一个新的简化最小数据集能够更准确地预测被收治到加泰罗尼亚地区中级护理功能恢复单元的患者的康复结果

《The Journal of Frailty & Aging》：A new simplified minimum data set better predicts outcomes for individuals admitted to intermediate care functional recovery units in catalonia

　　M Inzitari | E Vela | C Martín Pardina | E Vallés | L Viale | G Valls | M.A Gil | M Llonch | K Covinsky | J Deardorff
西班牙加泰罗尼亚政府卫生部门关于中级护理转型的运营指导

**摘要**
**背景**
西班牙加泰罗尼亚的中级护理功能恢复（ICFR）单元提供急性后期护理和老年康复服务。服务提供者使用“最低数据集”（MDS）来对患者进行分类，该数据集最初是为调整公共报销而开发的。然而，根据健康专业人员填写的MDS进行分类既耗时又与常规临床评估存在差异。

**目标**
我们基于入院诊断和功能开发了新的中级护理病例组合指数（ICMI），并测试了这些指数在预测住院时长（LOS）和出院目的地方面是否优于传统的RUG分类方法。

**方法**
我们使用了2017至2022年的122,754例ICFR病例数据来开发ICMI：首先按诊断和日常生活活动（ADL）的四个等级对患者进行分类。然后，我们为每个类别分配了权重，这些权重基于其与ICFR住院时长和“出院失败”（死亡或其他服务方式而非居家）之间的关联。在2023年的数据集中，我们比较了四种模型的预测性能：基础模型（年龄、性别、收入）、基础模型+RUG、基础模型+ADL以及基础模型+ICMI，以预测住院时长超过57天或出院失败的情况。

**结果**
2023年数据集包括31,640名患者（中位年龄[IQR] = 82.0 [75.0; 88.0]，其中57%为女性）。在预测住院时长方面，ROC曲线下面积（AUC）从0.56 [95% CI=0.544–0.57]提高到0.56 [95% CI=0.55–0.56]（基础模型+RUG），0.59 [95% CI=0.58–0.61]（基础模型+ADL），以及0.63 [95% CI=0.62–0.65]（基础模型+ICMI）。在预测出院目的地方面，AUC也有类似的提高（分别为0.55 [95% CI=0.54–0.55], 0.59 [95% CI=0.58–0.59], 0.64 [95% CI=0.63–0.64], 0.66 [95% CI=0.65–0.66]）。

**结论**
在加泰罗尼亚的ICFR单元中，新的、简化的病例组合指标相比于现有工具能够更好地预测住院时长和出院目的地。这项研究可为中级护理政策的制定提供依据，有助于改进评估和报销系统。

**1. 引言**
老年人常常面临多种健康和社会问题，并需要频繁更换护理机构[1]。在许多西方国家，介于急性护理和居家护理之间的短期服务机构旨在确保护理的连续性，促进康复，并在急性健康危机后恢复患者的独立性和自信心。这类服务属于“中级护理”范畴[2]。在美国，这类护理通常由专业护理设施提供。1986年，拥有大量老龄人口的加泰罗尼亚建立了广泛的中级护理网络，目前包括96个护理机构和8000多张床位[3]。该网络的主要目标是通过初级护理的直接转诊，促进患者尽早出院，并在所谓的“康复”或中级护理功能恢复（ICFR）单元中提供急性后期老年康复服务，同时还包括姑息治疗和痴呆症护理。

**2. 方法**
本研究分为两个阶段：首先，我们使用2017至2022年所有ICFR入院数据开发了一个简化的病例组合指标（ICMI），该指标仅基于主要入院诊断和通过ADL评估的功能状态；其次，我们将这一简化指标与RUG分类方法进行比较，以预测住院时长和出院情况。

**3. 结果**
新指标在预测住院时长和出院目的地方面表现出更好的性能。

**4. 结论**
新开发的简化病例组合指标与现有工具相比，能够更有效地预测患者的住院时长和出院目的地。这项研究为中级护理政策的制定提供了有力依据，有助于改进评估和报销体系。

**参考文献**
（此处应列出相关文献的完整列表）统计分析
样本描述以N%或中位数[四分位数范围（IQR）的形式呈现，涵盖了2017–22年的队列和2023年的验证队列。

中间护理病例组合指数（ICMI）的创建（作为成本和严重性病例组合指标的替代指标）。我们利用2017–2019–2022年的数据构建了两个新的病例组合指标。图1展示了创建ICMI的完整步骤。简而言之，我们首先将每个修改后的CCS入院诊断代码（总共182个）按照ADL功能类别分为4组（如上所述），结果得到了721个类别（而不是预期的728个，因为有7个类别没有包含任何患者）。随后，我们根据两个指标为每个类别分配了一个“权重”：
i) 修剪后的平均住院时间（LOS）（由于住院时间分布不均匀，一些极端值可能会扭曲结果，因此排除了超过某个截断点的病例；截断点为：住院时间少于30天的类别为184天（2017–2019年、2022年），其他类别为第95百分位数或四分位数范围加上两倍的四分位数范围）；
ii) 平均死亡率。每个类别的“权重”是通过将该类别的修剪后平均住院时间除以整个样本的修剪后平均住院时间计算得出的。这种做法遵循了All Patient Refined Diagnosis-Related Groups（APR-DRG）[20]的思想，该指标用于急性护理，其中指标根据资源使用或死亡率进行加权。我们认为，按LOS加权的ICMI可以代表成本，而按死亡率加权的ICMI可以代表病例的严重性。然后，在2023年的验证队列中使用了这些ICMI。

下载：下载高分辨率图片（459KB）
下载：下载全尺寸图片

图1. 构建和验证中间护理病例组合指数的步骤总结。

2023年队列中ICMI的验证。我们进行了不同的回归分析（连续LOS结果使用线性回归，二分类LOS和出院目的地结果使用逻辑回归），为每个结果构建了四个不同的模型：
• “基础模型”仅包括年龄、性别和收入
• 第二个模型在“基础模型”基础上增加了RUG分数
• 第三个模型在“基础模型”基础上增加了ADL分数
• 第四个模型在“基础模型”基础上增加了新的ICMI

我们的主要目标是比较上述第二个和第四个模型。作为次要分析，我们探讨了在最终的第四个模型中加入之前的医疗利用情况（过去6个月内入住急性医院的天数或急性入院期间的LOS）是否能够提高模型性能。
在每个模型中，基本变量（年龄、性别、收入）是强制输入的。每个模型的解释能力通过R2（对数线性回归）或接收者操作特征曲线下的面积（AUC）（对于逻辑回归）来估计。
为了评估模型是否存在过度拟合的情况，我们使用了1000个自助样本进行了重新采样模型验证，以获得校正偏差的指数[21]。

伦理考虑。本研究使用了来自医疗机构的回顾性、匿名数据。没有使用个人数据，所有患者数据都进行了加密，因此无法从工作数据库中检索或追踪到个人身份。该研究遵守了《赫尔辛基宣言》的伦理准则。

3. 结果
2017–2022年的开发队列和2023年的测试队列的主要特征总结在表1中。2017–2022年的队列包括122,754名入住加泰罗尼亚ICFR的患者（中位数年龄[IQR] = 83.0 [75.0;88.0]，58%为女性，80%收入较低或非常低）。2023年的队列包括31,640名患者（中位数年龄[IQR] = 82.0 [75.0;88.0]，57%为女性，75%收入较低或非常低，57%的ADL功能评分低于或非常低（<40/100分）。ICFR入院前的急性护理中位住院时间为7天，ICFR中的平均住院时间为32天，大约三分之二的患者成功出院返回社区或之前的养老院（在加泰罗尼亚被视为稳定的居住场所）。两个队列在基线特征上基本相似。

表1. 总体特征及按队列分层后的特征。

| 年份 | 总计 | 2017 | 2018 | 2019 | 2022 | 2023 |
|------|------|------|------|------|------|
| N | 154,394 | 122,754 | 31,640 |
| 性别 | 男 | 64,848 (42.0%) | 51,280 (41.8%) | 13,568 (42.9%) | 89,546 (58.0%) | 71,474 (58.2%) | 18,072 (57.1%) |
| 年龄（岁） | 83.0 [75.0;88.0] | 83.0 [75.0;88.0] | 82.0 [75.0;88.0] | <45 | 97 | 1 | 790 | 181 | 928 | 265 | 23,517 | 18,774 | 474 | 474 | 75–84 | 54,068 | 43,457 | 10,611 | >84 |
| 收入水平 | 高（>100,000欧元） | 328 (0.21%) | 239 (0.19%) | 89 (0.28%) | 中等（18,000–100,000欧元） | 31,534 (20.4%) | 23,745 (19.3%) | 89 | 81,051 (52.5%) | 67,991 (55.4%) | 13,060 (41.3%) | 非常低（无收入） | 41,481 (26.9%) | 30,779 (25.1%) | 10,702 (33.8%) |
| 修改后的巴塞尔指数 | 低依赖 | 30,194 (19.6%) | 25,161 (20.5%) | 5108 (16.1%) | 中等依赖 | 44,471 (28.8%) | 35,945 (29.3%) | 85 | 26 (27.0%) | 高依赖 | 47,300 (30.7%) | 36,341 (29.6%) | 10,947 (34.6%) |
| 主要入院诊断 | 髋部骨折 | 18,221 (11.8%) | 14,888 (12.1%) | 3333 (10.5%) | 中风 | 10,869 (7%) | 8752 (7.1%) | 2117 (6.7%) | 痴呆、谵妄 | 8617 (5.6%) | 6865 (5.6%) | 1752 (5.5%) | 心力衰竭 | 7209 (4.7%) | 5749 (4.7%) | 1460 (4.6%) | 皮肤溃疡 | 7089 (4.59%) | 5676 (4.62%) | 1410 (4.46%) | 痴呆（合并症） | 25,936 (16.8%) | 20,612 (16.8%) | 5320 (16.8%) |
| RUG-III | 1.00 [0.74;1.17] | 1.00 [0.74;1.13] | 1.00 [0.81;1.34] | ICMI（成本） | 1.02 [0.89;1.13] | 1.02 [0.89;1.13] | 1.03 [0.89;1.14] | ICMI（严重性） | 0.95 [0.74;1.21] | 0.94 [0.74;1.21] | 住院天数（过去6个月） | 17.0 [8.00;37.0] | 18.0 [8.00;37.0] | 7.0 [0.00;14.0] | ICFR前住院时间（天） | 7.0 [0.00;14.0] | 7.0 [0.00;14.0] | ICFR住院时间（天） | 33.0 [18.0;43.0] | 33.0 [18.0;43.0] | 32.0 [18.0;43.0] |
| 出院状态 | 显示（在家） | 106,635 (69.1%) | 84,094 (68.5%) | 22,860 (72.3%) | 死亡 | 11,596 (7.51%) | 9454 (7.70%) | 2090 (6.61%) | 急性或其他中间服务 | 36,163 (23.3%) | 29,206 (23.8%) | 6690 (21.1%) |
| *对于分类变量，提供了N（%）。对于定量和对称变量，提供了平均值（标准差）。对于其余的定量变量，提供了中位数[IQR]。这可能与DRG的性质有关，DRG是在急性护理领域开发和为急性护理服务的，基于经典的急性护理干预程序。在一项针对接受后续急性护理的患者的芬兰研究中，使用了InterRAI-PAC工具（该工具是从原始的MDS演变而来的，包含多种全面的老年评估工具，可以计算RUG值）。结果表明，预测患者住院时间延长和院内死亡率的最佳指标是脆弱性指数（反映个人累积缺陷的总和）以及工具中包含的活动能力量表（ADL）[29]。关于RUG-III的使用，先前一项针对美国12个州150家认证成人护理机构（SNF）中Medicare和Medicaid患者的大型样本的研究得出结论，RUG-III仅能解释每日费用变化的10.4%[30]。这与美国SNF报告和报销制度的最终修改是一致的[12]。这项工作为新的政策奠定了基础，旨在采用更灵活、更具临床相关性和可靠性的数据集，以持续评估加泰罗尼亚地区公共合同机构的绩效。目前加泰罗尼亚使用的MDS流程耗时较长，且与日常护理中专业人员通常使用的工具存在差异。此外，RUG-III分类系统基于三十多年前的数据，之前的研究也表明其解释每日费用变化的能力有限。在美国，RUG-III已被更新的RUG-IV取代，最终被“患者驱动支付模式”所替代，后者更注重临床相关因素。创建针对在加泰罗尼亚接受中级护理的个体的新病例组合指标，使用更新的数据和简化版的最低数据集（MDS），预计将在加泰罗尼亚的医疗系统中产生多种应用，包括：i) 根据上一年的病例组合指数为每个提供者分配相对权重，从而建立一个排名系统，该系统基于护理病例的复杂性来确定3%的可变报销比例；这种排名和报销制度已经实施了三十年，目前仍基于RUG-III评分；ii) 通过加泰罗尼亚健康质量和评估机构（AQuAS）的“Results Central”倡议和门户网站支持透明的基准测试，特别关注中级护理；iii) 为未来的公共政策和卫生管理部门的决策提供基础。

为了确保简化版MDS的可靠性，将开展常规的独立数据质量审计。最终，我们期望一个更加简化、可靠的数据集——涵盖诊断、程序、ADL功能以及可能的其他相关老年综合征——能够帮助公共管理部门获得更高质量的数据，并逐步改进预测模型的性能。我们研究的一个主要优势是使用了包含加泰罗尼亚所有ICFR（综合功能康复）单元入院患者的大型、全面的数据集。这一数据集代表了现实世界中多样化的群体，其中许多老年人患有多种疾病且身体状况脆弱。通过对模型的自助法验证，也几乎没有发现过拟合现象。但仍需注意一些局限性：首先，我们的数据收集基于加泰罗尼亚现有强制性数据报告中包含的变量，因此有限的变量范围和数据收集的异质性可能会影响结果；其次，我们的模型在预测预设结果方面的表现相对一般（AUC值通常在0.7左右）。然而，根据使用较小样本的先前研究，预测住院时间和其他结果的模型表现也很少能达到高水平。我们的结果表明，新的病例组合指标比加泰罗尼亚之前使用的工具（MDS-RUG-III）更能准确预测成本和出院去向，并且对忙碌的医疗专业人员来说更易于使用。虽然可能存在其他低成本的预测因子能够提升模型表现，但我们的研究基于系统中可获得的可靠变量。最后，尽管内部验证显示模型表现不佳，但如果在预期之外的环境中使用该模型，仍需进行外部验证。此外，我们计划使用更新的数据对样本群体进行持续评估，以识别模型性能随时间的变化，并考虑对模型进行更新。

总之，我们的研究结果表明，基于入院诊断和功能状态的新简化数据集在预测加泰罗尼亚ICFR单元患者的住院时间和出院去向上优于现有的MDS-RUG-III工具。我们的研究结果可以为加泰罗尼亚医疗系统改进中级护理工作提供参考。

**资金支持**
本项工作由西班牙加泰罗尼亚政府卫生部门内部资金支持。Deardorff博士获得了美国国家老龄化研究所的以下资助：R03AG082859、K76AG094730、P30AG044281。

**关于科学写作、图表及艺术作品中生成式AI和AI辅助技术的声明**
作者声明在论文提交过程中未使用生成式AI。

**数据声明**
支持本研究结果的数据存储在加泰罗尼亚卫生服务的中央数据库中，根据加泰罗尼亚卫生服务制定的协议，作者可在合理请求下提供这些数据，但需遵守隐私和伦理限制。

**Authors' Contribution Statement (Crédit Authorship Statement)**
M Inzitari：撰写原文草稿、验证；E Vela：正式分析、数据管理；C Martín Pardina：正式分析、数据管理；E Vallés：验证；L Viale：验证；G Valls：验证；M.A Gil：验证；M Llonch：验证；K Covinsky：验证；J Deardorff：验证。