重症监护护士是重症监护病房(ICU)中最大的工作人员，每周7天，每天24小时为患者提供基本护理。充足的护士配备对于高质量的重症监护至关重要;大量文献表明，患者预后与护士人员配置模式之间存在关联，包括护士与患者比率、护士教育和护士工作环境[ 1- 7］．该文献有助于制定ICU人员配置指南，加强ICU护理，降低美国医院的死亡率[ 8， 9］．尽管这些指南有益，但有一个局限性是，它们只关注ICU护士的平均水平，而不是具有不同专业知识、经验和熟悉跨专业护理团队其他成员的个体。因此，这些方法没有考虑到床边个别重症护理护士的具体行动和知识，也没有考虑到在患者ICU住院期间发生的人员配置变化。这些方法也受到生态学谬误的影响，因为在群体水平观察到的流行病学关系在个体患者水平上可能不存在[ 10］．

需要更多的研究来了解个别护士的特征，而不仅仅是护理特征的总和，如何影响患者的结果。在这一领域取得进展的一个关键障碍是缺乏有效和可靠的方法来大规模地将特定护士与特定患者联系起来。电子健康记录(EHR)是解决这一差距的潜在宝贵资源。护士使用电子病历完成各种各样的任务，包括评估文件和药物管理。在完成这些任务时，护士会留下电子签名形式的元数据，表明他们是进行评估或给药的人。理论上，这些元数据可用于在轮班期间将个别护士与特定患者联系起来，从而生成个别护士对患者分配的高粒度度量。这种方法将促进个体层面的研究，检查各种护士特征和患者结果之间的联系。这项研究还可以帮助开发复杂的算法，根据护士技能和患者需求生成个性化的护士对患者的分配。本研究的目的是确定使用电子签名形式的电子病历元数据来确定ICU护患分配的可行性。

最终的分析数据文件包含5,479,034次护患病历;748771 patient-shifts;87466人住院;70,002名病人( 表2)．数据中有8,134名护士，其中4,797名(59.0%)被确定为至少一个班次的主要护士。患者平均年龄63.8岁(SD 17.1岁);女性32199例(46.%);白人58,476人(83.5%)。大多数患者出院至长期急症护理医院或专业护理机构(n= 36435, 52%)或家庭(n= 22380, 32%; 表3)．

文中报告了该算法与图表评审参考标准的性能比较 表4．该算法非常准确，在93%的时间里正确识别出了主要护士或正确识别出没有主要护士。该算法也相当精确，当确定了主要护士时，94.4%的病例有正确的主要护士。在少数情况下，算法确定了一名主要护士，但图表审查确定了另一名主要护士，这通常是因为确定了手术室或楼层护士，不规律的轮班时间(如兼职护士)，或护士分担任务的紧急情况(如心脏骤停)。

在主图表回顾的5个案例中，算法没有识别出主要护士，在50个补充图表回顾案例中，我们发现潜在原因是由于各种情况。在大约一半的病例中，我们可以在图表审查中确定一名主要护士。然而，这些信息通常存在于EHR中对算法不可见的元素中，例如转移或出院表单、疼痛评估或患者死亡后的安排。在其他病例中，图表回顾显示有2名初级护士，因为其中一名护士正在接受单位的指导。最后，有些情况下，即使通过图表审查，也没有护士的身份，因为没有数字文件来验证主要护士的身份。这通常发生在患者在轮班后期入住ICU或在轮班早期离开ICU时，因此在ICU的时间非常短。

精度和精密度计算如下:

回顾完整的数据集，在97.3%(728,533/748,771)确定有一名主要护士的患者轮班中，患者轮班期间在ICU的中位数时间为12小时，而在2.7%(20,238/748,771)没有确定有一名主要护士的患者轮班中，在ICU的中位数时间为1.3小时。在特定的应用中，研究人员可以排除这些变化，并期望得到更强的算法性能。

我们开发并验证了一种算法，该算法使用来自EHR的元数据识别护士-患者分配。在大量文献的基础上，将医院一级的护士配备措施与患者的结果联系起来[ 11]，本研究提出了一种新的方法来表征个别护士-病人分配。这种方法为研究护理人员配置模式对患者结果的影响开辟了几个新的途径。通过护士与患者的直接联系，将有可能调查机制，护理特点，以及护士人员配置和患者结果之间关系的团队动态。我们的方法也可以应用于护理团队中的其他角色，以调查是否存在类似的关联。

更广泛地说，这项研究证明了EHR元数据作为理解和改善ICU医疗服务的工具的潜在价值。现有的公开数据集，如重症监护医疗信息集市，使用来自电子病历的患者数据，但不包含个别提供者层面的信息，也不将这些提供者与患者联系起来[ 12］．注册护士每周7天，每天24小时提供床边监护，通常是护理团队中第一个发现患者病情恶化的成员。通过将护士个体与患者联系起来，我们的方法超越了单位范围内的人员配置和护士特征的测量，并允许生成更细粒度的测量来研究护士人员配置和患者结果之间的关系。

我们的工作建立在先前使用EHR元数据评估医疗团队结构和功能的基础上[ 13- 19］．与那些研究不同的是，我们的研究侧重于特定的提供者类型，并使用了以患者护理为中心的元数据，而不是与实际护理联系不太紧密的数据，例如访问电子图表时留下的数据。根据之前的工作，我们的方法可以应用于医疗团队中的其他角色(例如，呼吸治疗师和物理治疗师)，以检查和优化团队动态和协作[ 13， 15， 16］．与Hribar及其同事所做的工作类似[ 14]在门诊，我们可能能够检查EHR中任务的时间和密度，以优化各种干预措施的调度(例如，自主呼吸试验)。

这项研究的主要优势包括使用不同ICU类型的大型多中心数据集，以及开发一种新颖但可推广的算法所固有的创新，该算法将护士与使用EHR的患者联系起来。除了这些优点，本研究也有一些局限性，可能是偏见或不精确的来源。首先，我们获得的元数据仅限于临床评估和给药的EHR文档。我们关注这些领域是因为我们认为它们与临床护理联系最紧密，因此最能代表实际的床边护士。然而，护士在EHR中绘制了其他信息，可以想象，使用额外的元数据来源可能会导致床边护士的错误识别，从而恶化算法性能。由于绝大多数偏移都包含相关的元数据，我们怀疑任何偏差都是最小的，总体上将有助于提高算法的准确性和精度。我们也只使用了EHR元数据，而没有使用其他来源的数据，例如可以直接识别床边护士的床跟踪数据。虽然这些数据可能更容易准确和精确地识别床边护士，但我们决定使我们的算法最大限度地一般化，因为许多医院不使用病床跟踪软件，而越来越多的医院使用电子病历[ 20.］．我们还选择保留所有的病人轮班，而不局限于那些在ICU呆了12小时的人。在ICU的时间越短，主护士留下数字签名的机会就越少，错误识别的可能性就越高(例如，分配病房护士)。排除这样的移位可能会提高我们的算法性能，但我们认为保留它们会使我们的算法更具普遍性。最后，该算法是使用来自宾夕法尼亚州西部一家大型医院系统的几个icu的EHR数据开发的，这些数据可能缺乏对其他设置和医院系统的泛化性。然而，这些医院在规模和学术地位方面各不相同，使它们在很大程度上代表了美国医疗保健系统。

在未来的工作中，有可能将该算法应用于护理团队中的其他角色，如呼吸治疗师和物理治疗师。最终，确定个体提供者和个体患者之间的联系将开辟新的研究方向，探讨提供者特征和团队特征如何与个体患者的结果相关联。除了创建基于证据的护士与患者的任务，即护士的技能与患者的需求相匹配之外，我们还可以有意识地构建护理团队，以最大限度地提高护理的连续性和团队的连通性[ 21， 22］．

综上所述，该算法可以根据EHR中的护士文件准确识别护患分配。研究人员可以使用该算法生成护士-患者分配的数据，并回答与患者层面和护士分配层面的护士健康服务研究相关的问题。