临床恶化早期预警系统评分 (CDEWS)

第一阶段：预测模型的推导 2017 年参与中心收治的患者数据将从 OBI 电子病历和实验室数据管理系统中提取。 本项目签约的数据分析师将与来自健康管理部门和研究部门的临床合作者一起负责数据的清理和清理以及预测模型的生成和内部验证。

第 2 阶段：电子病历中的实施：模型和风险量表生成后，将在参与中心的 Osabide Global 中作为警报系统实施。 为此，HGU 的 UGS 将创建一份行动指南，该指南一经验证，将被导出到其他两个中心。 该系统将在与生命体征相关的 RIC 元素的基础上运行，并将指导专业人员完成整个过程，以便向医生显示已被证明是计算风险所必需的分析数据，或者在事件发生时没有要求患者进行特定的实验室测试、拔牙建议。 系统获得所有数据后，屏幕上会弹出警告，其中包含风险量表结果和轻度-中度-重度风险类别，以及包含行动建议的报告。基于 ViEWS 量表的建议，来自医生在连续监测开始时通知负责的护士，并由负责的主治医生在不到 15 分钟的时间内就诊，主治医生还将通知 ICU 医生将患者转移到他/她将接受监测和采取行动的病房，见附件 1。 该警报系统将由临床合作者、GSU 和数据分析师在 HGU 中展示。 数据分析师将与共同研究人员一起负责生成警报系统，参加在中心介绍警报系统的会议，随后将不断探索使用和遵守情况风险量表的负责人，将收集系统实施过程中可能出现的疑虑和问题，并负责风险量表的实施。

第 3 阶段：预测模型的外部验证。 临床结果比较：一旦每个中心发生 100 起事件（希望大约有 8000 名患者入院），预测模型将得到验证。 在此期间，将在实施期间和实施后收集数据，以便比较实施前后观察到的临床恶化情况。 数据分析师将对信息进行提取、排序和清洗，以便后续能够进行相应的统计分析。

统计分析

本项目的数据处理流程将按照以下步骤建立，分为两部分：

A) 开发和验证临床恶化、转入重症监护病房、住院期间心肺骤停或死亡的预测模型。

对模型推导/内部验证队列的描述性分析，该队列由来自回顾性队列的三个参与中心的患者组成。 将收集研究中记录的变量损失的信息。 还将收集被排除患者的信息。 将评估对记录变量中缺失数据应用插补技术的可能性。

2.- 创建预测模型将遵循以下几点： 收集的样本分为两个子样本： 推导组1：将总样本分为60%，用于推导主要结局变量——临床恶化的预测模型；第 2 组预测规则验证：将在此样本（样本的 40%）中验证模型。 还将按性别分类进行分析。 b. 在第一组中，将确定临床恶化的风险因素，以及转移到重症监护病房、住院期间心肺骤停或死亡的风险因素。 将进行双变量分析以研究哪些可能的预测变量与每个结果参数相关。 p 值 <0.20 的那些变量将被识别为输入多级多元逻辑回归模型的潜在预测变量。 那些具有统计显着性的变量将被选择用于最终量表。 该模型中的变量类别将根据该多元模型中获得的参数 β 分配一个分数。 这样就得到了它的总分和ROC曲线。 根据这个规模，将创建 X 个风险类别。

3.- 所开发的预测模型的拟合优度和比较。 将找到参数来评估第 2 节中开发的预测模型的判别和校准能力。一方面，在二分因变量的情况下，将计算 ROC 曲线下的面积（AUC，判别能力），考虑到值 >0.80 才能成为稳健的预测模型。 除了 AUC 之外，模型的校准还将通过 Hosmer-Lemeshow 检验进行估计（p 值 ≥0.05 的良好校准）。

4.- 预测模型的内部验证 预测模型的验证将在验证组 2 中进行。预测模型和量表将在该组中通过使用推导样本（组 1）中获得的预测值进行验证。 通过与衍生样品中获得的结果进行比较，可以获得灵敏度、特异性和曲线下面积。 模型的校准能力将通过 Hosmer-Lemeshow 检验进行评估，区分能力则通过 ROC 曲线进行评估。 作为附加内部验证的一种形式，将通过引导方法执行验证。

5.-预测模型的外部验证 在回顾性队列中开发的模型的外部验证将应用于前瞻性队列。 首先，通过考虑原始模型中获得的回归系数，在剩余队列中找到线性预测变量（LP）。 将开发逻辑回归模型。 这些模型的外部验证将考虑三个主要程序：模型拟合、区分和校准。 首先，为了验证模型拟合，我们将对剩余队列开发逻辑回归模型，将 LP 视为协变量来估计其 beta 回归系数。 如果斜率的β回归系数为1，则认为拟合良好。其次，为了评估模型的辨别力，将通过自举和交叉验证方法计算AUC。 AUC 值 >0.80 将被视为稳健的预测模型。 第三，将通过计算总体校准、校准斜率（均源自校准图）和 Hosmer-Lemeshow 检验来评估校准。

B) EWS 临床损害评估 6.- 结果比较：为了比较实施警报系统后的结果，将比较实施 HGU 之前和之后临床恶化的患者百分比，以及在此评估期间，将实施警报系统的 HGU 与将继续其通常做法的 HUD 和 HUA 中出现的百分比之间的百分比。 为了评估形成队列时发生偏倚的可能性，将计算倾向评分，以解释根据观察和解释的自变量分配到一个（HGU 患者）或另一个队列（HUD+HUA）的概率在“暴露变量”部分。 该倾向得分将作为自变量输入最终模型的复制中以及暴露情况，并对两种情况下获得的系数进行比较。