姚小云,李玉肖,陳亞玲,傅保國,丁娟,鄭艷

(1.荊州市中心醫(yī)院 急診科,湖北 荊州 434020;2.荊州市中心醫(yī)院 護理部)

危重癥患者是指該病情危重且變化迅速,隨時可危及生命[1]。此類患者為了獲得明確診斷和更專業(yè)的治療,常需院內轉運。轉運過程中患者處于移動環(huán)境,會影響其原本復雜多變的病情,易導致不良事件的發(fā)生[2]。不良事件包括病情和技術不良事件[3],前者包括轉運過程中患者意識、血氧飽和度(blood oxygen saturation,SpO2)、血壓等涉及呼吸、循環(huán)、神經(jīng)系統(tǒng)方面的病情變化,后者指轉運過程中組織管理、轉運設備、管路等方面的不良事件[4]。急診科是搶救危重癥患者的首要場所,常需緊急轉運,且轉運環(huán)境相對混亂,易發(fā)生不良事件[5]。有研究[4,6]對急診科院內轉運不良事件的風險因素進行報道,但均未進行風險預測模型的構建,且對病情和轉運設備、藥物、急診檢查、醫(yī)生或護工參與轉運、再入院患者帶管情況等因素未予考慮。因此,本研究進一步挖掘相關風險因素,構建相關風險預測模型。

1 對象與方法

1.1 研究對象 采用回顧性研究,方便抽樣法選取2021年10月至2023年2月某院急診科進行院內轉運的870例危重癥患者的臨床資料。納入標準:年齡≥18歲;急診搶救室、急診監(jiān)護室進行院內轉運的危重癥患者;填寫了轉運交接單。排除標準:轉運交接單上信息缺失或有誤,經(jīng)核查仍無法獲取完整資料。依據(jù)Ken-dall的估算法,樣本量為變量個數(shù)的5～10倍[7],有文獻[8]顯示,其不良事件發(fā)生率為49%,考慮10%～20%的樣本流失,本研究變量數(shù)26個,需樣本量至少為663例。本研究已通過本院倫理委員會批準(2023-026-01)。

1.2 方法

1.2.1 變量命名及測量方法

1.2.1.1 變量命名 基于前期循證結果[9],課題組擬定26個預測因子設計急診科危重癥轉運交接單,包括患者年齡、性別、疾病類型、實際轉運時間、SpO2、英國國家早期預警評分(national early warning score, NEWS)、藥物鎮(zhèn)靜、人工氣道、機械通氣、鼻氧管及面罩、血管活性藥物等。結局變量為轉運患者發(fā)生的不良事件,包括:病情不良事件[死亡、意識改變、心律失常、心跳驟停、煩躁不安、SpO2下降5%以上或下降至90%及以下、血壓異常呈收縮壓變化≥20%或低于90 mmHg(1 mmHg=0.133 kPa)];技術不良事件(轉運途中需要急救藥物、跌倒或墜床、氣管導管移位或脫出、動靜脈管路脫出或堵塞、其他管路意外拔管、監(jiān)護儀導聯(lián)松脫、轉運中氧氣不足、儀器設備電量不足、儀器設備報警故障、其他藥品或物品準備不足、患者物品缺失或遺漏)。

1.2.1.2 測量方法及質量控制 護士通知轉運科室、準備轉運物品后填寫交接單,包括轉運前、中、后及不良事件等4個部分,填寫完成后雙方護士核對簽名。實際轉運時間是從離開急診科到達轉運地點的時長;護士使用電子血壓計或監(jiān)護儀器分別在轉出時、轉運途中、達到轉運地點進行血壓測量,若出現(xiàn)明顯異常,測量3次取均值;轉運中發(fā)生多次同類型不良事件為一次不良事件,多個不同類型不良事件為多個不良事件。急診科定期對護士進行交接單填寫和不良事件的判定標準培訓,轉運的護士為定科護士;科室質量組長每月查看交接單的填寫情況給予獎懲,召開質控會;課題組成員不定期查看交接單,最終由2名成員查閱并整理交接單數(shù)據(jù),涉及到缺失或異常數(shù)據(jù),經(jīng)核對交接單的前后填寫或查閱住院病歷后依然無法獲取的直接剔除。

1.2.2 統(tǒng)計學處理 采用SPSS 19.0軟件,多組計量資料組間比較采用單因素方差分析,計數(shù)資料采用χ2檢驗,等級資料采用秩和檢驗。將單因素分析P<0.05的變量進行分類logistic回歸分析建立模型,采用Hosmer-Lemeshow 擬合優(yōu)度檢驗,采用受試者工作特征(receiver operating characteristic, ROC)曲線下面積(area under curve,AUC)評價模型預測效果,檢驗水準為α=0.05。

2 結果

2.1 急診科危重癥患者院內轉運不良事件發(fā)生情況 本組有80例(9.20%)患者發(fā)生不良事件,見表1。

表1 急診科危重癥患者院內轉運不良事件發(fā)生情況(N=870)

2.2 不良事件發(fā)生風險因素分析

2.2.1 單因素分析 結果顯示,兩組間年齡、NEWS評分、SpO2、藥物鎮(zhèn)靜、人工氣道、機械通氣、鼻/面罩給氧、血管活性藥物、急診B超、Ⅰ類管路等比較,差異均有統(tǒng)計學意義(均P<0.05),詳見表2、表3。

表2 兩組研究對象計量資料比較

表3 兩組研究對象計數(shù)資料比較[n(%)]

2.2.2 多因素分析 以是否發(fā)生不良事件為因變量(非不良事件=0,病情不良事件=1,技術不良事件=2),表2、表3中有統(tǒng)計學差異的影響因素為自變量進行Logistic回歸分析。結果顯示,NEWS評分、SpO2、急診B超(無=0,有=1)、血管活性藥物(無=0,有=1)、機械通氣(無=0,有=1)是發(fā)生病情不良事件的獨立風險因素;SpO2、攜氧裝置(無=0,有=1)、Ⅲ類管路(無=0,有=1)、護工參與轉運(無=0,有=1)是技術不良事件的獨立風險因素,見表4。

表4 急診科危重癥患者院內轉運不良事件的多因素分析

2.3 不良事件的風險預測模型的構建與分析

2.3.1 預測模型構建 根據(jù)Logistic回歸分析,病情不良事件的風險預測模型為Z1=17.932+ 0.242×NEWS評分-0.204×SpO2+0.623×機械通氣+1.540×急診B超+1.150×血管活性藥物,技術不良事件風險預測模型為Z2=-15.191-0.208×SpO2+1.354×攜氧裝置+3.952×Ⅲ類管路+0.868×護工參與轉運。驗證風險預測模型的AUC1=0.813(95%CI:0.793～0.893),AUC2=0.756(95%CI:0.695～0.793),說明2個模型預測能力較好。Hosmer-Lemeshow結果顯示,χ12=12.651,P1=0.073,χ22=13.354,P2=0.067,說明2個模型較好地擬合了數(shù)據(jù)。模型1的靈敏度為0.803,特異度為0.724,模型2的靈敏度為0.779,特異度為0.701。以約登指數(shù)最大值0.527、0.480確定最佳截斷值為2.325、-27.893。

2.3.2 預測模型的臨床應用效果分析 選取2023年3-6月符合納排標準的153例患者的臨床資料進行預測模型應用分析,年齡28～91歲,平均(59.78±17.32)歲。實際病情不良事件發(fā)生數(shù)為4例,技術相關不良事件為2例。模型1預測發(fā)生病情不良事件為3例,誤判1例;模型2預測發(fā)生技術不良事件為1例,誤判1例;實際未發(fā)生不良事件數(shù)為147,模型1預測為123例,誤判24例,模型2預測為121例,誤判26例。外部驗證模型1的AUC=0.785(95%CI:0.685～0.856),靈敏度為0.789,特異度為0.662;模型2的AUC=0.715(95%CI:0.665～0.825),靈敏度為0.753,特異度為0.602。模型1、2的總正確率分別為(3+123)/153=81.70%、(1+121)/153=80.39%。

3 討論

3.1 急診科危重癥患者院內轉運不良事件的發(fā)生現(xiàn)狀 本研究有80例(9.20%)患者發(fā)生不良事件,以SpO2下降發(fā)生最多的病情不良事件為主,低于馬莉等[4]研究結果,可能因為轉運交接單的規(guī)范應用,減少了技術不良事件的發(fā)生[9]。Kwack等[10]研究快速應急小組成員陪同轉運的危重患者病情不良事件的發(fā)生率不降反增,證實了轉運中的病情不良事件主要與病情嚴重程度導致的病情變化有關,因此提出轉運前對病情的風險預測極為重要。指南[11]明確提出,轉運前應充分評估轉運的風險及獲益。因此,急診科除了需要提高護士的風險評估和應激能力,亟需應用風險預測模型等工具進行轉運前的風險預測。

3.2 影響不良事件的風險因素分析

3.2.1 病情不良事件的風險因素 本研究顯示,NEWS評分、SpO2、機械通氣、急診B超和血管活性藥物是病情不良事件的獨立風險因素,NEWS評分越高、SpO2值越低、行機械通氣及急診B超患者更易發(fā)生病情不良事件,這與以往研究表明危重癥患者轉運不良事件與NEWS 評分[12]、SpO2[4]、機械通氣[13]等有關結果一致。NEWS反映心率、收縮壓、呼吸頻率、體溫和意識狀態(tài),數(shù)值越高表示病情越重。SpO2值越低的患者病情越重;需行機械通氣維持呼吸的患者,病情較重;行急診B超檢查的患者可能因其病情疑難復雜有關。Papson等[14]研究指出,患者病情的嚴重程度是導致嚴重不良事件和危及患者生命的主要原因。由于患者病情嚴重程度無法控制,應從轉運人員、設備等這方面控制轉運風險。本研究顯示,使用血管活性藥物的患者更易發(fā)生病情不良事件,與馬莉等[4]結果相似。血管活性藥物為多巴胺、腎上腺素等,可能由未被察覺的人為或管路因素等使輸注的速度或劑量未達標或自身病情變化致生命體征出現(xiàn)波動,故轉運中須嚴密觀察病情及輸注情況,避免危及患者生命。

3.2.2 技術不良事件的風險因素 本研究顯示,SpO2、攜氧裝置、Ⅲ類管路和護工參與轉運是技術不良事件的獨立風險因素。結果與研究[15]相似,SpO2低、攜帶氧氣裝置的患者更易發(fā)生技術不良事件?？赡芤驗镾pO2低患者轉運需要氧氣裝置,而氧氣裝置可能會出現(xiàn)氣體耗盡、吸氧管道脫落或與供氧裝置連接處斷開、開關未打開等導致供氧不足。本研究顯示,攜有Ⅲ類管路的患者易發(fā)生不良事件。Ⅲ類管路主要為輸液管、鼻氧管等。有研究[4]提到輸液管路連接完好、長度足夠的患者在院內轉運過程中更安全。本研究顯示,護工參與轉運為技術不良事件的風險因素?？赡芤驗樽o工相比家屬更熟悉轉運的流程,但護士較信任和依賴護工的體力輸出,護工搬運患者動作較迅猛,移動平車速度過快,易發(fā)生管路拽出、患者墜床和儀器著地等問題。有研究[16]顯示,轉運人員經(jīng)驗不足,難以正確處置患者,致轉運過程中發(fā)生不良事件。護工的存在是科室發(fā)展的需要,應加強對護工的轉運專項培訓。

3.3 急診科危重癥患者院內轉運發(fā)生不良事件的風險預測模型的效果評價與應用前景 本研究病情不良事件和技術不良事件模型的AUC和Hosmer-Lemeshow結果顯示,模型預測性、靈敏度以及特異度均較好,預測正確率分別為81.70%、80.39%,說明模型能較好地預測不良事件的發(fā)生,具有一定的臨床適用性。本模型對危險因素進行賦值,評估內容及方法簡單,利于早期篩查;且相比列線圖等其他模型更易將方程植入電子端,電子端依據(jù)臨床資料反饋的數(shù)值更直觀。未來應發(fā)展帶有風險預測模型的電子轉運單或電子產品,優(yōu)化轉運單填寫,以及時獲得風險預測結果,提高工作效率,減少不良事件的發(fā)生。