Laboratory test-ordering patterns carry an early prognostic signal in electronic health records
本研究表明，分析入院后前48小时内医生的实验室检查项目开具模式，可作为预测不良预后的强有力早期信号，其预测性能可与依赖于实际测量实验室指标和生命体征数值的模型相媲美。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，医院就像一个巨大且繁忙的厨房。在这个厨房里，患者是食材，医生是厨师，而**电子健康记录（EHR）**则是记录厨房里发生的一切的数字食谱。
通常，当我们观察一名患者的健康状况时，我们关注的是食材本身：血液检查结果、心率、体温。这些是“测量值”。如果食材看起来很糟糕（高烧、低血糖），我们就知道患者有麻烦了。
但这篇文章提出了一个引人入胜的问题：如果“订购”食材的行为本身，就能像食材本身一样传递信息，情况会怎样？
核心发现：“购物清单”信号
研究人员研究了超过30万例住院病例。他们构建了两种类型的“水晶球”（计算机模型）来预测患者是否会生病、是否会发生脓毒症或死亡：
- “食材”模型： 该模型仅观察来自血液检查和生命体征的实际数值。
- “购物清单”模型： 它仅观察医生订购测试的模式、订购频率以及他们增加测试的速度。它完全没有查看这些测试的结果。
结果： “购物清单”模型表现出了惊人的力量。即使不知道实际的血液检查结果，仅仅通过了解医生订购了哪些测试，以及订购得多么频繁，计算机也能几乎同样准确地预测不良预后。
“看似正常”的患者
这是研究中最具创意的一部分。研究人员发现了一类特定的患者，他们称之为**“看似正常”（Deceptively Normal）**。
想象两位患者，爱丽丝（Alice）和鲍勃（Bob）。
- 爱丽丝有一位冷静的医生，订购的测试很少。她的血液检查看起来很正常。她看起来很好。
- 鲍勃有一位感到担忧的医生。尽管鲍勃最初的血液检查看起来很正常，但他的医生不断订购更多的测试，每隔几小时就检查一次他的肾脏，并进行各种各样的化验单。
“购物清单”模型识别出了鲍勃的高风险状态。为什么？因为医生的行为（这种疯狂订购的行为）预示着一种隐藏的危险，而这种危险尚未被血液检查捕捉到。医生在床边看到了某些东西，而机器尚未测量到。
研究发现，这些“看似正常”的患者（比如鲍勃）实际上比那些看起来正常且拥有冷静医生的患者更容易生病或死亡。医生的“购物清单”是一个秘密的警报器。
“前4小时”的魔力
医院是混乱的。当一名患者刚入院时，需要时间进行抽血、送往实验室并等待结果返回。通常在最初的几个小时内，“食材”模型无计可施，因为它还没有可以观察的数据，因为结果还没出来。
研究发现，“购物清单”模型可以立即生效。在入院后的前4小时内，在大多数实验室结果出来之前，医生订购测试的模式就已经给出了强烈的预警信号。这就像是因为看到人们正忙着关窗户，你就预知了风暴即将来临，甚至在第一滴雨落下之前。
这只是巧合吗？
研究人员非常谨慎。他们问道：“这仅仅是因为病情较重的患者自然会接受更多测试吗？”
他们通过以下方式进行了测试：
- 不同的医院： 该信号在其他医院也有效，而不仅仅是在第一家医院。
- 不同的时间： 它在周末、工作日、白天和夜晚都有效。
- 不同的患者群体： 它对不同种族和保险类型的患者都有效。
- “假设”场景： 他们甚至尝试通过移除定义特定疾病的测试来“欺骗”计算机（例如，在预测肾衰竭时移除肌酐测试）。信号依然保持强劲。
他们得出结论：订购模式不仅仅是一个随机的副作用；它携带了一个真实的、独立的信号。
总结
这篇文章并不是说我们要停止观察血液检查。它是在说，医生的行为——特别是他们订购测试的节奏和强度——是我们一直忽略的一个隐藏数据层。
把它想象成一个侦探故事。血液检查是现场发现的证据。测试订购模式则是侦探的直觉。有时，证据看起来很干净，但侦探疯狂的笔记和反复的提问却在告诉你，情况非常糟糕。这项研究证明，如果我们倾听“侦探的笔记”（订购模式），我们就能更早、更准确地发现危险。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。