📄 medicine

Construction and Verification of A Prediction Model for Stranded Risk Nomograms in Emergency Department Patients

Deze studie heeft een nomogrammodel ontwikkeld en gevalideerd met behulp van gegevens van 25.391 patiënten op de spoedeisende hulp om effectief het risico op een langdurige verblijfsduur te voorspellen, waarmee een praktisch hulpmiddel wordt geboden voor het beheer van overbezetting op de SEH.

Oorspronkelijke auteurs: Manman SHANG, Qin WEI

Gepubliceerd 2026-07-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Manman SHANG, Qin WEI

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de Spoedeisende Hulp (SEH) voor als een druk, hooggespannen treinstation. Mensen arriveren met allerlei "tickets" (medische condities), in de hoop de juiste trein te kunnen halen naar de juiste bestemming (een ziekenhuisbed, een specialist, of naar huis). Soms raakt het station zo overvol dat passagiers urenlang op het perron "gestrand" zijn, wachtend op een trein die nog niet is gearriveerd.

Dit artikel is als een detectiveverslag van een specifiek treinstation (Fujian Medical University Union Hospital) dat probeerde uit te zoeken waarom sommige passagiers lang blijven steken en hoe je kunt voorspellen wie er gestrand zal raken voordat ze zelfs maar aankomen.

Hier is het verhaal van hun onderzoek, eenvoudig uitgelegd:

1. De Missie: Het voorspellen van de "Gestrande"

De onderzoekers keken naar meer dan 25.000 patiënten die tussen 2021 en 2023 de SEH bezochten. Ze wilden een puzzel oplossen: Wat zorgt ervoor dat een patiënt langer dan 16 uur in de SEH verblijft? (Zij noemden dit "gestrande tijd").

Om dit op te lossen, verdeelden ze de gegevens in twee groepen:

De "Normale" Groep: Patiënten die binnen 16 uur klaar waren.
De "Gestrande" Groep: Patiënten die langer dan 16 uur moesten wachten.

Ze sloten gegevens uit het begin van 2023 uit, omdat een enorme golf van pneumoniegevallen (door de pandemie) hun berekeningen zou hebben verstoord, zoals het proberen te meten van de verkeersstroom tijdens een enorme parade.

2. De Aanwijzingen: Wat zorgt ervoor dat mensen moeten wachten?

De onderzoekers traden op als detectives en zochten naar aanwijzingen die de "snelle vertrekkers" onderscheidden van de "lange wacjes". Ze ontdekten verschillende belangrijke factoren die werkten als zware rugzakken, waardoor patiënten werden vertraagd:

Hoe je arriveert: Als je te voet kwam of door familie werd binnengebracht, was de kans groter dat je langer moest wachten. Opvallend genoeg, als je met een ambulance (120) arriveerde, ging je juist sneller door het proces. Het is alsof je een VIP-pas hebt; de ambulancecrew krijgt direct voorrang.
Je leeftijd: Oudere passagiers hadden de neiging om langer te wachten. Naarmate we ouder worden, wordt ons lichaam complexer en duurt het langer om de juiste trein te vinden om te halen.
Het "Triage" Ticket: Wanneer je arriveert, geeft een verpleegkundige je een "ticket" op basis van hoe ziek je bent (Graad I is kritiek, Graad IV is minder urgent). Verrassend genoeg wachtten patiënten met minder urgente tickets (Graad III en IV) langer dan de kritieke gevallen. Waarom? Omdat de kritieke patiënten onmiddellijke aandacht krijgen, terwijl de "niet echt urgente" patiënten vastlopen in een achterstand.
Je Medische Voorgeschiedenis: Bepaalde ziekten waren als zware bagage. Patiënten met infecties, tumoren of bloedziekten moesten het langst wachten. Deze condities vereisen vaak veel tests en nauwlettende observatie.
De "Test" Belasting: Als een patiënt veel tests nodig had (meer dan 12 verschillende bloedonderzoeken) of veel scans (meer dan 2 röntgenfoto's/CT-scans), was de kans veel groter dat ze gestrand zouden raken. Het is alsof je door tien verschillende beveiligingscontroles moet gaan voordat je mag instappen.
Tijdstip van de dag: Het station is het drukst overdag (van 8:00 tot middernacht). Als je op die tijden aankomt, is de kans groter dat je moet wachten. De nachtdienst (middernacht tot 8:00) was verrassend genoeg sneller.
De "Reguliere Klanten": Mensen die de SEH vier of meer keer per jaar bezoeken, hadden een iets grotere kans om gestrand te raken, waarschijnlijk omdat hun condities complex of chronisch zijn.

3. De Oplossing: De "Gestrand Risico" Scorekaart (Nomogram)

Toen ze de aanwijzingen eenmaal hadden gevonden, bouwden de onderzoekers een voorspellingsinstrument genaamd een Nomogram.

Zie dit Nomogram als een gepersonaliseerde weersverwachting voor je bezoek aan de SEH.

In plaats van regen te voorspellen, voorspelt het "gestrand risico".
Je neemt de details van een patiënt (Leeftijd? Ja. Gearriveerd met ambulance? Nee. Heeft 15 bloedtests nodig? Ja.) en voert deze in de scorekaart in.
De scorekaart telt de punten op en geeft een percentage kans: "Deze patiënt heeft een kans van 80% om langer dan 16 uur gestrand te zijn."

4. Werkt de Scorekaart?

De onderzoekers testten hun scorecard op twee manieren:

Interne Test: Ze controleerden het tegen de gegevens die ze gebruikten om het te bouwen. Het werkte goed en identificeerde correct ongeveer 75% van de risico's.
Externe Test: Ze probeerden het op een nieuwe groep patiënten uit een andere periode. Het werkte nog steeds goed, wat bewees dat het geen gelukstreffer was.

Ze gebruikten ook een "Decision Curve" (een chique manier om te zeggen: "Is dit in de praktijk nuttig?"). De resultaten waren ja: als een arts dit hulpmiddel gebruikt, kunnen zij betere beslissingen nemen over het beheren van de drukte.

5. De Belangrijkste Conclusie

Het artikel concludeert dat dit Nomogram een betrouwbaar instrument is. Het helpt ziekenhuismanagers en artsen om de "verkeersopstopping" te zien voordat deze plaatsvindt. Door te weten wie waarschijnlijk vast komt te zitten, kunnen ze potentieel middelen herverdelen om het perron sneller leeg te maken.

Kortom: De onderzoekers hebben een chaotische, overvolle SEH veranderd in een voorspelbaar systeem door een eenvoudige scorekaart te maken die hen vertelt: "Hé, deze patiënt zal waarschijnlijk lang moeten wachten omdat hij ouder is, te voet is gekomen en veel tests nodig heeft." Dit helpt het station om soepeler te draaien voor iedereen.

Technische Samenvatting: Constructie en Verificatie van een Voorspellingsmodel voor Nomogrammen voor het Risico op 'Stranded' Patiënten in de Spoedeisende Hulp

Probleemstelling
Spoedeisende hulpafdelingen (SEH) wereldwijd staan onder toenemende druk door stijgende patiëntvolumes en beperkte middelen, wat leidt tot verlengde "stranded" tijden (verlengde verblijfsduur binnen de SEH voordat overplaatsing, ontslag of overlijden plaatsvindt). Deze congestie brengt de patiëntveiligheid in gevaar, verhoogt de medische kosten en belast de menselijke hulpbronnen. Hoewel er risicowaarschuwingsmodellen bestaan, is er behoefte aan specifieke, gevalideerde instrumenten om de waarschijnlijkheid van het "stranded" zijn van een patiënt in de SEH te voorspellen om vroege interventie en betere toewijzing van middelen te faciliteren. Deze studie adresseert dit gat door de risicofactoren voor de duur van het "stranded" zijn in de SEH te onderzoeken en een voorspellend nomogrammodel te ontwikkelen.

Methodologie
De studie maakte gebruik van een retrospectieve analyse van 25.391 patiënten die tussen januari 2021 en augustus 2023 werden behandeld op de Spoedeisende Afdeling van het Fujian Medical University Union Hospital.

Data-partitionering: De dataset werd gesplitst in een modelleringsgroep (19.057 patiënten van jan 2021–okt 2022) voor factorenidentificatie en modelconstructie, en een validatiegroep (6.334 patiënten van mrt–aug 2023) voor prestatie-evaluatie.
Exclusiecriteria: Data van nov 2022–feb 2023 werden uitgesloten om bias door de COVID-19 pneumonie-piek te voorkomen. Patiënten met ontbrekende cruciale gegevens (bijv. verblijfsduur, diagnose, aankomstwijze) werden eveneens uitgesloten.
Variabele Definitie: De afhankelijke variabele was de "stranded tijd", gecategoriseerd in een normale groep (≤16 uur) en een stranded groep (>16 uur) op basis van de mediaan. Dertien onafhankelijke variabelen werden geanalyseerd over drie categorieën:
1. Patiëntfactoren: Leeftijd, geslacht, aankomstmethode en frequentie van SEH-bezoeken.
2. Ziektefactoren: Triage-niveau vóór onderzoek, Modified Early Warning Score (MEWS), ICD-10 diagnoseclassificatie en aantal test/onderzoeksposten.
3. Institutionele factoren: Bestemming van afleiding, specialisme-toeschrijving, behandelperiode en naleving van standaard wacjes.
Statistische Analyse: Univariabele analyse (Chi-kwadraat en rank-sum testen) identificeerde significante factoren. Binaire logistische regressie (backward elimination) werd gebruikt om onafhankelijke voorspellers te bepalend. Een nomogram werd geconstrueerd met behulp van R-software (rms package).
Modellevaluatie: Prestaties werden beoordeeld met behulp van de Area Under the Curve (AUC) van de Receiver Operating Characteristic (ROC), kalibratiecurves, goodness-of-fit testen en Decision Curve Analysis (DCA) voor klinische bruikbaarheid.

Belangrijkste Bijdragen

Identificatie van Voorspellers: De studie identificeerde specifieke onafhankelijke factoren die de SEH-stranding beïnvloeden, waaronder aankomstmethode, triage-niveau, specialisme, tijdsperiode, naleving van wachttijden, ICD-10 diagnose en het volume van uitgevoerde tests.
Ontwikkeling van Nomogram: Een visueel voorspellingsinstrument (nomogram) werd geconstrueerd om de waarschijnlijkheid te berekenen dat een patiënt "stranded" is (>16 uur) op basis van de cumulatieve score van de geïdentificeerde risicofactoren.
Validatie: Het model onderging rigoureuze interne en externe validatie, waarbij een consistente prestatie over verschillende patiëntcohorten werd aangetoond.

Resultaten

Beschrijvende Statistiek: De mediane stranded tijd voor de cohort was 15,69 uur (IQR: 5,64–26,73). Ongeveer 50,54% van de patiënten bleef ≤16 uur, terwijl 17,92% >32 uur bleef.
Regressiebevindingen: Multivariabele analyse bevestigde dat aankomstmethode (bijv. te voet versus ambulance), triage-niveau (Grades III en IV vertoonden een hoger risico dan Grade I), specifieke ziektecategorieën (bijv. respiratoire ziekten, tumoren, infectieziekten) en institutionele factoren (bijv. niet-naleving van standaard wachttijden) significante onafhankelijke voorspellers waren.
Modelprestaties:
- Discriminatie: Het model behaalde een AUC van 0,748 in de interne validatie (modelleringsgroep) en 0,732 in de externe validatiegroep.
- Kalibratie: Goodness-of-fit testen wezen op een sterke afstemming tussen de voorspelde en werkelijke incidentiecijfers (Interne $\chi^2=0,086, p=0,931$ ; Externe $\chi^2=0,193, p=0,847$ ).
- Klinische Bruikbaarheid: Decision Curve Analysis (DCA) toonde aan dat het nomogram een hogere netto winst bood dan alternatieve strategieën wanneer de drempelwaarschijnlijkheid voor het voorspellen van een langdurig verblijf tussen 0,35 en 0,65 (intern) en 0,35 en 0,60 (extern) lag.

Significantie en Claims
De auteurs beweren dat het ontwikkelde nomogram een gevalideerd instrument is dat effectief het risico op "stranded" patiënten in de SEH voorspelt. De studie stelt dat dit model praktische besluitvormingsondersteuning biedt voor het beheer van SEH-overbezetting. Door medisch personeel in staat te stellen de risico's op stranding nauwkeurig te beoordelen en vroege waarschuwingen te geven, beoogt het instrument tijdige interventies te faciliteren. Bovendien wordt het model gepresenteerd als een hulpmiddel voor SEH-managers om operationele dynamiek beter te begrijpen, personeelsbezetting te optimaliseren en de toewijzing van menselijke hulpbronnen en kwaliteitsmanagement te verbeteren. De studie concludeert dat het nomogram dient als een waardevol instrument voor klinische noodhulpinspanningen.