本文内容如下e-collection /主题问题:

原文(十八) 临床信息和决策(787) 卫生专业人员的决策支持(650)

发表在在第3卷第1期(2022):1 - 12月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/38845，首次出版．
利用分诊时收集的生物标志物早期预测成年患者入院，减少急诊科拥挤:回顾性队列研究

利用分诊时收集的生物标志物早期预测成年患者入院，减少急诊科拥挤:回顾性队列研究

利用分诊时收集的生物标志物早期预测成年患者入院，减少急诊科拥挤:回顾性队列研究

本文作者:

安·科内维尔·莫纳汉1 作者:Orcid； 苏·S·费尔德曼2 作者:Orcid； 托尼·菲茨杰拉德3、4 作者:Orcid
文章 作者 引用的 Tweetations (2) 指标

    原始论文

    1阿拉巴马大学伯明翰分校，美国阿拉巴马州伯明翰市

    2美国阿拉巴马州伯明翰市阿拉巴马大学卫生服务管理系

    3.爱尔兰科克科克大学数学科学学院

    4爱尔兰科克科克大学公共卫生学院

    通讯作者:

    Ann Corneille Monahan, MSHI，博士

    阿拉巴马大学伯明翰分校

    大学大道1720号

    伯明翰，阿拉巴马，35294

    美国

    电话:1 2056174780

    电子邮件:monahanannc@gmail.com


    背景:急诊科的拥挤继续威胁着病人的安全，并导致病人预后不佳。先前用于预测住院率的模型存在偏差。成功估计病人住院概率的预测模型将有助于减少或防止急诊科的“登机”和医院的“出口阻塞”，并通过启动更早的住院治疗和避免冗长的床位采购过程来减少急诊科的拥挤。

    摘要目的:开发一个模型，利用现有的临床描述符(即患者生物标志物)，在病人就诊的早期，预测即将从急诊科入院的成年病人，这些描述符在分诊时常规收集，并在医院的电子医疗记录中记录。生物标志物有利于建模，因为它们在分诊时早期和常规收集;瞬时可用性;标准化的定义、测量和解释;他们不受患者病史限制的自由(即，他们不受患者对病史报告不准确、报告不可用或报告检索延迟的影响)。

    方法:这项回顾性队列研究评估了急诊科成年患者1年的连续数据事件，并开发了一种预测哪些患者需要立即住院的算法。评估了8个预测变量在患者急诊科就诊结果中的作用。采用Logistic回归对研究数据进行建模。

    结果:8个预测因子模型包括以下生物标志物:年龄、收缩压、舒张压、心率、呼吸速率、体温、性别和敏锐度。该模型使用这些生物标志物来识别需要住院治疗的急诊科患者。我们的模型表现良好，在观察到的和预测的入院人数之间有很好的一致性，表明一个很好的拟合和校准的模型，显示出很好的区分病人的能力，谁会和不会入院。

    结论:该预测模型基于原始数据识别急诊科患者入院风险增加。这种可操作的信息可用于改善患者护理和医院操作，特别是通过预测哪些患者可能在分诊后入院，从而减少急诊科拥挤，从而提供所需的信息，以便在护理连续体的更早阶段启动复杂的入院和床位分配过程。

    生物工程学报;2009;31 (1):888 - 888

    doi: 10.2196/38845

    关键字

    急救护理； 送往医院之前的； 紧急； 信息系统； 拥挤； 登机； 退出块； 医学信息学； 应用程序； 卫生服务研究； 个性化医疗； 预防医学； 模型； 概率； 多项式模型； 决策支持技术； 决策支持； 循证卫生保健； 管理信息系统； 算法； 机器学习； 模型； 预测； 风险


    概述

    急诊拥挤问题在医疗保健领域是一个复杂的、多方面的问题，威胁着患者的安全和护理质量，20多年来一直没有得到解决。尽管ED效率干预措施[1，2]和政府政策[3.旨在减少拥挤，但它继续威胁患者安全，并导致患者预后不良[4-6]。当急诊科的需求超出了工作人员在合理时间内提供优质护理的能力时，就会出现急诊科拥挤的情况[7，8]。造成拥挤的主要原因是急诊科“登车”[9-12](例如，即将入院的病人占用急诊科的病床，但由于没有分配住院床位，病人仍留在急诊科)及医院的“出口阻塞”[6(例如，当病人被延迟或阻止在合理的时间范围内从急诊科转到医院时)。

    尽管最近的一些文献将急诊科登机归因于医院病床容量不足[13-17]，这种情况的描述掩盖了寄宿的复杂根源，并表明医院根本没有可用的住院床位，因为它们都被病人占用了。事实上，这种情况很少发生，因为在大多数美国医院，农村医院的平均入住率为40%，城市医院的平均入住率为65% [18-20.];几十年来，这些比率一直在缓慢下降。18-21]。相反，大多数医院的床位不足是指可供急诊科住院的床位不足。这种“短缺”的原因包括现有的床位预留，这可能是为可能需要住院的选择性手术患者提供的[9，10]，用于从其他医院转移患者，以及为专科(例如骨科)分配床位的地理床位计划，以使相关患者和提供者紧密联系在一起[14]。预留床位有积极的后勤和护理质量方面的原因，但也有经济方面的原因，这可能有利于医院，但也有助于急诊室的入住。例如，为可能不会使用的可高度偿还的选择性手术保留床位[9，而不是开放床位以满足急诊科入院的迫切需求，而是增加了寄宿。

    为急诊科患者确保医院床位是一项耗时的、跨部门的谈判，在急诊科患者可以转移到住院病床之前需要多次批准。较大的医院有床位管理人员，致力于有效利用每张病床和每个病床所需的病人支持服务。就像空中交通管制员一样，床上管理人员是一系列相互依存的复杂过程和活动的指挥者。床位管理包括评估整个医院的床位可用性，评估单位资源是否到位，以使特定床位能够由特定患者填补，确定填补特定床位所需的额外单位资源，确定是否有足够的资源来照顾普通医学单位的专科患者(如心脏病患者)，确定所需的资源和可用的工作人员(例如，谁在医院，谁随叫随到)，确定哪些床位留给紧急术后手术病例，哪些床位留给选择性手术，并拥有跨多个部门和众多参与者的知识。这一复杂而重要的过程在医院中可能会不必要地复杂化，因为医院的规模和责任都在增长，并且与有效的组织管理不一致。对从急诊科接收住院病人的临床工作流程的检查揭示了文化和组织因素分层的流程，这些因素加剧了本已低效的流程。从床位申请到住院命令可能需要50到75个步骤，工作人员报告说，他们认为这个过程过于复杂、冗余，在某些方面甚至不安全。22]。床位管理人员越早获得可能住院的患者的信息，他们就能越早开始床位分配过程，患者也就能越早从急诊室移到医院的病床上。这种通常不正常和拖延的医院转院和床位分配过程阻碍了患者从急诊科转到住院医院护理(即出口阻塞)，导致患者在急诊科等待住院病床分配(即登机)的时间很长。

    寄宿对医院运营产生负面影响，由于住院患者持续消耗护士和医生资源，造成资源紧张。因为寄宿生占用了急诊科的床位，而急诊科的护理水平很可能是不需要的。23]。这种压力导致整个急诊科的连锁反应，限制了所有患者获得及时的紧急护理[24]并进一步影响紧急医疗服务系统，增加救护车分流和病人卸载时间(护理人员等待急诊科床位可用，然后再返回服务的时间)[25]。减少或移除导致登机的出口阻塞将大大缩短患者登机的时间。因此，消除急诊科拥挤的两个主要原因(即出口阻塞和登机)将大大减少拥挤并增加获得护理的机会。

    缓解急诊科拥挤需要多方面的措施。也就是说，没有单一的解决方案，而是在不同的护理点应用多种解决方案，有望缓解急诊科拥挤。本文将报道生物标志物的使用，在连续护理的早期测量，作为预测入院的机制，从而使医院能够早期启动复杂而耗时的床位管理过程，并减少急诊科拥挤。

    背景和原理

    先前干预地址登机和拥挤

    医院已经实施了各种医院级和ed级的干预措施，以减少登机和拥挤。在医院一级的干预措施方面，据报告，一些医院通过改善住院床位的供应，例如通过更好地管理不能持续提供的医院服务(例如导尿)，缩短病人的住院时间，从而减少了住院人数[26，27])，将等待转运或非急症护理服务的出院病人转移至“出院休息室”[28，29]，更适时地管理及加快处理出院事宜[30.-32]，以及更有效地管理床上清洁工作[33-35]。因为ED拥挤没有单一的原因，它也没有单一的解决方案。因此，这些措施可能只能解决部分问题;他们没有解决登机的根本原因-出口障碍。相反，这些效率措施有助于流程改进和运营效率，因为它们成功而明智地增加了医院床位的可用性，并简化了供应商和管理人员的流程，从而节省了他们的时间并改善了流程。因此，它们有可能减少登机和随之而来的拥挤。医院可以从床位需求的早期情报中受益，并确保为急诊科患者提供合适类型的床位。

    ED级别的干预措施主要侧重于通过改善ED流量和吞吐量来减少拥挤，例如通过使用快速跟踪[36-38]、分流处理[39-41]、快速评估区[42-44]、团队分流[45]，分诊护士命令[46]，分诊常设命令[47]、床边登记[48]，医生抄写员[49-51]、ED流量协调器[52]、即时检测[53-56]，以及ED的物理膨胀[57]。虽然其中一些措施可能对急诊科的效率和流量做出积极贡献，但它们与医院层面的干预措施没有什么不同，后者有助于解决部分问题，但不能解决出口阻塞问题。58]。相反，这些措施主要是提高急诊科护理连续体的效率，并使患者更快地解决急诊科过程中的上游瓶颈。即使一个专门的ED流程协调者成功地增加了整个ED的流量，如果不在ED之外实施改进，也会失去很多好处[52]。

    解决出口障碍的跨部门干预措施

    包括与医院管理部门合作在内的干预措施在减少出口堵塞方面取得了积极进展。这些干预措施导致从住院床位请求到收到住院住院令的时间减少68%(210分钟至75分钟;这并不表示已分配床位，而只表示已建立订单)，以及由住院病人申请床位至病人离开急诊科的时间缩短25%(由360分钟减至270分钟)[22]。就床位管理策略而言，这些干预措施主要是从流程改进的角度来看待的。例如，Barrett等人[59报告称，当全职床位管理人员能够在15分钟内识别并分配床位时，“等待时间”(从决定入院到离开急诊科的时间)减少了52%。Howell等人的另一项研究[60]，报告称，当使用专用的“床位交通控制器”时，急诊室患者登记和入院患者实际离开急诊室之间的时间缩短了90分钟。巴雷特等人[59研究和Howell等人[60研究表明，前者在微观或患者层面上使用资源，而后者在宏观或过程层面上使用资源，可能是自上而下的“流量”观点。

    Barrett等人报告的工艺改进和床管理策略[59]和Howell等人[60]还展示了急诊室以外的医院工作人员(如医院床位管理人员)如何使用关于拥堵、流量和患者入院的实时急诊室数据，以准备和管理入院和床位需求。有了可靠的信息来预测入院的可能性，有效的床位管理策略可以在入院连续周期的早期部署。

    医疗保健中的预测建模

    各种模型被用来估计急诊科住院的风险，包括逻辑回归和机器学习，各种预测变量被使用，包括主要主诉、以前的急诊科就诊、转诊来源、病史和到达方式。然而，模型依赖于不易获得的信息(如患者记录)或不准确的信息(如患者病史报告)，这可能会给住院预测模型的应用和操作带来问题。从患者生物标志物(如年龄、性别、生命体征和视力水平)中立即获得的即时护理信息比以前收集的信息更具优势。61]。

    目前还没有比较住院预测模型的基准。作者之前对预测住院率的模型进行了系统回顾和批判性评估研究，发现所有模型都有潜在的偏差[61]。

    入院生物标志物指标

    “生物标记”一词是“生物标记”的缩写，指的是一类可以准确测量和可重复的医学状态客观指标[62]。生物标志物的例子有年龄、x射线图像、生命体征、基因、等位基因、性别、认知状态和敏锐度。生命体征是监测住院病人最重要的生物标志物，是最简单、最便宜、最容易获得的，可能也是收集到的关于病人的最重要的信息。63]。它们在急诊科的环境中特别有用，因为急诊科的患者有各种各样的症状和状况，这对护理提供者快速评估患者具有挑战性。在急诊科，不能识别患者的严重程度或急性程度可能是有害的或致命的。实时评估生命体征为患者提供了避免这种风险的机会，因为生命体征的变化已被证明在严重不良事件发生前几个小时发生[64-68]。因此，生命体征可用于识别有恶化风险的ED患者[67-72]。

    本研究的目的是报告一种模型的发展，该模型使用在分诊时收集的患者生物标志物(5个生命体征和年龄、性别和视力水平)来早期预测成年患者即将住院或从急诊科转出的风险。


    研究设计

    这项回顾性队列研究评估了1年住院的成年急诊科患者的连续数据事件，并开发了一种算法来预测哪些患者需要立即住院。在分诊时收集的8个变量评估了它们在患者急诊科就诊结果中的作用。采用Logistic回归对研究数据进行建模。

    研究设置、数据来源和人群

    未识别数据的样本人群取自一家学术医疗中心连续1年(2019年1月1日至2019年12月31日)的急诊科入院患者，并从其将生物学整合到床边的信息学(i2b2)数据库中进行查询。73]是美国国立卫生研究院资助的国家生物医学计算中心的一部分。转院病人(即因临床原因(例如接受专科治疗)而需要住院的急诊科病人)与住院病人分组，因为他们的临床表现和转院原因在临床上与住院病人相同[74]。学术医疗中心急诊科是一个有48个床位的一级成人创伤中心，平均每天有300名患者就诊。医院拥有企业床位1157张。

    所有临床数据均由护士在分诊时收集，并在护理点输入电子病历。采用标准化方法采集生命体征和急性程度。

    纳入和排除标准

    所有成人(即年龄≥18岁)、非精神科、非产科、经完全分诊的急诊科住院患者(包括转至其他医院住院的患者)以及随后入院或从急诊科出院的患者均纳入本研究。排除精神病、儿科(即年龄<18岁)和产科患者。精神科和产科患者被排除在外，因为这些人群的症状，以及评估以确定其治疗过程的临床变量，在临床上与普通医学人群有显著不同[75，76]。儿科患者被排除在外，因为这些患者的入院门槛低于成人[77]，他们的纳入会导致成人的纳入标准过于敏感。

    测量变量的选择

    评估变量的选择(表1)用于模型开发的数据来源于一项系统综述，该综述评估了用于预测住院情况的模型，其中提出了对患者入院或出院最有价值的变量[61]。根据专家知识先验地选择预测因子。尽管文献表明SpO2［78]，意识水平[79]和到达方式[78，80-85]是值得考虑的重要变量[61]，由于现有数据太不一致，因此未纳入本模型。

    表1。分析8个变量在预测住院和出院方面的效用。
    变量 收集方式
    预测变量

    		年龄 由患者提供(如果患者无法报告，则由患者的家人或朋友提供)

    		敏度 标准化5级应急严重程度指数[86]被分诊护士用来将患者的视力从最紧急(1级)到最不紧急(5级)进行分类。

    		收缩压;舒张压;心率，呼吸率;温度 采用典型的、标准化的方法收集生命体征;血压是2种方法采集的唯一变量:手动(主要方法)和自动

    		性别 由患者提供(如果患者无法报告，则由其家人或朋友提供);如果患者无人陪伴，临床医生通过目视检查确定性别
    结果变量

    		入院或出院 由医生决定

    研究方案和数据管理

    从i2b2中导出数据，导入到Excel表格中进行检查和清理，然后导出到Stata统计包(版本14.1;StataCorp)分析。对数据进行缺失值评估。

    数据分析和模型开发

    采用汇总统计和直方图调查数据分布。我们使用逻辑回归检查了年龄、收缩压(BP)、舒张压、心率、敏锐度和性别与入院概率的单变量关联。传统的逻辑回归假设连续风险因素与入院概率之间的关系在对数-赔率尺度上是线性的。我们考虑了一个更灵活的模型，其中连续的风险因素被包括为分数多项式，这是一种允许非线性关联的模型构建技术[87]，并将体温、呼吸和敏锐度列为分类危险因素。

    我们进行了包括所有危险因素的多变量分数多项式(MFP)分析。温度值紧密聚集，97%的值在36.1°C和37.8°C之间，高于和低于这些值的值分布广泛。为了建模，我们创建了一个修改后的温度变量，其中小于36.1°C或大于37.8°C的值被截断。修正温度的分数阶多项式与表示高温(>37.8°C)和低温(<36.1°C)的虚拟变量相结合。由于难以将呼吸作为连续变量与入院概率之间的关联建模，因此将呼吸作为分类变量纳入。MFP分析包括非线性关系，如果他们有足够的数据支持。将二阶分数阶多项式的拟合与零模型、线性模型的拟合进行比较，最后与最优一阶多项式进行比较。当功能形式不变时，实现了收敛。分数阶多项式模型比较的显著性水平设为0.01。由于一些受试者访问ED不止一次，我们考虑了一个强大的MFP分析，允许同一受试者重复观察之间的相关性。 Descriptive statistics considered each patient visit as unique. Patient numbers refer to the number of ED encounters.

    通过判别和校准来评估模型的性能。歧视，模型准确区分录取和不录取的能力[88]，用受试者工作特征曲线下面积(AUROC)测量[89]。为了评估潜在的过度乐观，我们还计算了10倍交叉验证的AUROC。校正，即模型预测的概率与观测到的二元结果相符的程度[90]，是衡量模型性能更合适的标准[91]并采用Hosmer-Lemeshow拟合优度测量，并使用“校准带”进行图形评估[92]进行内部验证。校正带方法利用基于预测的多项式变换的二次logit回归模型，建立了预测与真实录取概率之间的关系。在一系列似然比检验的基础上，从二阶开始，正向选择多项式的阶数[91]。

    该模型被设计为适用于特定ED人群的医院特异性模型。因此，我们没有测量外部效度。对危险因素进行极值评估，导致总体患者事件损失不到2%。

    道德的考虑

    阿拉巴马大学伯明翰机构审查委员会(IRB-300007437)批准了开展这项调查的伦理许可。这项研究是在没有任何受保护的健康信息的数据集上进行的。


    描述性的数据

    该人群包括93847名成年人(年龄≥18岁)，他们是2019年1月1日至2019年12月31日期间入住急诊科的普通医学(即非精神科和非产科)患者，随后从急诊科出院或入院。93847例患者的平均年龄为46.3岁;55.6%(52147例)为女性;56.4%(52974人)为3级;平均收缩压为139 mmHg;平均舒张压84 mmHg;平均心率87.2次/分钟;平均呼吸频率为17.7次/分;平均气温为36.8°C (表2）.温度和呼吸速率呈长尾紧密聚集分布。温度范围从27°C到40.3°C，只有1%(938)的值小于36°C, 1%(938)的值大于38.4°C。呼吸率以整数记录，并以偶数聚集，分别有26%(24,400)、40%(37,539)和12%(11,262)的受试者呼吸率为每分钟16次、18次和20次，范围从10到40,1%(938)的值小于14,1%(938)的值大于26。与未入院的患者相比，入院的患者更有可能是男性;年长的;收缩压和舒张压均较低;心率、呼吸频率和体温较高;更严重，如较低的紧急程度指数(ESI)所示[86)的水平。该指数从1到5分，1代表最紧急，5代表最不紧急。入院患者中，45%(5779/ 12711)的视力评分低于3分，而未入院患者中只有8%(6426/ 81136)的视力评分低于3分。

    表2。预测变量按录取状态的值。
    变量 未入院(N=81,136) 承认(N = 12711) 总(N = 93847)
    年龄(岁)，平均(SD) 44.8 (17.4) 55.8 (16.9) 46.3 (17.3)
    性别，n (%)

    		男性 35169 (43.3) 6531 (51.4) 41700 (44.4)

    		女 45967 (56.7) 6180 (48.6) 52147 (55.6)
    收缩压(mm Hg)，平均值(SD) 139.1 (23.2) 137.9 (28.5) 139.0 (50)
    舒张压(mm Hg)，平均值(SD) 84.4 (13.5) 81.2 (16) 84.(13.9)
    心率(次/分钟)，平均值(SD) 86.3 (15.5) 92.9 (18.6) 87.2 (16.1)
    呼吸频率(次/分钟)，平均(SD) 17.6 (1.8) 18.6 (3.1) 17.7 (2.1)
    温度(°C)，平均值(SD) 36.8 (0.4) 36.8 (0.6) 36.8 (0.4)
    紧急严重性指数级别，n (%)一个

    		1 23日(0) 571 (4.5) 594 (0.6)

    		2 6403 (7.9) 5208 (41) 11611 (12.4)

    		3. 46454 (57.3) 6520 (51.3) 52974 (56.4)

    		4 26128 (32.2) 385 (3) 26513 (28.3)

    		5 2128 (2.6) 27日(0.2) 2155 (2.3)

    一个从最紧急(1)到最不紧急(5)。

    录取概率

    男性入学率更高，为15.7%(6531/41,700)，而女性为11.9%(6180/52,147)。急性度与入院率之间有很强的相关性，入院率从最紧急患者(ESI 1)的96.1%(571/594)急剧下降到最不紧急患者(ESI 5)的1.1%(23/2155)。表3）.图1显示变量分布及其与入学概率的关联，以logit标度显示。结果基于二阶分数阶多项式。除年龄外，所有连续变量都存在明显的非线性关联。入院的概率一直增加到80岁，然后趋于平稳。收缩压、舒张压、心率(图1)、呼吸速率和体温(图2)，这种关联是非线性的，分布中心的录取概率最低，极端的录取概率较高。例如，收缩压在120毫米汞柱和150毫米汞柱之间时，入院概率最低，为15%，而在此范围之外，入院概率继续上升，<75毫米汞柱为95%，>235毫米汞柱为40%。同样，在36.7°C时，入院概率最低，为17%，在39.4°C时增加到50%，在35°C时增加到80%。

    MFP逻辑回归显示，与敏锐度、呼吸、性别、年龄的一阶分数多项式、收缩压、舒张压、温度和心率的二阶分数多项式有显著相关性。

    表3。按视力等级住院的概率。最严重的患者处于紧急程度指数1级和2级，最不紧急的患者处于紧急程度指数5级。93847例患者中有12711例(13.5%)入院。
    紧急级别指数级别 总患者数，n 入院病人，n 录取概率，%
    1 594 571 96.1
    2 11611年 5208 44.9
    3. 52974年 6520 12.3
    4 26513年 385 1.5
    5 2155 27 1.1
    ‎
    图1所示。变量分布的直方图，上面的图形显示了在对数-赔率尺度上被录取的概率。曲线周围的阴影区域代表95% CI。BP:血压。
    查看此图
    ‎
    图2。变量分布的直方图与显示观察到的录取率的图形叠加。
    查看此图

    配合及校正

    在图3，观察到的录取率与基于最终逻辑回归模型结果的预测录取率相对应。在观测到的概率和基于模型的预测概率之间有很好的一致性。95% CI在高端处低于认同线，这表明该模型略微高估了入院概率超过0.59的患者的风险。这种概率差异小于0.04。当录取概率小于0.59时，偏差小于0.01。

    ‎
    图3。观测到的与预测的录取概率的校准带。等分线是完美的校准线。校准带(灰色显示)表示模型的95%置信水平校准。
    查看此图

    模型的歧视

    模型判别用AUROC (图4）.AUROC为0.841，表明该模型具有较好的区分住院和不住院患者的能力[93]。10倍交叉验证的auroc范围为0.839 ~ 0.842。

    ‎
    图4。用于预测入场的接收器工作特性曲线下的面积。AUROC:接收机工作特性曲线下的面积。
    查看此图

    缺失值

    所有113,739例患者的年龄和性别值都是完整的。所有其他变量的缺失值都很低，范围为1.5%至1.9%(1650至2143)，除了温度和视力，分别有6.8%(7685)和9.2%(10419)的患者缺失。由于83%(8,647/10,419)的视力缺失病例被收治，这一群体被确定为“非随机缺失”。我们没有发现任何证据表明温度不是“随机缺失”的，而且缺失的程度足够低，我们不认为它会影响结果。排除值缺失的病例。


    主要研究结果

    我们已经说明了复杂分数多项式的应用，利用分诊时收集的立即可用的患者生物标志物(年龄、收缩压、舒张压、心率、呼吸频率、体温、性别和敏锐度)来识别和模拟危险因素与入院概率之间的非线性关联。所得到的预测模型在所有入院风险水平下均表现出良好的校准性，在观察到的入院率和预测的入院率之间具有良好的一致性。该模型能够很好地区分哪些患者需要住院，哪些患者不需要住院。方法技术提高了内部有效性，减轻了过度拟合和内生性，当预测变量与模型之外的变量的关系与结果相关时，可能会出现过度拟合和内生性[94]。考虑到我们的大样本量，风险因素的先验包含，以及基于主题知识的预测器选择，变量遗漏的风险被降低了，并且由于使用最优分数阶多项式而导致的过拟合风险也不是一个问题。10倍交叉验证得到几乎相同的AUROC值。

    呼吸速率的分类和温度的截断可能导致相关信息的丢失[95]。然而，我们的转换是由数据提供的:我们的呼吸速率截断点反映了它是如何被记录的(即，响应通常是3个值中的1个，并且显示出对偶数的偏好)，尽管温度被截断，但不到4%(3753/93,847)的观测值受到影响，包括低温和高温的指示变量，并且温度被包括为连续变量。

    轶事信息表明，在繁忙的急诊科的实践中，当病人已经被安排住院时，可能会出现不记录被认为是不必要的信息的情况，而这种情况最可能发生在病人正在接受救命护理时。这些病例非常严重，很可能会住院。视力缺失的患者往往是非常急性的(即，大多数视力缺失的病例被收治)，我们可以放心地排除他们，因为他们不是模型旨在确定为需要入院的患者群体;这些患者可能已经被确定为急需护理，并且可能已经住院。这是一个特定于站点的模型，旨在在测试环境中运行并显示概念证明;不假设一般化。由于该模型使用标准化的生物标志物数据，而不是特定于研究环境的数据，因此通过重新校准，该模型可能在研究环境之外也有用。然而，值得注意的是，除了电子患者数据的实时可用性之外，模型实现的一个要求是一个应用程序来检索数据并将其应用于模型算法，以产生患者入院的可能性，然后将信息提供给床位管理人员，以便尽早开始保护患者床位。

    这个模型，正如所提出的，对于那些参与病人入院连续的人来说，具有现实的实用性，因为它允许病人更快地离开急诊科，从而减轻出口阻塞，有利于病人的护理和医院的操作[59，60]。该模型依赖于在初始护理点(即急诊科分诊)常规收集的生物标志物，并具有标准化的定义、测量和解释[62对于一个可以在病人护理连续体的早期使用的模型来说是有利的。然而，这并不意味着在一个设置中开发和实现模型是容易的。相反，来自电子医疗记录的数据可能需要大量的准备工作，以使其适合模型开发和实现。

    该模型还表明，医院可以开发一种系统来识别入院高风险患者，用于解决出口阻塞等问题。该模型可以使用每个ED的单独数据来适应其他ED环境。

    与前期工作比较

    解决急症室过度拥挤和出口阻塞的问题不能通过采用一刀切的解决方案来实现。在这一领域，最近的工作围绕着不同的方法和模型来解决相同的ed拥挤问题。例如，Acuna等[96]通过创建救护车分配模型来优化急诊科拥挤，该模型使急诊科拥挤状况改善了31%，Isfahani等[97使用计算机模拟模型来评估急诊科出院休息室的效果，发现入院等待时间减少了5%。在算法应用方面，Brink等[98]开发了一个8变量模型来预测老年患者的住院率，Marcusson等[99]建立了一个38变量模型来预测老年患者的住院率;这两种模式都旨在帮助患者更快地接受治疗。

    限制

    本研究的适用性应在其局限性的背景下加以理解。如前所述，本研究是在大型学术医疗中心进行的概念验证，可能缺乏对其他环境的通用性。如果将该模型应用于医院不承担确保住院床位安全的复杂流程(例如，涉及针对不同患者情况的提供者、设备和其他专门资源)，或者确保床位安全不需要大量时间的环境中，则该模型的节省时间优势将无法被床位管理人员实现。此外，在我们的模型和本研究范围之外，可能存在中介或调节因素的混杂因素。最后，虽然出口阻塞和急诊科登机在国际上已有报道，但本研究是在一家美国医院进行的，并不能在国际上推广。也许我们的导出模型的类似的，重新校准的版本将适用于不同的ED设置。然而，我们建议其他医院使用本文介绍的MFP建模技术开发特定于医院的模型。

    结论

    这一初步数据研究说明了一个特定地点风险预测模型的应用，以减少由于出口阻塞造成的急诊科拥挤。mfp用于基于8个生物标志物(5个生命体征和年龄、性别和视力水平)预测入院概率，并生成用于逻辑回归模型的变量，以产生特定地点的公式来分析未来输入的数据。通过使医院能够更早地寻找和征用医院床位，并更早地将急诊科患者转移到这些床位，这种干预措施可以减少急诊科出口阻塞，这是已知的急诊科登机和拥挤的根源。这一干预措施需要在医院管理部门的支持下进行部门间合作，才能成功地落实到医院的结构和流程中。与在住院和床位分配过程中成功减少拥挤的其他干预措施相比[22，59，60]，该模型通过提前预测哪些患者将被入院，从而在护理连续体的早期提供启动入院和床位分配过程所需的信息，从而更进一步。该模型对患者入院的预测与实时医院数据的效用相结合，以改善拥堵、流量和患者入院情况[59，60结果是一个强有力的工具来影响急诊科拥挤危机。

    利益冲突

    没有宣布。

    1. Stead LG, Decker WW。国际急诊医学杂志:第一年的成功。国际急诊医学杂志2009年4月15日;2(1):1-2 [J]免费全文] [CrossRef]
    2. 王晓明，王晓明，王晓明，等。基层急诊科实施逆向分诊对当地医疗机构患者流量的影响:一项纵向随访研究。中华医学杂志，2017,08;35(2):214-220 [J]免费全文] [CrossRef] [Medline]
    3. 医院比较。医疗保险和医疗补助服务中心。URL:https://www.cms.gov/Medicare/Quality-Initiatives -Patient-Assessment-Instruments / HospitalQualityInits / HospitalCompare[2022-02-05]访问
    4. 卡特EJ，钱袋SM，拉尔森EL。急诊科拥挤与患者预后之间的关系:一项系统综述。[J]中华护理杂志，2014;46(2):106-115 [J]免费全文] [CrossRef] [Medline]
    5. 张晓明，张晓明，张晓明，等。急诊拥挤对急性脑卒中患者门诊部成像时间的影响。中风2017年1月48(1):49-54。［CrossRef] [Medline]
    6. richard JR, van der Linden MC, Derlet RW。在急诊科走廊提供护理:需求、危险和死亡。急诊医学进展2014 Dec 25;2014:1-7 [j]免费全文] [CrossRef]
    7. 急诊科过度拥挤-对儿科急诊医学的影响。儿科儿童健康2007;12(6):491-494 [j]免费全文] [CrossRef] [Medline]
    8. 美国急诊医师学会(ACEP)。拥挤。政策声明。中国生物医学工程学报;2013;31(6):726-727。［CrossRef] [Medline]
    9. 医院急诊科:继续发生拥挤，一些病人等待的时间比建议的时间更长。政府问责局，2009。URL:https://www.gao.gov/products/gao-09-347[2022-07-18]访问
    10. 医学研究所。基于医院的紧急护理:在崩溃点。华盛顿特区:国家科学院出版社;2007.
    11. 希金森一号，急诊室人满为患中华急诊医学杂志，2012;29(6):437-443。［CrossRef] [Medline]
    12. 马森S, Knowles E, Boyle a .急诊科出口阻塞:快速证据回顾。中华急诊医学杂志，2017;34(1):46-51。［CrossRef] [Medline]
    13. Cowan RM, Trzeciak S.临床综述:急诊科人满为患及其对危重病人的潜在影响。危重症护理2005;9(3):291-295 [j]免费全文] [CrossRef] [Medline]
    14. 拉宾E, Kocher K, McClelland M, Pines J, Hwang U, Rathlev N，等。解决急诊科“登机”和拥挤问题的办法没有得到充分利用，可能需要立法。中国卫生杂志2012年8月31日(8):1757-1766。［CrossRef] [Medline]
    15. 李建平，李建平。急诊拥挤的十种解决方法。中华医学杂志;2008;9(1):24-27 [J]免费全文] [Medline]
    16. Handel DA, Hilton JA, Ward MJ, Rabin E, Zwemer FL, Pines JM。急诊科吞吐量、拥挤程度和医院的财务结果。中华医学杂志，2010;17(8):840-847 [j]免费全文] [CrossRef] [Medline]
    17. Rutherford PA, Kotagal U, Luther K, Provost L, Ryckman F, Taylor J.实现医院范围内的患者流量。马萨诸塞州波士顿:医疗保健改善研究所;2020.
    18. 美国心脏协会2016年医院年度调查。美国医院协会，2016。URL:https://www.ahadata.com/aha-年度调查数据库[2022-02-05]访问
    19. 保护公共数据中心:住院病床仪表板。美国卫生与公众服务部。2022。URL:https://public-data-hub-dhhs.hub.arcgis.com/pages/Hospital%20Utilization[2022-02-05]访问
    20. 2019年3月向国会提交报告:医疗保险支付政策。医疗保险支付咨询委员会。2019。URL:https://www.medpac.gov/document/march-2019-report-to-the-congress-medicare-payment-policy/[2022-02-05]访问
    21. 2014年6月提交给国会的报告:医疗保险和医疗保健服务系统。医疗保险支付咨询委员会，2014。URL:https://www.medpac.gov/document/http-www-medpac-gov-docs-default-source-reports-jun14 _entirereport-pdf /[2021-02-05]访问
    22. Amarasingham R, Swanson TS, Treichler DB, Amarasingham SN, Reed WG。快速入院协议，以减少急诊室的登机时间。质量安全保健2010 Jun;19(3):200-204。［CrossRef] [Medline]
    23. 为什么ED持有仍然是一个问题?《急诊医师月刊》2017。URL:http://epmonthly.com/article/why -is-ed-holding-still-an-issue /[2019-05-01]访问
    24. nick BA, Manthey DM.急诊科精神病人寄宿的影响。中国生物医学工程学报(英文版);2012;363 - 364 [j]免费全文] [CrossRef] [Medline]
    25. 葛德曼JM，马尔科CA, Moskop JC，亚当斯J, Derse AR.救护车分流伦理。中华急诊医学杂志;2015;33(6):822-827。［CrossRef] [Medline]
    26. 李建军，李建军，李建军，等。优化心脏科容量以减少急诊科登机:一种系统工程方法。中国生物医学工程学报，2009,30(6):559 - 559。［CrossRef] [Medline]
    27. Levin S, Dittus R, Aronsky D, Weinger M, France D.增加手术量对急诊科患者准入的影响。中华医学杂志;2011;20(2):146-152。［CrossRef] [Medline]
    28. 实施出院接待中心以减少急诊科登机:一个质量改进项目。免费图书馆，2018。URL:https://www.thefreelibrary.com/Implementation的+ + + + +放电+酒店+中心减少……-a0568974204[2022-07-18]访问
    29. 张建军，张建军，张建军，等。住院病人出院休息室作为缓解急诊科登机和拥挤的潜在机制。中国生物医学工程学报，2016,31(6):444 - 444。［CrossRef] [Medline]
    30. 刘建军，刘建军，刘建军，等。优化出院流程改善患者流程。中华卫生杂志，2012;37(2):89-93。［Medline]
    31. Powell ES, Khare RK, Venkatesh AK, Van Roo BD, Adams JG, Reinhardt G.住院患者出院时间与急诊科登机的关系。中华急诊医学杂志;2012;42(2):186-196。［CrossRef] [Medline]
    32. El-Eid GR, Kaddoum R, Tamim H, Hitti EA.改善出院时间:成功实施六西格玛方法。医学杂志(英文版);2015年3月;94(12):e633 [免费全文] [CrossRef] [Medline]
    33. 从优秀到卓越:2010年度最佳ES科:doyle lestown医院。卫生设施管理，2010。URL:https://www.hfmmagazine.com/articles/1147-from-good-to-great[2022-08-18]访问
    34. 张建军，张建军，张建军，等。床位管理系统的研究进展。中华护理杂志，2013,43(1):37-43。［CrossRef] [Medline]
    35. VA国家床控系统。退伍军人事务部，2021。URL:https://catalog.data.gov/dataset/va-national -bed-control-system[2022-01-29]访问
    36. 采用这五步流程来减少急诊的住院时间。《健康领袖》，2019。URL:https://www.healthleaders media.com/clinical-care/adopt-5-part-process-reduce-er-length-stay[2019-05-05]访问
    37. 张建军，张建军，李建军，等。提高急诊科快速通道的跨学科设计中华急诊护理杂志，2018;40(3):198-203。［CrossRef] [Medline]
    38. Chrusciel J, Fontaine X, Devillard A, Cordonnier A, Kanagaratnam L, Laplanche D，等。香槟-阿登地区实施快速通道对急诊科住院时间和护理质量指标的影响:一项前后研究。BMJ Open 2019 Jun 19;9(6):e026200 [j]免费全文] [CrossRef] [Medline]
    39. 李建军，李建军，李建军，等。一种基于分离流的电液处理方法。中华急诊杂志，2016;42(2):114-119。［CrossRef] [Medline]
    40. 加勒特JS，贝瑞C，王辉，秦辉，Kline JA。垂直分流病人管理对急诊科吞吐量和效率的影响。中华医学杂志，2018;36(9):1581-1584。［CrossRef] [Medline]
    41. 王丽娟，杨建军，李建军，李建军，李建军，李建军，李建军，李建军。基于logistic回归模型的急诊科病人流动模型研究。中华实用医学杂志，2018;44(4):345-352。［CrossRef] [Medline]
    42. Bullard MJ, Villa-Roel C, Guo X, Holroyd BR, Innes G, Schull MJ，等。快速评估区/pod在减少急诊科过度拥挤方面的作用:系统审查。中华急诊医学杂志;2012;29(5):372-378。［CrossRef] [Medline]
    43. 李建军，李建军，李建军，等。快速评估区对急诊科业务和吞吐量的影响。中国生物医学工程学报，2016,31(2):444 - 444。［CrossRef] [Medline]
    44. 李建军，张建军，张建军，等。基于快速医疗评估系统的急诊流程优化研究。中华医学杂志，2015;4(1):206156。w2663 [免费全文] [CrossRef] [Medline]
    45. 明涛，赖安，刘鹏。团队分诊能改善急诊科的病人流量吗?系统回顾和荟萃分析。中华急诊护理杂志，2016;38(3):233-250。［CrossRef] [Medline]
    46. Rowe BH, Guo X, Villa-Roel C, Schull M, Holroyd B, Bullard M，等。分诊联络医生在缓解急诊科过度拥挤中的作用:系统回顾。中华急诊医学杂志，2011;18(2):111-120 [j]免费全文] [CrossRef] [Medline]
    47. 黄武，佩顿T，周E, Plourde M.在急诊科实施分诊常设命令导致减少医生到处置时间。急诊医学进展2016年6月15日;2016:1-6 [j]免费全文] [CrossRef]
    48. McHugh M, Van Dyke KJ, Howell E, Adams F, Moss D, Yonek J.参与学习型协作的医院患者流量变化。卫生质量杂志;2013;35(1):21-29。［CrossRef] [Medline]
    49. Heaton H, Nestler D, Lohse C, Sadosty A.使用抄写员对急诊科病人吞吐量的影响。中华医学杂志，2017;35(2):311-314。［CrossRef] [Medline]
    50. 张建军，张建军，张建军，等。抄写员对急诊医生工作效率和病人吞吐量的影响:多中心随机试验。中国医学杂志2019年1月30日;364:l121 [j]免费全文] [CrossRef] [Medline]
    51. Heaton HA, Schwartz EJ, Gifford WJ, Koch KA, Lohse CM, Monroe RJ，等。在电子病历转换期间，抄写员对吞吐量指标和计费的影响。中国生物医学工程学报，2016,38(8):394 - 398。［CrossRef] [Medline]
    52. Murphy S, Barth B, Carlton E, Gleason M, Cannon C.急诊科流量协调器能提高病人的流量吗?中国生物医学工程学报;2014;30(6):559 - 561。［CrossRef] [Medline]
    53. Jarvis P, Davies M, Mitchell K, Taylor I, Baker M.在急诊科引入即时肾功能检测能减少过度拥挤吗?穴位护理2015;14:42-44。［CrossRef]
    54. Kankaanpää M, Raitakari M, Muukkonen L, Gustafsson S, Heitto M, Palomäki A等。使用即时护理测试和早期评估模式减少了门诊病人在急诊科的住院时间。[J]中华创伤与复苏杂志;2016;24(1):125 [J]免费全文] [CrossRef] [Medline]
    55. 李莉，McCaughey E, Iles-Mann J, sarant A, Westbrook J, Georgiou A.即时护理测试对急诊科住院时间的影响?: 26个农村和偏远地区教育教育的前后研究。畜禽卫生技术通报2018;25(2):99-104。［Medline]
    56. Singer AJ, Taylor M, LeBlanc D, Meyers K, Perez K, Thode HC，等。在分诊时的早期护理点测试减少了稳定的成人急诊科患者的护理时间。中国生物医学工程学报，2018;33(2):391 - 391。［CrossRef] [Medline]
    57. Mumma BE, McCue JY, Li C, Holmes JF。急诊科扩建对急诊科病人流量的影响。中华医学杂志;2014;21(5):504-509 [j]免费全文] [CrossRef] [Medline]
    58. 韩德森，波义耳。急诊科出口阻塞:认知与后果。[J]中华医院医学杂志，2014,11 (11):623-626 [J]免费全文] [CrossRef] [Medline]
    59. 巴雷特L，福特S，沃德-史密斯P.床位管理策略在拥挤的急诊科。护理经济2012;30(2):82- 5,116。［Medline]
    60. 刘建军，张建军，张建军，张建军。医院主动床位管理的研究进展。中华医学杂志2008年12月2日;49(11):804-811。［CrossRef] [Medline]
    61. 利用院前数据预测成人患者住院的模型:PROBAST和CHARMS的系统评价。JMIR Med Inform 2021 Sep 16;9(9):e30022 [j]免费全文] [CrossRef] [Medline]
    62. Strimbu K, travel JA。什么是生物标志物?艾滋病毒和艾滋病的当前意见2010;5(6):463-466。［CrossRef]
    63. 让生命体征再次变好——行动的呼吁。[J]实习医学2017年11月;45:13-19。［CrossRef] [Medline]
    64. Kause J, Smith G, Prytherch D, Parr M, Flabouris A, Hillman K，重症监护学会(英国)，澳大利亚新西兰重症监护学会临床试验组澳大利亚、新西兰和英国心脏骤停、死亡和紧急重症监护入院前的比较——学术界研究。复苏2004 Sep;62(3):275-282。［CrossRef] [Medline]
    65. 吴建军，张建军，张建军，等。临床异常观察与住院死亡率的关系研究。中国生物医学工程学报(英文版);32(2):357 - 357。［CrossRef] [Medline]
    66. 张建军，张建军，张建军，等。医院死亡的前奏中华医学杂志2001;31(6):343-348。［CrossRef] [Medline]
    67. Henriksen DP, Brabrand M, Lassen AT。急诊科收治患者的预后及恶化的危险因素PLoS One 2014;9(4):e94649 [j]免费全文] [CrossRef] [Medline]
    68. barford C, Lauritzen MMP, Danker JK, Sölétormos G, Forberg JL, Berlac PA，等。一项前瞻性队列研究表明，在急诊科分诊的成年人中，异常生命体征是重症监护病房入院和住院死亡率的有力预测因素。创伤复苏与急诊[J]; 2012年4月10日;20:28 [免费全文] [CrossRef] [Medline]
    69. Ljunggren M, castr M, Nordberg M, Kurland L.一项未选择急诊科人群的回顾性队列研究中生命体征与死亡率的关系。[J]中华急救医学杂志2016;03;24:21 [J]免费全文] [CrossRef] [Medline]
    70. Farrohknia N, castr N M, Ehrenberg A, Lind L, Oredsson S, Jonsson H，等。急诊科分类量表及其组成部分:对科学证据的系统回顾。[J]创伤复苏与急诊医学2011年06月30日;19:42]免费全文] [CrossRef] [Medline]
    71. Pedersen NE, oesterggaard D, Lippert a .在快速反应系统背景下验证早期预警评分的终点:一项德尔菲共识研究。麻醉学杂志;2016;60(5):616-622。［CrossRef] [Medline]
    72. Cardona-Morrell M, Prgomet M, Lake R, Nicholson M, Harrison R, Long J，等。生命体征监测与护患互动:医院实践的定性观察研究。国际护理学杂志2016年4月;56:9-16。［CrossRef] [Medline]
    73. i2b2:整合生物学和床边的信息学。i2b2 tranSMARTFoundation。URL:https://www.i2b2.org/about/index.html[2021-12-20]访问
    74. EMTALA情况说明书。美国急诊医师学会。URL:https://www.acep.org/life-as-a-physician/ethics——法律/ emtala / emtala-fact-sheet /[2022-01-20]访问
    75. 急诊科精神病人的护理——文献综述美国急诊医师学会急诊医学实践委员会。2014。URL:https://tinyurl.com/y7zpxc4a[2022-07-18]访问
    76. 急诊科产科病人的分诊:只有一个病人吗?宾夕法尼亚病人安全顾问。2008年5月。URL:http://patientsafety.pa.gov/ADVISORIES/Pages/200809_85.aspx[2022-08-18]访问
    77. 儿科急诊分诊、评估和治疗。世界卫生组织，2016。URL:https://apps.who.int/iris/bitstream/handle/10665/204463/9789241510219_eng.pdf[2022-02-05]访问
    78. Lucke JA, de Gelder J, clarjs F, Heringhaus C, de Craen AJM, Fogteloo AJ，等。急诊科患者入院的早期预测:年龄小于或大于70岁患者的比较中华医学杂志，2018;35(1):18-27。［CrossRef] [Medline]
    79. Burch VC, Tarr G, Morroni C.改进的早期预警评分预测住院需求和住院死亡率。中华医学杂志，2008;25(10):674-678。［CrossRef] [Medline]
    80. 帕克灿，刘宁，吴淑霞，沈勇，林世伟，王梅。预测急诊科分诊住院人数:一种新的预测模型。中华医学杂志，2019;37(8):1498-1504。［CrossRef] [Medline]
    81. 李建军，李建军，李建军，等。预测急诊住院病人的入院情况。中国生物医学工程学报，2012,30 (5):349 - 349 [j]免费全文] [CrossRef] [Medline]
    82. 李建军，李建军，李建军，等。荷兰急诊科入院预测工具的开发和验证中华医学杂志，2018,7,35(8):464-470。［CrossRef] [Medline]
    83. 卡梅隆A，罗杰斯K，爱尔兰A，贾姆达尔R，麦凯GA。一个在分诊时预测入院的简单工具。新兴医学杂志，2015;32(3):174-179 [J]免费全文] [CrossRef] [Medline]
    84. 刘建军，刘建军，李建军，等。基于实时定位系统的医疗活动识别。中华医学杂志;2014;30(2):128-130。［Medline]
    85. 费恩SD，弗朗西斯J，克兰西C，尼尔森C，尼尔森K，拉姆斯菲尔德J，等。来自退伍军人健康管理局高级分析的见解。中国卫生杂志，2014,07,33(7):1203-1211。［CrossRef] [Medline]
    86. 紧急严重性指数(ESI):急诊科的分类工具。医疗保健研究质量机构，2020。URL:https://www.ahrq.gov/patient-safety/settings/emergency-dept/esi.html[2021-10-12]访问
    87. 王晓明，王晓明，王晓明，等。流行病学风险变量模型的研究进展。中华流行病学杂志1999;28(5):964-974。［CrossRef] [Medline]
    88. Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N，等。评估预测模型的性能:传统和新措施的框架。流行病学2010,21(1):128-138 [j]免费全文] [CrossRef] [Medline]
    89. 郑勇。生存模型预测准确度及ROC曲线。生物识别技术，2005;61(1):92-105。［CrossRef] [Medline]
    90. 李建军，李建军，李建军。基于多模型的预测模型研究。中华胃肠病杂志2014年1月2日;5:544 [j]免费全文] [CrossRef] [Medline]
    91. Moran JL, Santamaria JD, Duke GJ。模拟医院结果:内生性问题。中华医学会医学杂志(英文版);21(1):124 [j]免费全文] [CrossRef] [Medline]
    92. 李建军，李建军，李建军。基于模型的二分类结果模型校正方法研究。中国农业学报，2018,01;17(4):1003-1014 [J]免费全文] [CrossRef]
    93. 磁带TG。解释诊断试验:ROC曲线下的面积。内布拉斯加大学医学中心。URL:http://gim.unmc.edu/dxtests/roc3.htm[2020-02-10]访问
    94. 计量经济学能拯救流行病学吗?中华流行病学杂志1997;7(4):249-250。［CrossRef] [Medline]
    95. moonkgm, de Groot JAH, Bouwmeester W, Vergouwe Y, Mallett S, Altman DG，等。预测模型研究系统审查的关键评估和数据提取:CHARMS检查表。PLoS Med 2014;11(10):e1001744 [j]免费全文] [CrossRef] [Medline]
    96. Acuna J, Zayas-Castro J, Charkhgard H.美国急诊科人满为患问题的救护车分配优化模型:以佛罗里达州为例。社会经济计划科学2020;01:10047 [j]免费全文] [CrossRef]
    97. 李建军，李建军，李建军，等。急诊病人出院室的研究进展。中华预防医学杂志2020;11:13 [J]免费全文] [CrossRef] [Medline]
    98. 刘建军，刘建军，刘建军，等。急诊科老年人群预测入院:clear工具中国生物医学工程学报，2016;38 (6):357-367 [J]免费全文] [Medline]
    99. 马库森，董浩，李俊，等。老年人群住院率的临床预测。中华医学杂志2020年3月6日;20(1):95 [j]免费全文] [CrossRef] [Medline]

    ‎
    AUROC:接收机工作特性曲线下的面积
    英国石油公司:血压
    艾德:急诊科
    应急服务国际公司:紧急级别指数
    MFP:多变量分数多项式

    编辑:A Mavragani;提交21.04.22;经X Ma, S Nagavally, K Mortey, H Musawir同行评审;对作者的评论31.05.22;收到05.07.22修订版本;接受17.07.22;发表13.09.22

    版权

    ©Ann Corneille Monahan, Sue S Feldman, Tony P Fitzgerald。最初发表于JMIR生物信息学与生物技术(https://bioinform.www.mybigtv.com)， 2022年9月13日。

    这是一篇在知识共享署名许可(http://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在JMIR生物信息学和生物技术上，并适当引用。必须包括完整的书目信息，到https://bioinform.www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。
    Baidu
    map