任雪丽，周 蓉

1.山西医科大学护理学院，山西 030001；2.山西医科大学第二医院

据统计，3%～18%的普通病房病人住院期间会发生心搏骤停、非计划转入重症监护室（ICU）或危及生命的器官衰竭等严重不良事件（serious adverse event，SAE）[1-2]。SAE 既不是突发性的，也不是不可预测的情况，而是一个渐进的过程[3]。多项研究表明，病人在严重病情变化前数小时会出现某些生命体征参数紊乱[4]。临床护士评估病人病情主要依靠个人临床经验或主观感觉，若其对生理指标的异常改变反应不及时容易造成不恰当的护理或延误救治最佳时机[5]。已有研究显示，危重病人延迟转入ICU 与死亡率增加有关，感染性休克病人的抗生素治疗每推迟1 h，死亡率约增加8%[6]。因此，有必要制定一个快速、简便的评估工具帮助护士主动观察和早期识别潜在的危重病人[7]。20 世纪90 年代末，早期预警评分系统（Early Warning Score，EWS）由Morgan 等提出，包括心率、呼吸频率、收缩压、体温和意识水平5 项生理指标，每项指标被赋予一定的权重和分值，当总分或单项得分超过设定阈值时即会触发相应的预警监护方案[4]。目前，国内外已发布了100 多个版本的EWS，而改良早期预警评分（Modified Early Warning Score，MEWS）和英国国家早期预警评分（National Early Warning Score，NEWS）是临床使用广泛的两种危重疾病严重程度评分系统[8]。近年来，EWS 已在院前急救、院内急救、ICU 等急危重症领域得到普遍应用，但在普通病区的应用研究仍处于初步探索阶段。英国重症监护协会和伦敦皇家医学院推荐将MEWS 和NEWS 应用于综合病房病人的病情风险评估，但其使用效果还有待进一步研究[9-10]。现就EWS 在普通病房的应用现状和现存问题进行阐述，旨在为专科病房应用EWS 提供参考。

1 EWS 在普通病房的应用

2014 年，中南大学湘雅医院护理团队在全院普通病区建立了MEWS 和标准化沟通模式（SBAR）胸卡标准化、MEWS 预警标识栏统一化、评估流程标准化、护理记录书写标准化和交接班内容流程化五大病情早期预警流程[11]，这一突破性的临床实践提高了护士的预警意识，为医护间有效沟通病人病情提供了科学、客观的依据。姚美蓉等[12]回顾性分析了普通病房中医嘱为病危、病重的1 299 例病人的病历资料，结果显示，入院时和发生病情变化时的护理级别与对应的MEWS评分比较，差异有统计学意义；转入ICU 组病人两时间点的MEWS 得分均高于未转入ICU 组，死亡组两时间点的MEWS 得分均最高。表明MEWS 在早期识别潜在危重病人、预测病人预后方面有重要意义。曾芬莲等[13]分别使用MEWS 和NEWS 对461 例神经外科颅脑损伤病人的病情严重程度进行评估，结果表明，与MEWS 相比，NEWS 与病情严重程度的相关性更显著，对病情恶化的预测效能更高。2017 年，英国皇家医学院对NEWS 进行更新，形成更新版NEWS（NEWS 2）。Peng 等[14]将NEWS 2 与其他24 种类型EWS 预测颅内肿瘤病人术后72 h 内非计划转入ICU的效能进行比较，结果显示,NEWS 2 和病人危险评分（Patient at Risk Score，PARS）的预测效能较高，受试者工作特征（ROC）曲线下面积（AUC）分别为0.86 和0.87。李备等[15]将改良后的NEWS 临床响应措施应用于普通病房上消化道出血病人护理中，有效降低了意外事件发生率，改善了病人对护理工作的满意度。王春梅等[16]对325 例肿瘤危重症病人术后第1 次生命体征值进行NEWS 评分，根据NEWS 的风险分层标准，将NEWS 分值划分为低危、中危、高危和极高危，以术后30 d 预后为结局指标，结果显示，死亡组病人NEWS 得分高于存活组，NEWS 风险等级和30 d 内死亡率存在显著的正相关关系，中危、高危和极高危肿瘤危重症病人30 d 死亡风险分别是低危病人死亡风险的4.577 倍、8.802 倍和53.571 倍。表明不同风险等级下的NEWS 评分可以量化评估肿瘤危重症病人的死亡风险。张咏梅等[17]的研究探讨了普外科1 221 例病人的MEWS 得分与病情严重程度及转归的关系，结果发现，MEWS 得分越高病人病情越重，转归越差，MEWS识别潜在危重病人和危重病人的最佳截断值分别为3分和4 分，ROC 曲线下面积分别为0.915 和0.921，表明MEWS 可以帮助医护人员量化评估病人的病情严重程度，前置救治措施，从而降低病死率。

国外学者也为验证EWS 对于普通病房病人发生病情变化的风险识别能力展开了一系列研究。Zografakis-Sfakianakis 等[18]针对153 例从普通病房转入ICU 的病人进行了一项观察性研究，发现15%的病人转入ICU 前20 h 的MEWS 评分逐渐增加，转入ICU前最后1 次的MEWS 得分与ICU 死亡率和住院时间显著相关。Balshi 等[19]的研究还发现，病人转出ICU时的MEWS 评分与48 h 内ICU 再入院相关，MEWS预测ICU 再入院的ROC 曲线下面积为0.82，≥6 分预测再入院的灵敏度较高。Klepstad 等[3]指出，胃肠外科病人再入ICU 或高依赖病房(HDU)前，NEWS 得分平均每小时增加0.15 分，再入ICU 或HDU 前最后1 次测定的NEWS 得分明显高于未再入ICU 或HDU 的病人(P＜0.001)。Van Galen 等[20]对1 053 例病人的MEWS评分进行为期1 个月的核查，结果显示，尽管有1/3 的MEWS 计算错误，但MEWS≥3 分的病人明显发生了更多的不良事件。Heller 等[21]将基于MEWS 的自动预警系统引入外科病房，对3 827 例病人进行为期12 个月的观察性研究，结果显示，心搏骤停发生率从应用前的0.53%下降为应用后的0.21%(P＜0.001)，ICU 非计划入住率从3.6%降至3.0%(P＜0.001)。

国内外多项研究表明EWS 操作简便，获取参数方便，能够有效评估病人病情，预测严重不良事件的发生，为医护人员及时调整不同级别的床旁响应措施提供依据。

2 EWS 的改进

Bedoya 等[22]认为NEWS 对临床结局的改善微乎其微，超过85%的警报被一线护理人员忽视。唐蓉[2]的研究发现，MEWS 在普通病区对潜在事件、危重事件和危殆事件3 类终点事件的预测效能不足，ROC 曲线下面积仅为0.672。Teasdale[23]指出NEWS 仅依靠快速意识状态评分系统(AVPU)不足以监测住院病人发生神经功能恶化的风险，应纳入睁眼反应、运动反应、瞳孔对光反应等评估指标。Brunker 等[24]的研究也得出AVPU 评分对预测中度神经损伤的敏感度和特异度较差。随着医学分科的不断细化，专科差异日趋明显，目前的EWS 仅纳入了公共指标，专科特异性较差[25]，一定程度上影响了对病人危重病情变化的识别或判断。因此，有学者开始尝试将EWS 中的共性指标与专科指标、病人症状、主诉、实验室检查结果联合应用于某些特殊疾病的病情评估中，以期进一步提高EWS 的灵敏度和特异度。

2.1 EWS 与其他指标的联合应用 曾芬莲等[26]的研究表明，NEWS 结合格拉斯哥昏迷评分（GCS）能较好地预测颅脑损伤病人是否需要转入ICU 接受更高级别的监护。李晓燕等[27]的研究发现，MEWS 联合血糖值评分能有效判断糖尿病急性并发症病人病情，随着评分增高，病人病情呈加重趋势，以转入ICU 和死亡为预测结局，ROC 曲线下面积均在0.95 以上。Viglino等[28]开发的早期预警评分O2(EWSO2)将EWS 中的生命体征参数与心肺参数(呼吸速率、心率、血氧饱和度、氧浓度分数)相结合，这种新的评分方法在预测呼吸困难病人不良预后方面比NEWS、NEWS 2 和氧合指数（SpO2/FiO2）的准确性更高。Lee 等[29]将优化后的MEWS+SpO2/FiO2评分(MEWS-SF)与MEWS 评分进行比较，结果显示，MEWS-SF 对转入ICU 和院内死亡率的预测效能均高于MEWS，可作为识别普通病房恶性血液病病情恶化的有效工具。

2.2 专科病房病人病情变化EWS 的构建 陈圆圆等[30]对995 例颅脑肿瘤开颅手术病人进行前瞻性调查研究，构建了由瞳孔、MEWS 和GCS 评分组成的颅脑肿瘤病人术后病情恶化早期预警模型，其ROC 曲线下面积为0.852[95%CI（0.816，0.887）]，灵敏度、特异度均为80.5%，准确率为85.0%，可较好地预测病人术后严重病情变化，如非计划转入ICU、非计划二次手术，为早期实施医疗护理干预提供预警支持。于漫等[31]基于MEWS 形成的心血管疾病早期预警评分量表包括体温、收缩压、心率、呼吸、血氧饱和度、意识、心律失常、疼痛评分、年龄9 个条目，Cronbach's α 系数为0.73，与MEWS 评分的相关系数＞0.9，校标关联效度较好，可帮助护士客观评估病人疾病的严重程度并进行危险分层，为护理决策提供可靠依据。乔成平等[25]采取回顾性病例对照研究方法构建的妇科病人危重病情变化早期预警评估表（GEWS），除纳入NEWS 评分7 项参数外，还增加了疾病类型、下腹痛、血红蛋白浓度、阴道流血量、相关症状5 项妇科专科预警指标，该评估表的ROC 曲线下面积为0.96，最佳截断值为3.5 分，灵敏度为92.32%，特异度为88.85%，与NEWS 相比，GEWS可以更准确地预测病人危重病情变化风险。Kim 等[32]建立的胃肠预警评分(EWS-GI)包含心率、呼吸频率、ACDH 评分（A 为清醒，C 为模糊，D 为昏睡，H 为无反应）、SpO2/FiO2、肌酐、总胆红素、凝血国际标准化比值（INR）和乳酸8 项指标，研究发现，其在预测消化内科病人转入ICU 方面比MEWS 更有效。Bell 等[33]利用病人人口统计学数据、生命体征值、实验室检查指标建立病情恶化预测模型，输出后转换成1～10 的恶化指数，结果显示，该指数识别住院病人病情恶化的灵敏度和特异度优于MEWS 和NEWS。O' Brien等[34]通过回顾杜克大学医院普通病房病人3 年的病历记录，构建了包含生命体征、查尔森合并症指数、实验室检验等多变量的病情恶化风险评估表，经验证，其ROC 曲线下面积为0.814，高于NEWS 曲线下面积（0.740）。

以上研究均使用了Logistic 回归分析法构建模型，其优点是研究结果简单、直观、易于解释[35]。随着机器学习(machine learning，ML)的发展，一些研究者开始尝试使用决策树、随机森林、支持向量机、深度学习等算法开发模型，与EWS 不同，机器学习模型直接从大量数据中学习和挖掘某种规律或关系，可以结合风险评分趋势，调整不同数量的协变量，并针对不同护理环境和人群进行优化[36]。Pimentel 等[37]基于机器学习算法开发了全院预警电子布告栏系统(HAVEN)，包括静态(时不变)变量，如性别、年龄和动态(时变)变量，如生命体征、实验室指标，可在每次记录新变量时重新计算病人的病情恶化风险，与NEWS、基于实验室的急性生理学评分(LAPS-2)和电子心搏骤停风险分诊评分(eCART)比较后发现，在发生主要结局(心搏骤停和非计划转入ICU)的24 h 时间窗内，HAVEN 的ROC曲线下面积高达0.901。在以精度为10%(每评估10例病人得到1 例真阳性结果)的级别下，HAVEN 可提前48 h 区分出超过40%的主要结局事件。Kia 等[38]使用随机森林算法构建了住院病人病情恶化预测模型（MEWS++），结果显示病人从普通病房转至ICU 前6 h，其ROC 曲线下面积为0.85，灵敏度为81.6%，特异度为75.5%。与MEWS 相比，灵敏度提高了37%，特异度提高了11%，ROC 曲线下面积增加了14%。

3 现阶段EWS 在识别普通病房病人病情变化中存在的不足

首先，我国学者关于EWS 的研究多集中于评估病人病情严重程度、预测预后以及应答程序的应用方面，在专科领域的创新性研究较少，未来可进一步探索EWS 在专科病房中的应用价值，构建适合某些专科疾病病人的、分辨度较高的病情变化预测模型。值得注意的是，EWS 中某些指标的数值和区间设置有待进一步考量和调整[2]，如NEWS 将收缩压111～219 mmHg（1 mmHg=0.133 kPa）设为0 分，但多数情况下即使病房病人血压波动范围未达到评分取值要求，高于基础血压的20%也会引起医护人员警惕并进行及早干预，不合理的评分标准会导致大量的错误警报，造成护士警报疲劳，影响病情评估的准确性。此外，护士是病情观察的“前哨兵”，也是EWS 有效实施的关键，有必要广泛调查我国各地医院预警评分工具的临床应用现状以及一线护士的使用体验或经验。国外研究者通过构建多种形式的教育计划，如交互式电子学习、跨学科预警评分系统现场培训课程以及模拟场景帮助护士使用EWS 识别和管理病情恶化的病人。Saab 等[39]的研究发现，EWS 教育计划在短期内能有效提高护士计算EWS 和记录生命体征方面的知识、态度和行为。其次，护士通常根据医嘱和病人病情变化进行即刻生命体征测量，测得的数据缺乏实时性，无法动态跟踪和记录病情变化趋势。无线生命体征监测系统可减少护士工作量、提高病人转运途中的安全性、全天候监测住院病人的MEWS 高值并在病情恶化早期阶段触发警报，有效克服传统EWS 单一时点测量的局限性[40]。该技术将实时数据自动上传至医疗电子病历系统，帮助医护人员第一时间掌握病人病情发展轨迹，为大数据平台的搭建和预测模型研究奠定基础。随着人工智能的快速发展，生命体征跟踪系统、临床决策支持系统和自学习系统的出现不仅弥补了EWS 间歇性评估的缺陷，而且有利于医护人员借助病人以往的电子病历信息做出科学的决策[41]。然而，这类研究仍处于初步探索阶段，在普通病房的应用仍有很大的发展前景和挖掘空间。再次，病情变化预测模型的构建方法仍存在很大局限性。Stephen 等[42]的系统评价指出，大多数临床应用的EWS 都存在方法学缺陷和不同程度的偏倚风险，新模型的预测效度和应用效果可能远不如预期，建议未来的研究应基于个体预后和诊断的多变量预测模型透明报告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis，TRIPOD）规范建立和评估EWS，并调查其对病人临床结局和安全性的影响。

4 小结

早期识别和干预病人病情变化是减少住院费用、缩短住院时间和维护病人安全的关键[2,5]。EWS 在病房的应用有赖于医院管理者的高度认同和有力推进，EWS 的拓展性研究需要借助大数据平台的支撑和人工智能技术的优化升级，基于自身特点形成的改良版EWS 的可重复性和外推性有待在多中心、大样本条件下进一步验证。如何提高EWS 的灵敏度和特异度仍是研究者面临的一大挑战。