预测老年人非计划性急诊复诊:基于人群的回顾性研究

简介

背景与设置

今天，许多国家都面临着人口迅速老龄化带来的挑战。医疗技术的进步和二战后婴儿潮一代的老龄化导致许多工业化国家65岁以上的成年人比例增加。人口结构的这种实质性变化不仅增加了对保健和医疗服务的总体需求，而且还影响到经济和社会福利政策。老年人比青年人更容易罹患疾病和合并症，他们表现出独特而复杂的临床特征，增加了临床诊断和治疗的难度[1］．老年人也比其他年龄段的人使用更多的紧急医疗资源[2-8]，在美国，大约14.9%的急诊科(ED)患者年龄在65岁或以上[9]，他们是最常来急诊科的人。在台湾，有25.5%的急诊科病人是65岁或以上的长者[10，这一比例大约是美国的两倍。这个年龄组的急症复诊率最高[11，12］．

急诊科的意外急症发生率高，表明急诊科提供的医疗服务未能达到准确诊断和有效治疗的预期结果[11]，是监测紧急医疗护理质量的关键指标[11，13］．edrv可能会导致拥挤，并进一步降低急诊室的护理质量。由于大多数老年人具有复杂的临床特征，edrv将使用更多的急诊室资源。此外，edrv增加了老年人感染传染病的风险，特别是在COVID-19大流行期间。

许多研究回顾了普通ED患者中edrv的原因[11，14-16];然而，很少有人关注老年人，尽管这是edrv发病率最高的年龄组[11，12］．事实上，65岁以上成人ED患者发生edrv的风险比30岁以下成人高约300%，比46岁以下成人高约200% [11，12，17］．反复回到急诊科寻求医疗援助的老年人出现医疗差错的风险会增加，并导致过度使用紧急医疗资源[11，18］．然而，过去没有关注这一人口统计学的研究结果可能不适用于预测老年人的计划外edrv发生率。此外，过去的研究主要从单一目标(医院)收集样本[11，12，14-17］．从单一医院来源采集样本可能会导致回访率被低估，因为在72小时内返回的急诊科患者可能会访问不同医院的急诊科。

台湾的医疗服务在全球富豪排行榜上名列前茅。19]在经济学人智库的全球排名中名列第二[20.］．Numbeo在其医疗保健指数和医疗保健经验指数中，将台湾国民健康保险的医疗保健系统列为全球第一[21]，入学率约占总人口的99.68% [22］．台湾数码政府计划的高排名[23]建立了全国健康保险研究数据库(NHIRD)。因此，本研究使用NHIRD并开发了一个简单而有用的预测模型，通过机器学习技术确定影响老年患者非计划性edrv的关键因素。该模型可以从疾病、患者、医生和机构(医院)因素的考虑，为医院管理者和卫生保健专业人员提供高质量的急诊科提供有用的建议。此外，本研究亦可作为日后政府规划和推广医疗服务及友善长者政策的宝贵参考。

相关的研究

影响edrv的因素大致可以分为四个方面:疾病相关因素、患者相关因素、医生相关因素和医疗机构相关因素。急诊室就诊的主要疾病相关原因之一是症状、体征和诊断不明确的病理状况，以及导致edrv的主要病理状况，如腹痛[12，15-17，24-26]诊断错误率为68%-73% [15］．发烧是引起edrv的另一种病理状况[24，27］．其他与疾病有关的因素包括传染病[25]泌尿系感染，占所有传染病的35% [12];肌肉、骨骼或头部创伤[14，26];癌症(12，27];酗酒抑郁和其他精神疾病高分诊分级的病人[24，25，28]、心脏病或糖尿病[16]，或患有合并疾病的慢性疾病[17]也表现出很高的EDRV的可能性。Charlson共病指数高表明EDRV风险高[29，30.]，尤其适合75岁以上的病人[25］．

已知edrv随年龄增加而增加[11，12，17］．性别对edrv发生率的影响尚不确定[16，24，26，31，32］．其他对急诊科医生有重大影响的患者相关因素包括个人坚持使用急诊科服务[33］．低收入国家的edrv比高收入国家高25%-30% [24］．医务人员的诊断错误占医疗错误的最高比例(5.7%-9%)[27]，是计划外edrv的常见原因。先前的研究发现，医生的执业年数显著影响edrv的发生率[15，34］．宽和马哈德万[15]表明，医生的执业年数显著影响edrv率的原因与他们作为急诊科医生的经验和培训有关。改善医生与工作人员、患者和家庭成员之间的沟通也可以降低edrv的可能性。应急资源不足，特别是在农村医院[31]或在夜间及周末安排人手[13]，增加edrv的可能性。急症住院超过6小时并不常见[18因为更长的住院时间可能会导致拥挤问题，并降低提供快速分类、检查和选择危险急诊患者的质量。

综上所述，文献证实疾病、患者、医生和机构相关因素都影响计划外edrv的发生率。由于老年患者的edrv具有高风险和高影响，本研究以老年患者为研究对象，探讨上述影响因素对其非计划性edrv的影响。

方法

研究过程

研究分为两个阶段。第一阶段是数据选择和预处理。第二阶段是数据分析。机器学习技术不太可能受到统计分析假设的限制，也不太可能受到自变量之间共线相互作用的影响，而且它们表现出卓越的容错能力和学习能力。本研究旨在探讨影响72小时非计划性edrv分类的因素。决策树技术是机器学习分类技术之一，与其他方法(如随机森林和支持向量机)相比，决策树技术更容易被非统计学家解释，也更直观。[35，36］．此外，决策树已广泛应用于各种临床研究，用于分类和预测[37-41]，分析结果易于应用于临床实践。因此，我们在本研究中采用了决策树作为主要的分析方法。我们使用Weka(怀卡托大学)，最流行的机器学习工具之一，来执行深入的数据分析以进行验证。

数据选择

我们使用NHIRD作为数据源，并选择了1996年至2010年65岁或以上患者的急诊科就诊记录，在1425335例急诊科总就诊中，老年人就诊记录为162264例。然后，我们排除了190例死亡记录和26912例急诊室就诊后72小时内住院的记录。2010年，台湾卫生福利部将紧急TC从4级修订为5级。为防止数据不一致，在新的急诊分类重新分类后，21318份记录被排除在本研究范围之外。另外，保健福利部从2005年开始实施的医疗技术改善措施可能会对未计划的edrv数量产生很大影响。因此，1996年至2004年的44114条记录被删除。最后剔除值不完整或不符合逻辑的20478条记录，以保证分析数据的准确性和一致性。最终样本量为49,252条记录，其中包括3510条72小时内的非预定EDRV记录。

变量

为了建立老年患者的计划外edrv的预测模型，我们应用了a的存在或不存在72小时不定时EDRV作为因变量。患者、疾病、医院和医生相关特征作为自变量。患者相关特征包括性别、年龄、经济状况(ES)、重大疾病或损伤、慢性疾病(如高血压、糖尿病、心脏病、肠功能障碍、脑血管疾病、慢性肾脏炎症、前庭疾病、精神疾病、关节炎、癌症药物治疗和监测)。疾病相关特征包括TC、诊断类别(DC)、影像学检查(x线检查、特异性血管造影和超声扫描)、手术倾向、疾病严重程度(DS)和在急诊科的住院时间(LOSED)。与医院相关的特征包括医院水平和城市化水平。医师相关特征包括性别、从业年限和专业。

在上述自变量中，只有年龄是连续变量;所有其他变量都是具有名义或序数刻度的分类变量。此外，慢性疾病和x线检查这两个变量还包含了几个子变量。与所包含变量相关的详细信息显示在多媒体附件1．

分析方法

我们应用C4.5技术(即Weka中的J48)来创建分类的决策树。决策树使用一个简单的树结构来表示自变量和因变量之间的一组IF-THEN规则。树结构由多个内部节点和叶节点组成。在决策树中，每个内部节点表示单个自变量，节点的每个分支表示自变量的一个可能值或一组可能值，每个叶节点表示一个类标签。

采用10倍交叉验证方法将数据集随机划分为10个子集。验证重复10次。建立了混淆矩阵来评价分类模型的性能。随后，我们计算了10个测试集分类结果的平均准确率。并对其敏感性和特异性进行了检测。敏感性是指预测模型准确预测样本总体中edrv的能力，特异性是指预测模型准确预测样本不返回ED的能力;准确性是指预测模型的准确性，无论是否返回ED。

最终样本量为49,252条记录，其中包括3510条72小时内的非预定EDRV记录。然而，72小时内的计划外edrv数量仅占紧急就诊(非计划外edrv)的7.13%(3510/49,252)。这就产生了一个类不平衡的问题，这可能导致罕见类(未调度的edrv)在预测模型中被忽略。为了克服这一问题，我们从紧急就诊样本(3659/45,742,7.99%)中随机选择了计划外edrv和紧急就诊，保持了大约1:1的比例。然后，我们将非计划的edrv和紧急访问的总样本合并到一个单一的测试数据集。本研究通过在Weka软件中设置监督重采样属性(biasToUniform=200)，使测试数据集的非计划edrv和老年患者急诊的样本量成比例增加。在这样的重新采样过程后，老年患者的计划外edrv和急诊就诊的平均数量分别为7231和7153。经过30次重复重采样和混合程序后，我们获得了30个测试数据集，并通过十倍交叉验证将测试数据集用于进一步的决策树分析。在本研究中，决策树准确预测计划外edrv的平均敏感性为76.65%，准确预测不返ED的平均特异性为76.95%，平均总体预测准确率为76.80%。

道德声明

本研究已获机构审查委员会批准。台中市荣民总医院SE20209B。由于NHIRD数据集包括用于研究目的的未识别的二手数据，因此未获得研究参与者的书面同意，台中退伍军人总医院的机构审查委员会已正式书面放弃同意的需要。

结果

决策树分析

根据Weka J48实现的C4.5决策树的增益比结果，决策树显示ES、癌症药物治疗和监测、LOSED、脑血管疾病、DC、医生执业年份、患者年龄、LU、x线、DS、TC、医院级别是数据分类和预测的关键变量。排名前三位的影响变量依次为ES、慢性疾病-癌症药物治疗和监测(CICDTM)和lose。老年ED患者72小时非计划性EDRVs与患者ES呈负相关，与患者CICDTM呈正相关，与患者lose呈负相关。这表明低收入家庭或CICDTM患者在72小时内发生计划外edrv的风险更高。如果老年患者在第一次就诊时住院一晚或更长时间，edrv的可能性会呈指数下降。

预测老年患者非排期edrv的决策标准

决策树为老年患者的计划外edrv生成了11种预测模式(规则)，在图1．

的上半部分所示图1，前三位影响因素为ES、慢性病和lost。决策树的每个分支代表一个决策规则，指示72小时非计划edrv内可能性或风险较高的决策路径。矩形框中前面的数字表示EDRV，另一个表示不带EDRV的数字。例如，节点ES的左分支，称为规则1，代表380名来自低收入家庭的老年EDRV患者和133名没有EDRV的患者(文本框1)．从规则3-11中可知，老年患者并非来自低收入家庭，没有接受过癌症药物治疗和监测;因此，这两个特征在括号内的解释中没有重复。

‎ 查看此图

讨论

主要研究结果

在28个被调查变量中，如多媒体附件1在患者相关、疾病相关、医院相关和医生相关特征中，只有12个变量在决策树预测模型中被确定为关键标准。本研究发现患者特征中的ES、年龄、CICDTM、慢性疾病-脑血管疾病以及疾病特征中的TC、DC、x线、DS、LOSED是影响非计划性edrv的关键因素。此外，医院特征中的医院级别和LU以及医生特征中的执业年数是发生计划外edrv的关键预测因素。结果显示，患者相关、疾病相关、医院相关和医生相关特征的部分调查变量是影响老年患者非计划性edrv的关键因素。通过决策树分析，本研究发现了11条有用的决策规则，可根据识别的因素预测72小时内的计划外edrv。获得的决策规则可以很容易地被急诊科的医生和护士应用，以评估老年患者72小时内发生计划外edrv的风险或可能性。ES、CICDTM、lose是高龄患者72小时内非排期edrv预测模型的前三个影响变量。

在这项研究中，我们证实了经济特权较低的老年急诊科患者比另一组患者更有可能返回急诊科。此外，这些发现与之前的研究一致[42］．可能的原因包括低生存能力的老年人没有足够的资源来照顾他们的健康和基本的预防性保健。他们经常推迟就医，因此对紧急医疗资源有很高的需求。因此，贫困老年患者的病理状况也比富裕老年患者更为复杂，这增加了治疗的难度，导致了较高的edrv发生率。

此外，慢性症状仍然普遍存在或经常复发的老年患者可能更愿意回到急诊科进行快速方便的治疗，而不是去门诊。需要癌症药物治疗和监测或被诊断为慢性脑血管疾病的老年患者72小时计划外edrv发生率较高。这些结果证实了lilaw等人的发现[26]， McCusker等[31]，吴等[27］．可能是因为癌症或脑血管疾病患者对疼痛的紧急治疗和住院需求更大。此外，被诊断为慢性脑血管疾病的患者二次中风的风险很高。积极干预以提高疼痛控制和中风预防医学教育的有效性和效率，可以帮助患者及其家庭成员管理和减轻这一风险，并进一步降低他们的edrv。

我们还发现，LOSED时间较短的老年患者的edrv发生率高于在急诊室过夜或更长时间的患者。已知65岁以上的患者代谢率较低[43]，而延长住院时间可让医护人员更详细地观察所提供治疗的成效。它还可以进一步验证患者对处方药的反应，并修改所需药物的类型。然而，缺乏足够的急诊科资源可能会导致诸如急诊科过度拥挤、医院病床数量不足或不良评估实践等问题。它还可以防止医院增加急诊科老年患者的LOS。

在本研究中，一些特定DC(传染病和寄生虫病、肿瘤、内分泌和免疫疾病、精神疾病、循环系统疾病、呼吸系统疾病、消化系统疾病、生殖-泌尿系统疾病、肌肉-骨骼系统疾病)的体征、症状和诊断较不明确，在某些情况下(来自非低收入家庭且LOS小于1天的患者以及无CICDTM和脑血管疾病的患者)，发现与计划外edrv高度相关。结果显示，只有部分DC(疾病类型)[12，25，27]被认为是影响老年患者非计划性edrv的因素;但在本研究中，部分DC未被视为显著性因素。

在TC水平上被分类为3级或更高级别的老年患者，如果他们由执业时间少于11年的医生治疗，则更有可能发生72小时的计划外edrv，这一结果与之前的一项研究部分一致[15，34］．传统的急诊医学课程不包括老年病学;课程材料侧重于照顾65岁以下的成年人或儿童。同时，为老年患者提供医疗服务的挑战是非常具体和复杂的。拥有多年实践经验的医生可能会克服急诊医学中缺乏正规老年医学培训所产生的问题，而缺乏急诊科经验则增加了准确诊断老年患者症状的难度。

此外，由于缺乏明显的症状，医生往往低估了虚弱的老年患者的TC。这增加了延迟治疗的风险和发生计划外edrv的可能性。普氏等[44]也断言TC是专门为一般成年人群设计的，对老年人群没有足够的特异性，也没有反映他们病理状况的严重程度。

限制

如上所述，决策树已广泛应用于各种临床研究，分析结果可以很容易地应用于临床实践。我们通过决策树开发的预测模型在敏感性、特异性和总体预测精度方面都达到了可接受的速率。未来的研究者可以借鉴本研究的结果，应用随机森林或支持向量机等其他方法生成预测模型，并获得更高的精度。由于数据是在台湾收集的，所以在推广本研究结果时需要谨慎。同时，由于NHIRD的内容有限，无法获得索赔数据以外的重要变量。此外，保险面积和城市化程度可能与实际居住面积有所不同。此外，本研究排除的20,478条值不完整或不合逻辑的记录可能会造成选择偏差。未来的研究可以使用先进的插值技术来探索被删除记录的特征，并扩展本研究的结果。

结论

与以往研究相比[11，12，14-17]，过去来自单一机构的研究样本不可能讨论从不同医院返回急诊科的患者。本研究使用NHIRD更全面地了解老年患者72小时内的edrv。本研究从28个调查因素中确定了12个关键预测因素，并提供了11个决策规则，用于在72小时内早期发现和可能预防计划外edrv。如65岁及以上的低收入家庭或CICDTM患者，初次就诊时LOSED时间相对较长，应给予更多关注。

医疗卫生是台湾经济的重要组成部分新南下政策［45]与东南亚亚太大家庭的18个国家建立伙伴关系。本研究结果可为相关国家规划及推广医疗服务及老年友好政策提供参考。在人口迅速老龄化的国家，急诊科的人口结构已经实质性地向老年患者转移，大多数急诊科没有为照顾老年人口的挑战做好充分准备。尽管大多数急诊医学课程材料侧重于65岁以下儿童和成年人的护理，但一些国家已开始将老年病学和急诊医学培训纳入明确和经过验证的老年急诊医学课程[46］．台湾急诊医学学会已将老年病纳入其急诊医学课程，培训和强调老年患者的急性问题，包括医疗和无遗嘱道德，以及对老年人友好的保健机构的认证。

对于医生来说，我们的预测模型可以作为改善医疗管理和临床服务的参考，以减少老年患者72小时计划外edrv。政策制定者可以利用这项研究的结果来激励医疗机构在老年患者及其家庭成员出院前提供适当的教育。医疗机构可建立机制，纳入我们的预测模型，并开发紧急复诊的决策支持系统，类似于其他临床决策支持系统[47，48］．该系统可用于早期发现和预防计划外edrv的分诊程序，并将帮助卫生保健提供者快速识别可能发生计划外edrv的老年患者，并进一步降低此类就诊率。

综上所述，本研究基于NHIRD的大规模基于人群的回顾性数据，并使用了机器学习技术，该技术从海量数据中展示了卓越的容错能力和学习能力。与其他机器学习技术相比，决策树机器学习技术的简单性、可解释性和结果的适用性被进一步用于数据分析和验证。通过决策树技术，从患者特征、疾病特征、医院特征、医生特征等方面，得到影响非预定EDRV预测模型的重要因素的决策规则。该决策规则可作为早期发现老年人非计划性EDRV的参考。进一步的研究可以基于本研究的结果，整合医院的信息系统或电子病历，为不同医院的老年人制定适当的计划外edrv规则。