CN116665901A - Copd急性加重期患者超时长住院的评分系统 - Google Patents
Copd急性加重期患者超时长住院的评分系统 Download PDFInfo
- Publication number
- CN116665901A CN116665901A CN202310676226.2A CN202310676226A CN116665901A CN 116665901 A CN116665901 A CN 116665901A CN 202310676226 A CN202310676226 A CN 202310676226A CN 116665901 A CN116665901 A CN 116665901A
- Authority
- CN
- China
- Prior art keywords
- hospitalization
- patients
- integral
- aecopd
- copd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000009798 acute exacerbation Effects 0.000 title claims abstract description 21
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 title description 19
- 238000000556 factor analysis Methods 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 108010048233 Procalcitonin Proteins 0.000 claims description 22
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 claims description 22
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 17
- 108010049003 Fibrinogen Proteins 0.000 claims description 11
- 102000008946 Fibrinogen Human genes 0.000 claims description 11
- 206010020751 Hypersensitivity Diseases 0.000 claims description 11
- 229940012952 fibrinogen Drugs 0.000 claims description 11
- 210000000265 leukocyte Anatomy 0.000 claims description 11
- 102100032752 C-reactive protein Human genes 0.000 claims description 8
- 210000002966 serum Anatomy 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 210000000440 neutrophil Anatomy 0.000 claims description 5
- 238000004062 sedimentation Methods 0.000 claims description 5
- 230000035487 diastolic blood pressure Effects 0.000 claims description 4
- 230000035622 drinking Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000000391 smoking effect Effects 0.000 claims description 4
- 230000035488 systolic blood pressure Effects 0.000 claims description 4
- -1 academic amyloid Proteins 0.000 claims description 3
- 108010017384 Blood Proteins Proteins 0.000 claims description 2
- 102000004506 Blood Proteins Human genes 0.000 claims description 2
- 102000004169 proteins and genes Human genes 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 101710190759 Serum amyloid A protein Proteins 0.000 description 7
- 101000882584 Homo sapiens Estrogen receptor Proteins 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010036790 Productive cough Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 102000009091 Amyloidogenic Proteins Human genes 0.000 description 1
- 108010048112 Amyloidogenic Proteins Proteins 0.000 description 1
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 208000037883 airway inflammation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Bioethics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了COPD急性加重期患者超时长住院的评分系统,包括:单因素分析模块、转换分析模块和评分模块;所述单因素分析模块用于标准时长组与超时长组之间的单因素分析;所述转换分析模块根据筛选出的因素绘制ROC曲线,将筛选出的因素由连续变量转换为分类变量并进行Logistic回归分析;所述评分模块基于所述Logistic回归分析结果和多因素分析得到独立危险因素的OR值,得到AECOPD患者的积分,所述积分用于判断是否超时长住院。本申请对患者进行分层管理,对危重症患者及早干预,优化医疗资源分配问题、减轻患者花费,减少患者经济负担。
Description
技术领域
本申请属于智慧医疗技术领域,具体涉及COPD急性加重期患者超时长住院的评分系统。
背景技术
慢性阻塞性肺疾病急性加重期(Acute exacerbation of chronic obstructivepulmonary disease,AECOPD)通常表现为短时间内原有呼吸道症状突然急性加重,可出现严重呼吸困难、痰量增加,甚至脓痰等症状,超出日常变异范围,主要是与气道炎症增加、粘液分泌过多和气体潴留等发病机制相关,最终需要改变药物治疗。
由于COPD的高发病率和高死亡率等特点,全球医疗体系面临着严峻的挑战。AECOPD是全世界发病率和死亡率的主要原因之一,也是导致重大财政压力的重要因素。近年,Ritchie等人一项研究表明,COPD患者每年的医疗经济负担可超过320亿美元,而病情急性加重估计占这些卫生保健费用的50%~75%。从卫生经济学的角度来看,住院时间延长是经济的一个重要替代指标,也是成本控制的主要目标。许多研究人员已经证明,成本与住院时间延长高度相关。AECOPD经济负担与住院时间密切相关。因此,确定与超时长住院相关的因素有助于提供干预措施,以减轻AECOPD的严重程度,缓解AECOPD患者经济负担,优化医疗资源利用。
对于临床医师而言,早期识别需要延长住院治疗时间的AECOPD患者尤为重要。单纯依靠临床医师的经验及判断有着局限性,所以临床上涌现出众多评分系统,如改良版英国医学研究委员会呼吸困难问卷(Modified british medical research councilrespiratory questionnaire,mMRC)、慢性阻塞性肺疾病评估测试(Chronic obstructivepulmonary disease assessment test,CAT)、临床慢性阻塞性肺疾病问卷(Clinical COPDquestionnaire,CCQ)、圣乔治呼吸问卷(St.George's respiratory questionnaire,SGRQ)、AECOPD-F评分等。
临床上应用于预测AECOPD患者住院时间的评分系统较少,虽然由Anthonisen分型、上一年的加重次数、查尔森合并症指数、氧合指数、动脉血中二氧化碳分压(PaCO2)、博格呼吸困难入院评分、呼吸衰竭历史组成的AECOPD-F评分可以预测AECOPD患者住院时间,但是其存在一定程度的回忆偏倚,临床实际工作中应用较少。另外,目前临床上关于AECOPD的评分系统过多注重于患者的主观症状变化,个体差异性较大,所以寻找客观指标建立量化的慢阻肺评分系统十分重要。
发明内容
本申请提出了COPD急性加重期患者超时长住院的评分系统,本申请对AECOPD患者超时长住院的独立危险因素进行了分析,并将多种预测指标结合起来,建立了AECOPD超时长住院的评分系统,从而使临床医师能够对AECOPD患者进行分级管理,筛选高风险患者,科学调控医疗资源,选择合适的治疗方案,早期识别AECOPD超时长住院患者,减轻AECOPD患者经济负担,改善AECOPD患者生活质量。
为实现上述目的,本发明提供了COPD急性加重期患者超时长住院的评分系统,包括:单因素分析模块、转换分析模块和评分模块;
所述单因素分析模块用于标准时长组与超时长组之间的单因素分析;
所述转换分析模块根据筛选出的因素绘制ROC曲线,将筛选出的因素由连续变量转换为分类变量并进行Logistic回归分析;
所述评分模块基于所述Logistic回归分析结果和多因素分析得到独立危险因素的OR值,得到AECOPD患者的积分,所述积分用于判断是否超时长住院。
可选的,所述标准时长组的时长为AECOPD住院时间小于等于16天;所述超时长组的时长为AECOPD住院时间大于16天。
可选的,所述单因素包括:年龄、白细胞、中性粒细胞计数、纤维蛋白原、血沉、超敏C反应蛋白、学情淀粉样蛋白、降钙素原、性别、吸烟史、饮酒史、合并疾病、体温、脉搏、呼吸频率、收缩压、舒张压比较。
可选的,将所述年龄、白细胞、中性粒细胞计数、纤维蛋白原、血沉、超敏C反应蛋白、血清淀粉样蛋白、降钙素原作为自变量,AECOPD是否超时长住院作为因变量,采用SPSS26.0绘制ROC曲线。
可选的,将所述筛选出的因素由连续变量转换为分类变量的过程包括:
将所述ROC曲线截断,确定截断值;
将所述截断值作为分类依据,将因素分为大于截断值与小于截断值两部分。
可选的,所述独立危险因素包括:年龄、超敏C反应蛋白、血清淀粉样蛋白、降钙素原。
可选的,所述独立危险因素的OR值,得到AECOPD患者的积分包括:
当年龄小于72岁时,积分为0,当年龄大于等于72岁时,积分为2;
当超敏C反应蛋白小于33.40时,积分为0;当超敏C反应蛋白大于等于33.40时,积分为6;
当血清淀粉样蛋白小于73时,积分为0;当血清淀粉样蛋白大于等于73时,积分为6;
当降钙素原小于0.23时,积分为0;当降钙素原大于等于0.23时,积分为4。
与现有技术相比,本申请的有益效果为:
将年龄、CRP、SAA和PCT联合构建AECOPD超时长住院的评分系统,对每个患者进行评分,利用这个简单的临床评分系统,以便于临床医师早期识别AECOPD超时长住院患者,对疾病的预期自然病程进行预判,可以对患者进行分层管理,对危重症患者及早干预,优化医疗资源分配问题、减轻患者花费,减少患者经济负担。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的COPD急性加重期患者超时长住院的评分系统的系统结构图;
图2为本申请实施例的COPD急性加重期患者超时长住院的评分系统的根据评分模块总分值的ROC曲线结果显示图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一:
在本实施例中,如图1所示,COPD急性加重期患者超时长住院的评分系统,包括:
单因素分析模块、转换分析模块和评分模块;
单因素分析模块用于标准时长组与超时长组之间的单因素分析;
其中,年龄、白细胞(WBC)、中性粒细胞计数(NEU)、纤维蛋白原(FIB)、血沉(ESR)、超敏C反应蛋白(hs-CRP)、血清淀粉样蛋白(SAA)、降钙素原(PCT)比较,差异具有统计学意义(P<0.05),表明年龄、WBC、NEU、FIB、ESR、hs-CRP、SAA、PCT对AECOPD患者超时长住院有影响。标准时长组与超时长组性别、吸烟史、饮酒史、合并疾病、体温、脉搏、体温、呼吸频率、收缩压、舒张压比较,差异无统计学意义(P>0.05)。
转换分析模块根据筛选出的因素绘制ROC曲线,将筛选出的因素由连续变量转换为分类变量并进行Logistic回归分析;
评分模块基于Logistic回归分析结果和多因素分析得到独立危险因素的OR值,得到AECOPD患者的积分,积分用于判断是否超时长住院。
标准时长组的时长为AECOPD住院时间小于等于16天;超时长组的时长为AECOPD住院时间大于16天。
单因素包括:年龄、WBC、NEU、FIB、ESR、hs-CRP、SAA、PCT、性别、吸烟史、饮酒史、合并疾病、体温、脉搏、呼吸频率、收缩压、舒张压比较。AECOPD标准时长组与超时长组中年龄、hs-CRP、SAA、PCT是AECOPD患者超时长住院的独立危险因素(P<0.05),而WBC、NEU、FIB、ESR不是AECOPD患者超时长住院的独立危险因素(P>0.05)。
将年龄、WBC、NEU、FIB、ESR、hs-CRP、SAA、PCT作为自变量,AECOPD是否超时长住院作为因变量,采用SPSS26.0绘制ROC曲线。年龄、WBC、NEU、FIB、ESR、hs-CRP、SAA、PCT变量最初进行单因素分析时为连续数值变量,应用ROC曲线下面积进而转变为二分类变量,以便于进行后续分析。
其中,超时长住院标记为1,非超时长住院标记为0。
将筛选出的因素由连续变量转换为分类变量的过程包括:
将ROC曲线截断,确定截断值;
将截断值作为分类依据,将因素分为大于截断值与小于截断值两部分。
经过Logistic回归分析后,发现年龄、hs-CRP、SAA、PCT与AECOPD患者超时长住院密切相关,是AECOPD患者超时长住院的独立危险因素(P<0.05)。
独立危险因素包括:年龄、hs-CRP、SAA、PCT。
采用多因素分析,得到各独立危险因素的OR值为权重,构建预测AECOPD患者超时长住院风险的评分系统,对于每个变量,入院是根据得到的结果在评分系统中得到对应的不同积分,然后将这四个变量的积分相加得到总分,进而通过总分确定AECOPD患者是否存在超时长住院风险。评分模块的满分为18分,分值越高的AECOPD患者,超时长住院的可能性就越大。
独立危险因素的OR值,得到AECOPD患者的积分包括:
当年龄小于72岁时,积分为0,当年龄大于等于72岁时,积分为2;
当hs-CRP小于33.40时,积分为0;当hs-CRP大于等于33.40时,积分为6;
当SAA小于73时,积分为0;当SAA大于等于73时,积分为6;
当PCT小于0.23时,积分为0;当PCT大于等于0.23时,积分为4。
对评分模块进行评价的过程包括:利用ROC曲线和总积分判断AECOPD是否超时长住院。对于构建的评分系统进行评价,以ROC曲线下最大面积筛选出评分系统总分≥7分为最佳截断值,并以此作为判断AECOPD患者超时长住院的标准,结果显示,评分系统对AECOPD患者超时长住院的预测结果具有较高的真实性(灵敏度=82.4%,特异度=86.2%),预测的漏诊率和误诊率均较低,并且预测结果与实际情况中高度一致(Kappa值0.669),说明评分系统具有较好的预测能力,具有一定的临床应用价值。
实施例二
选取2020年10月至2022年10月于华北理工大学附属医院呼吸与危重症医学科诊断并治疗的慢性阻塞性肺疾病急性加重期患者391例为研究对象,根据我国慢性阻塞性肺疾病临床诊疗路径及《临床诊疗指南呼吸病分册》,AECOPD平均住院时间为16天,故选择住院时间≥16天的AECOPD患者为超标准时长组(超时长组),住院时间<16天的AECOPD患者为标准时长组。其中131例为超时长组,260例为标准时长组。采用单因素分析以及二元Logistic回归分析筛选出独立危险因素。依据上述危险因素权重大小进行相应赋值得到评分系统。通过受试者工作特征(ROC)曲线得到灵敏度、特异度和Kappa值等评价评分系统的准确性和真实性,从而评价评分系统的临床应用价值。
以多因素分析得出的各危险因素的OR值为权重,构建预测AECOPD患者超时长住院风险的评分系统如表1所示。对于每个变量,入院时根据得到的结果在评分系统中得到对应的不同积分,然后将这四个变量的积分相加得到总分,进而通过总分确定AECOPD患者是否存在超时长住院风险。该评分系统满分为18分,分值越高的AECOPD患者,超时长住院的可能性越大。
表1
如图2与表2所示,根据评分系统总分值的ROC曲线结果显示,可知评分系统预测AECOPD患者超时长住院的AUC为0.899(95%CI:0.865~0.933),表明该评分系统具有较高的预测能力。根据约登指数最大原则筛选预测的临界值为总分≥7分。
表2
预测AECOPD患者超时长住院评分系统的预测效果。
以评分系统总分≥7分作为判断AECOPD患者超时长住院的标准,预测结果如表3所示。结果显示,评分系统对AECOPD患者超时长住院的预测结果具有较高的真实性(灵敏度=82.4%,特异度=86.2%),预测的漏诊率和误诊率均较低,并且预测结果与实际情况中高度一致(Kappa值0.669),说明评分系统具有较好的预测能力,具有一定的临床应用价值。
表3
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (7)
1.COPD急性加重期患者超时长住院的评分系统,其特征在于,包括:单因素分析模块、转换分析模块和评分模块;
所述单因素分析模块用于标准时长组与超时长组之间的单因素分析;
所述转换分析模块根据筛选出的因素绘制ROC曲线,将筛选出的因素由连续变量转换为分类变量并进行Logistic回归分析;
所述评分模块基于所述Logistic回归分析结果和多因素分析得到独立危险因素的OR值,得到AECOPD患者的积分,所述积分用于判断是否超时长住院。
2.根据权利要求1所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,所述标准时长组的时长为AECOPD住院时间小于等于16天;所述超时长组的时长为AECOPD住院时间大于16天。
3.根据权利要求1所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,所述单因素包括:年龄、白细胞、中性粒细胞计数、纤维蛋白原、血沉、超敏C反应蛋白、学情淀粉样蛋白、降钙素原、性别、吸烟史、饮酒史、合并疾病、体温、脉搏、呼吸频率、收缩压、舒张压比较。
4.根据权利要求3所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,将所述年龄、白细胞、中性粒细胞计数、纤维蛋白原、血沉、超敏C反应蛋白、血清淀粉样蛋白、降钙素原作为自变量,AECOPD是否超时长住院作为因变量,采用SPSS26.0绘制ROC曲线。
5.根据权利要求4所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,将所述筛选出的因素由连续变量转换为分类变量的过程包括:
将所述ROC曲线截断,确定截断值;
将所述截断值作为分类依据,将因素分为大于截断值与小于截断值两部分。
6.根据权利要求1所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,所述独立危险因素包括:年龄、超敏C反应蛋白、血清淀粉样蛋白、降钙素原。
7.根据权利要求1所述的COPD急性加重期患者超时长住院的评分系统,其特征在于,所述独立危险因素的OR值,得到AECOPD患者的积分包括:
当年龄小于72岁时,积分为0,当年龄大于等于72岁时,积分为2;
当超敏C反应蛋白小于33.40时,积分为0;当超敏C反应蛋白大于等于33.40时,积分为6;
当血清淀粉样蛋白小于73时,积分为0;当血清淀粉样蛋白大于等于73时,积分为6;
当降钙素原小于0.23时,积分为0;当降钙素原大于等于0.23时,积分为4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676226.2A CN116665901A (zh) | 2023-06-08 | 2023-06-08 | Copd急性加重期患者超时长住院的评分系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676226.2A CN116665901A (zh) | 2023-06-08 | 2023-06-08 | Copd急性加重期患者超时长住院的评分系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665901A true CN116665901A (zh) | 2023-08-29 |
Family
ID=87718747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310676226.2A Pending CN116665901A (zh) | 2023-06-08 | 2023-06-08 | Copd急性加重期患者超时长住院的评分系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665901A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766127A (zh) * | 2014-01-02 | 2015-07-08 | 深圳市永泰中天软件股份有限公司 | 一种预测患者手术后住院天数的方法 |
-
2023
- 2023-06-08 CN CN202310676226.2A patent/CN116665901A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766127A (zh) * | 2014-01-02 | 2015-07-08 | 深圳市永泰中天软件股份有限公司 | 一种预测患者手术后住院天数的方法 |
Non-Patent Citations (2)
Title |
---|
杨新雷;伍鸿鹄;刘松;易云;周伟;葛艳秋;易应萍;: "血液检测值对首发缺血性卒中患者住院时长的预测作用", 现代预防医学, no. 06, pages 1133 - 1137 * |
王光杰;赵慧颖;吕杰;安友仲;: "早期肌钙蛋白I对危重孕产妇重症监护病房住院时间的预测价值", 中华重症医学电子杂志(网络版), no. 02, pages 72 - 75 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
van Vark et al. | Prognostic value of serial ST2 measurements in patients with acute heart failure | |
CN112837819B (zh) | 建立冠状动脉旁路移植术后急性肾损伤预测模型的方法 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
Komal et al. | An ensemble multi-model technique for predicting chronic kidney disease | |
Bakar et al. | A review: heart disease prediction in machine learning & deep learning | |
CN116403714A (zh) | 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质 | |
Luo et al. | Machine learning–based risk model for predicting early mortality after surgery for infective endocarditis | |
Hosseini Sarkhosh et al. | Predicting diabetic nephropathy in type 2 diabetic patients using machine learning algorithms | |
CN114188014A (zh) | 一种患者院内不良预后预测模型构建方法、系统及应用 | |
Miyaki et al. | Novel statistical classification model of type 2 diabetes mellitus patients for tailormade prevention using data mining algorithm | |
CN116665901A (zh) | Copd急性加重期患者超时长住院的评分系统 | |
Mohammadi et al. | Prognostic clinical phenotypes of patients with acute decompensated heart failure | |
Pierre-Jean et al. | Phenotyping of heart failure with preserved ejection faction using electronic health records and echocardiography | |
Metsker et al. | Stroke ICU patient mortality day prediction | |
Sulaiman et al. | Development and validation of a machine learning score for readmissions after transcatheter aortic valve implantation | |
Shakhgeldyan et al. | Interpretable machine learning for in-hospital mortality risk prediction in patients with ST-elevation myocardial infarction after percutaneous coronary interventions | |
Zhou et al. | Prediction of Hospitalization Cost and Length of Stay for Patients with Heart Failure Using Deep Learning | |
De Barros et al. | AttentionHCare: Advances on computer-aided medical prognosis using attention-based neural networks | |
Fuse et al. | Development of machine learning models for predicting unfavorable functional outcomes in patients with chronic subdural hematomas | |
CN115479934B (zh) | 一种基于标志物和影像学的主动脉夹层联合预后评估系统 | |
CN116543894A (zh) | 一种慢性阻塞性肺疾病急性加重预测模型的构建方法 | |
CN116469560A (zh) | 一种慢性心力衰竭患者的共病负担评估系统 | |
Peng et al. | Prediction of post-stroke epilepsy using machine learning method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |