1.研究目的探讨改良智能化急诊分诊系统临床应用及效果,并对分诊系统的评估指标进行实证研究,旨在进一步完善急诊分级分诊量化评估指标体系。2.研究方法本研究采用实证研究法,分两个部分共三个阶段进行:第一部分(第一个阶段),改良智能化急诊分级分诊系统临床应用现状;第二部分(第二、三阶段),改良智能化急诊分级分诊系统的效果评价。第一阶段,了解改良智能化急诊分级分诊系统临床应用现状,采取描述性研究,应用改良智能化急诊分级分诊系统,整群抽取2016年9月1日至9月30日我院急诊科就诊应用改良智能化急诊分级分诊系统进行分诊的4401名就诊病人为研究对象,观察并分析其急诊分诊级别分布、就诊时间分布、时间点就诊量变化幅度分布、单人分诊次数分布的急诊现状。第二阶段,采用便利采样法,对2017年1月至3月100例应用改良智能化急诊分级分诊系统进行分诊的急诊就诊病人,评估改良智能化急诊分级分诊系统对急诊就诊病人病情判别的信效度、灵敏度及特异度。第三阶段,采用便利采样法,对2016年12月至7月我院475例应用改良智能化急诊分级分诊系统进行分诊的急诊就诊病人,记录病例主诉、各项评估指标及经校准的分诊级别,将病例采用三种不同截取法即仅含常规指标(即常规法)A组、含“常规指标+改良早期预警评估系统(Modified early warning score,MEWS)”(即常规法+MEWS法)B组、含“常规指标+MEWS+数字疼痛评估法(Numerical rating scale,NRS)”(即常规法+MEWS+NRS法)C组,由两名护士分别进行再次病情分级,将再次分级结果与校准分级进行比较,检验其判别病情的差异性,同时比较三种评估方法判别分级的准确率与漏检率。将病例继续扩大到500例,按上述三种截取指标的顺序,依次将指标组纳入Logistic回归方程中,通过Logistic回归方程建立模型,分别为模型Ⅰ、模型Ⅱ和模型Ⅲ,分析各指标与校准级别的相关程度,比较各模型的拟合优度,并探讨各评估指标对早期病情识别的临床意义。3.研究结果3.1改良智能化急诊分级分诊系统就诊级别、时间分布纳入研究对象4401例,分诊4728次;就诊分级分布:Ⅰ级31人次(0.66%),Ⅱ级319人次(6.75%),Ⅲ级239人次(5.05%),Ⅳ级4139人次(87.54%)。就诊时间分布:第一次就诊时间高峰,四个级别病人均出现在上午8:00~12:00;第二次高峰出现于晚间,但各级时段略有不同:Ⅰ、Ⅱ级均在18:00~20:00,Ⅲ级18:00~0:00,IV级主要集中19:00-21:00;269名病人经2次及以上再次分诊,占就诊总人数6.11%。3.2改良智能化急诊分级分诊系统信效度、灵敏度与特异度该分诊系统的分级一致性研究结果显示,分级的一致性检验示kappa=0.972,具有高度一致性;分诊系统的分级与标准分级信度测试Cronbach’α=0.82,具有较好信效度;应用系统分诊准确率85%,其中7%病人分级过度,8%病人分级不足,其中剧烈腹痛、胸闷心慌以及发热等3个主诉症状存在分级过度或分级不足现象;该系统对急症病人分级的灵敏度72%,特异度94.67%,预测指标为81.82%;对非急症病人预测指标为91.03%。3.3改良智能化急诊分级分诊系统评估模式比较:3.3.1分诊准确率:A组(常规指标)(82.11%,80.21%)、B组(“常规指标+MEWS”)(70.95%,77.05%)、C组(“常规评估+MEWS+NRS”)(85.47%,82.53%),结果C组高于A、B组(P<0.05)。3.3.2分诊漏检率:C组对危重、潜在危重及非急症病人的漏检率分别为34.78%、31.61%、31.61%,其均值低于A、B组;三种评估分级法结果两两比较均具有统计学差异(P<0.05)。3.3.3拟合优度比较:根据Logistic回归模型分析显示:模型拟合优度比较显示:模型Ⅲ拟合优度(OR=0.465)高于模型Ⅰ(OR=0.387)和模型Ⅱ(OR=0.405);对Ⅰ~Ⅳ均有显著相关的监测指标有年龄、呼吸、NRS,其中对Ⅱ级病人:年龄(OR=1.053,95%CI 1.026~1.082)、呼吸(OR=1.504,95%CI 1.211~1.868)、NRS(OR=1.372,95%CI 1.156~1.628),对Ⅲ级病人:年龄(OR=1.037,95%CI1.021~1.053)、呼吸(OR=1.373,95%CI 1.142~1.651)、NRS(OR=1.395,95%CI1.266~1.538).4.研究结论4.1改良智能化急诊分级分诊系统,实现快捷数据信息录入、自动统计、智能分析,急诊首诊信息数据的医护共享、动态监测病情变化,就诊治疗过程动态可追溯,为合理优化急诊资源分配及落实弹性排班提供客观依据,实现其辅助决策分诊的重要意义。4.2改良智能化急诊分级分诊系统在提高分诊工作效率的同时,更客观、快捷、准确的辅助识别病情,在有限的时间与急诊资源情况下,能辅助分诊护士进行更加快速且科学的决策。4.3联合评估模式,在常规分诊评估具有简单快速的基础上,将MEWS评分法的较强警示、良好预测、及疼痛评估等优势有机结合,更好判断病情严重程度,降低潜在漏检率;该改良智能化分级分诊评估指标模型,具有良好拟合优度,为分诊评估标准的进一步完善和优化提供科学参考依据。4.4展望:通过本研究将智能化急诊分级分诊概念引入到急诊分诊管理中,为急诊分诊的护理管理提供了极具潜力的分诊工具,为辅助决策工具的进一步发展奠定了基础,希望为后续关于分诊信息系统开发提供临床研究参考与数据支持,用以开发评分算法、诊断分类正确率、数据录入程序更精准的分诊工具,并在其性能、可用性及适应性上升级,更好的服务于护理工作者,保证病人就诊安全。