基于电子健康记录的自动再入院预测模型越来越多地作为预防工作的一部分，但其准确性适中。Journal of Nursing Management杂志发表了一项研究，旨在评估内科病房医生和护士识别患者心理社会和临床特征是否与患者再次入院的可能性相关。
这项前瞻性研究基于临床医生的自我报告调查和电子健康记录数据。调查于2016年5月至2017年6月在3家综合医院的15个内科病房进行。检查了再入院风险预测模型（PREADM）、临床医生的再入院风险分类和实际再入院率（ARRs）之间的一致程度。制定决策树，根据再入院风险对患者进行分类。根据护士再入院风险（NRR）和医生再入院风险（PRR）评估，这些变量按5点李克特量表（从1-极低风险到5-极高风险）进行分类，并分为极低至中等风险类别（1-3至0）和高至极高风险类别（4-5至1）。
研究最终队列包括373名患者和704名临床医生（373名来自医院护士，331名来自医院医生；由于医生没有填写调查，42名患者的信息缺失）。约60%的患者被归类为高PREADM评分。总的来说，护士和PREADM在243例（65.5%）患者的风险方面达成了一致。
被PREADM和NRR评定为高风险患者的ARR很高（32.1%）。同样，那些被PREADM和NRR评定为中低风险的患者平均ARR很低（14.2%）。护士和PREADM评分对128名患者（34.5%）的再入院风险存在分歧：11.9%的患者的NRR很高，而PREADM评分为低-中等，ARR高于平均水平；22.6%的患者NRR为低-中等；PREADM评分较高，ARR低于平均水平。
临床医生的风险评估与该模型之间的差异，护士为34.5%，对于医生为33.5%。决策树算法将模型中低风险患者的22%和9%（分别基于护士和医生）识别为高风险患者（准确度分别为0.8和0.76）。
将再入院模型与临床洞察力相结合，可以提高识别高危老年患者的能力。研究为根据护士的评估选择高危再入院患者的决策过程提供了算法。
原文出处：
Natalie Flaks-Manov, Efrat Shadmi, et al, Identification of elderly patients at risk for 30-day readmission: Clinical insight beyond big data prediction, Journal of Nursing Management. 2022,DOI: 10.1111/jonm.13495.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
大数据真的很重要
41