Early risk stratification for in-hospital mortality after acute diquat poisoning: a retrospective cohort study with external validation
这项回顾性队列研究开发并外部验证了一个包含四个变量（碳酸氢根、乳酸、摄入量和白细胞计数）的模型，该模型在预测急性敌百虫中毒后的住院死亡率方面表现出高判别力，尽管跨设置的校准偏移使得在临床应用前需进行局部重新校准。
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
当一个人吞下有毒化学物质时，身体的时钟便开始以令人胆战心惊的速度飞速倒计时。这种物质不会仅仅停留在胃里；它会迅速通过血液奔涌，攻击器官并破坏维持细胞生命的微妙化学平衡。在处理一种名为敌敌畏（diquat）的化学物质时，这一过程可能在数小时内导致器官衰竭，而目前医生还没有专门的解毒剂来阻止这一切。由于没有可以逆转损伤的“神奇药丸”，医疗团队手中最关键的工具就是时间。他们必须立即决定哪些患者需要最密集的护理，哪些人可能需要转运至专业中心，以及哪些人更有可能存活。挑战在于，早期的症状可能具有误导性；患者在最初看起来可能相对稳定，但其内部系统可能已经在崩溃。为了做出这些生死攸关的决策，医生需要一种方法，能够根据患者踏入急诊室门时所掌握的有限信息，预见疾病的未来走向。
一组研究人员致力于为这一特定时刻建立一个简单、可靠的指南。他们回顾了在广州某医院因吞食敌敌畏入院的229名患者的记录。他们的目标是找到一小组事实，用以预测谁会在住院期间死亡，谁能康复回家。他们并不想要一个需要稀有、昂贵检测或长时间等待结果的复杂系统。相反，他们寻找的是几乎对每位患者都会收集的数据：他们可能摄入了多少毒素，以及衡量身体如何应对压力、酸碱度及炎症的几项标准血液检测指标。通过分析这些记录，研究人员确定了四项特定的信息，当它们结合在一起时，就能勾勒出清晰的风险图景。这些信息分别是：估计摄入的液体量、指示血液酸碱度的碳酸氢盐水平、反映身体氧气供应情况的乳酸水平，以及显示免疫系统承受多少压力的白细胞计数。
利用这四个因素，该团队创建了一个数学模型，可以将患者分为高风险组和低风险组，且准确率极高。当他们用自己的患者群体测试该模型时，它几乎在每种情况下都能准确区分生存者与死亡者。该模型的精确度极高，几乎可以完美地将两组人群分开，就像一个筛子，只让最小的颗粒掉下去，而留住其他所有东西。随后，研究人员在没有改变任何数字或规则的情况下，将同一个模型应用于来自其他医院的另外201名患者。结果令人瞩目。该模型在对患者进行风险排序方面依然表现出色；它知道谁处于危险之中，谁是安全的。然而，虽然它在分类方面非常优秀，但在预测特定个体死亡的具体百分比概率时却并不完美。在第二组人群中，该模型倾向于低估危险程度，即预测的死亡人数少于实际死亡的人数。
这种差异是医生需要理解的关键细节。该模型就像一位经验丰富的领航员，可以告诉你哪条路径通向悬崖，哪条路径通向安全，但可能会稍微误判距离悬崖边缘的距离。研究人员发现，尽管模型的风险排序能力依然强大，但当用于不同的医院环境时，它给出的关于死亡概率的具体数值需要进行调整。这是因为不同的医院治疗的患者类型不同，或者不同地区的中毒严重程度存在差异。研究还利用一种特殊的方法，在考虑到部分患者在出院前已死亡的情况下，观察了幸存患者的康复历程。他们发现，预测死亡的相同因素也预测了患者恢复到可以出院所需的时间。血液中的酸度越高、摄入的毒素量越大，与康复路径越缓慢相关联。
最终的结论是审慎的乐观。研究人员开发了一种简单、快速且使用几乎任何急诊室现有的信息的工具。它可以帮助医疗团队快速识别那些处于极度危险之中、需要立即采取积极支持措施的患者。然而，这项研究明确指出，该工具尚未准备好在没有经过本地校验的情况下，直接作为每家医院的最终定论。在医生使用该模型的具体数值做出决策之前，医院必须首先用自己的患者对该模型进行测试，以确保预测结果符合其自身的现实情况。该模型是应对中毒危机初期阶段的一张强有力的地图，但正如任何地图一样，它必须针对其所使用的具体地形进行校准。在完成这种本地校准并在未来的现实世界场景中进行测试之前，它最适合作为标记最危重病例的指南，而非判定命运的最终计算器。
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。