模拟大规模伤亡事件中十秒分诊与筛分法对分诊绩效的影响

有源比较器：筛子

对照组将获得Sieve分诊算法。

其他：筛网分诊算法

Sieve（NARU）分诊算法是一种结构化初级分诊方法，用于大规模伤亡事件，由英国国家救护车应变单位（NARU）开发和推广。 它旨在根据简单的生理标准快速对大量患者进行分类。

Sieve算法采用逐步评估，重点关注行走能力、呼吸状态和频率以及循环（包括危及生命的出血迹象）。 然后将患者分配到标准分诊类别（立即、紧急、延迟或已死亡）。

Sieve强调分诊决策的一致性和可重复性，广泛用于院前灾难响应和培训，以在资源有限时支持安全优先排序。

实验性的：结核菌素皮肤试验

实验组将使用 Ten Seconde Triage 算法

其他：十秒分诊算法

十秒分诊法是一种为大规模伤亡事件设计的快速初级分诊算法。 它旨在让救援人员能够根据少量立即可观察到的临床体征，在大约10秒内评估并分类患者。

该算法关注关键的救命指标，如行走能力、是否存在严重外部出血、气道状况、呼吸有效性以及意识水平。 基于这些发现，患者被分配到标准的分诊类别（例如，立即、紧急、延迟或死亡）。

十秒分诊法优先考虑速度和简洁性，以支持在资源有限且许多受害者需要同时评估时的快速决策。

分诊准确性（分诊评分）

分诊准确性定义为每位参与者在两个模拟大规模伤亡场景（共34名患者）中所做正确分诊决策的比例。

对于每位模拟患者，参与者的评分标准为：正确分诊决策得1分（错误决策得0分）。

若分配的优先级类别与基于HUMAn动态模拟模型的模拟患者预期临床演变相符（即正确识别需要立即治疗的患者与无需立即治疗的患者，包括对死亡患者的恰当分类），则该分诊决策被视为正确。

主要终点是每位参与者的总分诊得分（范围0-34分），通过汇总两个场景中的正确决策数计算得出。

分诊持续时间

从首次患者接触到模拟平台内最终分诊决定，自动测量的每位模拟患者分配分诊类别所需时间。 结果将分析为每位患者和/或每位参与者的平均分诊时间。

过度分诊率

根据参考标准（HUMAn模拟模型），被分配到比临床指示更高优先级类别的患者比例。 以每位参与者的分诊决策总数的百分比表示。

误判率

根据参考标准，被分配到低于临床指示优先级类别的患者比例。 以每位参与者总分流决策的百分比表示。

用户满意度和感知易用性

参与者对指定分诊算法的评估报告，通过模拟后问卷进行测量（例如，使用李克特量表项目评估清晰度、应用便捷性和总体满意度，评分范围为1“非常不满意/完全不清晰/非常难以应用”至5“非常满意/绝对清晰/非常易于应用”）。