急诊科复诊风险探秘：生命体征轨迹与关键影响因素的深度剖析

《BMC Emergency Medicine》：Factors associated with overall and high-risk return visits to the emergency department: a vital sign trajectory approach

为解决急诊科复诊对患者及医疗资源的影响问题，研究人员开展了 “Factors associated with overall and high - risk return visits to the emergency department: a vital sign trajectory approach” 的研究。结果发现高龄、重大疾病、低且波动的血氧饱和度轨迹等与高风险复诊相关。该研究有助于提升急诊医疗质量。

　　在医院的急诊科里，每天都上演着各种紧急状况，患者们在这里接受初步治疗后，大部分会回家继续康复。然而，有一个不容忽视的现象：部分患者会在短时间内再次回到急诊科。这不仅给患者自身带来了额外的痛苦和负担，也让本就紧张的医疗资源更加吃紧。据统计，约 5 - 10% 的患者会在三天内返回急诊科，而且复诊产生的累积费用甚至超过了初次就诊的总费用。以往，人们常把复诊率当作衡量初次就诊医疗质量的标准，但近期研究发现，只有约 5 - 10% 的复诊与先前医疗护理直接相关，患者自身疾病进展的不确定性、治疗偏好等因素也会导致复诊。因此，研究高风险复诊（如返回重症监护病房 [ICU]）这样的指标变得尤为重要。

为了深入探究这些问题，来自国泰综合医院（Cathay General Hospital）、台湾大学医院（National Taiwan University Hospital）等机构的研究人员开展了一项回顾性队列研究。他们从电子临床仓库中提取了 454330 例成人急诊就诊数据，这些数据涵盖了 2016 年 1 月 1 日至 2019 年 12 月 31 日期间。研究人员通过一系列筛选，最终确定了 39138 例潜在的初始急诊就诊病例进行分析。

研究人员运用群体轨迹模型（Group - based trajectory modeling，GBTM）来识别生命体征轨迹，这种方法可以找出具有相似轨迹的个体群体。同时，他们使用多变量逻辑回归分析评估生命体征轨迹与复诊之间的关联。研究的主要结局指标是高风险复诊率，共主要结局指标是总体急诊复诊率。

研究结果显示，总体复诊率为 8.2%，高风险复诊率为 0.2%。在患者特征方面，复诊组和非复诊组在一些方面存在差异。例如，复诊组中女性比例稍低，重大疾病患病率更高，医学类患者更多，通过救护车到达的比例更低，腹痛、发热、呼吸困难等主诉更为常见，分诊级别相对较低，急诊停留时间更长。而高风险复诊组与其他组相比，平均年龄更大，重大疾病患病率更高，分诊级别更高。

在生命体征轨迹方面，不同轨迹与复诊存在不同关联。舒张压（DBP）轨迹低的患者总体复诊可能性较小，而高热且体温逐渐恢复正常轨迹的患者总体复诊可能性更大。此外，女性患者复诊可能性较低，“其他” 细分科室（如精神科）的患者复诊可能性更大，有重大疾病的患者复诊可能性增加，通过救护车到达的患者复诊可能性降低，腹痛和呼吸困难等主诉会增加复诊可能性，头晕主诉则降低复诊可能性，分诊级别 2 的患者复诊可能性较低，4 的患者复诊可能性较高，急诊停留时间越长，总体复诊风险越高。对于高风险复诊，低且波动的血氧饱和度（SpO₂）轨迹、年龄每增加 10 岁、患有重大疾病都与之相关。

研究结论表明，除了高龄和患有重大疾病外，初始急诊停留期间低且波动的血氧饱和度轨迹可能预示着随后的高风险复诊。这一发现对临床实践具有重要意义，医生在做出出院决策时，应更加谨慎地重新评估这些高风险人群，从而减少有害且昂贵的急诊复诊情况发生。在研究局限性方面，该研究为单中心研究，结果可能无法推广到不同环境的医院；研究人群局限于至少进行三次生命体征测量的患者，可能排除了症状较轻的患者；未控制氧疗、退烧药等治疗效果的影响；未考虑重大疾病的个体分类、社会经济地位等多种因素；电子健康记录数据的差异可能引入分类错误偏差。

总的来说，这项发表在《BMC Emergency Medicine》上的研究为急诊科医生提供了有关总体复诊和预防高风险急诊就诊的重要信息。在数字健康时代，研究中发现的新轨迹可被编程到医院分析平台中，以识别可能需要更长时间观察或额外支持的高风险急诊患者，对提升急诊医疗质量、优化医疗资源利用具有重要价值。

研究人员开展研究用到的主要关键技术方法包括：从国泰综合医院系统的电子健康记录（EHR）数据库中获取 4 年的去识别化数据，这些数据涵盖了患者的人口统计学信息、诊断、治疗等多方面内容；运用群体轨迹模型（GBTM）识别生命体征轨迹，该模型通过有限混合模型对纵向数据进行聚类分析；采用多变量逻辑回归分析，调整潜在混杂因素，研究轨迹组与复诊之间的独立关联 。