PediTools电子生长图表计算器:在临床护理、研究和质量改进中的应用

介绍

背景

在儿科人群中，由于营养不足而导致的发育不良可能会对身心健康结果产生终生的负面影响[1，2]。这对于存在早产、急性和慢性疾病以及社会风险因素等已知风险因素的婴幼儿尤为重要[3.-7]。

通常用于儿科人群评估营养状况的人体测量测量包括体重、长度、身高、头围和中臂围。使用适当的生长图表参考，单独的一次测量可以显示单个时间点的年龄生长状态，并可能为更密切的监测提供指示。通过多次测量，可以评估一段时间内的生长速度，偏离正常生长模式可能提示营养不佳或慢性疾病，包括代谢紊乱或先天性综合征，尽管不佳监测本身可能影响疗效[8]。

在更广泛地使用电子健康记录之前，通常使用纸质生长图表，但它们有局限性，包括不经常更新，多个护理提供者的可访问性受限，以及无法准确地确定打印图表上显示的有限离散百分位数之间的数字百分位数。

用于描述生长图的lambda-mu-sigma (LMS)方法的发展允许基于参数表对生长图进行定量描述[9]。在这些表格中，有关人体测量值的参数将给定年龄的测量值与精确计算的z分数(来自平均值的sd数)和百分位数联系起来。同样，也可以计算出特定z分数和年龄下的预期人体测量值。对于越来越多的生长图，LMS方法和参数的可用性为改善个体患者的临床护理和允许大规模数据集分析提供了机会，如果使用纸质生长图，这将是困难或不可能的。

出生后生长衰竭在早产儿中很常见，并且已知与长期神经发育障碍有关[10-18]。将人体测量z分数的计算从个体患者扩展到大量患者，可能会深入了解早产儿在出生住院期间的增长情况。同样，我们假设评估以提高生长为目标的质量改进计划的有效性可能受益于基于人体测量学z分数的明确定量度量。

目标

在本文中，我们描述了可公开访问的PediTools网站的部署，该网站实现了一套支持基于lms的增长图表的计算器。我们假设一个简单的指标来评估生长结果——从出生到出院体重Z得分的变化(∆Z体重)——可能有助于了解生长结果的变化。我们回顾性比较了7个马萨诸塞州新生儿重症监护室(NICUs)的结果，并进一步利用这一指标来评估其中一个新生儿重症监护室基于营养的质量改善项目的效果。此外，我们还宣布发布开源软件，这将允许其他人更容易地执行基于lms的大规模计算。

方法

描述生长参考的Lambda-Mu-Sigma方法

LMS方法允许对生长参考进行参数化定义，并生成光滑的百分位曲线，以考虑人体测量测量值分布的偏度[9]。参数lambda (L，通过Box-Cox变换的幂进行偏度归一化)、mu (M，均值)和sigma (S，变异系数)描述了给定年龄的测量值(如体重、长度或头围)的分布，跨多个年龄的LMS参数集参数化了整个生长图。这可以方便地计算精确的Z分数(从平均值计算的SDs)和生成任何分位数曲线。

获得λ - mu - sigma参数

生长图表的LMS参数可以从原始出版物、基于web的出版物电子补充和互联网档案中获得，也可以通过与出版物作者(中列出的参考文献和来源)的许可协议获得表1）.

Lambda-Mu-Sigma值的插值

对于通过LMS方法描述的每个增长图，L、M和S曲线在年龄上被平滑，这允许在可用的离散年龄之间对中间值插值适当的LMS值。在PediTools计算器中，进行简单的线性插值来获得中间年龄的LMS值。不同的图表提供了不同程度的年龄粒度。美国疾病控制与预防中心(CDC)婴儿图表以半个月为中心，以1个月为间隔提供年龄的LMS参数[22]，而Fenton 2003早产图提供了以周中为中心的完整妊娠周参数，例如，完整妊娠30周以30又3/7周为中心[19，20.]。相比之下，Fenton 2013年早产图获得的LMS值具有妊娠每一天定义的值;因此，不需要插值[21]。

通过Lambda-Mu-Sigma方法进行计算

根据LMS参数和给定的人体测量值计算Z分数，或根据特定年龄的给定Z分数和LMS参数计算人体测量值(图1) ［9，22]。在PediTools基于web的计算器中，Z分数对应的百分位数是通过对标准正态分布的累积密度函数的数值估计来计算的(Abramowitz等人参考文献中的公式26.2.17)[33]。对于peditools R包，在标准R函数pnorm()中提供了相同的功能。

‎ 查看此图

PediTools网站

PediTools网络计算器[34]是用PHP开发的，这是一种非常适合Web开发的通用脚本语言[35]。网站使用RapidWeaver 7.5.7版本(Realmac Software)生成[36]。网站托管目前由Bluehost Inc提供[37]，在共用的寄存环境下。访问统计数据通过谷歌Analytics跟踪。PediTools Web服务器被配置为要求使用安全套接字层对进出Web服务器的流量进行加密。没有作为医疗计算器输入的数据被保存或分析。

对于PediTools电子成长图，设计了一个Microsoft Excel电子表格模板，允许用户在本地输入受保护的健康信息，但它将计算生成成长图所需的不受保护的健康信息值。具体来说，出生日期，性别，出生时的胎龄，以及特定的日期和测量值都被输入，但只有性别和计算出的经后年龄和人体测量值被提交到PediTools电子生长图表网站，避免传输任何特定的日期。

对于PediTools电子生长图，所有提交的测量数据都按照上述方法进行基于lm的计算。此外，对于连续测量，显示了观察到的和预期的(保持先前的生长百分位)每周重量变化率(克)。

作为识别连续测量之间体重Z评分过度下降的视觉辅助，在出生后10天，如果Z评分每周下降超过0.06个SDs，则体重Z评分变化(∆Z)将被彩色编码为红色显示;黄色表示每周下降超过0.03 SD;否则是绿色的。这些阈值的选择有些随意，但在14周的入院过程中，每种颜色分别表示总体∆Z权重为- 0.84、- 0.42或小于- 0.42标准差。

生长结果的多地点比较

佛蒙特牛津网络(VON)是一个非营利性的新生儿医疗保健专业人员自愿合作，代表了全球1200多家医院[38]。未确定的数据来自马萨诸塞州7个参与VON登记的3级新生儿重症监护病房。资格标准包括出生年份从2006年到2011年;胎龄在23 0/7 ~ 34 6/7周之间;无严重先天性畸形;从存活到出院。根据出生体重、出院体重和住院时间的可用性，计算出生和出院时的体重z评分。如果出生或出院体重z分数小于- 4或大于4，则排除婴儿，因为超过这些极端值通常反映数据输入错误。计算结果指标为新生儿出生至出院期间的∆Z体重。对于NICU C，还获取了2012年至2017年出生的新生儿的数据，用于干预后质量改善结果分析。

VON注册表提供了操作手册，其中包含数据定义和eNICQ软件，允许收集、错误检查和提交婴儿数据。这些手册、数据收集表格和电子数据提交说明都可以在VON网站上找到。在每家医院，该医院的个别患者级别数据从eNICQ导出为CSV文件，每个患者有一行，每个数据字段有一列。(截至2019年，eNICQ数据导出现在是XML或JSON格式，但它们包含相同的信息。)本研究中每家医院抽取的数据列包括:出生年份(BYEAR)、起始胎龄(GAWEEKS, GADAYS)、出生体重(BWGT)、住院天数(LOS1)和出院体重(DWGT)。获得的其他信息包括入院来源(出生或外生，LOCATE)，入院日期(DAYADMISS)，出院处置(回家，转移到另一个机构，或死亡，FDISP)和先天性畸形(CMAL)。未获得性别，因为在研究最初构想时，唯一可用的LMS参数的早产生长图(Fenton 2003)并不是针对性别的[19]。获得但未在此报道的结果包括:出生(BHEADCIR)和出院(DHEADCIR)头围、早期(EBSEPS)或晚期(LBPATH)细菌感染、经后36周的需氧(OX36)、坏死性小肠结肠炎(NEC, NECSURG)和早产儿视网膜病变(ISTAGE, ROPSURG)。

使用免费统计计算软件R进行分析[39]，使用免费版的RStudio集成开发环境[40]。对于数据可视化，通过rggplot [41]基于广义加性模型和三次样条的打包[42]。当存在时，平滑曲线周围的带表示平均值周围的95% CI。

各医院间的比较采用双侧比较t检验、方差分析、Wilcoxon秩和和Kruskal-Wallis检验等。通过拟合∆Z与胎龄的线性模型进行多医院∆Z分析，其中每家医院的斜率和截距均为交互项。当进行多次两两比较时，采用Tukey诚实显著差异法进行多重检验校正。这项研究得到了每家提供数据的医院的机构审查委员会的批准。

单站点生长成果质量改进项目

从2011年底开始，在新生儿重症监护室基本同时实施了多种捆绑生长和营养质量改善干预措施。这些捆绑变化包括以下内容:(1)通过向临床医生进行教育介绍，提高对基线生长失败的认识，展示NICU C和NICU F之间的生长结果差异;(2)开发电子生长图表，如PediTools Web工具所述;(3)以与电子增长图表工具兼容的形式系统地收集每周增长指标;(4)在儿科营养师的每周多学科查房中，对所有NICU患者及其间期生长进行正式审查;(5)更早、更广泛地开始肠外营养，增加蛋白质含量，进展更快;(6)修订肠内喂养提前方案，包括早期启动肠道启动(营养饲料)。

对捆绑干预措施效果的评估与上述生长结果的分析类似:计算每个患者从入院到出院的∆Z体重，并对不同出生年份的结果进行分析。

大规模分析方法的传播

用于从LMS参数中计算人体测量测量Z分数的R代码被捆绑[43]到R peditools包中，这将托管在GitHub上[44]并在麻省理工学院(MIT)许可证下共享。可以使用devtools包[45]，使用install_github(" jhchou/peditools ")命令。

本工作中描述的所有生长图表都得到R pedditools包的支持，除了Fenton 2013年生长图表[21]，其中LMS参数只能通过授权从作者处获得。如果Fenton 2013参数在未来公开可用，它们将被添加到peditools R包中。与此同时，奥尔森2010年[25]或性别非特异性Fenton 2003 [19图表可以用来分析早产。

结果

PediTools网站

第一个PediTools网络计算器是在2011年开发的，作为一个内部工具，通过使用Fenton 2003年早产儿生长图表计算z分数和百分位数，来改进C医院护理的早产新生儿的人体测量测量文件[19]，其LMS参数已于2007年公布[20.]。该网页于2012年1月转移到公共托管。一个代表性的基于web的PediTools增长计算器的屏幕截图显示在图2．

虽然公众可以访问，但PediTools网站的目标受众和目的是儿科临床提供者的床边使用。PediTools不知道哪些增长图表是可用的，也不提供关于哪些图表适合哪些人群的建议。本网站的用户应行使自己的专业临床判断，以确定是否适合他们的目的。

随后，额外的生长图表计算器被添加到PediTools中，包括对Fenton 2013早产图表的支持[21]， CDC婴幼儿[22，23]、世界卫生组织(世卫组织)婴儿[24[qh]， Olsen 2010 preterm [25]、WHO臂围、肱三头肌和肩胛下皮褶[26]， CDC三头肌和肩胛下皮褶[27]， Olsen 2015早产儿的BMI [28，泽梅尔2015唐氏综合症[29，30.]， Abdel-Rahman 2017中上臂围[31]， Mramba 2017中上臂围[32]。

由于PediTools Web计算器旨在由临床医生在护理点使用，除了报告百分位数和z分数之外，还集成了其他功能，以促进易用性和临床相关性。例如，在早产计算器中集成了胎龄计算器，以允许输入感兴趣的经后胎龄或最后一次月经期、预产期、分娩日期或实际年龄的任何组合。对于肥胖的评估，CDC儿童生长计算器包括BMI的Z分和最新的极度肥胖分类，定义为BMI≥第95百分位的120%或≥35 kg/m²［46]。支持国际单位和英制单位。对于婴儿计算器，可以报告实际年龄和早产儿校正年龄的计算，这在评估是否及时达到发育里程碑时是有益的。为了帮助设定未来增长的目标，计算器会报告人体测量指标随着时间的推移应该增加的预期量，以保持当前的z得分(即，相当于沿着当前的百分位曲线增长)。

‎ 查看此图

儿童工具网站使用

PediTools网络计算器受到了临床社区的好评。自2012年1月公开推出以来，网站访问量已增加到每月50多万次。图3记录随时间增加的每月页面浏览量;表2显示了截至2019年6月的一年的网页浏览量。用户主要来自美国(433,438/520,450;83.28%的用户)，但至少有1000名用户来自其他21个国家，其中超过3000名用户来自加拿大(17,169/520,450;3.30%)，印度(5619/520,450;1.08%)，澳大利亚(5096/520,450;0.98%)，墨西哥(4066/ 520450;0.78%)，巴西(3546/520,450;0.68%)。访问主要来自桌面设备(307,326/518,796;59.23%)，其次是移动设备(201,970/518,796; 38.93%) and tablets (9500/518,796; 1.83%).

PediTools还包括一些与人体测量无关的辅助工具，包括胆红素工具，根据美国儿科学会2004年指南，它有助于新生儿高胆红素血症的管理[47，48]和一个独立版本的胎龄计算器，它也被纳入早产儿生长计算器。这里不再进一步讨论，但它们分别获得了第4和第6大的页面浏览量。

‎ 查看此图

电子生长图

PediTools网站上的增长图表Web计算器的局限性在于，一次只能分析一个测量值，而增长反映了测量值随时间的变化情况。对于芬顿2013年早产儿生长图，研究人员开发了一个额外的工具来监测随时间的生长情况。作为一个公众访问的网站，需要注意不要鼓励在互联网上发送受保护的健康信息。开发了一个微软Excel电子表格，可以输入具体的日期和措施，但只有未识别的数据会被复制和粘贴，以便通过网页表单安全提交。输出图形是基于原始发布的图表[21]但所有的点都被绘制出来，并辅以百分位数表、z分数、预期与观察到的增长，以及通过颜色编码提供的临床决策支持，z分数在测量之间的显著变化(图4）.该工具还被用作纵向增长结果监测的质量改进项目的一部分(见下文)。

‎ 查看此图

生长结果的多地点比较

不同医院总体生长结果的差异

我们的第一个目的是证明使用∆Z评估早产儿生长结果的可行性，并比较医院之间的结果。研究人员分析了2006年至2011年在马萨诸塞州7个3级新生儿监护室中出生的胎龄在23 0/7周至34 6/7周之间的所有婴儿的生长结果分析(表3）.计算每个患者出生和出院时的体重z分数以及出生到出院时z分数的变化。

如表3，各部位从出生到出院的平均值∆Z有显著差异(P<.001)，所有站点的总平均值∆Z为−0.81,7个站点的范围为−0.56和−1.05。

生长衰竭与出生胎龄的关系

早产儿的生长结果可能取决于多种因素，包括出生时胎龄、营养习惯和出院时间。我们的假设之一是，从出生到出院的∆Z体重可能与出生时的胎龄有关。结合2006年至2011年期间所有7家医院的数据，绘制出生时Z体重与胎龄的关系图，随着早产的增加，Z评分的增长速度较慢(即Z评分的负变化更大)(图5）.将2006年至2008年和2009年至2011年出生年份的数据进行分组，结果显示，在两个时间周期内，∆Z体重更负与胎龄更低之间的关系似乎没有变化，尽管直线向上移动表明后期的体重∆Z评分损失较小。

目测下，∆Z体重与出生时妊娠量呈大致线性关系。拟合线性回归允许估计生长失败和出生时妊娠之间的关系。29 0/7周时，从出生到出院的预期平均∆Z体重为- 0.88 (P<措施，95% CI −0.865 to −0.893), with each additional week of decrease in gestational age contributing an additional −0.029 (P<措施，95% CI −0.025 to −0.033).

‎ 查看此图

生长结果与出生胎龄的医院间差异

生长失败和出生时胎龄之间的这种反向关系可能是早产固有的，因此在医院中是普遍的。为了验证这一假设，我们接下来分析了不同医院是否可能有不同的生长结果特征。我们发现不同医院的新生儿体重(Z)与妊娠期的关系不同(图6)，在不同医院之间，生长衰竭的程度以及与出生时胎龄的相互作用都存在显著差异。一些医院在出生时胎龄较低的情况下表现出较差的增长(例如，E医院)，而其他医院在总体上表现出较好的增长，并且在出生时胎龄较低的情况下没有表现出较差的增长(例如，F医院)。个别医院的增长模式在不同的出生年份时期保持稳定(数据未显示)，这表明作为质量改进指标使用的可靠性。

‎ 查看此图

当选择F医院作为基线医院并与其他医院进行两两比较时，差异可以明显看到(例如，图6）.拟合∆Z与胎龄的线性模型，其中每家医院的斜率和截距均为交互项，结果显示，a - e和G医院与F医院作为基线相比，差异有统计学意义。F医院未显示出出生胎龄与∆Z体重之间的关系(斜率=−0.001，P=。85, 95% CI −0.010 to 0.009), and at 29 0/7 weeks, the mean ∆Z was −0.553 (P<措施，95% CI −0.586 to −0.520). In comparison with hospital F, each of the other hospitals had both a more negative ∆Z at 29 0/7 weeks (allP<.003)，早产增加与负∆Z增加之间的关系更大(所有P<措施)。

综上所述，我们发现，虽然所研究的7家医院从出生到出院期间均为负体重∆Z，但各家医院在负∆Z的程度(即在胎龄29 0/7周时截取)以及低生长与低胎龄相关的程度(即斜率)上存在差异。

单站点生长成果质量改进项目

由于不良的生长轨迹可能会加剧长期的神经发育障碍，特别是对于那些早产最多的患者，NICU C开展了一项多焦点质量改善项目，以减少从出生到出院的体重z评分损失。2011年推出的针对可能导致增长不良的因素的捆绑干预措施包括:

• 利用基线数据提高对不良生长的认识，例如，与NICU F进行比较
• 实施每周增长指标收集系统
• 正式的每周多学科(包括儿科营养师)电子生长图表审查
• 更早更广泛地开始肠外营养
• 增加了预制肠外营养的蛋白质含量
• 肠外营养加速发展
• 尽早开始肠内营养
• 修订肠内喂养提前方案
• 提供巴氏消毒捐献母乳

这些干预措施与体重减轻的显著减少有关，特别是在最低胎龄，这是持续和渐进的(图7）.与2006 - 2008年干预前相比，2012 - 2014年干预后出生体重z评分下降明显。

‎ 查看此图

以2006 - 2008年为参考，拟合∆Z体重与出生时胎龄的线性模型，其中包括2009 - 2011年、2012 - 2014年和2015 - 2017年其余3个时期的斜率和截距(以29周为中心)的相互作用项，结果显示，29周时∆Z体重(截距的差异，P=。03年,<。0.001和<.001)以及与出生时胎龄的关系(斜率的差异，P=。015年,<。001和<。001年,分别)。

事实上，由于担心2012 - 2014年最低胎龄体重z评分下降的程度可能过度，可能有助于代谢综合征的未来发展[12，采取了一种不那么激进的方法。随后的增长目标是所有妊娠期从出生到出院的∆Z，大致为- 0.6，导致2015年至2017年的曲线更加平坦(图7）.

大规模分析方法的传播

PediTools网站满足了临床医生希望一次为单个患者分析数据的需求。相比之下，对7个新生儿重症监护室数千名患者的生长结果进行多点比较，进一步深入了解了早产儿的生长模式，并促使1个新生儿重症监护室成功开展了质量改进项目。在这里，我们描述了开源计算机代码的发布，以允许其他人方便地进行类似的分析，这应该对临床研究和质量改进监测都是有用的。

peditools R包将在GitHub上提供，并提供使用基于LMS的人体测量图的功能，包括所有可能的LMS参数[44]。所有的生长图表都可以在PediTools网站上找到(列在表1)，包括2013年芬顿早产增长图表以外的数据。目前，Fenton 2013图表LMS参数只能通过许可获得，并且限制共享。随着额外的图表被添加到PediTools网站，PediTools R包也将更新以包括新的图表。peditools R包将在相对宽松的MIT许可证下发布，该许可证允许商业使用、修改、重新分发和再授权。

主要的包工具是peditools::x_to_z()函数，它将一个人体测量向量、一个年龄向量、一个性别向量和一个唯一指定的图表和测量值作为输入，并输出一个z分数向量。此外，还包括辅助函数peditools::recode_von()和peditools::recode_von_xml()，以便轻松地将VON数据集(导出为CSV或XML文件)导入到R环境中进行分析。

讨论

在这项工作中，我们讨论了开发软件工具来执行基于lms的增长图表的计算的好处，并给出了它们在患者护理交付、临床研究和质量改进项目中的应用示例。

主要发现及局限性

PediTools网站

可供公众查阅的PediTools网站[34]可以计算出13个不同增长图表的精确z分数和百分位数。尽管这些图表和许多LMS参数的纸质形式已经出版，但对公开可用的计算器的需求似乎还没有得到满足，PediTools的页面浏览量每月增加到50多万。大多数访问者(433,438/520,450;83.28%)来自美国，但有21个国家在去年至少有3000名不同的用户。很可能大多数访问者都是卫生保健提供者，因为对过去一年中拥有最多PediTools访问会话的100个服务提供商网络的检查显示，其中52个网络名称包含健康、卫生保健、医院或医疗等单词之一。此外，大多数发给PediTools支持部门的电子邮件都来自营养师，还有一些来自医生。

除了记录网站访问统计数据外，很难衡量PediTools网站的临床和研究影响程度，因为在本文发表之前，没有可引用的参考文献或数字对象标识符可用于引用跟踪。然而，在一次非详尽的互联网搜索中，PediTools网站本身被许多出版物、评论和临床指南所引用，这些主题涉及:识别新生儿和儿童营养不良、早产儿的神经发育结局、减肥手术指南、慢性疾病中的营养传递以及晚期早产儿新生儿的产后生长监测[2，49-56]。网站访问统计和引用的结合表明，这套PediTools计算器为执业临床医生提供了有用的服务。

PediTools主要由美国用户访问。目前尚不清楚其他国家的临床医生是否使用其他工具，可能是针对其特定人群[57，58]。或者，可能缺乏对工具可用性的认识。到目前为止，《PediTools》的传播完全是通过口口相传，它的发展到目前为止既没有在会议上正式提出，也没有在以前发表过。

限制是由PediTools执行的计算全部在服务器端完成;因此，在互联网可用性有限的地区，这些工具是无法访问的。开发一些不需要互联网连接的移动设备应用程序的工作正在进行中，一些针对iOS的初步工作已经发布。59，60]。

PediTools网站的另一个限制是，目前只提供基于lm的参数化图表。在某些情况下，LMS参数化已经完成，但参数没有公布[61]。参数化的替代方法也已被采用[62]，例如用于生成图的分位数回归[63]或拟合歪斜t形分布[64]。PediTools计算器是用PHP实现的，作为一种通用脚本语言，它工作得很好，但通常不支持更复杂的统计计算。例如，倾斜t分布没有一个封闭形式的解决方案，但在其他语言的专门软件(例如，R中的GAMLSS包)[65]将允许计算精确的z分数，给定模型的4个参数(mu, sigma, nu和tau)。PediTools R包的未来扩展可能包含使用不同参数化的图表计算。

早产儿生长结局的多位点比较

PediTools网站一次分析单个患者，这可能适合于单个患者的管理。在将基于lms的计算应用于马萨诸塞州7家医院的大量婴儿队列后，我们能够表征∆Z权重。在整个人群中，研究结果包括体重z分数显着下降，并且在较低胎龄时z分数下降幅度较大。当对这7家医院分别进行分析和比较时，我们发现z评分的下降以及与胎龄的关联程度在医院间存在显著差异。研究结果在不同的出生年份(图5数据未显示)。这种对生长结果的观察可能令人担忧，因为在这一脆弱人群中，生长失败与神经发育不良有关，我们在这里表明，神经发育不良风险最高的婴儿——那些出生最早产的婴儿——也有最大的生长不良风险。

出于多种原因，医院间的差异应被视为该方法的概念证明和可行性论证，而不是对7家医院进行严格的比较分析。两家医院的患者人数差异显著(表3）.虽然所有7家医院都参与了作为数据来源的VON登记，但各医院的参与情况有所不同，有极低出生体重数据库(401-1500克出生体重或22-29周完成妊娠)，有扩大数据库(出生后28天内入住新生儿重症监护室的所有婴儿)，甚至在本研究期间参与情况有所变化。此外，与出院回家相比，转到另一家医院的出院处置从6.4%到70%不等。没有努力记录每个机构在营养实践方面的差异。话虽如此，对数据集的重新分析仅限于要求出生体重<1500克或要求家庭出院处理，并没有实质性地改变本文报道的任何发现(数据未显示)，这表明观察到的差异对于这些不同的患者群体是强有力的。

单站点生长成果质量改进项目

评估医院层面的结果可能有助于确定具体的实践差异，有效地改善增长，以及提供一个衡量标准，以评估和跟踪绩效。在本报告中，一家医院实施了一系列干预措施，并根据出生时胎龄，利用基于lms的从出生到出院的∆Z体重评估来监测干预前后的影响。这种方法不仅有助于显示总体生长改善的统计学显著变化，减少低胎龄对生长不良的影响，而且有助于识别可能的过度生长(例如，在2012-2014时期的大多数早产儿中)。

作为一个质量改进项目，不太强调试图描述实践中哪些具体的变化对结果有最大的影响，而更强调严格监测实施多个可能更好的实践的效果。我们认为，最大的影响可能来自对NICU中每个患者持续生长的持续的、每周的、多学科的回顾，以及对新生儿生长的持续监测作为整个单位的指标。使用基于lms的精确z分数计算对于该干预至关重要。

早产儿生长目标的一个挑战是缺乏确切证明理想生长应该是多少的证据，但共识指南正在形成[6，49]。已确定的营养不良指标包括:随着时间的变化∆Z(目标∆Z体重不大于- 0.8，大致与C医院2014年后的目标∆Z体重= - 0.6相匹配)、体重增加速度、实际营养摄入量、恢复出生体重的天数、长度生长速度和年龄变化的长度∆Z。PediTools基于lms的计算器的一个主要目的是使临床医生易于分析、跟踪和理解这些数据。

与以往工作的比较

之前的工作分析了大量早产儿的生长情况。Horbar等[66这项研究的数据来自佛蒙特牛津大学的完整登记系统，涉及2000年至2013年间出生的362,833名新生儿，这些新生儿的出生体重从501克到1500克不等。在这个庞大的总体人口中，他们报告了在2000年至2013年期间，生长速度的改善和生长失败和严重生长失败(定义为流量低于第10和第3百分位)的流量的减少。同样，Griffin等[67]对2005年至2012年间出生在加州的25,899名婴儿进行了研究，这些婴儿的出生体重在500至1500克之间，胎龄在22至32周之间。他们证明，在这段时间内，从出生到出院之间，体重Z评分的下降有所减少，以及出院的婴儿体重低于第10百分位或∆Z体重小于−1的比例有所减少。随着时间的推移，我们看到较少的负∆Z体重也有类似的改善，比较出生年份2006 - 2008年和2009 - 2011年(图5）.

尽管Horbar等人[66]和Griffin等[67[按出生体重报告结果(以250克为增量分类，因此包括较大的妊娠期早产儿和较小的妊娠期早产儿)，以前的研究没有报道这里描述的生长结局(∆Z体重和出生时胎龄)之间的关联(两个连续变量)。

这两项研究都报告了2000年至2013年期间早产儿生长结果总体人群水平改善的重要发现，这可能反映了整个新生儿科领域的临床实践变化，这可能会导致长期结果的改善。然而，这些信息对临床医生试图评估当地医院水平的结果帮助不大。此外，以前的研究并没有共享对新种群进行分析所需的工具。事实上，如果没有工具来轻松评估生长，临床医生甚至不容易认识到他们的患者群体中可能存在生长结果的问题。

本研究的一个主要目标是提供工具，允许其他人进行自己的大规模增长结果分析，促进未来的研究更好地描述将导致最佳长期结果的理想增长。全世界有1200多家医院参加了VON登记，越来越多的临床地点使用电子健康记录，从中可以提取人体测量数据。随着增长数据可用性的提高，临床医生可以使用免费和开源的工具，包括R统计编程语言、RStudio集成开发环境、ggplot2 R可视化包[39-41]，以及此处所述的pedidools套件[44]。

结论

执行基于lms的生长图计算的工具已在一个公共网站上提供，并被世界各地的临床护理人员高度利用。将这些方法应用于大量早产儿人群，结果显示从出生到出院，Z-score体重普遍下降;损失的程度与早产儿的增加有关，早产儿是神经发育不良风险最高的人群;不同医院之间在生长结果上有显著的差异。在一个站点，这些工具为临床质量改善项目提供了一个方便和可靠的结果测量。有了这份报告，实现基于lms计算的开源代码的发布将允许其他临床医生和研究人员方便地进行类似的分析，并有望改善这些高危儿科患者的长期结果。