對急診科的運作和發(fā)展至關(guān)重要[2]，因此受到廣泛的關(guān)注。而國內(nèi)的預(yù)檢分診多依賴護士的主觀經(jīng)驗進行分診，容易受病人的多寡、經(jīng)驗差別、能力不足等因素干擾和阻礙急診分診的準確性。即使有制定急診預(yù)檢分診標準，但缺乏計算機軟件輔助控制，預(yù)檢護士的資歷和經(jīng)驗仍起到主導(dǎo)作用，容易導(dǎo)致分診過度或分診不足。芬蘭學(xué)者Koholen 認為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體所做出的交互反應(yīng)[3]。多層感知器（multilayer perception，MLP）通常包含1 個輸入層、1 個或2 個隱含層和1 個輸出層，其信息傳遞過程由輸入層到輸出層單向傳遞，由于此種網(wǎng)絡(luò)有處于中間位置的隱含層，并有相應(yīng)的規(guī)則可循，可訓(xùn)練這種網(wǎng)絡(luò)，使其具有對非線性模式的識別能力[4]。因此，本研究基于ANN 模型構(gòu)建方法，構(gòu)建急診預(yù)檢分診預(yù)測模型，以期達到急診病人的評估同質(zhì)化?，F(xiàn)報道如下。

1 資料與方法

1.1 臨床資料 收集2018 年11 月1 日—2018 年11月30 日就診于復(fù)旦大學(xué)附屬中山醫(yī)院急診科的病人，運用急診預(yù)檢分診病人就診信息表，填寫包括病人意識、性別、年齡、生命體征（體溫、血壓、脈搏、呼吸）、血氧飽和度（SpO2）、疼痛評分、IDC 編碼等。計算機后臺篩選出主訴為頭暈/眩暈的急診病人，并提取其預(yù)檢分診和就診記錄。

1.2 研究方法

1.2.1 構(gòu)建模型

1.2.1.1 網(wǎng)絡(luò)分診變量 根據(jù)預(yù)檢分診時判斷病人分級所用的依據(jù)作為網(wǎng)絡(luò)模型輸入變量，包括病人的年齡、性別、生命體征（體溫、血壓、脈搏、呼吸）、SpO2、意識、格拉斯哥評分（GCS）、血糖、疼痛等進行分級，并通過查閱相關(guān)文獻、指南、專家共識等，對變量進行分級。①根據(jù)目前指南上公認的分診量表內(nèi)容，如澳洲分診量表（Australasian Triage Scale，ATS）、加拿大檢傷及急迫度量表（Canadian Emergency Department Triage Acuity Scale，CTAS）、美 國 的 急 診 危 重 指 數(shù)（Emergency Severity Index，ESI）及英國的曼徹斯特分診量表（Manchester Triage Scale，MTS）。這些分診標準均按照病人病情危急程度將病人進行分級[5-6]。②專家共識：《醫(yī)院急診科規(guī)范化流程》對急診分診工作進行了規(guī)范化要求，要求急診科設(shè)置分診臺，分診護士在分級時既要考慮病人病情的嚴重程度，也要考慮病人需要占用的醫(yī)療資源數(shù)量，然后給出最終的病人級別[7]。

1.2.1.2 樣本分割 采用無偏隨機化樣本分配方法，在SPSS 軟件包設(shè)置隨機種子,計算產(chǎn)生新變量“分區(qū)變量”,隨機得到訓(xùn)練樣本、檢驗樣本和堅持樣本,分別用于ANN 的訓(xùn)練、檢驗和驗證。因此，本研究樣本比例按5∶2∶3（訓(xùn)練樣本∶檢驗樣本∶堅持樣本），按病例號升序排列方法并保持不變，且本研究的Random Number Generator 模塊中隨機數(shù)字初始值的固定值為9191972，并保持納入模型的變量順序不變，以保證模型的穩(wěn)定性。

1.2.1.3 參數(shù)設(shè)置 應(yīng)用SPSS 20.0 軟件包中神經(jīng)網(wǎng)絡(luò)模塊中的MLP 建立模型及分析,建立3 層前向型神經(jīng)網(wǎng)絡(luò)模型,隱含層設(shè)置為1 層,納入輸入層的參數(shù)為各項預(yù)測變量,輸出層為分診準確,“準確”編碼為1,“不正確”編碼為0。以前述“分區(qū)變量”分配病例樣本,選擇“自動體系結(jié)構(gòu)選擇”,隱含層中最小單位數(shù)為1,最大單位數(shù)為50,訓(xùn)練類型為“批處理”,優(yōu)化算法選用“調(diào)整的共輒梯度”,初始Lambda 值為0.000 000 5,初始Sigma 值為0.000 05,間隔中心點為0,間隔偏移量為±0.5。運行神經(jīng)網(wǎng)絡(luò)后,獲得分診準備預(yù)測的擬概率,以0.50 為預(yù)測概率分界值,計算預(yù)測的靈敏度、特異度和總準確率、繪制受試者工作特征曲線(ROC)和曲線下面積(AUC)，評價預(yù)測的準確性。

1.2.2 驗證模型 專家組判斷是否分診準確，分診中出現(xiàn)過度分診和分診不足的樣本定義為分診不準確。以分診是否準確為檢驗標準，以預(yù)測模型的判斷結(jié)果為檢驗變量，根據(jù)靈敏度、特異度、AUC 等指標對預(yù)測方程進行檢驗。AUC 值越大模型效果越好，AUC=1.0 為完美模型，采用這個預(yù)測模型時，不管設(shè)定什么閾值都能得出完美預(yù)測；0.5＜AUC＜1.0 時優(yōu)于隨機猜測，對模型妥善設(shè)定閾值，有預(yù)測價值；AUC=0.5等同于隨機猜測，模型沒有預(yù)測價值；AUC＜0.5 劣于隨機猜測。

2 結(jié)果

2.1 傳統(tǒng)人工預(yù)檢分診結(jié)果 通過分診信息表填表情況，經(jīng)過專家判斷后建立MLP 模型，結(jié)果發(fā)現(xiàn)：納入的變量中，系統(tǒng)自行排除體溫、疼痛、GCS 評分和呼吸，輸入層包括脈搏、血壓、SpO2、意識、血糖，檢驗量本的準確率為80.2%，曲線下方區(qū)域AUC=0.509。

2.2 信息化建模結(jié)果 依據(jù)分診情況制定邏輯式，根據(jù)國內(nèi)外文獻、指南量表、專家共識等，并結(jié)合專家建議，本研究將預(yù)檢分級變量分級，并將血壓、意識、血糖、氧飽和度、脈率進行邏輯表達式，邏輯式描述如下：①血壓=level 2 ，分診至2 級；②血壓=level 3 合并意識=level 1，分診至1 級；③血壓=level 3 合并意識=level 2，分診至2 級；④血壓=level 3 合并意識=level 3合并血糖=level 2 ，分診至2 級；⑤血壓=level 3 合并意 識=level 3 合 并 血 糖=level 3 合 并SpO2=level 2 ，分診至2 級；⑥血壓=level 3 合并意識=level 3 合并血糖=level 3 合并SpO2=level 3 合并脈率=level 2，分診至2 級；⑦血壓=level 3 合并意識=level 3 合并血糖=level 3 合并SpO2=level 3 合并脈率=level 3，分診至3級。見表1。

表1 頭暈/眩暈病人分診分級建模結(jié)果

2.3 驗證模型 將預(yù)測模型前瞻性地運用于驗證組的研究對象，建立ANN 模型，結(jié)果發(fā)現(xiàn)：納入的變量中，系統(tǒng)自行排除體溫、疼痛、GCS 評分和呼吸，輸入層包括脈搏、血壓、SpO2、意識、血糖，檢驗量本的準確率為99.4%，曲線下方區(qū)域AUC=1.000，判斷頭暈/眩暈病人的最重要的變量是血壓，其次是脈搏、意識、SpO2、血糖。

3 討論

3.1 ANN 預(yù)測模型的構(gòu)建能有效提高護士分診正確率 本研究結(jié)果顯示，人工預(yù)檢分診正確率為80.2%，AUC=0.509，優(yōu)于隨機猜測，對模型妥善設(shè)定閾值，有預(yù)測價值。但是隨著急診醫(yī)學(xué)的快速發(fā)展，急診的預(yù)檢分診工作越來越得到重視，分診被認為是一個復(fù)雜的決策過程，急診的分診過程是控制急診風險的要素之一。分診質(zhì)量直接關(guān)系到病人的救治效果和急診醫(yī)療的工作效率，對急診科的運作和發(fā)展至關(guān)重要[2]。本研究通過專家討論，查閱國內(nèi)外文獻及指南，總結(jié)邏輯式，構(gòu)建MLP 模型，將預(yù)測準確率達到99.4%，能夠大幅度提高護士的預(yù)檢分診準確率。國內(nèi)各大醫(yī)院仍采用傳統(tǒng)急診預(yù)檢分診模式，完全依靠急診護士的個人經(jīng)驗進行預(yù)檢分診，其分診是否正確則完全取決于護士的個人能力及業(yè)務(wù)水平，國內(nèi)有研究者報道了急診預(yù)檢分診系統(tǒng)研發(fā)及應(yīng)用[8]，但其實質(zhì)是將手工登記轉(zhuǎn)為電子輸入，傳統(tǒng)的分診方法在病人的臨床特征與分級之間非線性關(guān)系處理存在困難。

3.2 血壓是判斷頭暈/眩暈病人預(yù)檢分級的重要依據(jù) 神經(jīng)網(wǎng)絡(luò)中輸入變量的重要性代表建模過程中對輸出結(jié)果所起到的作用大小，本研究顯示，判斷頭暈/眩暈病人的最重要的變量是血壓，其次是脈搏、意識、SpO2、血糖。預(yù)檢護士在對頭暈/眩暈的急診病人預(yù)檢分診時，應(yīng)充分了解其重要性，并根據(jù)其重要程度進行綜合判斷。然而，本研究存在一定的局限性，數(shù)據(jù)庫構(gòu)建的模型較小，均來自單個醫(yī)療中心，并且研究對象為單病種病人，主要為主訴“頭暈/眩暈”的病人，人工分診時預(yù)檢護士也多以血壓高低為鑒別分級的主要依據(jù)，雖與模型構(gòu)建結(jié)果相類似，然而頭暈/眩暈的主要病因除了高血壓，也有神經(jīng)類、外傷類的病因，在分科的準確性上有待驗證。

4 展望及啟示

4.1 ANN 模型是預(yù)檢分診轉(zhuǎn)型為智能化的創(chuàng)新舉措 預(yù)檢分診是指對急診病人進行快速評估，根據(jù)其危急程度而進行優(yōu)先順序的分級[9]。在急診科就診病人眾多時，護士幾乎沒有足夠的時間獲得病人的個人資料和客觀評估依據(jù)，更有可能導(dǎo)致分診失誤。因此，急需研制快速急診預(yù)檢分診工具，進行全面信息化管理，統(tǒng)一急診預(yù)檢分診軟件，再通過軟件進行分析，從而快速得出一個正確的分診結(jié)果，以縮短急診護士的分診耗時，確保病人得到快速、有效的救治。國內(nèi)也有研究研發(fā)了計算機軟件輔助分診系統(tǒng)，由第三方公司設(shè)計，并未描述其形成過程及方法學(xué)的介紹[10]，科學(xué)性和可靠性有待進一步探究[11]。構(gòu)建急診預(yù)檢分診智能化信息管理軟件，達到急診病人的評估同質(zhì)化，有待進一步的探索。本研究在對單病種，即相同主訴、預(yù)檢診斷的急診病人，基于ANN 模型構(gòu)建方法，構(gòu)建單病種急診預(yù)檢分診智能化、信息化分診管理軟件，并驗證其預(yù)測效果，從而逐步擴大、精細病種，達到急診病人的評估同質(zhì)化，提高病情分診準確率，縮短病人評估平均時間，提高分診工作的有效性；同時為臨床管理和科研提供強大的數(shù)據(jù)資料支持，最終提高病人就診安全性。4.2 基于ANN 構(gòu)建的單病種預(yù)檢分診預(yù)測模型有待完善 ANN 作為一種新的分析和診斷工具逐漸應(yīng)用于臨床醫(yī)學(xué)各個領(lǐng)域[12]。ANN 對輸入模式響應(yīng)的正確率也將不斷提高。由于ANN 有處于中間位置的隱含層，并有相應(yīng)的規(guī)則可循，可訓(xùn)練這種網(wǎng)絡(luò)，使其具有對非線性模式的識別能力[4]。本研究通過客觀的生命體征指標進行邏輯式演算，并成功構(gòu)建模型，正確率達到99.4%，但仍需對其進行驗證，原因如下：①病人進行預(yù)檢分診時，主要通過其主訴、生命體征判斷分級，但疾病引起的病因、既往史仍會導(dǎo)致其分科錯誤，延誤病情。②在預(yù)檢分診時除主要主訴外，部分病人有次要主訴，例如伴隨癥狀、疼痛時間、就醫(yī)目的等，是否需要納入模型，有待考證。③基于醫(yī)院就診量差異，部分醫(yī)院就診量較大，造成預(yù)檢護士無法有效、完整地獲得病人的生命體征等客觀數(shù)據(jù)，在無法獲得有效數(shù)據(jù)時，是否可以通過其他判斷方法進行模型演練有待完善。④不同疾病判斷的依據(jù)側(cè)重點不同，模型構(gòu)建判斷的重要指標的權(quán)重有所不同，納入的變量及決策邏輯方法有待考證。因此，在之后變量納入時除基礎(chǔ)生命體征外，應(yīng)將其伴隨癥狀、次要主訴、既往史等進行考量，這在一定程度上可以改善外推效應(yīng)，更具有科學(xué)性。